IMPLEMENTASI METODE KDDA UNTUK DETEKSI WAJAH SECARA REALTIME DENGAN VISUAL BASIC

(1)

IMPLEMENTASI METODE KDDA UNTUK DETEKSI WAJAH SECARA REALTIME DENGAN VISUAL BASIC

Rahmat Budiman¹, Rita Magdalena², Purba Daru Kusuma³

¹Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom Abstrak

Pengolah citra merupakan salah satu proses penerjemahan gambar menjadi suatu informasi. Pengolahan citra bertujuan agar suatu sistem dapat “melihat” informasi yang terkandung

didalamnya. Salah satu pengembangan pengolahan citra adalah dalam sistem pendeteksian wajah (face recognition). Permasalahan yang sering muncul pada pendeteksian wajah adalah masalah ketidaksamaan jumlah citra latih. Untuk mengatasinya digunakan sistem kernel seperti pada metode Kernel Direct Discriminant Analysis (KDDA). Melalui metode ini kesalahan diharapkan deteksi wajah yang ketidaksamaan jumlah citra latih dapat diminimalisir.

Pada pembuatan Tugas akhir kali ini digunakan algoritma KDDA dengan kernel polinomial. Sistem pengenalan wajah yang dibuat efisien sehingga dapat melakukan pengenalan secara cepat (realtime). Pada tugas akhir ini menggunakan Visual Basic sebagai media pembangun sistem sedangkan database Microsoft Access digunakan sebagai database informasi user. Proses preprosesing seperti cropping citra, grayscale, dan penyimpanan dalam format jpg dilakukan secara embeded sehingga tidak memerlukan pengolahan citra terlebih dahulu. Hasil algoritma KDDA dengan penguatan nilai diskriminan dan pengurangan ukuran dimensi digunakan sebagai pemisah dan mencirikan tiap kelas. Hasil inilah yang akan digunakan sebagai penentuan kelas suatu citra uji. Keseluruhan sistem dibangun agar pengenalan wajah menghasilkan akurasi yang maksimum dan mampu realtime dalam pengoperasiannya.

Dari hasil pengujian diperoleh bahwa batas eror yang optimal adalah sebesar 13% dari variansi kelas matrik dengan jarak minimum, sedangkan waktu rata-rata pemprosesan citra uji dalam mengidentifikasi citra adalah sebesar 0.641 sekon dan akurasi pengenalan wajah untuk citra training yang seragam jumlahnya tiap user adalah sebesar 80% dengan jarak dan pencahayaan yang sama dengan citra latihnya. Sedangkan untuk pengujian dengan citra training dengan jumlah tidak seragam menghasilkan akurasi sebesar 82,2% dengan pengkondisian jarak dan pencahayaan yang sama dengan citra latihnya

Kata Kunci : face recognition, metoda kernel direct discriminant analysis (KDDA), Visual Basic, implementasi, realtime

Tugas Akhir - 2012

(2)

Abstract

Image processing is one of image translation process into an information. Image processing intended to make an system can "see" the information contained in there. One is the development of image processing in face detection system (face recognition). The problems that often appear on the face detection is the problem of nonlinearity picture. To fix the system, kernel is used, as a method of Kernel Direct Discriminant Analysis (KDDA). Through this method the error of face a nonlinear detection is expected to be minimized.

At the momment of building this final task of the kernel poninomial KDDA algorithm is used. Face recognition system that is made to be efficient that can perform a quick detection (realtime). This final task using Visual Basic as a media system builder while Microsoft Access database, is used as a database of user information. Preposesing processes such as image cropping, grayscale, and storage in jpg format do embeded. So it does not require prior image processing. KDDA algorithm results in the strengthening of the discriminant and the reduction in the size of the dimensions used to separate and characterize each class. These results will be used as a grading test images. The entire system is built so that face recognition produces maximum accuracy and realtime in operation.

From the test results obtained that the optimal error limit is 13% of the variance matrix class with minimum distance, while the average time of processing the test image in the image are

identified for 0.641 seconds and face recognition accuracy for the training images is equal to 80% linear with distance and lighting the same with training image While for training test with non-linear image produced an accuracy of 82.2% with same distance and lighting conditioning the image

Keywords : face recognition, kernel direct discriminant analysis methode (KDDA), Visual Basic, implementation, realtime

Powered by TCPDF (www.tcpdf.org)

(3)

1

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Pengolah citra merupakan salah satu proses penerjemahan gambar menjadi suatu informasi. Pengolahan citra bertujuan agar suatu sistem dapat “melihat” informasi yang terkandung didalamnya. Salah satu pengembangan pengolahan citra adalah dalam sistem pendeteksian wajah (face recognition). Permasalahan yang sering muncul pada pendeteksian wajah adalah masalah ketidaksamaan jumlah citra latih. Untuk mengatasinya digunakan sistem kernel seperti pada metode Kernel Direct Discriminant Analysis (KDDA). Melalui metode ini kesalahan deteksi wajah yang berbeda jumlah sampelnya dapat diminimalisir

Sistem pengenalan wajah pada Tugas Akhir sebelumnya bersifat non realtime. Karena diperlukan proses preprosesing sebelumnya seperti penyesuaian terlebih dulu seperti ukuran gambar, tingkat cahaya maupun format gambar.

Pada Tugas Akhir ini dibuat suatu aplikasi pendeteksi wajah yang realtime sehingga tidak membutuhkan proses preprosesing dengan bantuan aplikasi grafis terlebih dahulu. 1.2 Tujuan

Tujuan diajukannya Tugas Akhir ini dipaparkan sebagai berikut:

1. Membuat suatu software aplikasi berbasis Visual Basic yang mampu mendeteksi

wajah seseorang.

2. Membuat aplikasi yang real time, sehingga gambar yang diperoleh dari kamera digital

(webcam) merupakan inputan utama tanpa perlu pengeditan gambar terlebih dahulu. 3. Menganalisis tingkat keberhasilan aplikasi deteksi wajah ini pada berbagai tingkat

error yang ditoleransi, jumlah citra latih, kondisi pencahaan, dan posisi wajah

(4)

2

1.3 Manfaat

Dengan terlaksananya Tugas Akhir Implementasi Metode KDDA untuk Deteksi Wajah dengan Visual Basic diharapkan:

1. Dapat dibuat suatu software aplikasi pendeteksi wajah berbasis Visual Basic

2. Dapat diketahui tingkat keberhasilan implementasi pendeteksian wajah dengan

metode KDDA pada Visual Basic,

3. Dapat diketahui tingkat akurasi pengenalan wajah, seberapa besar kemampuan

mendeteksi wajah.

1.4 Rumusan Masalah dan Batasan Masalah 1.4.1 Rumusan Masalah

Tugas akhir ini disusun berdasarkan atas beberapa rumusan masalah, antara lain:

1. Bagaimana mengimplementasikan metode KDDA pada bahasa pemprograman Visual

Basic sehingga mampu mendeteksi wajah seseorang?

2. Bagaimana membuat aplikasi ini dapat berfungsi secara realtime?

3. Berapa tingkat akurasi implementasi metoda KDDA pada Visual Basic pada citra latih

wajah yang seragam maupun berbeda jumlahnya, maupun batas eror yang diijinkan? 1.4.2 Batasan Masalah

Dalam pemodelan serta perancangan aplikasi ini, menggunakan batasan-batasan masalah, antara lain sebagai berikut:

1. Perancangan aplikasi ini menggunakan metode KDDA sebagai metode pendeteksi

wajah.

2. Menggunakan kernel polinomial sebagai kernel yang digunakan pada KDDA

3. Menggunakan Visual Basic sebagai media pembangunnya

4. Menggunakan kamera digital sebagai media inputannya tunggalnya.

5. Tidak membahas masalah kernel selain polinomial

6. Menganalisa tingkat keberhasilan tingkat pendeteksian dalam kondisi jumlah citra latih yang seragam dan tidak seragam jumlahnya,

7. Data citra latih merupakan gambar citra yang ternormalisasi, ukuran, jarak,

pencahayaannya

(5)

3

1.5 Metodologi Perancangan

Metode yang digunakan untuk menyelesaikan masalah dalam Tugas akhir ini adalah:

1. Implementasi Perangkat Lunak

Bertujuan untuk melakukan implementasi pada perangkat lunak (software) sesuai dengan perancangan yang telah dilakukan.

2. Studi Literatur

Bertujuan untuk mempelajari dasar teori dari literatur-literatur yang sudah ada untuk proses pengenalan suatu citra wajah:

a. Mempelajari pengolahan citra berbasis program Visual Basic.

b. Mempelajari algoritma KDDA sebagai algoritma pengklasifikasian citra

berdasarkan kernel dan jumlah citra tiap user.

c. Mempelajari tentang Visual Basic.

d. Mempelajari tentang pencocokan citra uji terhadap citra latih yang telah

tersimpan informasinya.

3. Eksperimen

Bertujuan agar variable-variable yang mampu memberikan efek tidak langsung dalam pengolahan citra dapat dijaga kondisi kestabilannya. Sehingga hasil yang diperoleh dapat dipertanggung jawabkan hasilnya.

4. Analisis Kinerja

Bertujuan untuk melakukan analisis kinerja perangkat lunak (software) yang telah dibuat dari tingkat akurasi yang dihasilkan oleh perangkat lunak (software) tersebut.

5. Mengambil Kesimpulan

Bertujuan untuk menarik kesimpulan setelah melakukan implementasi perangkat lunak (software) yang telah dibuat untuk mengenali dan mengklasifikasikan citra seseorang

(6)

4

1.6 Sistematika Penulisan

Sistematika penulisan pada Tugas Akhir ini adalah sebagai berikut: BAB I PENDAHULUAN

Pendahuluan yang berisi mengenai Latar Belakang, Tujuan dan Manfaat, Rumusan Masalah, Batasan Masalah, Metode Penelitian, dan Sistematika Penulisan.

BAB II DASAR TEORI

Pada bab ini, penulis membahas teori pendukung mengenai citra, algoritma KDDA, dan Visual Basic.

BAB III PERANCANGAN DAN REALISASI SISTEM

Pada bab ini dibahas perancangan dan realisasi perangkat lunak (software) sedemikian sehingga dapat dipakai sebagai pengenalan wajah yang realtime

BAB IV PENGUJIAN DAN ANALISIS SISTEM

Dalam bab ini dibahas pengujian dan analisa dari perangkat lunak (software) yang telah dibuat sebagai pengenalan wajah yang realtime dan pengklasifikasian citra berdasarkan kelasnya. Pengujian dilakukan untuk mengetahui tingkat akurasi perangkat lunak (software) yang telah dibuat untuk menganalisis kinerjanya.

BAB V PENUTUP

Bab ini berisi kesimpulan atas hal-hal yang telah dikerjakan sebelumnya dan saran untuk perbaikan perangkat lunak (software) kedepannya.

(7)

62

BAB V Kesimpulan dan Saran

5.1 Kesimpulan

Berdasarkan pengujian dan analisa terhadap sistem, dapat disimpulkan sebagai berikut:

1. Dari hasil uji fungsionalitas, disimpulkan bahwa seluruh fungsi dalam sistem

pengenalan wajah dengan KDDA algoritma berjalan dengan baik pada perangkat keras dan lunak yang digunakan.

2. Dari hasil pengujian batas error, sistem mampu melakukan tugasnya dengan nilai eror

13%, dalam hal pemilihan batas eror kurang dari 10% akan membuat akurasi lebih tinggi sehingga pengambilan citra uji, akan lebih sulit mencapai kecocokan identitas atau citra dalam kelas dianggap diluar kelas . Sedangkan batas eror yang lebih dari 13% membuat kemungkinan citra non kelas dianggap dalam kelas dan kecenderungan salah pengenalan kelas makin sering terjadi.

3. Dari hasil pengujian waktu proses dapat diketahui bahwa sistem sudah mampu

dikatakan sebagai sistem yang real time dengan waktu rata-rata pengenalan suatu citra uji hanya selama 0.641 sekon.

4. Dari hasil pengujian diatas untuk citra training yang seragam jumlahnya dapat dilihat

bahwa akurasi yang diperoleh dari batas error 13% adalah sebesar 80%

5. Dari hasil pengujian diatas untuk citra training yang tidak seragam dapat dilihat

bahwa akurasi yang diperoleh dari batas error 13% adalah sebesar 82.22%

6. Pada pengujian ruang gelap dihasilkan bahwa sistem mampu mencapai nilai optimum

pendeteksian di jarak senter 1 meter dari wajah dengan range error 10-11%.

7. Dari hasil pengujian posisi wajah, citra uji normal(lurus menghadap ke depan) dan

miring 30 derajat mampu dideteksi dengan baik oleh sistem dengan eror yang dihasilkan kurang dari 13 %, sedangkan untuk kemiringan 45 dan 90 derajat tidak mampu dideteksi oleh sistem. Semakin besar posisi kemiringan wajah maka nilai eror yang ditimbulkan akan semakin besar. Kemampuan deteksi sistem hanya sampai kemiringan sebesar 300 saja.

8. Dari hasil pengujian jarak diperoleh hasil bahwa jarak wajah normal, maju 5 hingga

10 cm mampu dideteksi dengan baik oleh sistem dengan rata-rata eror yang dihasilkan 5,67%, 10,19% dan 11,3% sedangkan untuk jarak 15 dan 20 cm dari jarak normal tidak mampu dideteksi oleh sistem dengan rata-rata eror sebesar 16,88% dan 23,7% .

(8)

63

Semakin dekat jarak wajah terhadap kamera maka semakin besar eror yang ditimbulkan akan semakin besar.

5.2 Saran

Adapun saran-saran yang dapt diambil dari tugas akhir kali ini antara lain sebagai berikut:

1. Perlu dicoba penggunaan pengenalan wajah dengan algoritma KDDA untuk aplikasi

mobile seperti Android, BB, Apple, maupun Windows Phone

2. Perlu dilakukan penggabungan algoritma yang menggabungkan KDDA dan

pengenalan wajah berbasis jarak minimum titik titik wajah seperti KNN, ataupun dengan algoritma jaringan saraf tiruan.

3. Perlu dilakukan penerapan sistem pengenalan wajah yang lebih otomatis sehingga

tanpa perlu penekanan tombol capture.

(9)

64

Daftar Pustaka

[1]

Al Fatah, Hanif, Rekayasa Sistem Pengenalan wajah menggunakan Visual Basic dan

Microsoft Access,Penerbit Andi,Yogya: 2008 [2]

Basuki, Achmad; Palandi, Jozua F, Pengolahan Citra Digital menggunakan Visual Basic, Graha Ilmu, Yogya: 2005.

[4]

Effendi, Rustam, Analisa metode KDDA terhadap kernel polynomial pada pengenalan

wajah , Jurnal TA stt telkom, Bandung: 2007 [5]

Juwei Lu1, K.N.Plataniotis2 , A.N.Venetsanopoulos3. Face recognition using Kernel

Direct Discriminant Analisys. [6]

Juwei, Lu1, K. N. Plataniotis2, dan A.N.Venetsanopoulos3; Kernel Discriminant Learning

with Application to Face Recognition, IEEE Jurnal [7]

Purnama, Mauridhi HeryEffendi; Muntasa Arif, Konsep Pengolahan Citra Digital dan

Ekstraksi Fitur, Graha ilmu, Surabaya: 2010 [8]

Wikipedia Indonesia, Citra, http://id.wikipedia.org/wiki/Citra, diakses 4 Oktober 2011

[9]

Xiao-Jun, WU; Kittler, Josef; A New Kernel Direct Discriminant Analysis, IEEE Jurnal