DETEKSI KHIMAR PADA CITRA WAJAH
BERBASIS SEGMENTASI KULIT
Abdul Jahir
1)Kuat Indartono
2)Giat Karyono
3) 1,2,3)Teknik Informatika STMIK Amikom Purwokerto
Jl. Let. Jend. Pol. Soemarto, Purwokerto, Indonesia
email : 1)abduljahir@amikompurwokerto.ac.id, 2)indartono@amikompurwokerto.ac.id,
3)
giatkaryono@amikompurwokerto.ac.id
ABSTRACT
Today the social media development is very rapid and the use of media has been increasingly widespread with high intensity among the users. Social media technology has various forms such as digital magazines, internet forums, weblogs, social blogs, social networks, photos or images, and videos. Many benefits of usefulness, but also no less many bad sides. One of the bad side of the use of social media is the spread of pictures / photos of Muslim faces that do not cover the private parts by using khimar. To overcome these problems the field of computer vision can act as image filters that are not allowed to be published in social media which one of the requirements is to dress according to sharia. The algorithm developed in this research is based on face recognition skin recognition. The face area is detected by using the Viola-Jones algorithm and then followed by skin segmentation on the RGB channel. Finally, results showed an accuracy of the system is 90%.
Key words
Khimar, Viola-Jones, Skin Segmentation
1. Pendahuluan
Dewasa ini perkembangan sosial media sangatlah pesat dan penggunaan media telah semakin luas dengan intensitas yang tinggi diantara pemakainya. Teknologi media sosial sekarang ini memiliki berbagai bentuk seperti misalnya majalah digital, forum internet, weblog, blog sosial, jejaring sosial, foto atau gambar, dan video. Banyak manfaat kegunaan, namun juga tak kalah banyak sisi buruknya. Salah satu sisi buruknya media sosial tersebut diantaranya seseorang dengan mudahnya berbagi foto/gambar ke pengguna lainnya dengan berbagai aktivitas yang dilakukannya dengan tidak memperhatikan foto/gambar tersebut telah menutup auratnya atau belum.
Anehnya, keadaan itu dianggap biasa, tidak dianggap sebuah kemaksiatan yang perlu di ingkari. Seakan menutup aurat bukan sebuah kewajiban dan membuka aurat bukan sebuah dosa.
Firman Allah SWT dalam Surah An Nuur Ayat 31: “Hendaklah mereka menutupkan khumur (kerudungnya) ke dadanya” [1]. Khumur di dalam Al-Quran disebut dengan istilah khimar atau kerudung. Di beberapa negara Muslim (Seperti Arab Saudi, Bahrain, Yaman, Oman) umumnya menutupi aurat seluruh tubuh. Berbeda dengan negara lainnya seperti Indonesia, Malaysia, Iran, Turki, dan sebagian besar Asia aurat yang harus ditutupi seluruh badan kecuali muka dan tangan. Ada banyak manfaat yang akan diperoleh jika seorang wanita menutup auratnya. Selain bisa menghindarkan diri dari terjerumus ke dalam api neraka, menutup aurat juga akan melindungi wanita selama di dunia.
Computer vision adalah ilmu yang mencakup metode untuk memperoleh, mengolah, menganalisis dan memahami gambar berdimensi tinggi untuk menghasilkan informasi angka atau simbol misalnya dalam bentuk keputusan [2][3][4][5]. Bidang kajian ini menduplikasi kemampuan penglihatan dalam mengamati dan memahami gambar [6]. Banyak aplikasi Computer Vision yang diprogram untuk memecahkan masalah tertentu dengan berbagi metode. Beberapa penelitian telah dilakukan dalam mengidentifikasi bagian tubuh manusia dari sebuah gambar (Misalnya: deteksi wajah [7][8][9][10], deteksi rambut [11][12], dan deteksi tangan [13][14][15][16][17]).
Dalam penelitian ini, peneliti akan mendeteksi khimar pada sebuah gambar/foto yang digunakan untuk menutup aurat wanita pada bagian wajah. Algoritme deteksi khimar tersebut terdiri dari proses deteksi wajah dan model warna kulit. Model bentuk khimar merupakan pakaian atas menutupi kepala, leher dan menjulur hingga menutupi dada wanita dari belakang maupun dari depan. Sehingga seseorang yang menggunakan khimar pada bagian lehernya hingga dadanya akan tertutup kain.
2. Metodologi Penelitian
Secara umum metode penelitian yang dilaksanakan dalam penelitian ini terdiri dari beberapa proses mulai dari proses pra pengolahan yaitu pemotongan gambar area kepala hingga dada, kemudian deteksi area wajah, segmentasi kulit dan terakhir adalah klasifikasi. Diagram alir penelitian ditunjukkan pada Gambar 1.
Gambar 1 Diagram Alir Deteksi Khimar
2.1 Deteksi Wajah
Proses deteksi wajah merupakan tahap yang paling penting untuk memotong area wajah. Tahapan ini terdiri dari dua proses yaitu pemotongan tubuh bagian atas dan pengenalan wajah. Pemotongan tubuh bagian atas dimaksudkan agar area pencarian wajah terhindar dari derau, contohnya penggunaan pakaian bermotif mata akan mengganggu proses pengenalan wajah jika langsung dilakukan. Proses deteksi tubuh bagian atas dan deteksi wajah ini menjadi satu bagian yang terintegrasi pada
algoritme Viola-Jones. Pada dasarnya proses pengenalan wajah Viola-Jones [18] terdiri dari empat tahap berikut. 1. Seleksi fitur Haar
2. Membuat integral gambar 3. Pelatihan Adaboost 4. Cascading Classifier
Konsep dari metode Viola-Jones adalah menggunakan fitur untuk proses klasifikasinya. Hal ini karena pemprosesan fitur lebih cepat dibandingkan dengan pemrosesan dengan metode sliding neighborhood. Terdapat tiga buah fitur dalam metode ini seperti yang diperlihatkan pada Gambar 2.
Gambar 2 Tipe Fitur Gambar
Pada Gambar 2 mengilustrasikan bahwa fitur Haar diekstraksi dengan beberapa tipe gambar persegi panjang A, B, C dan D. Metode untuk menghitung fitur gambar yaktu dengan cara mencari selisih area piksel putih dengan area piksel hitam. Secara teoritis perhitungan nilai tersebut dapat direpresentasikan dengan menggunakan perhitungan integral image seperti pada persamaan (1).
(1) Dimana x dan y adalah lokasi piksel, ii(x,y) adalah integral image dan i(x’,y’) adalah gambar asli. Selanjutnya Viola-Jones menggunakan pendekatan Adaboost untuk memilih fitur yang spesifik. AdaBoost menggabungkan banyak classifier lemah untuk membuat sebuah classifier kuat. Lemah disini berarti urutan filter pada classifier hanya mendapatkan jawaban benar lebih sedikit. Jika keseluruhan classifier lemah digabungkan maka akan menjadi classifier yang lebih kuat [19]. Tahap selanjutnya yaitu dengan proses cascade. Pada proses cascade terjadi penentuan area wajah dan bukan wajah Mulai
Pemotongan Tubuh bagian Atas
Deteksi Area Wajah (Face Cropping)
Pengambilan sampel kulit area wajah
Segmentasi Kulit Area Leher
Klasifikasi Threshold khimar > 40%
dengan cara menggunakan bobot yang diperoleh dari Adaboost.
Gambar 3 Input gambar/foto
Gambar 4 Pemotongan bagian kepala dan bahu
Gambar 5 Deteksi wajah
Gambar 3 menunjukkan citra asli sebagai input dari sistem. Data inputan kemudian dipotong seukuran area kepala dan bahu seperti pada Gambar 4. Selanjutnya dilakukan proses deteksi wajah beserta komponen-komponen mata, hidung dan mulut seperti yang diperlihatkan pada Gambar 5. Proses deteksi wajah sukses dilakukan pada seluruh data sejumlah 20 data khimar dan 20 data non khimar. Proses pengenalan wajah ini nantinya digunakan untuk masukan selanjutnya pada algoritme segmentasi kulit.
2.2 Segmentasi Kulit
Pada tahap segmentasi kulit, prinsip yang digunakan adalah berdasarkan warna. Citra RGB terdiri dari tiga layer, Red, Green, dan Blue. Ketiga layer ini terintegrasi menjadi satu, sehingga proses threshold dilakukan terhadap ketiga layer ini. Sebelum melakukan proses segmentasi, terdapat pra-proses segmentasi dengan cara mengambil sampel kulit yang mewakili warna kulit. Proses pengambilan citra sampel kulit berdasarkan titik pusat dari citra wajah yang telah terdeteksi kemudian area citra sampel diambil dengan menggunakan nilai perbandingan seperti pada persamaan (2) dan (3). Dimana Δ adalah tinggi area wajah, xs adalah kolom, ys adalah baris, sedangkan α = 0.4 dan β = 0.13 adalah konstanta lebar dan tinggi area kulit wajah yang diambil. Ilustrasi pengambilan citra sampel tersebut diperlihatkan pada Gambar 6. Citra sampel dipotong dan terletak antara mata dan hidung seperti yang ditunjukkan pada Gambar 7.
Citra sampel kulit dalam format RGB ini kemudian dihitung nilai intensitas minimum dan maksimumnya, sehingga diperoleh area intensitas yang merepresentasikan warna kulit dari citra input seperti pada persamaan (4) dan (5).
Gambar 7 Citra sampel warna kulit
(2)
(3)
(4)
(5)
Gambar 8 Hasil segmentasi kulit
Gambar 9 Proses pemotongan area leher
Gambar 10 Hasil pemotongan area leher
Nilai ambang atau threshold didapatkan dari jangkauan min sampai max masing-masing komponen RGB dari persamaan (4) dan (5), yang ditulis sebagai persamaan (6). Hasil dari operasi segmentasi berbasis threshold warna kulit sampel diperlihatkan seperti pada Gambar (8). Pada tahap selanjutnya adalah memotong area yang diperkirakan leher. Keberhasilan proses ini bergantung pada hasil deteksi wajah karena area leher (garis putih) diperkirakan terletak dibawah area wajah (garis kuning) seperti yang diperlihatkan pada Gambar 9. Proses pemotongan area leher ini berdasarkan eksperimen diberbagai foto wajah bahwa ukuran area leher adalah ½*Δ dimana Δ merupakan dimensi dari area wajah. Untuk meringankan beban komputasi klasifikasi, citra leher dikonversi menjadi grayscale dengan menggunakan persamaan (7). Kemudian dilakukan perhitungan prosentase kemunculan warna kulit, menggunakan persamaan (8), dimana mn adalah resolusi citra leher. Terakhir adalah mengklasifikasikan ke dalam dua kategori yaitu “mengenakan khimar” dan “tidak mengenakan khimar” yang ditentukan menggunakan threshold 40%, seperti pada persamaan (9).
(7) (8)
3. Hasil Eksperimen
Sebanyak total 20 data wanita yang mengenakan khimar diakuisisi menggunakan kamera DSLR Canon EOS 700D beresolusi 18 Mega Piksel, format JPG dan dengan warna latar belakang hijau. Sedangkan sebanyak 20 data non khimar diambil secara random. Untuk meringankan beban komputasi, data diturunkan resolusinya menjadi setengahnya. Sehingga kecepatan komputasi meningkat, namun tidak menghilangkan informasi dari gambar. Tabel 1 merupakan data hasil pengujian sistem beserta klasifikasi khimar. Evaluasi hasil klasifikasi penelitian diukur berdasarkan kondisi nyata, bahwa seluruh data menggunakan khimar. Dalam
0, Tmin < i(x,y) < Tmax {}, Tmin < i(x,y) < Tmax
Threshold= (6)
Tidak mengenakan khimar, Th ≥ 40% Mengenakan khimar, Th < 40%
penelitian ini terdapat dua kesalahan hasil pengenalan yaitu pada data 9 dan data 16, dimana pada data ini warna khimar yang dikenakan sangat mirip dengan warna kulit seperti yang terlihat pada Gambar 11.
Gambar 11 Contoh kesalahan pengenalan khimar Tabel 1 Hasil pengujian sistem dengan mengenakan khimar
No Prosentase kulit
(%)
Hasil Sistem Hasil
Evaluasi Memakai/Tidak 1 13.21 memakai benar 2 4.90 memakai benar 3 7.00 memakai benar 4 19.96 memakai benar 5 7.67 memakai benar 6 8.52 memakai benar 7 15.21 memakai benar 8 7.68 memakai benar 9 85.86 tidak salah 10 5.84 memakai benar 11 12.44 memakai benar 12 3.61 memakai benar 13 19.03 memakai benar 14 4.60 memakai benar 15 8.91 memakai benar 16 99.16 tidak salah 17 9.64 memakai benar 18 37.21 memakai benar 19 2.41 memakai benar 20 37.89 memakai benar
Tingkat akurasi sistem yang diukur dengan membandingkan hasil klasifikasi sistem dengan kondisi nyata mencapai 90%. Dimana dari 20 data terdapat kesalahan sebanyak 2 data yang tidak sesuai dengan kondisi nyata.
Pengujian juga telah dilakukan menggunakan 20 data wanita tanpa mengenakan khimar yang diambil secara random dan dengan resolusi yang berbeda-beda. Hasil memperlihatkan bahwa tingkat akurasi sistem mencapai
100%, dimana seluruh data berhasil dikenali dengan tepat seperti contoh pada Gambar 12 dan Tabel 2 sebagai berikut.
Gambar 12 Contoh hasil segmentasi kulit dengan data wanita tanpa mengenakan khimar
Tabel 2 Hasil pengujian sistem tanpa mengenakan khimar
No Prosentase kulit
(%)
Hasil Sistem Hasil
Evaluasi Memakai/Tidak 1 76.64 tidak benar 2 41.25 tidak benar 3 51.02 tidak benar 4 84.43 tidak benar 5 52.58 tidak benar 6 91.26 tidak benar 7 81.72 tidak benar 8 45.44 tidak benar 9 46.28 tidak benar 10 78.74 tidak benar 11 93.00 tidak benar 12 79.21 tidak benar 13 94.57 tidak benar 14 81.76 tidak benar 15 58.58 tidak benar 16 98.20 tidak benar 17 62.56 tidak benar 18 47.60 tidak benar 19 50.54 tidak benar 20 91.27 tidak benar
4. Kesimpulan
Khimar merupakan pakaian wajib bagi kaum muslimah. Dampak buruk dapat terjadi bagi kaum muslimah yang belum mengenakan khimar syariah. Ditambah lagi dengan perkembangan media sosial yang semakin luas, potensi kejahatan kaum laki-laki terhadap
perempuan pun semakin bertambah. Untuk mengatasi hal tersebut, filterisasi berbasis computer vision perlu dilakukan agar dampak buruk tersebut dapat berkurang, misalnya dengan melakukan seleksi foto muslimah yang belum mengenakan khimar di situs-situs yang dianggap penting bagi umat islam.
Deteksi khimar berbasis segmentasi kulit dapat dilakukan untuk mengatasi hal ini. Berdasarkan hasil pengujian sistem pengenalan khimar, diperoleh hasil akurasi 90%. Pada kondisi dimana warna kulit sama dengan warna khimar, sistem berpeluang mengalami kesalahan, karena nilai threshold kulit sama dengan warna khimar. Namun untuk hasil pengujian sistem terhadap 20 data wanita tanpa khimar, akurasi sistem mencapai 100%, dengan demikian seluruh data uji dapat dikenali dengan baik. Seluruh pengujian dilakukan dengan citra wajah menghadap kedepan (fromtal). Dengan demikian, untuk penelitian selanjutnya dibutuhkan pengenalan fitur lain sebagai pembeda antara kulit dengan khimar, seperti rambut, tekstur kulit dan lain sebagainya, sehingga sistem memungkinkan untuk melakukan deteksi khimar dengan berbagai posisi atau sudut pengambilan foto.
REFERENSI
[1] Al-Quran, “An-Nuur.” p. 31.
[2] Reinhard Klette, Concise Computer Vision, 1st ed.
London: Springer-Verlag London, 2014.
[3] Linda G Shapiro and G. C. Stockman, Computer Vision.
California: Prentice Hall International, 2001.
[4] Tim Morris, Computer Vision and Image Processing.
Palgrave Macmillan, 2004.
[5] J. Bernd and H. Haubecker, Computer Vision and
Applications, A Guide for Students and Practitioners.
Thomson, 2000.
[6] M. Sonka, V. Hlavac, and R. Boyle, Image Processing,
Analysis, and Machine Vision. Thomson, 2008.
[7] D. A. Alzubaydi and S. A. Yousif, “Face Clip Detection
System Using HSV Color Model,” Int. J. Innov. Res.
Adv. Eng., vol. 1, no. 11, 2014.
[8] B. Vandana S. and J. D. Pujari, “Face Detection System
Using HSV Color Model and Morphing Operations,”
Int. J. Curr. Eng. Technol., 2013.
[9] P. Saikia, G. Janam, and M. Kathing, “Face Dection
using Skin Colour Model and distance between Eyes,”
Int. J. Comput. Commun. Netw., vol. 1 No.3, 2012.
[10] S. A.-K. Hussain, “Human Face Detection with skin
color properties,” Int. J. Sci. Eng. Res., vol. 6, no. 6, 2015.
[11] Y. Yacoob and L. S. Davis, “Detection and Analysis of
Hair,” IEEE Trans. Patterng Anal. Mach. Intell., vol. 28 No.7, 2006.
[12] Y. Shen, Z. Peng, and Y. Zhang, “Image Based Hair
Segmentation Algorithm for the Application of Automatic Facial Caricature Synthesis,” Sci. World J., vol. 2014, 2015.
[13] A. A. Randive, H. B. Mali, and S. D. Lokhande, “Hand
Gesture Segmentation,” Int. J. Comput. Technol.
Electron. Eng., vol. 2, no. 3, 2012.
[14] D. Hong and L. Yang, “A Method of Gesture
Segmentation Based on Skin Color and Backgorund Difference Method,” in Proceedings of the 2nd
International Confernce on Computer Science and Electronics Engineering (ICCSE), 2013.
[15] Q. Zhang, J. Lu, M. Zhang, H. Duan, and F. Lai, “Hand
Gesture Segmentation Based on Mixed Skin-Color Model and FCM Algorithm,” J. Inf. Comput. Sci., vol. 12, no. 9, 2015.
[16] Y. B. Dongare and R. Patole, “Skin Color Detection
And Background Subtraction Fusion For Hand Gesture Segmentation,” Int. J. Eng. Res. Gen. Sci., vol. 3, no. 4, 2015.
[17] Z. Qiu-yu, L. Jun-chi, Z. Mo-yi, D. Hong-xiang, and L.
Lu, “Hand Gesture Segmentation Method Based on YCbCr Color Space and K-Means Clustering,” Int. J.
Signal Process. Image Process. Pattern Recognit., vol. 8
No. 5, pp. 105–116, 2015.
[18] P. Viola and M. J. Jones, “Robust Real-Time Face
Detection,” Int. J. Comput. Vis., vol. 57, no. 2, pp. 137– 154, 2004.
[19] M. D. Putro, T. B. Adji, and B. Winduratna, “Sistem
Deteksi Wajah dengan Menggunakan Metode Viola-Jones,” in Science, Engineering and Technology
(SciETec), 2012.
Abdul Jahir, memperoleh gelar S.Kom. dari STMIK Amikom Purwokerto. Kemudian melanjutkan studi masternya di Universitas Amikom Yogyakarta memperoleh gelar M.Kom. Saat ini penulis sebagai Staf Pengajar program studi Teknik Informatika STMIK Amikom Purwokerto. Selain sebagai pengajar beliau juga aktif dalam penelitian dibidang semantic
web dan computer vision.
Kuat Indartono, memperoleh gelar S.T. dari IST AKPRIND, Yogyakarta pada tahun 2004. Kemudian melanjutkan studi masternya di Universitas Gadjah Mada Yogyakarta Jurusan Teknik Elektro dan Teknologi Informasi dan lulus pada tahun 2015 memperoleh gelar M.Eng. Saat ini penulis sebagai Staf Pengajar program studi Teknik Informatika STMIK Amikom Purwokerto. Selain sebagai pengajar beliau juga aktif dalam penelitian dibidang mikrokontroler dan computer vision serta berperan dalam pengembangan LPPM di STMIK Amikom Purwokerto.
Giat Karyono, memperoleh gelar S.Kom. dari STMIK Amikom Purwokerto. Kemudian melanjutkan studi masternya di Universitas Amikom Yogyakarta memperoleh gelar M.Kom. Saat ini penulis sebagai Staf Pengajar program studi Teknik Informatika STMIK Amikom Purwokerto. Selain sebagai pengajar beliau juga aktif dalam penelitian dibidang data
