View of Penerapan Metode Euclidean pada Pengenalan Wajah Siswa Taman Kanak-Kanak

(1)

903 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 903-914 E-ISSN 2503-2933

Penerapan Metode Euclidean Pada Pengenalan Wajah Siswa Taman Kanak-Kanak

Sunardi^*1, Abdul Fadlil², Novi Tristanti³

1.2 Magister Informatika, Universitas Ahmad Dahlan, Yogyakarta, Indonesia

3 Magister Informatika, Universitas Ahmad Dahlan, Yogyakarta, Indonesia

e-mail: *¹Sunardi@mti.uad.ac.id, ²Fadlil@mti.uad.ac.id, ³Novi2008048027@webmail.uad.ac.id

Abstrak

Pengenalan wajah merupakan tugas yang mudah bagi manusia. Seseorang dapat mengenali, mengingat, dan membedakan wajah orang hanya dengan ekpresi yang dilihat.

Sedangkan pada komputer, mengenali wajah membutuhkan proses khusus seperti mengubah citra menjadi keabuan atau grayscale, lalu mengubah citra grayscale menjadi citra biner dan menghitung jarak kedua citra training dan citra testing. Citra input yang digunakan pada penelitian ini diubah kedalam bentuk grayscale untuk mempermudah langkah selanjutnya yaitu tresholding, yang merupakan proses pengubahan citra grayscale kedalam citra biner. Citra biner dari data uji yang diperoleh dari proses tresholding akan dibandingkan dengan citra biner dari data latih dengan menggunakan metode Euclidean. Penelitiam ini menggunakan metode Euclidean sebagai metode untuk menganalisis dan memecahkan masalah. Metode ini merupakan perhitungan untuk pencarian kedekatan nilai jarak dari dua variabel. Pengujian ini dilakukan dengan data training menggunakan 10 respoden dengan masing-masing 2 citra. Data uji menggunakan 10 responden dengan masing-masing 2 citra. Penelitian pengenalan wajah menggunakan Euclidean mendapatkan hasil akurasi sebesar 100%. Penentuan kecocokan citra dilihat berdasarkan hasil dari nilai terkecil dari citra yang diujikan terhadap data training.

Nilai-nilai tersebut didapatkan berdasarkan kriteria yang digunakan pada penelitian ini yaitu tresholding. Berdasarkan hasil tersebut dapat disimpulkan bahwa metode Euclidean layak untuk digunakan pada penelitian pengenalan wajah.

Kata kunci—Grayscale, Tresholding, Euclidean, Citra, Wajah

Abstrak

Face recognition is an easy task for humans. A person can recognize, remember, and distinguish people's faces only by the expressions they see. While on a computer, recognizing faces requires special processes such as converting the image to gray or grayscale, then converting the grayscale image into a binary image and calculating the distance between the training image and the testing image. The input image used in this study is converted into grayscale form to facilitate the next step, namely thresholding, which is the process of converting grayscale images into binary images. The binary image of the test data obtained from the thresholding process will be compared with the binary image of the training data using the Euclidean method. This research uses the Euclidean method as a method to analyze and solve problems. This method is a calculation for finding the proximity of the distance value of two variables. This test is carried out with training data using 10 respondents with 2 images each. The test data used 10 respondents with 2 images each. Facial recognition research using Euclidean obtains an accuracy of 100%. Determination of image suitability is seen based on the results of the smallest value of the image tested against the training data. These values were obtained based on the criteria used in this study, namely thresholding. Based on these results, it

(2)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 903-914 E- ISSN 2503-2933 904

can be concluded that the Euclidean method is feasible to be used in facial recognition research.

Kata kunci—Grayscale, Tresholding, Euclidean, Image, Face

1. PENDAHULUAN

Pada saat ini perkembangan teknologi mengalami peningkatan yang sangat pesat [1] [2]

salahsatunya adalah sistem pengenalan wajah. Pada proses pengenalan wajah terdapat proses penting yaitu deteksi wajah [3] [4]. Sistem pengenalan wajah banyak digunakan untuk sistem pengawasan, identifikasi, dan keamanan [5]. Penelitian sebelumnya menyebutkan bahwa metode Euclidean dapat digunakan untuk mengenali wajah seseorang [6]. Pada penelitian ini menerapkan metode Euclidean untuk proses pengenalan wajah. Metode euclidean merupakan perhitungan akar dari kuadrat perbedaan dua vektor [7]. Metode ini cocok digunakan untuk menghitung jarak dari titik piksel dengan dua citra yang berbeda [8].

Langkah pertama pendeteksian wajah adalah melakukan input citra yang akan digunakan sebagai data training lalu melakukan input citra yang akan digunakan sebagai data uji. Citra yang diinputkan akan diubah warna menjadi keabuan atau grayscale lalu akan diubah menjadi citra biner. Citra biner dari citra uji akan dibandingkan dengan citra training. Citra yang digunakan pada penelitian ini menggunakan format Joint Photographic Experts Group (JPEG) [9][10][11] dengan obyeknya adalah siswa Tamak Kana-Kanan (TK) Kemiri 03 Kabupaten Karanganyar, Provinsi Jawa Tengah. Citra diambil menggunakan kamera smartphone Samsung A51 dengan resolusi kamera utama 48 mega piksel.

Penelitian ini menggunakan laptop Acer processor Intel(R) Core(TM) i5-7200U dengan memori 4 GB menggunakan sistem operasi Windows 10 dan aplikasi yang digunakan adalah Matlab 2015a. Aplikasi ini digunakan karena didukung dengan perangkat lunak matematika grafis dan kemampuan pemograman [12]. Pada penelitian sebelumnya menyatakan bahwa aplikasi Matlab dapat digunakan dengan baik untuk mendukung pengembangan sistem pengenalan wajah [13][14].

Tujuan penelitian ini adalah menerapkan metode Euclidean untuk melakukan pengenalan pada citra wajah. Penelitian ini dilakukan untuk mengetahui pencocokan citra uji dan citra training dengan dataset siswa TK Kemiri 03.

2. METODE PENELITIAN 2.1 Preprocessing

Preprocessing merupakan proses yang digunakan untuk mempersiapkan input yang didapatkan oleh kamera agar dapat meningkatkan tingkat presisi dan ketepatan dalam klasifikasi yang dibuat [15].

2.2 Grayscale

Pada tahap ini citra uji diubah warnanya menjadi keabuan untuk mempermudah langkah selanjutnya. Citra grayscale merupakan citra yang menggunakan tingkatan warna abu-abu [16].

Warna abu-abu merupakan warna satu-satunya yang ada pada ruang RGB dengan komponen merah, hijau, dan biru dengan intensitas yang sama. Citra yang keabuan hanya memerlukan nilai intensitas untuk tiap piksel sebagai nilai tunggal [17], sedangkan citra yang berwarna memerlukan tiga nilai intensitas untuk tiap pikselnya. Konversi dari citra RGB ke grayscale pada persamaan (1):

(3)

905 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 903-914 E-ISSN 2503-2933

Iy = 0,333Fr + 0,5Fg + 0,1666Fb (1)

Parameter Fr adalah intensitas R (Red), Fg adalah intensitas G (Green), Fb adalah intensitas B (Blue), dan Iy adalah intensitas abu-abu yang setara citra level RGB.

2.3 Tresholding

Tresholding merupakan proses untuk menghasilkan citra biner, yaitu citra yang mempunyai dua warna hitam dan putih [18]. Nilai awal piksel yang lebih kecil dari global threshold yang bernilai 128 maka akan diinisialisasi dengan nilai 1, sedangkan nilai awal yang lebih besar dari global threshold yang bernilai 128 maka akan diinisialisasi dengan nilai 0.

Secara matematis dapat ditulis sebagai berikut:

, 1 , 0 , (2)

Dengan g(x, y) merupakan citra biner dari citra grayscale f(x,y) dan T merupakan nilai treshold.

2.4 Euclidean

Euclidean merupakan proses perhitungan jarak antara dua titik dalam Euclidean space.

Euclidean merupakan jarak yang sering digunakan untuk data numerik untuk data x dan y dalam ruang d-dimensi [19][20]. Jarak Euclidean dapat dihitung menggunakan persamaan berikut:

, ∑

(3)

Parameter d_E adalah jarak Euclidean data ke-i dan data ke-j, d adalah banyaknya parameter yang digunakan, xi adalah nilai pada data training, sedangkan yi adalah nilai pada data uji [21].

2.4 Metode yang diusulkan

Metode yang diusulkan pada penelitian ini adalah Euclidean untuk pengenalan wajah pada foto siswa TK Kemiri 03. Flowchart pada metode penelitian ini dapat dilihat pada Gambar 1.

Gambar 1. Alur Penelitian

(4)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 903-914 E- ISSN 2503-2933 906

Langkah-langkah yang digunakan pada metode penelitian ini dijelaskan sebagai berikut:

a. Input foto kedalam aplikasi sebagai data training.

b. Input foto kedalam aplikasi sebagai data uji.

c. Konversi foto menjadi warna keabuan menggunakan grayscaling process.

d. Mengubah foto yang berwarna keabuan menjadi citra biner.

e. Menghitung jarak citra uji yang telah menjadi citra biner dengan citra training.

3. HASIL DAN PEMBAHASAN

3.1 Input Data Training

Input foto kedalam aplikasi sebagai data training. Berikut cuplikan dari proses input data training:

%input citra training

img1=('C:\Users\Novi\Documents\MATLAB\training\1.jpg');

img2=('C:\Users\Novi\Documents\MATLAB\training\1a.jpg');

img4=('C:\Users\Novi\Documents\MATLAB\training\2a.jpg');

I1 = imread(img1);

3.2 Input Data Uji

Input foto kedalam aplikasi sebagai data uji. Berikut cuplikan dari proses input data training:

%input citra uji

img=('C:\Users\Novi\Documents\MATLAB\testing\8b.jpg');

I = imread(img);

3.3 Proses Grayscale

Konversi foto menjadi warna keabuan menggunakan grayscaling process. Berikut cuplikan program dari grayscaling process:

%grayscale

J = rgb2gray(I);

3.4 Proses Tresholding

Mengubah foto yang berwarna keabuan menjadi citra biner. Berikut cuplikan program dari tresholding:

%tresholding

[rowsize colsize]=size(J);

bw=zeros(rowsize,colsize);

bw= im2bw(J);

3.5 Proses Euclidean

Menghitung jarak citra uji yang telah menjadi citra biner dengan citra training. Berikut cuplikan program dari Euclidean:

(5)

907 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 903-914 E-ISSN 2503-2933

%jarak Euclidean

dist1 = mean(sqrt(sum(sum((bw-bw1).^2))));

display(dist1);

3.4 Output

Output yang dihasilkan adalah berdasarkan hasil terkecil dari perhitungan. Berikut cuplikan program dari output:

hasil = [dist1;dist2;dist3;dist4;dist5];

[~,n] = min(hasil);

display(n);

3.5 Pengujian

Penelitian ini menggunakan 10 siswa TK Kemiri 03 sebagai dataset dengan kondisi gambar yang diambil siswa menghadap lurus ke depan kamera dan tersenyum. Foto diambil menggunakan kamera smartphone Samsung A51 dengan resolusi kamera utama 48MP. Foto yang digunakan memiliki ukuran 719x719 piksel. Pengujian ini dilakukan dengan data training menggunakan 10 respoden dengan masing-masing 2 citra. Data uji menggunakan 10 responden dengan masing-masing 2 citra. Data training dapat dilihat pada tabel 1 dan data uji dapat dilihat pada tabel 2. Pada tahap ini dilakukan pengujian deteksi wajah menggunakan metode Euclidean.

Pengujian dilakukan menggunakan matlab 2015a dengan dukungan hardware Intel(R) Core(TM) i5-7200U CPU @ 2.50GHz 2.71 GHz memori 4 GB. Hasil pengujian dapat dilihat pada tabel 3.

Tabel 1. Data Training No Citra Training

A B

1

2

3

4

5

(6)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 903-914 E- ISSN 2503-2933 908

Tabel 2. Data Uji 6

7

8

9

10

No Citra Uji

A B

1

2

3

4

5

(7)

909 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 903-914 E-ISSN 2503-2933

Tabel 3. Hasil pengujian

No Citra Uji Wajah

Terdeteksi

Wajah Terdeteksi Sama Tidak Sama

1 Ya √ -

2 Ya √ -

3 Ya √ -

4 Ya √ -

5 Ya √ -

6

7

8

9

10

(8)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 903-914 E- ISSN 2503-2933 910

6 Ya √ -

7 Ya √ -

8 Ya √ -

9 Ya √ -

10 Ya √ -

11 Ya √ -

12 Ya √ -

13 Ya √ -

14 Ya √ -

15 Ya √ -

16 Ya √ -

(9)

911 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 903-914 E-ISSN 2503-2933

17 Ya √ -

18 Ya √ -

19 Ya √ -

20 Ya √ -

Berdasarkan tabel 3 dapat dilihat bahwa sistem pengenalan wajah menggunakan metode Euclidean dapat digunakan dengan baik. Dari pengujian yang telah dilakukan mendapatkan hasil 20 percobaan memiliki wajah yang sama. Nilai hasil perhitungan Euclidean dapat dilihat pada Tabel 4, perhitungan dilakukan dengan menggunakan persamaan (3). Pada tabel 4 data uji yang digunakan adalah citra 1, citra 3, citra 5, citra 7, citra 9, citra 11, citra 13, citra 15, citra 17 dan citra 19.

Tabel 4. Hasil Perhitungan Euclidean

Penentuan kecocokan wajah dapat dilihat berdasarkan hasil terkecil dari kolom pada tabel 4. Nilai terkecil menunjukkan bahwa wajah memiliki kecocokan. Sel warna hijau menunjukkan hasil wajah sama, sedangkan warna merah menunjukkan hasil wajah tidak sama. Pada Tabel 4 hanya terdapat warna hijau yang menunjukkan bahwa sistem dapat mengenali wajah dengan baik dan benar. Nilai-nilai pada Tabel 4 didapatkan berdasarkan kriteria yang digunakan pada penelitian ini yaitu tresholding. Berdasarkan hasil pengujian yang telah dilakukan, untuk

(10)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 903-914 E- ISSN 2503-2933 912

mengetahui akurasi kinerja dari pengenalan wajah menggunakan metode Euclidean dapat dihitung menggunakan persamaan berikut:

Akurasi = 100% (4)

True Positive (TP) merupakan kondisi dimana citra wajah yang dikenal (berada dalam dataset) berhasil diidentifikasi oleh sistem sesuai dengan dataset. False Positive (FP) merupakan kondisi dimana citra wajah yang dikenal (berada dalam dataset) gagal diidentifikasi oleh sistem sesuai dengan dataset. True Negative (TN) merupakan kondisi dimana citra wajah yang tidak dikenal (tidak berada dalam dataset) berhasil diidentifikasi oleh sistem sebagai tidak dikenal.

False Negative (FN) merupakan kondisi dimana citra wajah yang tidak dikenal (tidak berada dalam dataset) gagal diidentifikasi oleh sistem sebagai tidak dikenal, atau justru teridentifikasi dengan data lain yang berada dalam dataset. Berdasarkan Tabel 3 diperoleh nilai-nilai variabel pengujian dengan TP = 100, FP = 0, TN = 0, dan FN = 0 didapatkan akurasi secara keseluruhan ditentukan berdasarkan sampel data uji menggunakan rumus sesuai dengan persamaan (4) sebagai berikut.

Akurasi = """

"""""100% 100%

Dari pengujian yang telah dilakukan sebanyak 100 kali. Maka didapatkan persentase akurasi pengujian sistem dalam mengidentifikasi wajah yaitu sebesar 100%.

4. KESIMPULAN

Penelitian ini dilakukan menggunakan metode Euclidean dengan data training menggunakan 10 respoden dengan masing-masing 2 citra. Data uji menggunakan 10 responden dengan masing-masing 2 citra. Untuk menentukan hasil kecocokan citra dilihat berdasarkan dari nilai terkecil pada kolom tabel 4. Nilai-nilai tersebut didapatkan berdasarkan kriteria yang digunakan pada penelitian ini yaitu tresholding. Hasil dari penelitian menunjukkan bahwa metode Euclidean dapat bekerja dengan baik. Penelitian pengenalan wajah dengan obyek siswa Taman Kanak-Kanak berhasil dilakukan dengan akurasi 100%. Berdasarkan hasil tersebut metode ini cocok dan baik digunakan sebagai metode untuk melakukan penelitian pengenalan wajah.

5. SARAN

Saran untuk penelitian ini adalah untuk ditambahkannya user interface agar mempermudah proses penelitian.

UCAPAN TERIMA KASIH

Terima kasih saya ucapkan kepada program studi Magister Informatika Universitas Ahmad Dahlan yang telah membantu dalam memberikan fasilitas Laboratorium Penelitian sebagai wadah peneliti untuk mengembangkan penelitian jurnal dan menyelesaikan penelitian ini.

(11)

913 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 903-914 E-ISSN 2503-2933

DAFTAR PUSTAKA

[1] A. Eleyan and M. S. Anwar, “Multiresolution Edge Detection Using Particle Swarm Optimization,” Int. J. Eng. Sci. Appl., Vol. 1, No. 1, pp. 11–17, 2017.

[2] M. R. Wankhade and N. M. Wagdarikar, “Feature Extraction of Edge Detected Images,”

Int. J. Comput. Sci. Mob. Comput., Vol. 6, No. 6, pp. 336–345, 2017.

[3] Lia Farokhah, “Implementasi Convolutional Neural Network Untuk Klasifikasi Variasi Intensitas Emosi pada Dynamic Image Sequence,” J. RESTI (Rekayasa Sist. dan Teknol.

Informasi), Vol. 4, No. 6, pp. 1070–1076, 2020, doi: 10.29207/resti.v4i6.2644.

[4] S. Li and W. Deng, “Deep Facial Expression Recognition: A Survey,” IEEE Trans.

Affect. Comput., pp. 1–25, 2020, doi: 10.1109/TAFFC.2020.2981446.

[5] D. Suprianto, R. N. Hasanah, and others, “Sistem Pengenalan Wajah Secara Real-Time Dengan Adaboost, Eigenface PCA & MySQL,” J. EECCIS, Vol. 7, No. 2, pp. 179–184, 2014.

[6] H. Kurniawan and T. Hidayat, “Perancangan Program Pengenalan Wajah Menggunakan Fungsi Jarak Metode Euclidean pada Matlab,” Semin. Nas. Apl. Teknol. Inf. 2008 (SNATI 2008) Yogyakarta, 21 Juni 2008, Vol 1, No. Snati, pp. 15–18, 2008.

[7] S. Helmiyah et al., “Identification Emotion Recognition Using Lpc Extraction Feature,”

Vol. 7, No. 6, 2020, doi: 10.25126/jtiik.202072693.

[8] D. I. S. Saputra, R. A. Pamungkas, K. A. N. Ramadhan, and W. S. Anjar, “Pelacakan dan Deteksi Wajah Menggunakan Video Langsung pada Webcam,” Telematika, Vol. 10, No. 1, pp. 50–59, 2017.

[9] M. Zairi, T. Boujiha, and A. Ouelli, “Improved JPEG Image Watermarking In Data Compression Domain Using Block Selection Strategy,” EAI Endorsed Trans. Internet Things, Vol. 6, No. 24, p. 168690, 2021, doi: 10.4108/eai.8-2-2021.168690.

[10] I. Riadi, A. Fadlil, and T. Sari, “Image Forensic For Detecting Splicing Image with Distance Function,” Int. J. Comput. Appl., Vol. 169, No. 5, pp. 6–10, 2017, doi:

10.5120/ijca2017914729.

[11] S. Battiato, O. Giudice, F. Guarnera, and G. Puglisi, “Estimating Previous Quantization Factors on Multiple JPEG Compressed Images,” Eurasip J. Inf. Secur., Vol. 2021, No. 1, 2021, doi: 10.1186/s13635-021-00120-7.

[12] N. W. Pratiwi, F. Fauziah, S. Andryana, and A. Gunaryati, “Deteksi Wajah Menggunakan Hidden Markov Model (HMM) Berbasis Matlab,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., Vol. 3, No. 1, p. 44, 2018, doi: 10.30998/string.v3i1.2538.

[13] F. Rahmah, “Perancangan Sistem Identifikasi Tipe Sidik Jari Manusia Menggunakan Matlab,” STRING (Satuan Tulisan Ris. dan Inov. Teknol., Vol. 6, No. 2, p. 190, 2021, doi: 10.30998/string.v6i2.11373.

(12)

Jatisi ISSN 2407-4322

Vol. 10, No. 1, Maret 2023, Hal. 903-914 E- ISSN 2503-2933 914

[14] M. Hendriani, Rais, and L. Handayani, “Penerapan Artificial Neural Network Terhadap Identifikasi Wajah Menggunakan Metode Backpropagation,” Nat. Sci. J. Sci. Technol., Vol. 8, No. 3, pp. 203–208, 2019, doi: 10.22487/25411969.2019.v8.i3.14599.

[15] G. D. Angel and R. Wulanningrum, “Machine Learning untuk Identifikasi Tanda Tangan Menggunakan GLCM dan Euclidean Distance,” Semin. Nas. Inov. Teknol., pp. 297–301, 2020.

[16] I. A. Dewi, A. Zulkarnain, and A. A. Lestari, “Identifikasi Suara Tangisan Bayi Menggunakan Metode LPC dan Euclidean Distance,” ELKOMIKA J. Tek. Energi Elektr.

Tek. Telekomun. Tek. Elektron., Vol. 6, No. 1, p. 153, 2018, doi:

10.26760/elkomika.v6i1.153.

[17] S. Helmiyah, I. Riadi, R. Umar, A. Hanif, A. Yudhana, and A. Fadlil, “Identifikasi Emosi Manusia Berdasarkan Ucapan Menggunakan Metode Ekstraksi Ciri LPC dan Metode Euclidean Distance,” J. Teknol. Inf. dan Ilmu Komput., Vol. 7, No. 6, p. 1177, 2020, doi:

10.25126/jtiik.2020722693.

[18] C. Suhery and I. Ruslianto, “Identifikasi Wajah Manusia untuk Sistem Monitoring Kehadiran Perkuliahan Menggunakan Ekstraksi Fitur Principal Component Analysis (PCA),” J. Edukasi dan Penelit. Inform., Vol. 3, No. 1, p. 9, 2017, doi:

10.26418/jp.v3i1.19792.

[19] D. Nurnaningsih, D. Alamsyah, A. Herdiansah, and A. A. J. Sinlae, “Identifikasi Citra Tanaman Obat Jenis Rimpang Dengan Euclidean Distance Berdasarkan Ciri Bentuk dan Tekstur,” Build. Informatics, Technol. Sci., Vol. 3, No. 3, pp. 171–178, 2021, doi:

10.47065/bits.v3i3.1019.

[20] S. Cahyani, R. Wiryasaputra, and R. Gustriansyah, “Identifikasi Huruf Kapital Tulisan Tangan Menggunakan Linear Discriminant Analysis dan Euclidean Distance,” J. Sist.

Inf. Bisnis, Vol. 8, No. 1, p. 57, 2018, doi: 10.21456/vol8iss1pp57-67.