Implementasi Metode Nearest Feature Midpoint(Nfm) Pada Pengenalan Wajah

(1)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 511

Implementasi Metode Nearest Feature Midpoint(Nfm) Pada Pengenalan Wajah

Efan Lisander Zebua

Prodi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jl. Sisingamangaraja No. 338, Medan, Indonesia

Abstrak

Nearest feature Line adalah garis virtual yang menghubungkan dua pro-totype dalam sebuah kelas (satu orang) sedangkan fea-ture midpoint adalah titik tengah antara dua prototype dalam sebuah kelas yang sama. Dengan demikian, per-bendaharaan wajah akan diperbanyak dengan mela-kukan ekstrapolasi atau interpolasi feature point pada tiap feature line yang ada dalam feature space. Untuk melakukan klasifikasi berbasis feature line ini, sebagai representasi awal dari citra akan digunakan metode pembentukan eigenface. Secara umum dengan membentuk eigenface space, dimensi-dimensi yang ku-rang signifikan dalam citra wajah akan direduksi sehingga hanya menyisakan dimensi yang penting saja. Pembentukan eigenface space tidak lepas dari penggunaan Principal Component Analysis (PCA) seba-gai alat pereduksi dimensi.

Kata Kunci: Pengenalan wajah, eigenface, principal component analysis, nearest feature midpoint Abstract

The Nearest feature line is a virtual line that connects two prototypes in a class (one person) while the midpoint feature is the midpoint between two prototypes in the same class. Thus, face treasury will be multiplied by conducting extrapolation or feature point interpolation on each feature line in the feature space. To perform this feature line based classification, as an initial representation of the image, the eigenface formation method will be used. In general, by forming an eigenface space, the dimensions that are significantly significant in the face image will be reduced so that only the important dimensions are left. The eigenface space formation cannot be separated from the use of Principal Component Analysis (PCA) as a dimensional reducing device.

Keywords: Face recognition, eigenface, principal component analysis, nearest feature midpoint

1. PENDAHULUAN

Pengenalan wajah yang dilakukan melalui komputer tidak semudah pengenalan wajah yang dilakukan oleh manusia. Manusia mudah mengenali wajah seseorang tanpa harus berpikir, asalkan masih dalam batas yang masih dapat dilihat, seperti dalam keadaan menunduk, menoleh, Maupun memakai camata, sementara computer selain lambat dalam melakukan pengenalan, juga dipengaruhi dari factor luar, seperti cahaya,posisi wajah, maupun aksesories yang digunakan.

Ada beberapa algoritma yang dapat digunakan untuk mengatasi masalah pengenalan wajah melalui komputer, seperti Kohenen, Nearest Feauture Midpoint, Canonical Corellation Analysis, Eigenface,dan lain sebagainya. Setiap algoritma memiliki cara mengenali wajah yang berbeda-beda, yaitu pengenalan berdasarkan system feature-based, yaitu dengan mengekstrasi cirri dari komponen citra wajah seperti mata, hidung, mulut, dan lain-lain, sedangkan sistem image-based yaitu menggunakan informasi mentah dari pixel citra yang kemudian diekstrasi kedalam metode tertentu.

Algoritma Nearest Feature Midpoint (NFM) dipilih penulis sebagai metode pengenalan wajah yang digunakan dalam penulisan skripsi ini. Nearest Feature Midpoint (NFM) adalah salah satu metode dalam pengenalan wajah yang dinyatakan sebagai metode perbaikan dari metode Nearest Feature Line (NFL) dengan menggunakan metode ini bisa dibangun sebuah aplikasi pengenalan wajah yang relative lebih baik dibandingkan dengan metode NFL. (Zhou. Journal of Information Technology, Vol. 11, No. 1).

Berdasarkan penjelasan diatas penulis melakukan penelitian pengenalan wajah melalui computer dengan menggunakan pendekatan metode Nearest feature Midpoint dan Nearest Feature Line, dimana NFM dan NFL bertujuan untuk melakukan ekstrapolasi atau interpolasi feature point pada feature line. NFL bertujuan untuk menghubungkan dua prototype dalam sebuah kelas sedangkan NFM bertujuan untuk mencari titik tengah antara dua prototype dalam kelas yang sama. Kedua metode ini akan dibantu dengan Metode Principal Component Analysis (PCA) yang bertujuan untuk mengidentifikasi pola dalam sebuah himpunan, dengan menggunakan Metode PCA ini dapat membantu mengecilkan ukuran data dengan cara mengurangi dimensi dari data tanpa menghilangkan informasi penting.

2. TEORITIS

2.1 Konsep Eigenface

(2)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 512 Prinsip dasar dari pengenalan wajah adalah dengan mengutip informasi unik wajah tersebut kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. Dalam metode eigenface,decoding dilakukan dengan menghitung eigenvector kemudian direpresentasikan dalam sebuah matriks yang berukuran besar.

Eigenvector juga dinyatakan sebagai karakteristik wajah oleh karena itu metode ini disebut dengan eigenface.

Setiap wajah direpresentasikan dalam kombinasi linear eigenface. Kirbi dan Sirovich (1987), mengembangkan suatu teknik yang menunjukkan wajah menggunakan analisis komponen, teknik tersebut menghitung koordinat sistem wajah yang disebut dengan eigenpicture.

Gambar 2. Citra Pelatihan

Sumber : Putra, Sistem Biometrika (Konsep Dasar, Teknik Analisis Citra dan Tahapan Membangun Apkijasi Sistem Biometrika), 2009.

Gambar 3. Citra Mean

Dalam perhitungan eigenvector citra diubah menjadi bentuk mean seperti yang ditunjukkan pada Gambar 3. Citra hasil proses eigenface sendiri ditunjukkan pada Gambar 4.

Gambar 4. Citra hasil proses eigenface

2.2 Algoritma Nearest Feature Midpoint (NFM)

NFM adalah metode klasifikasi yang merupakan perbaikan dari NFL.NFM mengasumsikan setidaknya akan terdapat dua prototype berbeda pada sebuah kelas. Didalam NFM sebuah sub ruang fitur dibentuk untuk ti-ap kelas yang terdiri dari titik tengah fitur (feature mid-point) antara tiap dua prototype pada kelas yang sama, x1dan x2, dan dinotasikan sebagai mx1x2. Prototype pada kelas yang sama akan digeneralisasi oleh titik tengah fitur untuk merepresentasikan variasi dari kelas sehing-ga kemampuan pengklasifikasi melakukan generalisasi juga

(3)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 513 akan meningkat. Jarak NFM adalah jarak eucli-dean terkecil antara objek yang diuji dengan semua titik tengah yang mungkin dibangun.

3. ANALISA DAN PEMBAHASAN

Pengenalan wajah terdiri dari beberapa komponen yang digambarkan dalam suatu model seperti pada Gambar 5.

berikut ini :

Gambar 5. Analisa Komponen Pengenalan Wajah Keterangan:

1. Komponen Webcam, adalah perangkat keras masukan yang digunakan dalam sistem pengenalan wajah yang berfungsi:

a. Untuk melengkapi data foto, dimana foto ini akan disimpan ke dalam file untuk dicocokkan dengan citra wajah yang di-capture.

b. Untuk meng-capture citra wajah.

2. Komputer Sebagai alat bantu Webcam untuk Pengambilan citra Capture Wajah.

3. Komponen Citra Capture Wajah, adalah berfungsi untuk melakukan mekanisme pengambilan citra wajah dengan media webcam, baik untuk disimpan sebagai file citra wajah maupun untuk citra wajah yang digunakan sebagai input pengenaan wajah.

4. Subsistem Pengenalan Wajah, adalah berfungsi untuk proses pengenalan wajah yang mencocokkan citra wajah yang di-capture dengan citra wajah yang ada pada file.

5. File Wajah, adalah citra wajah yang digunakan untuk melengkapi data training disimpan dalam file tersendiri dan dapat direferensikan dengan menggunakan nama file yang ada.

3.1 Perhitungan NFM

Metode NFM pengenalan wajah dimulai dengan membuat matriks kolom dari wajah yang diinput ke dalam file.

Rata-rata vector citra (mean) dari matriks kolom dihitung dengan cara membaginya dengan jumlah banyaknya citra yang disimpan di dalam file.

Langkah pertama adalah dengan mengisi variabel S dengan seluruh citra wajah input:

a. Setiap citra ditranformasikan ke dalam vektor dengan ukuran N.

b. Tentukan nilai tengah atau mean.

c. Kemudian tentukan selisih antara citra input dengan citra mean.

d. Selanjutnya vektor orthonomal M, yang menunjukkan distribusi data.

Seperti pada pembahasan sebelumnya telah dijelaskan langkah-langkah pengenalan wajah dengan metode NFM, representasikan semuamatriks training menjadi matriks dengan bentuk n × 1 atau matriks linier sepertiyang ditunjukkan berikut ini :

(4)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 514 Berdasarkan ke empat matriks diatas, diperoleh matriks n x 1 dari matriks A, matriks B, matriks C, dan matriks D sebagai berikut :

Dari matriks diatas, jumlahkan seluruh barisnya sehingga diperolehmatriks berukuran 1 x (H x W). Setelah itu bagi matriks dengan jumlah citra (N) yang dalam contoh adalah dua untuk mendapatkan rataan flatvector (mean) sebagai berikut:

Dari ke empat matriks tersebut akan di peroleh matriks yang diperoleh dengan cara:

Jadi nilai mean = (333333333) Nilai mean citra akan digunakan untuk menghitung nilai NFM citra wajah untuk training (pembelajaran). Dengan memakai nilai mean citra di atas nilai untuk matriks yang sudah disusun tersebut dapat dihitung dengan mengurangi baris-baris pada matriks dengan nilai mean. Jika diperoleh nilai negatif, maka ganti nilainya dengan nol. Perhitungan nilai adalah sebagai berikut:

4 4 4 4 4 4 4 4 4

3 3 3 3 3 3 3 3 3 Matriks Citra Wajah 1 1 1 1 1 1 1 1 1 1

2 2 2 2 2 2 2 2 2

6 6 6 6 6 6 6 6 6

3 3 3 3 3 3 3 3 3

Matriks x-1 sampai matriks x-4 digabung untuk mendapatkan matriks untuk pembelajaran (training) dalam proses pengenalan. Untuk mengenali citra tes (testface), langkah identifikasinya adalah hitung nilai matriks testface dengan cara sebelumnya untuk penentuan nilai citranya.

(5)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 515 Matrik yang berkoresponden Selanjutnya matrik yang diperoleh testface dikurangi dengan matrik mean:

Jadi nilai NFM dari testface adalah 111101111 Nilai NFM dari testface digunakan untuk identifikasi dengan menentukan jarak terpendek dengan NFM dari nilai training dengan cara menentukan nilai absolut dari pengurangan baris I pada matriks nilai training citra dengan nilai NFM dari testface dan jumlahkan dengan elemen penyusun vector yang dihasilkan dari pengurangan dan didapat jarak d indeks I dan cari nilai d yang paling kecil.

Berikut nilai matriks hasil training :

111111111 » Nilai matrik citra wajah 1 000000000 » Nilai matrik citra wajah 2

333333333 » Nilai matrik citra wajah3 000000000 » Nilai matrik citra wajah 4

Perhitungan jarak antara Citra Wajah 1 dengan testface:

1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 - 0 0 0 0 1 0 0 0 0 = 1

Perhitungan jarak antara Citra Wajah2 dengan testface:

0 0 0 00 0 0 0 0 1 1 1 1 0 1 1 1 1 -

-1-1-1-10-1-1-1-1 nilai di absolut maka hasilnya adalah : 11 1 10 1 1 1 1 = 8

Perhitungan jarak antara Citra Wajah3 dengan testface:

333333333 1 1 1 1 0 1 1 1 1 - 2 2 2 2 3 2 2 2 2 = 18

Perhitungan jarak antara Citra Wajah 4 dengan testface:

0 0 0 00 0 0 0 0 1 1 1 1 0 1 1 1 1 -

-1-1-1-1 0-1-1-1-1 nilai di absolut maka hasilnya adalah : 11 1 1 0 1 1 1 1 = 8

Dari perhitungan tersebut diperoleh:

1. Jarak citra-1 dengan testface = 1 2. Jarak citra-2 dengan testface = 8 3. Jarak citra-3 dengan testface = 18 4. Jarak citra-4 dengan testface = 8

Dari hasil perhitungan, diperoleh jarak citra wajah-1 memiliki nilai terkecil (1), wajah-2, wajah-3 dan wajah-4.

Citra yang paling mirip dengan testface adalah citra wajah wajah-2, dan wajah-4. Karena ada dua wajah yang mirip, ambil citra yang kedua sebagai citra wajah yang paling mirip dengan citra testface seperti pada Gambar 6.

(6)

http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom |Page | 516 Gambar 6. Citra Wajah Yang Paling Mirip Dengan Citra Testface

5. KESIMPULAN

Setelah dilakukan pengujian dan analisa program, maka dapat diperoleh kesimpulan sebagai berikut:

1. Pengenalan wajah dilakukan dengan bantuan kamare leptop (webcam) sehingga dapat mengenali wajah pengguna.

2. Pengenalan wajah dikenali dengan bantuan aplikasi yang telah dirancang oleh pengguna.

REFERENCES

[1] Zhou, Zonglin, Kwoh Chee Keong, ''The Nearest Feature Midpoint: A Novel Approach for Pattern Classification'', Intl. Journal of Information Tech-nology, Vol. 11, No. 1.

[2] Li,Stan Z, Lu Juwei, ''Face Recognition Using the Nearest Feature Line Methode'', IEEE Transactions on Neural Networks, Vol. 10, No. 2, hal. 439 – 443, 1999.

[3] Turk, M, Pentland A., ''Eigenfaces for Recognition'', Journal of Cognitive Neuroscience, Vol. 3, No. 1, hal: 71–86, 1991.

[4] Li, Stan Z. dan Jain, Anil K. 2005. Handbook of Face Recognition. NewYork : Springer Science+Business Media, Inc.

[5] Putra, Darma. 2009. SistemBiometrika (KonsepDasar, TeknikAnalisisCitra danTahapanMembangunApkijasiSistemBiometrika).

ANDI :Yogyakarta.

[6] Putra, Darma. 2010. Pengolahan Citra Digital Edisi Pertama. ANDI :Yogyakarta.