• Tidak ada hasil yang ditemukan

IMPLEMENTASI ALGORITMA EIGENFACE UNTUK FACE RECOGNITION PADA OBJECK FOTO ID CARD

N/A
N/A
Protected

Academic year: 2021

Membagikan "IMPLEMENTASI ALGORITMA EIGENFACE UNTUK FACE RECOGNITION PADA OBJECK FOTO ID CARD"

Copied!
9
0
0

Teks penuh

(1)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1648

IMPLEMENTASI ALGORITMA EIGENFACE UNTUK FACE RECOGNITION PADA OBJECK FOTO ID CARD

Oleh : 1RG Guntur Alam, 2Rozali Toyib, 3Edo Winarta P S

ABSTRACT

Face recognition is a continuation of the process of face detection in image processing . Face recognition is one of the areas of artificial intelligence research is part of biometric technology . The development of this technology allows creating a system that can help people in the introduction of a digital image . One of these areas is now beginning to be developed is pattern recognition . This technology identifies specific characteristics of the physical one, For example pattern recognition example is face recognition ( face recognition ) , Introduction iris ( iris recognition ) , fingerprint recognition (finger recognition ) , and others . In this study the problems that you want to solve is how to implement the Eigenface algorithm for face recognition on the objects of his special photo ID card that is dicropping of id card. This study aims to determine how the remedy works eigenface algorithm to recognize faces and know what level of accuracy obtained from using face recognition algorithm Eigenface this . In this study, using a sample image in the face as many as 15 images , 10 images of the images contained in the database and 5 image of the image that are not in the database .Tests were done on a sample face image contained in databases managed to recognize a face image 9 of 10 samples contained in a facial image database , while testing with 5 sample face image which is not contained in the database all familiar with his success in either . From the test results at the level of accuracy that can use Eigenface algorithm to calculate the level of accuracy in using the Confusion Matrix to the accuracy of 93% . Errors in the introduction may occur due to the similarity between the features contained two or more different samples .

Kata kunci : Image proccesing, Face Recognition, Eigenface, Matlab

PENDAHULUAN

Pengenalan wajah merupakan salah satu bidang penelitian kecerdasan buatan yang merupakan bagian dari teknologi pengukuran dan analisis data biologis (biometric). Perkembangan teknologi ini memungkinkantercipta suatu sistem yang dapat membantu manusia dalam pengenalan suatu citra digital(Prasetyo dan Rahmatun, 2004). Salah satunya bidang yang sekarang ini sudah mulai dikembangkan adalah pengenalan pola. Teknologi ini mengidentifikasi ciri-ciri khusus fisik seseorang. Beberapa penelitian yang dilakukan dalam pengenalan citra wajah mengalami kesulitan dalam mengidentifikasi wajah ketika citra wajah sebagai input dari algoritma pengenalan citra wajah memiliki resulusi yang rendah, dikarenakan kesulitan mencari fitur-fitur wajah pada citra tersebut(Sigit dkk, 2005), seperti halnya pengenalan citra wajah yang terdapat pada kartu pengenal (ID-Card). Pada penelitian ini akan dilakukan pengenalan wajah berdasarkan fitur wajah dengan mempresentasikan vektor citra wajah yang di-training menggunakan algoritma Eigen face. Oleh

(2)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1649

karena itu pada penelitian ini diharapkan algoritma Eigenface dapat dilakukan pada citra wajah yang memiliki resulusi rendah yang terdapat pada ID Card

Masalah Penelitian

Dari uraian penelitian di atas masalah pada penelitian ini ialah citra yang memiliki resolusi rendah seperti citra wajah pada object foto id card dapat dikenali menggunakan Algoritma Eigenface.

Batasan Masalah

1. File input data set yang di masukan berupa sample citra wajah hasil cropping dari id card dengan kondisi baik.

2. Citra wajah yang akan di kenali berukuran 180 X 200 pixel.

Tujuan Penelitian

Tujuan yang ingin dicapai dari penelitian ini adalah mengetahui bagaimana algoritma Eigenface bekerja pada pengenalan wajah serta mengetahui tingkat akurasi dari pengenalan wajah menggunakan menggunakan Algoritma

Eigenface.

Manfaat Penelitian

Hasil penelitian diharapkan dapa belajar dan Mampu memahami bagaimana algoritma Eigenface bekerja pada face recognition serta memberi wawasan tentenag algoritma eigenface pada face recognition.

TINJAUAN PUSTAKA Eigenface

Eigenface adalah salah satu algoritma pengenalan wajah yang berdasarkan

pada Principle Component Analysis (PCA) yang dikembangkan di MIT. Algoritma EigenFace secara keseluruhan cukup sederhana, Training Image direpresentasikan dalam sebuah vektor flat (gabungan vektor) dan digabung bersama-sama menjadi sebuah matriks tunggal. Eigen Vector kemudian diekstraksi dan disimpan dalam file temporary atau database. Training image kemudian diproyeksikan dalam feature space yang di namai face space yang ditentukan oleh eigen vektor(Mukti, 2008).

Citra Wajah

Citra wajah merupakan suatu object yang dapat di identifikasi sebagai alternatif pengenalan suatu identitas. citra wajah di mungkinkan memiliki karakteristik psikologi / behavior yang berbeda antara satu dengan yang lain nya. Dalam authentification security citra wajah sudah mulai di gunakan untuk memverifikasi identitas seseorang untuk dapat mengakses suatu system(Muntasa, 2009).

Pengenalan Wajah

Secara umum sistem pengenalan wajah dibagi menjadi 2 jenis, yaitu sistem feature base dan sistem image-based. Pada sistem pertama fitur lokal

(3)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1650

didapat dari proses ekstraksi komponen citra wajah seperti mulut, hidung, mata, pipi dan lain-lain yang kemudian di modelkan secara geometris hubungan antar fitur-fitur tersebut, sedangkan untuk sistem yang kedua menggunakan informasi mentah dari pixel citra yang kemudian direpresentasikan dalam metode tertentu. misalnya , Principal Component Analysis (PCA), transformasi Wavelet, dan sebagainya, yang kemudian digunakan untuk pelatihan dan klasifikasi identitas citra (Al Fatta, 2009).

Id Card

Id card merupakan kependekan dari identify card yang dalam bahasa

Indonesia sering di sebut sebagai kartu pengenal ,id card tersebut berfungsi untuk mengenali seseorang maupun kelompok. Pada saat ini id card banyak di gunakan di instansi-instansi pemerintah maupun swasta. Id card memiliki fungsi tidak hanya sebagai kartu identitas karyawan perusahaan, akan tetapi memberi arti tersendiri dalam mendukung formalitas dan image perusahaan atau instansi tertentu.

Id card juga dapat Memisahkan secara tegas antara karyawan dan non karyawan untuk menjaga keamanan , penyusupan, dan hal-hal yang tidak diinginkan, Selain itu Kartu ID dapat digunakan juga sebagai alat pencatatan kehadiran atau absensi. Saat ini jenis kartu ID sangat bervariasi mulai dari kartu magnetik seperti yang digunakan pada kartu ATM , Kartu proximity yang memiliki kandungan frekwensi yang sering dipakai pada proses buka pintu atau absensi dimana kartu tidak harus menyentuh atau digesek pada alat karena frekwensi yang dipancarkan, kartu barcode dll (Tri Mulyono, 2012)

Model Sekuensial

Model sekuensial linear mengusul sebuah pendekatan pengembangan perangkat lunak yang sistematik dan sekuensial mulai dari system level dan terus maju ke analis, desain, implementasi dan pengujian(Pressman, 2002). Model

sekuensial linear melingkupi aktivitas sebagai berikut :

1. Requirement (analisis kebutuhan).

Mengumpulkan kebutuhan secara lengkap kemudian kemudian dianalisis dan didefinisikan kebutuhan yang harus dipenuhi oleh program yang akan dibangun. Fase ini harus dikerjakan secara lengkap untuk bisa menghasilkan desain yang lengkap.

2. Design

Desain dikerjakan setelah kebutuhan selesai dikumpulkan secara lengkap. 3. Code

Desain program diterjemahkan ke dalam kode-kode dengan menggunakan bahasa pemrograman yang sudah ditentukan. Program yang dibangun langsung diuji baik secara unit.

4. Test

Penyatuan unit-unit program kemudian diuji secara keseluruhan (system testing)

(4)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1651

Teknik Pengumpulan Data

Citra wajah yang di gunakan dalam penelitian ini berformat jpg. Sample citra wajah yang di gunakan di dapat dari kartu Id card yang sudah di scanning. Id card yang sudah di scan selanjutnya di lakukan proses cropping pada citra wajah yang selanjut nya menghasilkan sample wajah yang sudah terpisah dari id card.

Gambar 1. Proses Pengumpulan Data

Desain Penelitian

Pada penelitian ini dibuat suatu desain penelitian sebagai

Gambar 2. Desain Penelitia

Metode yang Diusulkan

(5)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1652

Gambar 3. RoadMap Penelitian

Pancangan Pengujian

Pengujian menggunakan model klasifikasi didasarkan pada pengujian untuk memperkirakan obyek yang benar dan salah, urutan pengujian ditabulasikan dalam confusion matrix. Setiap sel berisi angka yang menunjukkan berapa banyak kasus yang sebenarnya dari kelas yang diamati untuk didapatkan tingkat akurasinya.

HASIL DAN PEMBAHASAN Menu Utama

Menu utama merupakan Tampilan awal dari program Implementasi Algoritma Eigenface Untuk Face Recognition Pada Object Foto Id Card ini saat aplikasi di jalankan. Berikut ini tampilan utama nya :

Gambar 4. tampilan Menu Utama

Proses Algoritma Eigenface

Algoritma Eigenface didasarkan pada Principal Component Analysis

(PCA). Algoritma pengenalan wajah di mulai dengan membuat matriks kolom dari wajah yang di input ke dalam database. Rata-rata vektor citra dari matriks kolom dihitung dengan cara membaginya dengan jumlah banyak citra yang di simpan dalam database. Langkah-langkah pengenalan wajah pada algoritma eigenface pada penelitian ini adalah sebagai berikut

1. Penyusunan Flat Vektor

Langkah pertama adalah menyusun sebuah training image menjadi matrik tunggal. Dalam penelitian ini training image yang di simpan berukuran 3 x 3

pixel dan jumlah nya 4 buah .maka akan memiliki flatvektor dengan d

(6)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1653

Dari flatvektor yang di peroleh jumlahkan seluruh baris nya sehingga kita peroleh matrik berukuran 1 x (seluruh flatvektor saat dijumlahkan).

Setelah itu bagi hasil dengan jumlah citra untuk mendapatkan rataan flatvektor.

Penggunaan Dan Pengujian

Berikut ini proses pada aplikasi face recognition menggunakan algoritma

eigenface pada objeck foto id card. File ciitra yang berekstensi jpg di diinputkan

menggunakan tombol input gambar dan akan tampil jendela untuk memilih file citra yang akan dikenali/ditambahkan kedalam data training.

Gambar 5. Tampilan Program Saat Input Gambar di klik

Pilih citra wajah yang akan di ujikan lalu klik open lalu citra wajah yang di inputkan akan di tampilkan pada komponen axes seperti gambar berikut :

Gambar 6. Tampilan Program Saat file Citra Wajah Diinputkan

Setelah file citra wajah diinputkan maka untuk menambahkan file citra ke dalam citra yang akan di-training klik pada tombol Train. Dalam proses ini di lakukan ekstraksi fitur yang terdapat pada data yang akan di-training kemudian fitur tersebut di simpan kedalam database. Ekstraksi fitur digunakan untuk mendapatkan informasi yang efektif dan berguna untuk membedakan wajah-wajah orang yang berbeda dari citra wajah-wajah yang telah diselaraskan. Informasi yang didapatkan dari ekstraksi fitur disebut vektor fitur, yaitu bentuk dasar

(7)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1654

pencarian citra berbasis konten, yang menangkap properti citra seperti warna dan tekstur yang nanti nya akan digunakan sebagai pembanding citra wajah yang di test pada proses pengenalan wajah.

Gambar 7. Saat tombol Train di klik

Dengan menggunakan rataan flatvektor akan dihitung eigenface untuk matrik

flatvektor yang telah di susun. Cara nya dengan mengurangi baris-baris pada

matrriks flatvektor dengan rataan flatvektor. Jika didapatkan nilai di bawah nol,

ganti nilainya dengan nol. Setelah nilai eigenface di dapat maka kalkulasikan nilai

eigenface untuk matrik testface dengan cara yang sama dengan penentuan

eigenface untuk flatvektor. Setelah itu lalu gunakan metode euclidean disten untuk

mencari jarak terpendek antara nilai eigenface dari citra yang sudah di training dengan nilai dari citra yang di ujikan.

Gambar 8. Tampilan program saat tombol test di klik untuk proses pengujian.

Hasil Pengujian

Berikut ini hasil pengujian pada beberapa sample file citra wajah akan di kenali Tabel 2. Tabel Hasil Pengujian dengan Sample yang Terdapat pada Data Training

(8)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1655

KESIMPULAN DAN SARAN Kesimpulan

1. Algoritma Eigenface bekerja dengan menghitung rata-rata pixel dari citra yang

sudah tersimpan dalam dalam data training dan lalu di ubah menjadi matrik satu matrik tunggal, dari rata-rata tersebut akan di dapat nilai eigenface dari masing-masing citra dan kemudian akan di cari nilai eigenface terdekat dari gambar citra wajah yang ingin di kenali.

2. Citra yang diujikan sebanyak 10 citra wajah yang terdapat pada data training dan 5 sample dari wajah yang tidak terdapat pada data training maka dapat disimpulkan bahwa tingkat akurasi setelah melakukan perhitungan menggunakan confusion matrik dari pengenalan wajah ni sebesar 93 %. Kesalahan dalam melakukan pengenalan dapat terjadi karena kemiripan fitur yang terdapat antara dua atau lebih sampel yang berbeda.

Saran

1. Pengembangan sistem juga bisa dilakukan dengan cara membandingkan metode pengenalan wajah lainnya, misalnya metode Quickprop pada jaringan syaraf tiruan.

2. Sistem pengenalan wajah bisa di buat secara realtime dan langsung

mengcaptureface yang ingin di kenali secara otomatis.

DAFTAR PUSTAKA

1. Damayanti dkk, 2010 Pengenalan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant

2. Indra, 2012. Sistem Pengenalan Wajah Dengan Metode Eigenface Untuk

Absensi Pada Pt Florindo Lestari. Jakarta : Fakultas Ilmu Komputer,

Universitas Budi Luhur.

3. Kurniawan dkk, 2008. Aplikasi absensi kuliah berbasis identifikasi wajah

menggunakan metode gabor wavelet. Surabaya : Teknik Telekomunikasi,

Politeknik Elektronika Negeri Surabaya. Institut Teknologi Sepuluh November.

4. Mukty, 2008. Sistem pengenalan wajah Menggunakan Metode Berdasarkan

Algoritma Eigenface. Fasilkom UI.

5. Muntasa, dkk, 2009. Pengenalan Citra Wajah Menggunakan Support Vector

Machine Berbasis Segmentasi 2D-Discrete Cosine Transfrom. Teknik

Informatika Universitas Trunojoyo.

6. Prasetyo, Rahmatun, 2004. Face Recognition System Design with Expression

Position and Variation Method Using Eigenface. Depok : Universitas Guna

(9)

Telematik : Vol 7, No 2, April 2015

Implementasi Algoritma Eigenface Untuk Face Recognition Pada Objeck Foto Id Card

1

Rg Guntur Alam, 2Rozali Toyib,3Edo Winarta P S

1656

7. Rijal & Ariefianto, 2008. Deteksi Wajah Berbasis Segmentasi Model Warna

Menggunakan Template Matching. Teknik Komputer Indonesia.

8. Sigit et al, 2005. Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa

Menggunakan Metode PCA dan DTW. Politeknik Elektronika Negeri

Surabaya, Institut Teknologi Sepuluh Nopember (ITS) Surabaya.

9. Tri Mulyono et al, 2012. Sistem Pengenalan Wajah Dengan Metode Eigenface

dan Jaringan Syaraf Tiruan (JST). Fakultas Sains dan Matematika,

Gambar

Gambar 1. Proses Pengumpulan Data
Gambar 3. RoadMap Penelitian  Pancangan Pengujian
Gambar 5. Tampilan Program Saat Input Gambar di klik
Tabel 2. Tabel  Hasil  Pengujian dengan Sample yang Terdapat pada Data Training

Referensi

Dokumen terkait

Penelitian ini bertujuan untuk mengetahui peningkatan aktivitas dan hasil belajar matematika pada siswa kelas X SMK Giri Wacana Eromoko Wonogiri tahun pelajaran 2015/2016

Penelitian ini dilakukan untuk mengetahui aktivitas antioksidan dan total kandungan flavonoid dari ekstrak kulit biji Pinang Yaki (Areca Vestiaria Giseke) yang diekstraksi secara

Akan tetapi kelemahannya adalah tidak efektif untuk memberikan masukan pengembangan terhadap karyawan, karena kriteria – kriteria yang dinilai tidak secara langsung berkaitan

3) Pendidikan dan pengalaman selain posisi dan jabatan, pendidikan dan pengalaman kerja juga merupakan faktor yang mempengaruhi besarnya kompensasi. Pegawai yang lebih

“Optimalisasi Kelas Ibu Hamil sebagai Upaya Peningkatan Kesehatan Masa Kehamilan dalam Mengatasi Emesis Gravidarum Menggunakan Terapi Non Farmakologis” ditindak lanjuti

Upaya pemulihan giziburuk pada anak Balita dengan paket pemulihan selama enam bulan, di samping dapat meningkatkan pengetahuan gizi dan pengetahuan kesehatan ibu subyek,

Dari hasil penelitian setelah dilakukan perawatan luka di rumah pada pasien ulkus diabetes melitus terdapat pengaruh kecemasan yang semula sebelum dilakukan

Gambar 10 merupakan hasil pengujian panel surya, pada gambar 10(a) menunjukkan maksimal daya yang dihasilkan panel surya adalah 44,5 Watt dan Maximum Power Point (MPP)