Aa Darma Wibawa¹, Koredianto Usman², Tjokorda Agung Budi Wirayuda³. ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

(1)

PENGENALAN WAJAH MANUSIA BERBEDA USIA DENGAN METODE EKSTRAKSI 2D GABOR WAVELET DAN FEATURE POINTS, MENGGUNAKAN PEMODELAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK HUMAN FACE RECOGNITION AT DIFFERENT AGE, EXTRACTED BY 2D GABOR WAVELET AND

FEATURE POINTS METHO

Aa Darma Wibawa¹, Koredianto Usman², Tjokorda Agung Budi Wirayuda³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom

Abstrak

Wajah merupakan salah satu karakter fisik manusia yang membedakan satu manusia dengan manusia lainnya. Otak manusia dapat mengenali ratusan bahkan ribuan wajah seseorang

walaupun telah mengalami penambahan usia maupun perubahan fisik lainnya seperti perubahan model rambut, adanya kumis, jenggot atau adanya bekas luka. Dalam sistem pengenalan wajah ini, penulis ingin memodelkan kemampuan otak manusia tersebut dengan menggunakan jaringan syaraf tiruan (JST) propagasi balik. Untuk proses ini diperlukan ciri spesifik yang dapat mewakili citra wajah yang akan diidentifikasi sebagai data inputan bagi JST. Dalam sistem pengenalan wajah ini penulis menggunakan filter 2D gabor wavelet yang dikombinasikan dengan feature point processing untuk proses ekstraksi cirinya. Filter 2D gabor wavelet akan mengekstraksi citra normal yang berbentuk persegi dan dalam warna grayscale dengan kombinasi dari 3 sudut, yaitu (30 ), (60 ), dan (90 ), sedangkan frekuensi yang digunakan 2,3,4,5, dan 6. Sedangkan feature point processing merupakan proses untuk mendapatkan jarak antar 12 titik koordinat wajah.

Selanjutnya hasil ekstraksi dari kedua metode tersebut dikombinasikan dengan mencari rata - rata dari hasil keduanya, sehingga siap digunakan dalam proses pelatihan dan pengujian oleh JST. JST yang telah optimal dalam sistem ini, menggunakan lerning rate yaitu sebesar 0.8 dan jumlah neuron pada hidden layer I sebanyak 150 dan jumlah neuron pada hidden layer II sebanyak 200. Hasil pengujian menunjukkan bahwa sistem ini dapat mengidentifikasi wajah dengan data uji yang merupakan bagian dari data latih yaitu sebesar 100% atau semua data dapat dikenali dengan benar. Sedangkan untuk data uji yang belum dikenali oleh JST, sistem ini hanya memiliki keakuratan sebesar 50%, dimana dari 20 buah citra yang diujikan, hanya 10 citra yang berhasil dikenali dengan benar. Sehingga dapat dikatakan bahwa sistem ini kurang akurat dalam mengenali wajah seseorang yang telah mengalami perubahan usia tanpa dilakukan proses pelatihan terhadap citra yang akan diuji terlebih dahulu.

Kata Kunci : Jaringan syaraf tiruan propagasi balik, filter 2D gabor wavelet,grayscale, feature point processing, learning rate, hidden layer.

Tugas Akhir - 2008

Fakultas Teknik Informatika Program Studi S1 Teknik Informatika

(2)

Abstract

Face is one of our physical character, it can differentiate us from other people. Human s brain can recognize hundreds or thousands faces even if it has change because of aging or other physical changes such as haircut, facial hair, or scar. In this face identification system, writer want to allegorize that human s brain ability with back propagation artificial neural network (ANN-BP).

Special characteristics which can represent the image of the face that will be identified are very important for this process as the input data for the ANN. Within this face identification system, writer use 2D gabor wavelet filter which is combine with feature point processing for the

characteristic extraction process. The 2D gabor wavelet filter will extract normal image which is in square shape and grayscale color mode with 3 angle combination, that are 30 , 60 , and 90 , the frequency are 2,3,4,5 and 6. In order to get the distance between 12 face coordinate point writer use feature point processing. Hereafter, the result of the extraction from these methods will be combined by looking for the average from the result, so it will be ready to be use in practicing and testing process by ANN. The optimal ANN in this system have learning rate 0,8 the total amount of neuron in 1st hidden layer is 150 and 200 in 2nd hidden layer. The result of the test show that this system can identify face as a testing data which is a part of learning data, accurately and the percentage reach 100%, in the other word, all the data can be known correctly. Meanwhile in case which the data are still unknown for the ANN system the percentage of accuracy for this system decrease to 50%, from 20 testing data, this system can recognize 10 data correctly. In conclusion, this system cannot recognize somebody s face accurately if it change because of aging, without practicing process first.

Keywords : Back propagation artificial neural network, filter 2D gabor wavelet,grayscale, feature point processing, learning rate, hidden layer.

Powered by TCPDF (www.tcpdf.org)

(3)

1. Pendahuluan

1.1 Latar belakang

Penelitian mengenai pendeteksian wajah pada suatu citra / face detection dan pengenalan citra wajah secara digital / face recognition sedang berkembang dengan pesat pada saat sekarang ini. Proses face recognition dalam tugas akhir ini secara umum merupakan proses mengkonversikan suatu citra wajah kedalam suatu rangkaian angka (yang disebut proses fiture extraction), lalu menjadikannya sebagai inputan untuk jaringan syaraf tiruan yang penulis gunakan dalam memodelkan sistem ini.

Pada umunya face recognition akan menghasilkan citra wajah orang yang diidentifikasi sebagai citra hasil pencarian dalam database yang tentunya dalam usia yang sama walaupun dengan ekspresi yang berbeda atau juga dapat berupa wajah yang sama yang ditambahkan dengan atribut tertentu seperti penggunaan kaca mata, penambahan kumis atau jenggot, menggunakan topi, adanya bekas luka atau yang lainnya. Dalam tugas akhir ini masalah yang penulis bahas adalah bagaimana mengidentifikasi wajah seseorang sesuai dengan citra wajah orang bersangkutan dalam usia usia yang terdapat dalam database. Sebagai ilustrasi, misalnya kita akan mengidentifikasi foto seseorang yang berusia 20 tahun, setelah dilakukan proses face recognition, maka akan diperoleh foto orang tersebut pada usia yang berbeda, misalnya pada usia 5 tahun, 10 tahun, 15 tahun sesuai dengan data foto berdasarkan umur yang tersedia dalam database yang telah dijadikan data training oleh jaringan syaraf tiruan (JST) propagasi balik.

Dalam tugas akhir ini, penulis menggunakan sistem pengenalan citra wajah berbasis fitur, dimana fitur ini didapatkan dari hasil ekstraksi citra wajah.

Kemudian hasil ekstraksi tersebut digunakan sebagai inputan ke dalam Jaringan Syaraf Tiruan.

1.2 Perumusan masalah

Dengan melihat latar belakang di atas, maka permasalahan yang akan dijabarkan dan diteliti adalah :

1. Bagaimana melakukan ekstraksi terhadap fitur yang terdapat pada citra wajah manusia.

2. Bagaimana melakukan identifikasi citra wajah manusia berdasarkan data- data wajah yang disediakan dalam database yang mengandung perbedaan ekspresi wajah atau penambahan atribut tertentu dan perbedaan usia.

1.3 Tujuan

Tugas akhir ini bertujuan untuk melakukan identifikasi wajah manusia berdasarkan fitur dan data-data wajah yang disediakan dalam database yang

(4)

2 mengandung perbedaan ekspresi wajah atau penambahan atribut tertentu dan perbedaan usia serta mengukur akurasi dari identifikasi wajah tersebut.

1.4 Metodologi penyelesaian masalah

Untuk memperoleh hasil yang diinginkan, terdapat beberapa tahapan umum dari sistem pengenalan wajah berbasis fitur yang akan dibangun yang dapat dimodelkan dengan diagram sederhana, yaitu :

Dari diagram diatas, dapat dijabarkan proses yang terkait dengan sistem pengenalan wajah tersebut, yaitu :

1. Input citra awal yang akan diidentifikasi

2. Proses ekstraksi fitur yang terdapat pada citra input.

3. Testing hasil ekstraksi citra uji dengan JST yang telah memiliki bobot optimal untuk setiap neuronnya. Dimana bobot optimal ini diperoleh dari proses training JST ini telah dilakukan sebelumnya dengan citra latih yang tersedia.

4. Tahap terakhir adalah proses identifikasi dengan membandingkan nilai dari tiap neuron output dengan kelas kelas citra yang tersedia.

(5)

3 Metodologi yang digunakan dalam memecahkan masalah di atas adalah dengan menggunakan langkah-langkah berikut :

1.Studi Literatur :

a. Pencarian referensi dan sumber-sumber lain yang layak yang berhubungan dengan face recognition, fiture extraction, dan neural network

b. Pendalaman materi, mempelajari dan memahami materi yang berhubungan dengan Tugas Akhir.

2. Pengumpulan data

Bertujuan untuk mendapatkan data wajah berdasarkan umur yang akan digunakan sebagai bahan uji bagi tugas akhir ini.

3. Melakukan perancangan perangkat lunak

Yaitu menentukan kebutuhan pembangunan perangkat lunak, serta perancangan struktur data dan aktivitas perangkat lunak yang dibangun.

4. Implementasi dan evaluasi perancangan perangkat lunak.

5. Pengambilan kesimpulan dan penyusunan laporan Tugas Akhir

(6)

5. Kesimpulan dan Saran

5.1 Kesimpulan

Dari hasil analisa pengujian sistem pengenalan citra wajah menggunakan Filter 2D Gabor Wavelet dan informasi koordinat titik ciri serta pemodelan dengan jaringan saraf tiruan Backpropagation, maka dapat diambil kesimpulan sebagai berikut :

1. Dari hasil pengujian sistem dengan data uji yang telah tersedia, didapat bahwa metode ekstraksi yang mengkombinasikan filter 2D gabor wavelet dengan feature point processing dapat mengidentifikasi data uji dengan benar terbanyak dibandingkan dengan metode eksrtaksi dengan 2D gabor wavelet atau dengan feature point processing secara terpisah.

2. Tingkat keberhasilan pengenalan berdasarkan pengujian yang dilakukan dengan data uji yang merupakan bagian dari data latih adalah sebesar 100%. Sedangkan tingkat keberhasilan pengenalan berdasarkan pengujian yang dilakukan dengan data uji yang bukan merupakan bagian dari data latih adalah sebesar 50%

3. Dari point 2 diatas, diketahui bahwa tingkat akurasi sistem dalam mengenali wajah yang tidak diikutkan dalam proses pelatihan menghasilkan hasil yang kurang memuaskan. Hal ini disebabkan karena pola data latih dengan perbedaan umur yang tidak terlalu jauh menunjukkan perbedaan yang tidak begitu jelas. Serta masih kecilnya umur tiap individu pemilik citra wajah belum menunjukkan ciri fisik yang mendasar.

4. Proses ekstraksi dengan filter 2D gabor wavelet dalam sistem ini menggunakan sudut (30 ), (60 ), dan (90 ), sedangkan frekuensi yang digunakan 2,3,4,5, dan 6.

5. Jumlah vektor ciri yang digunakan dalam Tugas Akhir ini adalah 15 dimana dengan jumlah tersebut ciri khusus dari citra wajah dapat terwakili.

6. Keberhasilan sistem mencapai target yang diinginkan pada dasarnya sangat dipengaruhi oleh percobaan nilai parameter pada setiap proses yang ada. Dari proses learning dan pengenalan didapatlah nilai parameter sebagai berikut : kombinasi lapisan yang digunakan adalah tansig pada lapisan tersembunyi 1 dan logsig pada lapisan tersembunyi 2, serta linear pada neuron output. Jumlah hidden layer adalah 2, dimana jumlah neuron untuk tiap lapisan yaitu 150 pada hidden layer I, dan 200 hidden layer II.

MSE yang diharapkan adalah , nilai learning rate adalah 0.8

7. Dari data analisa proses kerja sistem, ternyata didapat bahwa sistem ini tidak dapat bekerja real time. Hal ini dikarenakan proses pengambilan citra, pelatihan dan pengujian dilakukan secara terpisah.

(7)

46

5.2 Saran

Pengembangan yang dapat dilakukan pada tugas akhir ini antara lain:

1. Titik titik koordinat ciri dari tiap citra wajah yang digunakan didapat hanya dengan cara mengambil informasi ini dari database yang tersedia.

Untuk pengembangan sistem ini, dapat dilakukan proses mendapatkan feature point secara otomatis.

2. Proses normalisasi citra tidak dibahas dalam sistem ini, untuk pengembangan lebih lanjut, proses normalisasi citra dapat ditangani oleh sistem.

3. Pemilihan citra untuk data latih disarankan dengan umur lebih dewasa dan dengan rentang umur lebih jauh dari data latih pada sistem ini, sehingga dapat menunjukkan ciri fisik / geometri wajah dengan lebih akurat, serta perbedaan pola dari setiap citra jelas terlihat dan dikenali JST.

4. Seperti yang kita ketahui bahwa sistem ini hanyalah simulasi, mungkin untuk pengembangannya sistem ini dapat direalisasikan dengan hardware dan bukan hanya menjadi sebuah simulasi saja melainkan suatu alat yang mempunyai nilai jual tinggi.

(8)

Daftar Pustaka

[1] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta : Graha Ilmu.

[2] Dewi Agushinta R, Adang Suhendra, Hendra. Ekstraksi Fitur Dan Segmentasi Wajah Sebagai Semantik Pada Sistem Pengenalan Wajah.

Universitas Gunadarma. Depok. 2006.

[3] Dharma, Eddy Muntina. 2005. Diktat Kuliah Digital Image Processing [DIP] Fundamental. Jurusan Teknik Informatika STT Telkom Bandung.

[4] Fajar, Ujang. 2006. Mendeteksi Wajah Menggunakan Sketsa. Jurusan Teknologi Informasi Politeknik Elektronika Institut Teknologi Sepuluh Nopember Surabaya.

[5] FG-NET face database http://www.fgnet.rsunit.com

[6] G. Hua, S. Guangda, D. Cheng, Feature Points Extraction from Faces, Tsinghua University, China. 2005

[7] Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya).

Yogyakarta : Graha Ilmu

[8] Prasetio, Bayu, Citra Wajah Sebagai Alat Identifikasi, http://home.bprasetio.or.id/articles.php

[9] Suyanto ST. 2002. Buku Ajar Intelijensia Buatan. Jurusan Teknik Informatika STT Telkom Bandung.

[10]

Triantoro, A.K. Identifikasi Tanda Tangan Menggunakan Filter 2D Gabor-wavelet dan Jaringan syaraf tiruan Adaptive Resonance Theory (ART). Bandung, 2006.