• Tidak ada hasil yang ditemukan

DETEKSI WAJAH MENGGUNAKAN VIOLA JONES PADA CITRA SMALL FACE

N/A
N/A
Protected

Academic year: 2021

Membagikan "DETEKSI WAJAH MENGGUNAKAN VIOLA JONES PADA CITRA SMALL FACE"

Copied!
25
0
0

Teks penuh

(1)

i

DETEKSI WAJAH MENGGUNAKAN VIOLA JONES PADA CITRA SMALL FACE

Diajukan Sebagai Syarat Untuk Menyelesaikan Pendidikan Program Strata-1 Pada

Jurusan Teknik Informatika

Oleh:

FITRAH AFRIANA NIM : 09021381520055

Jurusan Teknik Informatika

FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA 2020

(2)

ii

(3)

iii

(4)

iv

(5)

v

MOTTO DAN PERSEMBAHAN

MOTTO:

Jadikanlah diam sebagai sarana atas pembicaraanmu, dan tentukan sikap dengan berfikir”

~~~~~~~~~~~~~

Engkau tak dapat meraih ilmu kecuali dengan enam hal yaitu; cerdas, selalu ingin tahu, tabah, punya bekal dalam menuntut ilmu, bimbingan

dari guru, dan dalam waktu yang lama

~~~~~Ali bin Abi Thalib~~~~~

Bantinglah otak untuk mencari ilmu sebanyak-banyaknya guna mencari rahasia besar yang terkandung di dalam benda besar bernama dunia ini, tetapi pasanglah pelita dalam hati sanubari, yaitu pelita kehidupan jiwa

~~~~~Al-Ghazali~~~~~

I dedicate this final project to :

Allah SWT & Nabi Muhammad SAW Mama dan Papaku tercinta

Fauzan dan Farras adikku tersayang Keluarga besarku

Sahabat Tersayangku Adik” dan Teman” tercinta

 Fakultas Ilmu Komputer

 Universitas Sriwijaya

(6)

vi ABSTRACT

Face detection is object detection that displays special features that represent the shape of a face in general. Small face is a face that is difficult to detect because the scale is small and has a high level of difficulty of detection then categorized as hard face. This study uses the Viola Jones method to detect small faces. This method has four main processes namely, integral image, haar-like feature, adaboost, and cascade classifier. Haar-like features are a collection of special features that represent faces and integral images are a fast way to calculate haar features. While adaboost is a statistical weighting of feature values obtained using the cascade classifier. The final result is in the form of detections that pass the cascade classifier. Image data used in this study is a single frontal face with the Portable Network Graphics (.png) format. From the research results, it is found that the Viola Jones method has accurate results from primary data for a size of 24 x 24 pixels of 72.94%, a size of 48 x 48 pixels of 62.35%, and a size of 72 x 72 pixels of 70.58%. . Meanwhile, the Viola Jones method from the secondary data sources produces very good values for the size of 24 x 24 pixels of 38.57%, the size of 48 x 48 pixels of 77.14%, and the size of 72 x 72 pixels of 77.14%.

Keywords : Face Detection, Small Face, Single Frontal Face, Viola Jones, Haar- Like Feature, Integral Image, Adaboost, Cascade Clasifier.

(7)

vii ABSTRAK

Deteksi wajah adalah deteksi objek berupa wajah yang didalamnya terdapat fitur–fitur khusus yang merepresentasikan bentuk wajah pada umumnya.

Small face (wajah kecil) adalah wajah yang sulit dideteksi karena skalanya berukuran kecil dan memiliki tingkat kesulitan deteksi yang tinggi maka dikategorikan sebargai hard face. Penelitian ini menggunakan metode Viola Jones untuk mendeteksi small face. Metode ini mempunyai empat proses utama yaitu, integral image, haar-like feature, adaboost, dan cascade classifier. Haar-like feature merupakan kumpulan fitur khusus yang merepresentasikan wajah dan integral image adalah cara cepat menghitung haar feature. Sedangkan adaboost adalah pembobotan secara statistik nilai–nilai fitur yang didapat menggunakan cascade classifier. Hasil terakhir berupa deteksi–deteksi yang lolos cascade classifier. Data citra yang digunakan dalam penelitian ini adalah single frontal face yang berformat Portable Network Graphics (.png). Dari hasil penelitian, didapat bahwa metode Viola Jones mempunyai hasil akurasi yang bersumber dari data primer untuk ukuran 24 x 24 piksel sebesar 72,94%, ukuran 48 x 48 piksel sebesar 62,35%, dan ukuran 72 x 72 piksel sebesar 70,58%. Sedangkan metode Viola Jones sumber dari data sekunder menghasilkan hasil nilai akurasi untuk ukuran 24 x 24 piksel sebesar 38,57%, ukuran 48 x 48 piksel sebesar 77,14%, dan ukuran 72 x 72 piksel sebesar 77,14%.

Kata Kunci : Deteksi Wajah, Small Face, Single Frontal Face, Viola Jones, Haar-Like Feature, Integral Image, Adaboost, Cascade Clasifier.

(8)

viii

KATA PENGANTAR

Puji syukur kepada Allah atas berkat dan rahmat-Nya yang telah diberikan kepada Penulis sehingga dapat menyelesaikan Tugas Akhir ini dengan baik. Tugas akhir ini disusun untuk memenuhi salah satu syarat guna menyelesaikan pendidikan program Strata-1 pada Fakultas Ilmu Komputer Program Studi Teknik Informatika di Universitas Sriwijaya.

Dalam menyelesaikan Tugas Akhir ini banyak pihak yang telah memberikan bantuan dan dukungan baik secara langsung maupun secara tidak langsung. Penulis ingin menyampaikan rasa terima kasih kepada:

1. Orang tuaku tercinta, Ayub Namar dan Jawiah. Saudara-sudaraku tersayang Fauzan Azhandy dan Farras Azzamy. Dan seluruh keluarga besarku yang selalu mendoakan serta memberikan dukungan baik moril maupun materil.

2. Bapak Jaidan Jauhari, M.T. selaku Dekan Fakultas Ilmu Komputer Universitas Sriwijaya, Bapak Rifkie Primartha, M.T. selaku Ketua Jurusan Teknik Informatika, dan Ibu Alvi Syahrini, M.T. selaku Sekretaris Jurusan Teknik Informatika.

3. Bapak DR. Erwin, S.Si., M.Si. selaku dosen pembimbing I dan Bapak Desty M.Fachrurrozi, S.Si., M.T. selaku pembimbing II yang telah membimbing, mengarahkan, dan memberikan motivasi dalam proses perkuliahan dan pengerjaan Tugas Akhir.

4. Bapak Samsuryadi, M.Kom., Ph.D. selaku dosen penguji I dan Bapak M.

Naufal Rachmatullah, S.Kom., M.T. selaku dosen penguji II yang telah memberikan masukan dan ilmu pengetahuan.

5. Seluruh dosen Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Sriwijaya.

(9)

ix

6. Pak Tony, Mbak Wiwin dan seluruh staf tata usaha yang telah membantu dalam kelancaran proses administrasi dan akademik selama masa perkuliahan.

7. Sahabat-Sahabatku Dwijani, Dwi Indah, Tia K S, Vega, Siti Zahrah dan Wisdan yang selalu memberikan doa, motivasi, dan semangat.

8. Sahabat Kecilku yang selalu memberikan dukungan dan doa.

9. Adik-adikku tercinta Rosdiana, Deanis, Adi, Nilam, Erinda, dan Friska yang telah banyak memberi motivasi, dukung dan membantu selama proses penulisan tugas akhir ini.

10. Ustdz. Danu, Ustdz. Fauzan, Abi Faris, dan Ustdz. Jaka yang selalu memberikan arahan, doa, motivasi, dan semangat.

11. Teman-teman jurusan Teknik Informatika Bil dan Reg 2015, kakak tingkat IFBil 2013, IFReg 2014, IFBil 2014, dan adik tingkat IFBil dan IFReg 2016, serta teman-teman lainnya yang telah mendengarkan dan berbagi keluh kesah selama masa perkuliahan.

Penulis menyadari dalam penyusunan Tugas Akhir ini masih terdapat banyak kekurangan disebabkan keterbatasan pengetahuan dan pengalaman, oleh karena itu kritik dan saran yang membangun sangat diharapkan untuk kemajuan penelitian selanjutnya. Akhir kata semoga Tugas Akhir ini dapat berguna dan bermanfaat bagi kita semua.

Palembang, 28 Juli 2020

Fitrah Afriana

(10)

x DAFTAR ISI

Halaman

HALAMAN JUDUL ... ii

LEMBAR PENGESAHAN TUGAS AKHIR ... ii

TANDA LULUS UJIAN SIDANG TUGAS AKHIR ... iii

HALAMAN PERNYATAAN ... iv

MOTTO DAN PERSEMBAHAN ... v

ABSTRACT ... vi

ABSTRAKSI ... vii

KATA PENGANTAR ... viii

DAFTAR ISI ... x

DAFTAR TABEL ... xiv

DAFTAR GAMBAR ... xvi

BAB I PENDAHULUAN

1.1 Pendahuluan ... I-1 1.2 Latar Belakang ... I-1 1.3 Rumusan Masalah ... I-3 1.4 Tujuan Penelitian ... I-4 1.5 Manfaat Penelitian ... I-4 1.6 Batasan Masalah ... I-5 1.7 Sistematika Penulisan ... I-5 1.8 Kesimpulan ... I-6

BAB II KAJIAN LITERATUR

2.1 Pendahuluan ... II-1 2.2 Pengolahan Citra Digital ... II-1 2.3 Pengenalan Wajah ... II-4 2.4 Deteksi Wajah ... II-4 2.5 Wajah Kecil (Small Face) ... II-5 2.6 Algoritma Viola Jones ... II-6 2.6.1 Integral Image ... II-8 2.6.2 Haar Like Features ... II-11 2.6.3 Algoritma AdaBoost ... II-14 2.6.4 Cascade Classifier ... II-15 2.7 Intersection Over Union ... II-17 2.8 Penelitian Lain yang Relevan ... II-18 2.9 Kesimpulan ... II-20

(11)

xi BAB III METODOLOGI PENELITIAN

3.1 Pendahuluan ... III-1 3.2 Pengumpulan Data ... III-1 3.2.1 Jenis Data ... III-1 3.2.2 Sumber Data ... III-1 3.2.3 Metode Pengumpulan Data ... III-2 3.3 Tahapan Penelitian ... III-2 3.3.1 Kerangka Kerja ... III-3 3.3.2 Kriteria Pengujian ... III-4 3.3.3 Format Data Pengujian ... III-4 3.3.4 Alat Yang Digunakan Untuk Pelaksana Penelitian ... III-12 3.3.5 Pengujian Penelitian ... III-13 3.4 Metode Pengembangan Perangkat Lunak ... III-13 3.4.1 Fase Insepsi ... III-14 3.4.2 Fase Elaborasi ... III-15 3.4.3 Fase Kontruksi ... III-16 3.4.4 Fase Transisi ... III-17 3.5 Manajemen Proyek Penelitian ... III-17

BAB IV PENGEMBANGAN PERANGKAT LUNAK

4.1 Pendahuluan ... IV-1 4.2 Rational Unified Process (RUP) ... IV-1 4.2.1 Fase Insepsi ... IV-1 4.2.1.1 Pemodelan Bisnis ... IV-1 4.2.1.2 Kebutuhan Sistem ... IV-2 4.2.1.3 Analisis dan Desain ... IV-3 4.2.1.3.1 Analisis Kebutuhan Perangkat Lunak . IV-4 4.2.1.3.2 Analisis Data ... IV-4 4.2.1.3.3 Desain Perangkat Lunak ... IV-4 4.2.1.4 Implementasi ... IV-14 4.2.2 Fase Elaborasi ... IV-14 4.2.2.1 Pemodelan Bisnis ... IV-14 4.2.2.1.1 Perancangan Data ... IV-15 4.2.2.2 Kebutuhan Sistem ... IV-15 4.2.2.3 Analisis dan Desain ... IV-16 4.2.2.3.1 Diagram Kelas Analisis ... IV-16 4.2.2.3.2 Diagram Aktivitas ... IV-18 4.2.2.3.3 Diagram Sequence ... IV-21 4.2.2.4 Implementasi ... IV-23 4.2.3 Fase Kontruksi ... IV-23 4.2.3.1 Pemodelan Bisnis ... IV-23 4.2.3.1.1 Perancangan Antar Muka ... IV-24 4.2.3.2 Kebutuhan Sistem ... IV-24 4.2.3.3 Analisis dan Desain ... IV-25 4.2.3.4 Implementasi ... IV-25

(12)

xii

4.2.3.4.1 Implementasi Kelas ... IV-25 4.2.3.4.2 Implementasi Antar Muka ... IV-27 4.2.4 Fase Transisi ... IV-28 4.2.4.1 Pemodelan Bisnis ... IV-28 4.2.4.2 Kebutuhan Sistem ... IV-28 4.2.4.3 Analisis dan Desain ... IV-28 4.2.4.4 Implementasi ... IV-31 4.3 Kesimpulan ... IV-36

BAB V HASIL DAN ANALISIS PENELITIAN

5.1 Pendahuluan ... V-1 5.2 Data Hasil Percobaan/Penelitian ... V-1 5.2.1 Konfigurasi Percobaan ... V-1 5.2.2 Data Hasil Percobaan ... V-1 5.3 Analisis Hasil Penelitian ... V-96 5.4 Kesimpulan ... V-96

BAB VI KESIMPULAN DAN SARAN

6.1 Kesimpulan ... VI-1 6.2 Saran ... VI-2

DAFTAR PUSTAKA ... VII-1 LAMPIRAN ... L-1

(13)

xiii

DAFTAR TABEL

Halaman

III.1 Tabel Rancangan HasilTraining and Tester Data Primer... III-4 III.2 Tabel Rancangan HasilTraining and Tester Data Sekunder ... III-5 III.3 Tabel Rancangan Hasil Scalling Proses72 Data Primer ... III-6 III.4 Tabel Rancangan Hasil Scalling Proses72 Data Sekunder ... III-7 III.5 Tabel Rancangan Hasil Scalling Proses48 Data Primer ... III-8 III.6 Tabel Rancangan Hasil Scalling Proses48 Data Sekunder ... III-9 III.7 Tabel Rancangan Hasil Scalling Proses24 Data Primer ... III-10 III.8 Tabel Rancangan Hasil Scalling Proses24 Data Sekunder ... III-11 III.9 Tabel Rancangan Hasil Pengujian Data Primer... III-12 III.10 Tabel Rancangan Hasil Pengujian Data Sekunder ... III-12 III.11 Tabel Penjadwalan Penelitian dalam Bentuk WBS ... III-18 IV.1 Tabel Kebutuhan Fungsional Perangkat Lunak ... IV-3 IV.2 Tabel Kebutuhan Non Fungsional Perangkat Lunak ... IV-3 IV.3 Tabel Definisi Aktor Use Case ... IV-6 IV.4 Tabel Definisi Use Case ... IV-6 IV.5 Tabel Skenario Melakukan Pelatihan dan Pengujian... IV-7 IV.6 Tabel Skenario Memasukkan Gambar ... IV-8 IV.7 Tabel Skenario Melakukan Deteksi Viola Jones Scalling 72x72 Piksel . IV-9 IV.8 Tabel Skenario Melakukan Deteksi Viola Jones Scalling 48x48 Piksel IV-11 IV.9 Tabel Skenario Melakukan Deteksi Viola Jones Scalling 24x24 Piksel IV-12 IV.10 Tabel Implementasi Kelas... IV-26 IV.11 Tabel Rancangan Pengujian Use Case Melakukan Pelatihan dan Pengujian ... IV-28 IV.12 Tabel Rancangan Pengujian Use Case Memasukkan Gambar ... IV-29 IV.13 Tabel Rancangan Pengujian Use Case Melakukan Deteksi Viola Jones Scalling 72 x 72 Piksel ... IV-29 IV.14 Tabel Rancangan Pengujian Use Case Melakukan Deteksi Viola Jones Scalling 48 x 48 Piksel ... IV-30 IV.15 Tabel Rancangan Pengujian Use Case Melakukan Deteksi Viola Jones Scalling 24 x 24 Piksel ... IV-30 IV.16 Tabel Pengujian Use Case Melakukan Pelatihan dan Pengujian... IV-31 IV.17 Tabel Pengujian Use Case Memasukkan Gambar ... IV-32 IV.18 Tabel Pengujian Use Case Melakukan Deteksi Viola Jones Scalling 72x72 Piksel ... IV-33 IV.19 Tabel Pengujian Use Case Melakukan Deteksi Viola Jones Scalling 48x48 Piksel ... IV-34 IV.20 Tabel Pengujian Use Case Melakukan Deteksi Viola Jones Scalling 24x24

Piksel ... IV-35 V.1 Tabel Hasil Training and Tester Data Primer ... V-2

(14)

xiv

V.2 Tabel Hasil Training and Tester Data Sekunder ... V-12 V.3 Tabel Hasil Scalling Proses72 Data Primer ... V-21 V.4 Tabel Hasil Scalling Proses72 Data Sekunder ... V-39 V.5 Tabel Hasil Scalling Proses48 Data Primer ... V-54 V.6 Tabel Hasil Scalling Proses48 Data Sekunder ... V-67 V.7 Tabel Hasil Scalling Proses24 Data Primer ... V-78 V.8 Tabel Hasil Scalling Proses24 Data Sekunder ... V-87 V.9 Tabel Hasil Pengujian Data Primer ... V-95 V.10 Tabel Hasil Pengujian Data Sekunder ... V-95

(15)

xv

DAFTAR GAMBAR

Halaman

II.1 Gambar Hubungan Elemen Gambar dengan Elemen Matriks ... II-2 II.2 Gambar Elemen Pemprosesan Citra ... II-3 II.3 Gambar Struktur Viola Jones... II-8 II.4 Gambar Contoh Integral Image ... II-8 II.5 Gambar Kooardinat Integral Image... II-9 II.6 Gambar Perhitungan Wilayah Menggunakan Empat Referensi Array.... II-10 II.7 Gambar Pada gambar (A) dan (B) menunjukan Fitur dua-persegi panjang.

Gambar (C) menunjukkan fitur tiga-persegi panjang, dan (D) fitur empat- persegi panjang ... II-12 II.8 Gambar Cascade Clasifier ... II-16 III.1 Gambar Kerangka Kerja Deteksi Wajah Menggunakan Viola Jones pada Citra Small Face ... III-3 III.2 Gambar Diagram RUP ... III-14 III.3 Gambar Penjadwalan untuk Tahap Menentukan Ruang Lingkup dan Unit Penelitian, Menentukan Dasar Teori yang Berkaitan dengan Penelitian, dan Menentukan Kriteria Pengujian ... III-28 III.4 Gambar Penjadwalan Tahap Menentukan Alat yang Digunakan untuk Pelaksanaan Penelitian Face Inception ... III-29 III.5 Gambar Penjadwalan Tahap Menentukan Alat yang Digunakan untuk Pelaksanaan Penelitian Face Elaborasi ... III-29 III.6 Gambar Penjadwalan Tahap Menentukan Alat yang Digunakan untuk Pelaksanaan Penelitian Face Construction ... III-30 III.7 Gambar Penjadwalan Tahap Menentukan Alat yang Digunakan untuk Pelaksanaan Penelitian Face Transition ... III-30 III.8 Gambar Penjadwalan Tahap Melakukan Pengujian Penelitian dan Melakukan Analisa Hasil Pengujian Serta Membuat Kesimpulan ... III-31 IV.1 Gambar Use Case Diagram ... IV-5 IV.2 Gambar Diagram Kelas Analisis Melakukan Pelatihan dan Pengujian .. IV-16 IV.3 Gambar Diagram Kelas Analisis Memasukkan Gambar ... IV-16 IV.4 Gambar Diagram Kelas Analisis Melakukan Deteksi Viola Jones Scalling 72 x 72 Piksel ... IV-17 IV.5 Gambar Diagram Kelas Analisis Melakukan Deteksi Viola Jones Scalling 48 x 48 Piksel ... IV-17 IV.6 Gambar Diagram Kelas Analisis Melakukan Deteksi Viola Jones Scalling 24 x 24 Piksel ... IV-18 IV.7 Gambar Diagram Aktivitas Melakukan Pelatihan dan Pengujian ... IV-18 IV.8 Gambar Diagram Aktivitas Memasukkan Gambar... IV-19

(16)

xvi

IV.9 Gambar Diagram Aktivitas Melakukan Deteksi Viola Jones Scalling 72x72 Piksel… ... IV-19 IV.10 Gambar Diagram Aktivitas Melakukan Deteksi Viola Jones Scalling 48x48 Piksel…. ... IV-20 IV.11 Gambar Diagram Aktivitas Melakukan Deteksi Viola Jones Scalling 24x24 Piksel… ... IV-20 IV.12 Gambar Diagram Sequence Melakukan Pelatihan dan Pengujian ... IV-21 IV.13 Gambar Diagram Sequence Memasukkan Gambar ... IV-22 IV.14 Gambar Diagram Sequence Melakukan Deteksi Viola Jones Scalling 72x72 Piksel.. ... IV-22 IV.15 Gambar Diagram Sequence Melakukan Deteksi Viola Jones Scalling 48x48 Piksel.. ... IV-22 IV.16 Gambar Diagram Sequence Melakukan Deteksi Viola Jones Scalling 24x24 Piksel ... ..IV-23 IV.17 Gambar Rancangan Antar Muka Perangkat Lunak ... IV-24 IV.18 Gambar Diagram Kelas ... IV-25 IV.19 Gambar Implementasi Rancangan Antar Muka Perangkat Lunak ... IV-27

(17)

I-1 BAB I PENDAHULUAN

1.1. Pendahuluan

Pada bab ini akan membahas latar belakang rumusan masalah, tujuan penelitian, manfaat penelitian, dan batasan masalah yang dijadikan gambaran secara umum untuk penelitian yang akan dilakukan.

Pendahuluan menjelaskan tentang masalah dalam deteksi wajah kecil pada gambar. Penelitian yang berhubungan dengan deteksi wajah untuk menemukan wajah kecil pada gambar akan disertakan dalam latar belakang penelitian ini.

1.2. Latar Belakang

Deteksi wajah pada gambar merupakan landasan dasar untuk mewujudkan sistem pengawasan atau interaksi manusia dengan komputer berbasis visi yang cerdas, dan upaya penelitian dalam pemrosesan wajah (Yang, Kriegman dan Member, 2002)

Penelitian dengan judul Finding Tiny Face yang dilakukan oleh (Hu dan Ramanan, 2017). Menurutnya meskipun sudah banyak penelitian dalam deteksi objek, ada satu tantangan yaitu mendeteksi objek kecil. Konteks deteksi wajah dalam penelitiannya mengeksplorasikan tiga aspek masalah yaitu skala invariant, resolusi gambar, dan penalaran kontekstual. Pada penelitiannya membuat objek untuk mendeteksi objek kecil. Pada penelitiannya detektor juga dilatih secara

(18)

I-2

multitask menggunakan fitur yang diekstraksi dari beberapa lapisan hierarki fitur

tunggal.

Penelitian dengan judul Real-time Detection of Small Faces in HD Video yang dilakukan juga oleh (Yang dan Bae, 2016). Penelitian tersebut mengenai deteksi wajah secara real-time dalam video HD. Tujuan penelitiannya adalah untuk mendeteksi small face pada jarak tertentu dengan video HD dan menjaga tingkat false-alarm rate. Metode ini 30 kali lebih cepat daripada Viola Jones dalam waktu pemprosesan untuk video yang ukurannya 720P. Keuntungannya yaitu waktu pemprosesan akan lebih tinggi untuk video berukuran 1080P dan tingkat false-alarm rate berkurang.

Penelitian yang berjudul Robust Face Detection via Learning Small Faces on Hard Images yang di lakukan oleh (Zhang et al., 2018). Pada penelitian ini

membahas robust face detector terhadap hard face dapat ditingkatkan dari mempelajari small face di hard images. Hard Images adalah gambar yang terdapat satu hard face untuk memfasilitasi pelatihan pada robust face detectors.

Sedangkan hard faces adalah sebagian dari small face dan beberapa jenis wajah yang mudah untuk dikonversi menjadi small face melalui proses penyusutan.

Penelitian yang berjudul Small Faces Attention Face Detector (Luo et al., 2018) dalam beberapa penelitian tahun terakhir sebagian besar diterbitkan detektor wajah memburuk secara dramatis ketika wajah menjadi lebih kecil.

Dalam penelitian ini detektor wajah untuk mendeteksi wajah dengan skala kecil.

Pertama, penelitian ini melakukan deteksi wajah dengan arsitektur skala invarian baru yang lebih memperhatikan wajah-wajah kecil, termasuk arsitektur deteksi 4-

(19)

I-3

cabang dan desain jangkar sensitif wajah-wajah kecil. Kedua, strategi fusion peta fitur diterapkan dalam penelitian ini dengan menggabungkan sebagian fitur tingkat tinggi ke dalam fitur tingkat rendah untuk lebih meningkatkan kemampuan menemukan wajah yang sulit. Ketiga, menggunakan pelatihan multi-skala dan strategi pengujian untuk meningkatkan kinerja deteksi wajah.

Pada penelitian ini metode yang digunakan untuk deteksi citra wajah adalah Viola Jonnes. Metode Viola Jones pertama kali diimplementasikan oleh Paul

Viola dan Michael Jones pada deteksi objek cepat menggunakan boosted cascade dengan fitur yang sederhana (Paul Viola dan Jones, 2001). Metode Viola Jones memiliki tiga tahapan utama yaitu epresentasi citra baru (Integral Image), menggunakan algoritma AdaBoost untuk classifier sederhana dan efisien, dan metode untuk menggabungkan pengklasifikasi di dalam cascade yang menentukan daerah hitam dan putih (Viola, Way dan Jones, 2004).

Berdasarkan penjelasan di atas, banyak peneliti melakukan penelitian pendeteksian wajah yang berukuran kecil. Salah satu riset yang dikembangkan dalam teknologi deteksi wajah adalah menghitung tingkat akurasi metode algoritma Viola Jones pada objek citra gambar wajah berukuran kecil dengan harapan akurasi terbaik yang dapat dicapai.

1.3. Rumusan Masalah

Dalam penelitian terdahulu deteksi wajah sudah melakukan pembelajaran secara mendalam. Namun, beberapa penelitian yang sudah diterbitkan mengenai wajah hasil deteksi wajah memburuk secara dramatis ketika ukuran wajah

(20)

I-4

menjadi kecil. Maka dalam penelitian ini akan dilakukan pengembangan deteksi wajah berukuran kecil dengan menerapkan metode Viola Jones dan menghitung hasil tingkat akurasi yang terbaik. Untuk penyelesaian masalah tersebut, dalam penelitian ini terdapat rumusan masalah penelitian sebagai berikut :

1. Bagaimana mengembangkan perangkat lunak untuk deteksi citra wajah kecil dengan Viola Jones ?

2. Berapa perdandingan tingkat akurasi dari scalling objek 24x24 piksel, 48x48 piksel, dan 72x72 piksel menggunakan metode Viola Jones pada deteksi citra wajah kecil ?

1.4. Tujuan Penelitian

Tujuan penelitian ini sebagai berikut:

1. Menghasilkan perangkat lunak untuk deteksi citra wajah berukuran kecil;

2. Menentukan akurasi 24x24 piksel, 48x48 piksel, dan 72x72 piksel dengan metode Viola Jones untuk melakukan deteksi citra wajah berukuran kecil.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini sebagai berikut :

1. Perangkat lunak dapat mendeteksi citra wajah berukuran kecil yang akurat;

2. Hasil akurasi 24x24 piksel, 48x48 piksel, dan 72x72 piksel pada penelitian ini bisa dijadikan pembandingan untuk penelitian yang sama atau metode lain.

(21)

I-5

1.6. Batasan Masalah

Batasan masalah pada penilitian ini sebagai berikut:

1. Citra yang digunakan diambil secara offline;

2. Analisis citra wajah yang dilakukan pada wajah manusia pada posisi tegak lurus atau frontal face (Viola, Way dan Jones, 2004);

3. Citra yang diuji yaitu wajah berukuran kecil (Hu dan Ramanan, 2017);

4. Citra awal berukuran 96 x 96 piksel, dilakukan pengecilan ukuran menjadi 24x24 piksel, 48x48 piksel, dan 72x72 piksel;

5. Deteksi wajah dilakukan pada citra single face;

6. Format citra menggunakan PNG.

1.7. Sistematika Penulisan

Sistematika penulisan pada penelitian ini sebagai berikut : BAB I PENDAHULUAN

Bab ini menjelaskan mengenai pendahuluan, latar belakang, rumusan masalah, tujuan penelitian, manfaat penelitian, batasan masalah, dan sistematika penulisan.

BAB II KAJIAN LITERATUR

Bab ini menjelaskan dasar teori-teori yang digunakan dalam penelitian. Teori dasar seperti pengolahan citra, langkah-langkah pendeteksi wajah, metode Viola Jones, dan rational unified process. Pada bagian akhir bab ini akan disertakan peneltian- penelitian sebelumnya yang relevan dengan penelitian ini.

(22)

I-6

BAB III METODOLOGI PENELITIAN

Bab ini akan membahas mengenai langkah-langkah yang akan dilakukan pada penelitian. Setiap langkah-langkah penelitian dideskripsikan secara detail dengan mengacu pada suatu kerangka kerja. Diakhir bab ini, terdapat perencanaan manajemen proyek untuk pelaksanaan penelitian.

BAB IV PENGEMBANGAN PERANGKAT LUNAK

Bab ini membahas perancangan dan lingkungan implementasi perangkat lunak berdasarkan Rational Unifield Process. Tahapan Rational Unifield Process terdiri dari tahap

insepsi, tahap elaborasi, tahap kontruksi, dan tahap transisi.

BAB V HASIL DAN ANALISIS PENELITIAN

Bab ini membahas mengenai penerapan dari hasil analisis dan rancangan perangkat lunak deteksi wajah berukuran kecil dengan metode Viola Jones.

BAB VI KESIMPULAN DAN SARAN

Bab ini membahas kesimpulan dari penelitian mengenai deteksi wajah berukuran kecil dengan metode Viola Jones.

1.8. Kesimpulan

Pada penelitian ini akan dilakukan deteksi citra wajah berukuran kecil dengan metode Viola Jones untuk menemukan hasil yang baik berdasarkan

batasan masalah yang telah ditentukan.

(23)

VII-1 DAFTAR PUSTAKA

Chau, Banjahor, Irfansyah, & Kumala“Anonimizzazione di volti in immagini e video Face anonymiser for images and videos” (2013).

David (2019) “(Journal of Informatics and Telecommunication Engineering),”

2(2), hal. 62–68.

Derpanis, K. G. (2007) “Integral image-based representations,” Department of Computer Science and Engineering York University Paper, 1(2), hal. 1–6.

Tersedia pada:

http://www.cse.yorku.ca/~kosta/CompVis_Notes/integral_representations.p df.

Gonzalez, R. C. dan Woods, R. E. (2002) Digital Image Processing (2nd Edition).

Second. Upper Saddle River, New Jersey 07458: Prentice Hall.

Hu, P. dan Ramanan, D. (2017) “Finding Tiny Faces Supplementary Materials,”

2, hal. 951–959.

Jin, Z. et al. (2007) “Face detection using template matching and skin-color information,” Neurocomputing, 70(4–6), hal. 794–800. doi:

10.1016/j.neucom.2006.10.043.

Jones, M. (2014) “Fast multi-view face detection Fast Multi-view Face Detection,” (May).

Kadir, A. dan Susanto, A. (2013) “Pengantar Pengolahan Citra,” Teori dan

(24)

VII-2

Aplikasi Pengolahan Citra, hal. 1–10.

Kruchten, P. (2000) The Rational Unified Process An Introduction, 2nd Edition.

Second Edi. Canada: Addison Wesley.

Luo, S. et al. (2018) “SFA: Small Faces Attention Face Detector.” Tersedia pada:

http://arxiv.org/abs/1812.08402.

Mita, T. (2005) “Joint Haar-like Features for Face Detection.”

Pambudi, W. S. dan Tompunu, A. N. (2012) “Aplikasi Sensor Vision untuk Deteksi MultiFace dan Menghitung Jumlah Orang,” Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012),

2012(Semantik), hal. 26–33.

Putro, M. D. (2012) “Sistem Deteksi Wajah dengan Menggunakan Metode Viola- Jones,” Tugas Akhir, hal. 1–5.

Shuang, L. (2014) “A Novel Face Detection Algorithm Based on PCA and Adaboost,” 2014 Sixth International Conference on Measuring Technology and Mechatronics Automation, hal. 38–41. doi: 10.1109/ICMTMA.2014.16.

Triatmoko, A., Pramono, S. dan Dachlan, H. (2014) “Penggunaan Metode Viola- Jones Dan Algoritma Eigen Eyes Dalam Sistem Kehadiran Pegawai,”

Jurnal EECCIS, 8(1), hal. pp.41-46.

Tripathi, S. (2018) “Face Detection using Combined Skin Color Detector and Template Matching Face Detection using Combined Skin Color Detector and Template Matching Method,” (September), hal. 4–8. doi: 10.5120/3119-

(25)

VII-3

4290.

Viola, P. dan Jones, M. (2001) “Haar-like,” Cvpr, 1, hal. I-511-I–518. doi:

10.1109/CVPR.2001.990517.

Viola, Paul dan Jones, M. (2001) “Rapid Object Detection Using a Boosted Cascade of Simple Features,” (February). doi: 10.1109/CVPR.2001.990517.

Viola, P., Way, O. M. dan Jones, M. J. (2004) “Robust Real-Time Face Detection,” 57(2), hal. 137–154.

Winarno, E. et al. (2018) “Multi-View Faces Detection Using Viola-Jones Method,” Journal of Physics: Conference Series, 1114(1). doi:

10.1088/1742-6596/1114/1/012068.

Yang, M., Kriegman, D. J. dan Member, S. (2002) “Detecting Faces in Images : A Survey,” (November 2012). doi: 10.1109/34.982883.

Yang, S. dan Bae, K. (2014) “Real-time detection of small faces in HD video,”

Video Surveillance and Transportation Imaging Applications 2014,

9026(September), hal. 90260D. doi: 10.1117/12.2042222.

Yang, S. dan Bae, K. (2016) “Real-time Detection of Small Faces in HD Video Real-time Detection of Small Faces in HD Video,” (September). doi:

10.1117/12.2042222.

Zhang, Z. et al. (2018) “Robust Face Detection via Learning Small Faces on Hard Images.” Tersedia pada: http://arxiv.org/abs/1811.11662.

Referensi

Dokumen terkait

Oosit tahap 3 patin siam berdasarkan pengamatan secara eksternal pada oosit utuh ditandai dengan penampakan ooplasma yang seluruhnya buram sampai oosit seluruhnya tampak gelap,

Gambar 7.2 Siklus bilirubin darah, urobilinogen urine, dan stercobilinogen tinja pada keadaan normal. Bilirubin tak terkonjugasi 0,662 mg%, bilirubin terkonjugasi 0,352

Perbedaan dengan penelitian ini dengan penelitian yang akan disusun peneliti adalah penelitian ini lebih mengarah pada cara pola asuh orang tua pada anaknya yang

Hal ini sejalan dengan Poincare (dalam Fischbein, 1987), mengatakan bahwa generalisasi yang dibangun secara induktif adalah salah satu kategori dasar intuisi. Dari

Dengan demikian bentuk hubungan antara variabel Kemampuan berpikir kreatif aspek kelancaran dengan prestasi belajar siswa dalam mata pelajaran IPS dapat digambarkan

Ditinjau dari gender, kemampuan komunikasi matematis siswa kelas X SMA Negeri 6 Kediri berada pada kelompok sedang, tinggi, dan sangat tinggi setelah diajar

Berdasarkan hasil analisis data tersebut maka dapat disimpulkan bahwa hipotesis peneliti berbunyi “Terdapat perbedaan hasil belajar siswa melalui penggunaan model

mendapat pembelajaran matematika melalui pendekatan PMR lebih tinggi secara signifikan dibandingkan dengan siswa yang mendapat pembelajaran matematika melalui