Perbandingan pendekatan global dan lokal pada deteksi dan pengenalan citra wajah.

PERBANDINGAN PENDEKATAN GLOBAL DAN LOKAL PADA DETEKSI DAN PENGENALAN CITRA WAJAH

a_{Widyadi Setiawan,} b_{Nyoman Budiastra,} c_{Sri Andriati Asri}

a,b _{Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana Bukit Jimbaran, Kuta Selatan, Badung, Bali} c _{Jurusan Teknik Elektro, Politeknik Negeri Bali, Bukit Jimbaran, Kuta Selatan, Badung, Bali}

e-mail: widyadi@unud.ac.id

Abstrak

Pengenalan wajah dapat diterapkan pada banyak aplikasi potensial, seperti otentikasi identitas, information security, surveillance dan interaksi manusia komputer. Penelitian ini bertujuan membandingkan pendekatan global dan lokal pada sistem deteksi dan pengenalan citra wajah.

Pendekatan global memakai Principle Component Analysis (PCA) sebagai ekstraksi fitur pada Subsistem Deteksi Wajah dan Jaringan Syaraf Tiruan Perambatan Balik sebagai pengklasifikasinya. Pada Subsistem Pengenalan Wajah memakai metode Support Vector Machine sebagai pengklasifikasi dan metode Multiple Discriminant Analysis with Fukunaga Koontz Transform (MDA/FKT) dipakai sebagai ekstraksi fitur. Pendekatan lokal memakai library yang terdapat pada Luxand FaceSDK baik untuk deteksi dan pengenalan citra wajah. Pelatihan dan pengujian sistem memakai basis data penelitian (UNUD).

Hasil yang didapat dari perbandingan kedua pendekatan ini adalah: pendekatan global memiliki daya tahan terhadap variasi pada citra wajah, seperti bervariasinya pencahayaan pengambilan citra, dimensi piksel dan jarak pengambilan citra. Sedangkan pendekatan lokal lebih unggul dari sedikitnya pemakaian sampel referensi.

Kata kunci: Deteksi Wajah, Pengenalan Wajah, Multiple Discriminant Analysis with Fukunaga Koontz Transform, Luxand FaceSDK

COMPARISON OF GLOBAL AND LOCAL APPROACH FOR FACE-IMAGE DETECTION AND RECOGNITION

a_{Widyadi Setiawan,} b_{Nyoman Budiastra,} c_{Sri Andriati Asri}

a,b _{Electrical Engineering Dept., Faculty of Engineering Udayana University, Bukit Jimbaran, Kuta Selatan,} Badung, Bali 80361

c _{Electrical Engineering Dept., Bali State Polytechnic, Bukit Jimbaran, Kuta Selatan, Badung, Bali} e-mail: widyadi@unud.ac.id

Abstract

Face recognition can be applied to many potential applications, such as identity authentication, information security, surveillance and human computer interaction. This research aims to compare global and local approach for face detection an recognition.

The system consist of face detection and recognition subsystem. At Global approach, Face detection subsystem using PCA as feature extraction and Back Propagation Neural Network as its classifier. In face recognition subsystem using Support Vector Machine as its classifier. Multiple Discriminant Analysis Method with Fukunaga Koontz Transforms (MDA / FKT) is used as feature extraction. At local approach using Luxand FaceSDK library both for face detection and recognition. Training and Testing database systems using research (UNUD) database.

As a result: Global approach has resistance of face image variation, such as illuminating, pixel dimension and distance variation. Local approach has superior at minimum reference-sample used.

1. PENDAHULUAN

Segmentasi citra sebagai salah satu metode dalam pengolahan citra digital bermaksud untuk menghasilkan abstraksi dari masukan berupa citra digital. Untuk kasus deteksi wajah, abstraksi yang dimaksud adalah mengetahui lokasi keberadaan wajah pada suatu citra, baik citra itu terdapat satu atau lebih gambar wajah. Keberhasilan untuk mengetahui lokasi wajah ini sangat penting, dikaitkan dengan proses selanjutnya yaitu pengenalan/identifikasi wajah. Output deteksi wajah berupa wajah seseorang dengan fokus pada mata, hidung dan dagu seseorang, yang diharapkan akan berbeda/unik tiap individu. Disamping itu pula hasil deteksi telah menghilangkan variasi rambut yang dimiliki tiap individu, sehingga akan lebih berkurang variasi tiap individu dalam proses pengenalan wajah.

Dalam pengenalan wajah, proses klasifikasi sama pentingnya dengan proses ekstraksi fitur. Setelah fitur-fitur penting data atau citra wajah dihasilkan pada proses ekstraksi fitur, fitur-fitur tersebut nantinya akan digunakan untuk proses klasifikasi. Terdapat dua penggolongan ekstraksi fitur pada aplikasi pengenalan citra wajah, yakni: ekstraksi fitur dengan pendekatan global dan ekstraksi fitur dengan pendekatan lokal.

Pendekatan global memakai keseluruhan daerah wajah sebagai masukan sistem pengenalan. Konsep pendekatan ini adalah menghasilkan kode dari tiap wajah yang akan dipakai sebagai proyeksi untuk wajah yang lain. Sedangkan pendekatan lokal memakai komponen-komponen wajah seperti mata, alis, hidung, mulut dan lingkaran wajah yang kemudian disimpan kode tiap komponen wajah tersebut. Pemakaian pendekatan global Analisa Diskriminan Majemuk/Transformasi Fukunaga Koontz (ADM/TFK) menghasilkan pengenalan wajah yang memerlukan sembilan sampel referensi wajah [1].

Dari latar belakang di atas dapat ditarik rumusan masalah pada penelitian ini yaitu:

1. Bagaimana rancangan dan aplikasi perangkat lunak deteksi dan pengenalan wajah berbasis citra dengan pendekatan global dan lokal. 2. Bagaimana unjuk-kerja sistem deteksi

dan pengenalan wajah dengan dua pendekatan tadi

Analisa Diskriminan Majemuk/ Transformasi Fukunaga Koontz

Berdasarkan teori Bayes Classifier, Analisa Diskriminan linier optimal hanya untuk dua distribusi Gaussian atau distribusi normal dengan nilai matriks kovariannya sama. Ketika Fisher Criterion dikembangkan untuk dapat menangani distribusi Gaussian majemuk atau banyak kelas dengan matriks kovarian yang tidak sama, maka dibandingkan dengan Bayes Classifier, Analisa Diskriminan Linier tidak optimal. Kasus terburuk adalah ketika semua kelas mempunyai mean yang sama, sehingga Sb = 0, maka semua metoda yang berbasis Analisa Diskriminan Linier akan gagal. Subruang 1 dan 2 tidak ada, hanya subruang 3 dan 4, dimana subruang 3 dan 4 kurang diskriminatif.

Untuk mengatasi hal ini, maka permasalahan banyak kelas dibawa ke dalam permasalahan klasifikasi biner dengan menggunakan formulasi Δ = ai – aj dan mendefinisikan ruang intraclass ΩI = {( ai – aj)│L(ai) = L(aj)} dan ruang extraclass ΩE = {( ai – aj)│L(ai) ≠ L(aj)}, dimana L(ai) adalah label kelas ai.

Metode Analisa Diskriminan Majemuk dengan pendekatan Transformasi Fukunaga Koontz (Analisa Diskriminan Majemuk/ Transformasi Fukunaga Koontz) . Metoda ini mempunyai beberapa fitur unik [2], yaitu:

1. Subruang diskriminan optimal yang dihasilkan optimal dalam jarak Bhattacharyya.

2. Metoda ini mencari subruang optimal global dengan memaksimalkan jarak Bhattacharyya yang merupakan batas error Bayes classifier.

3. Eigenvector diskriminan yang dihasilkan bisa lebih dari C-1, karena biasanya rank

_Σ

_I

dan

_Σ

_E lebih besar dari C-1.

Luxand FaceSDK 5.0.1

Programming Interface) untuk mendeteksi dan mencari wajah, mencari komponen wajah, untuk pengenalan gender serta untuk pengenalan wajah pada citra wajah maupun video.

FaceSDK menyediakan koordinat dari 66 komponen wajah, termasuk mata, alis, mulut, hidung dan lingkaran wajah. Seperti yang terlihat pada Gambar 1 [3].

Gambar 1. Komponen Wajah pada Luxand FaceSDK

Tujuan Penelitian

Penelitian ini bertujuan untuk membandingkan ekstraksi fitur pendekatan global (Analisa Diskriminan Majemuk/ Transformasi Fukunaga Koontz) dengan pendekatan lokal (SDK biometrika komersial, Luxand FaceSDK 5.0.1).

2. METODE PENELITIAN Desain Sistem

Desain sistem memakai metode pendekatan global pada penelitian ini dapat dilihat pada gambar 2, dengan mengambil inputan berupa tangkapan citra wajah berasal dari live video streaming camera yang kemudian diproses untuk menghasilkan keluaran akhir berupa identitas si pemilik wajah.

Gambar 2. Desain Sistem Deteksi dan Pengenalan Wajah

Desain sistem memakai metode pendekatan lokal pada penelitian ini dapat dilihat pada gambar 3.

Gambar 3. Subsistem Deteksi Wajah

(preprocessing), ekstraksi fitur dan klasifikasi. Basis data wajah UNUD yang digunakan dibagi menjadi dua, sebagian digunakan untuk proses pelatihan (training) dan sisanya digunakan untuk proses pengujian (testing).

Pemprosesan Awal (preprocessing)

Pemprosesan awal merupakan proses pengambilan data wajah dan normalisasi data wajah. Data wajah yang digunakan harus dalam bentuk citra abu-abu, jika citra wajah yang akan digunakan masih dalam bentuk citra wajah berwarna, maka diperlukan proses untuk merubah citra tersebut menjadi citra abu-abu. Normalisasi dilakukan untuk mereduksi ukuran dan mendapatkan citra wajah yang cukup ideal untuk dijadikan sebagai data masukan dengan cara melakukan proses cropping sehingga didapatkan citra yang ideal untuk dijadikan sebagai data masukan [4].

Citra ideal disini adalah citra wajah yang terdiri dari mata, hidung dan mulut serta background dan rambut yang sebagian besar sudah dihilangkan, selain itu untuk mereduksi ukuran citra. Terkadang dalam proses implementasi atau ketika program dijalankan, citra masukan mengalami proses resize menjadi setengah atau seperempat dari ukuran citra masukan. Hal ini disebabkan karena jika vektor wajah input yang dihasilkan masih hampir mirip (similar).

Tahap ini bertujuan mendapatkan sederet vektor fitur yang nantinya akan digunakan untuk tahap klasifikasi. Citra wajah hasil proses pemprosesan awal menjadi inputan proses ekstraksi fitur. Pada tahap awal proses ekstraksi fitur, data input matriks wajah dimensi nxm akan diubah kedalam vector wajah berdimensi (nxm) x 1 atau menjadi vektor kolom. Hasil dari proses ektraksi fitur ini berupa vektor fitur dengan dimensi lebih kecil (dimensi proyeksi). Untuk metoda Analisis Diskriminan Majemuk dengan pendekatan Transformasi Fukunaga Koontz, dimensi proyeksi maksimal vektor fiturnya adalah (rank(Ht))x1, sedangkan untuk

Analisis Diskriminan Linier dimensi proyeksi maksimalnya adalah (C-1) x 1 (C adalah banyak kelas dalam sebuah basis data) [5].

Luxand FaceSDK

Ekstraksi fitur dengan memanfaatkan library yang dimiliki pada FaceSDK berupa 66 fitur wajah yang nantinya dicari dari semua citra wajah.

Klasifikasi

Proses klasifikasi dilakukan setelah citra wajah diambil fitur khusus, fitur-fitur khusus ini berupa vektor fitur-fitur yang dimensinya lebih kecil. Proses klasifikasi pendekatan global dengan SVM dibagi menjadi dua tahap yaitu proses pelatihan dan proses pengujian. Untuk mencari support vector dari data input dalam setiap proses pelatihan digunakan quadratic programming [6]. Untuk klasifikasi pada pendekatan lokal yang memanfaatkan library Luxand FaceSDK dengan memakai pencocokan pada tiap komponen wajah dengan komponen wajah referensi.

3. HASIL DAN PEMBAHASAN

Dari penelitian yang telah dilakukan dapat dipaparkan beberapa pembahasan sebagai berikut.

Basis Data Wajah

Basis data wajah pada penelitian ini dipakai untuk menguji subsistem deteksi dan subsistem pengenalan wajah. Basis data wajah yang akan dipakai pada penelitian ini yaitu:

• Basis data CBCL (Center for Biological

& Computational Learning)

Basis data ini dipakai pada subsistem deteksi wajah pada proses pelatihan Subsistem deteksi wajah Pendekatan global (dipakai untuk mendapatkan vektor proyeksi PCA dan Jaringan Syaraf Tiruan Perambatan Balik yang telah selesai proses pelatihan), dengan rincian 2429 citra wajah dan 4548 citra non wajah dimensi 19x19

• Basis data UNUD (Universitas Udayana

Database)

orang, masing-masing memiliki 10 citra wajah dimensi 681x1024 dengan format dan jarak pengambilan gambar yang relatif seragam. Basis data ini dipakai pada subsitem deteksi wajah (proses pengujian) dan subsistem pengenalan wajah (proses pelatihan dan pengujian) pada dua pendekatan.

Proses Pengujian Subsistem Deteksi Wajah Pengujian Subsistem Deteksi Wajah memakai Basis Data UNUD. Citra wajah diubah dalam format aras keabuan Selanjutnya pada citra tersebut dilakukan proses Downscale memakai transformasi Wavelet dengan metode Haar (Haar Transform) yang memiliki dimensi 80x60 dengan maksud pula menghilangkan noise frekuensi tingginya. Kemudian untuk menghaluskan citra dipakai filter Gaussian, lalu pencarian/deteksi wajah dilakukan memakai dimesi 19x19 berupa ekualisasi histogramnya. Vektor proyeksi PCA yang dihasilkan dari proses pelatihan yang memiliki dimensi 361x40 dipakai untuk memproyeksikan 19x19 citra wajah. Proses selanjutnya adalah klasifikasi ke dalam kelas wajah dan non wajah memakai Jaringan Syaraf Tiruan Perambatan Balik yang telah dihasilkan pada proses pelatihan.

Adapun pengujian subsitem deteksi wajah diperlihatkan pada Tabel 1. Pada basis data UNUD tingkat keberhasilan subsistem deteksi wajah dengan pendekatan global memiliki keberhasilan yang lebih baik secara keseluruhan. Beragamnya pencahayaan pada basis data UNUD, juga dengan adanya format dan jarak pengambilan gambar yang bervariasi berakibat pada dimensi piksel wajah yang beragam terlihat pendekatan global lebih unggul dalam pedeteksian wajah.

Tabel 1. Hasil Pengujian Subsistem Deteksi Wajah

Metode Jumlah

Proses Pengujian Subsistem Pengenalan Wajah

Uji coba terhadap subsistem pengenalan wajah yang dikembangkan pada penelitian ini dilakukan pada basis data wajah

UNUD. Pada Tabel 2 untuk basis data UNUD terlihat keberhasilan pengenalan lebih baik pada pendekatan lokal dengan pemakaian jumlah citra referensi yang lebih sedikit. Pada Pendekatan global hasil yang didapat berasal dari pemakaian Sembilan citra referensi, sedangkan pendekatan lokal hanya cukup memakai satu citra referensi.

Tabel 2. Hasil Pengujian Subsistem Pengenalan Wajah

Beberapa kesimpulan yang dapat diambil dari penelitian ini adalah:

a) Pada Subsistem Deteksi Wajah, tingkat pendeteksian maksimal yang dapat dicapai dengan metoda PCA (pendekatan global) adalah 98,84 % dan dengan metode library Luxand FaceSDK (pendekatan lokal) adalah 94,35 %

b) Pada Subsistem Pengenalan Wajah, tingkat pengenalan maksimal yang dapat dicapai:

• metoda ADM/TFK (pendekatan global) adalah 82,8 % dengan memakai sembilan sampel referensi dan dimensi proyeksi 53. • metoda Library Luxand FaceSDK

(pendekatan lokal) adalah 87,6 % dengan memakai satu sampel referensi.

c) Ekstraksi fitur wajah secara global lebih beradaptasi dengan lingkungan pengambilan citra yang bervariasi d) Ekstraksi fitur wajah secara lokal

mampu mengurangi jumlah

pemakaian sampel seminimal mungkin.

UCAPAN TERIMA KASIH

sokongan dana yang sangat membantu bagi terlaksananya penelitian kami.

DAFTAR PUSTAKA

[1] Widyadi, Multiple Discriminant Analysis with Fukunaga Koontz Transform and Support Vector Machine for Image-Based Face Detection and Recognition, Kursor , Vol. 7, No. 2, Juli 2013, ISSN: 0216-0544, 2013

[2] Fukunaga, K., Introduction to Statistical Pattern Recognition, second ed. Academic Press. 1990.

[3] Luxand,Inc , Luxand FaceSDK 5.0.1 Face Detection and Recognition Library Developer’s Guide, 2015.

[4] Duda, R., Hart, P., and Stork, D., Pattern Recognition, Second edition. J. Wiley and Sons, Inc., 2000.

[5] Zhang, S., and Sim, T., Discriminant Subspace Analysis: A Fukunaga Koontz Approach, IEEE Transaction On Pattern Analysis and Machine Intelligence, vol 29, no 10, pp 1732-1745, 2007.

No NAMA PESERTA KODE JUDUL MAKALAH

1 I PUTU SUDANA, A. PAR,

M.PAR HM-032

Strategi Pengembangan Pariwisata Alternatif Di Kawasan Pariwisata Kintamani, Kabupaten Bangli (Universitas Udayana)

2 A.A.Sg.A Sukmaningsih KO-005

Apoptosis Sel Spermatogenik Pada Tikus Putih (Rattus Norvegicus)

Yang Terpapar Asap Rokok Setelah Pemberian Ekstrak Buah Juwet (Syzygium Cumini)

3 AA Istri Sri Wiadnyani, STP.,

MSc KP-100

Ekstraksi Dan Karakterisasi Pati Keladi (Xanthosoma Sagittifolium) Dalam Upaya Pengembangan Umbi-Um (Universitas Udayana)

4 Agung Artha Kusuma IK-079 Dampak Electronic Word Of Mouth: Adopsi Opini Online Pada Komunitas Online Konsumen

5 Agus Muliantara

Pengembangan Aoe Dan Lvmpada Owncloud Sebagai Media Penyimpanan Berbasis Awan Pada Sistem Validasi Karya Ilmiah

6 Agus Muriawan Putra HM-027 Pengembangan Desa Tista Sebagai Desa Wisata Di Kabupaten Tabanan

7 Agus Muriawan Putra HM-098

Persepsi Masyarakat Jatiluwih Terhadap Ditetapkannyajatiluwih Sebagai Warisan Budaya Dunia Di Kabupa (Universitas Udayana)

8 Anak Agung Bawa Putra KO-057

Ekstraksi Zat Warna Alam Dari Bonggol Tanaman Pisang (Musa Paradiasciaca L.) Dan Golongan Senyawanya

9 Anak Agung Diah Parami Dewi,

ST., MT., PhD. IK-052

Analisis Kendala Dalam Penerapan Green Construction Dan Strategi Untuk Mengatasinya

10 ANAK AGUNG KOMPIANG OKA

SUDANA IK-011

E-Adonanbali, Sistem Informasi Mobile Pembelajaran Adonan Bebantenan Dan Masakan Tradisional Bali (Universitas Udayana)

11 Anak Agung Manik Pratiwi HM-132

Partisipasi Masyarakat Lokal Dalam Pengembangan Atraksi Wisata Pantai Di Kawasan Pariwisata Nusa (Universitas Udayana)

12 Anggun Fadhlin Librianti IK-007

Pengembangan Calender Of Events Berbasis Android Dengan Metodologi Qcc Untuk Peningkatan Efisiensi (Politenik Manufaktur Astra)

13 cok istri putri kusuma k TM-005

Pengukuran Koefisien Absorpsi Material Dengan Metode Tabung Impedansi Dua Microphone (Universitas Udayana)

14 Cokorde Gede Indra Partha P-PKM-004 Pelatihan Pengaman Instalasi Listrik Menggunakan Rcd (Residual Current Device) Sesuai Persyaratan Um

367 RICHARDO E.V. TABISU TM-021 Evaluasi Kinerja Fasilitas Lapangan Penumpukan Peti Kemas Di Pelabuhan Jayapura

368 Rida Indah Fariani IK-002

Penggunaan Dotproject Dalam Pengembangan Sistem Informasi Manajemen Proyek Berbasis Web (Studi Kasus) (Politenik Manufaktur Astra)

369 Rivan Sutrisno HM-007

Model Estimasi Kinerja Keuangan Berdasarkan Faktor-Faktor Internal Ukm Di Kabupaten Bandung (Politeknik Negeri Bandung)

370 Rochtri Agung Bawono HM-067 Batik Tutur Blitar: Transformasi Pesan Moral Dari Dinding Candi Menjadi Sehelai Kain

371 Sang Ayu Isnu Maharani Pemertahanan Bahasa Pada Kawasan Wisata Ubud

372 Si Putu Gede Gunawan Tista,

ST.,MT IK-044

Pengaruh Pemasangan Ring Pada Permukaan Silinder Terhadap Drag Dengan Variasi Jarak Antar Ring (Universitas Udayana)

373 siska purnianti HM-046

Kajian Hak Menguasai Negara Atas Air Pada Proyek Kerjasama Pemerintah Badan Usaha Tentang Sistem Pen (Pusat Litbang Permukiman Balitbang

Kementerian Pupr)

374 SURYA DEWI RUSTARIYUNI HM-162 Kesiapan Tenaga Kerja Di Kabupaten Badung Dalam Menghadapi Mea 2015

375 Tedi Erviantono HM-138

Tipologi Tata Kelola Penegakan Sanksi Pelanggaran Peraturan Daerah Di Kabupaten Tabanan Dalam Perspe (Universitas Udayana)

376 Tjokorda Gde Tirta Nindhia ET-016 Controlling Harmful Gas Hydrogen Sulfide (H2S) By Desulruizer In Sewage Treatment Plant (Stp). Case

377 Tri Poepowati BLS-070 Hidrolisa Dengan Asam Dan Enzim Dalam Proses

Konversi Ulva Lactuca Menjadi Etanol

378 Trisna Agung Phabiola, SP.,MSi KP-104

Uji Keragaman Kisaran Inang Terhadap Penularan Bean Common Mosaik Virus Pada Tanaman Kacang Panjang (Universitas Udayana)

379 Widya Wigati BLS-007 Sintesis Dan Karakterisasi Karbon Aktif Termodifikasi Eriochrome Blue Black Dari Biji Pepaya

380 Widyadi Setiawan, ST., MT. IK-017

Perbandingan Pendekatan Global Dan Lokal Pada Deteksi Dan Pengenalan Citra Wajah (Universitas Udayana)

381 Yana Qomariana HM-091

Analisa Kebutuhan Berbahasa Inggris Untuk Jurusan Non Bahasa Di Fakultas Sastra Dan Budaya Universit (Universitas Udayana)

382 Yayu Indrawati HM-121