Pengenalan Wajah Menggunakan Implementasi T-shape Mask pada Two Dimentional Linear Discriminant Analysis dan Support Vector Machine

Transkripsi

1 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 1 Pengenalan Wajah Menggunakan Implementas -shape Mask pada wo Dmentonal Lnear Dscrmnant Analyss dan Support Vector Machne Ahmad Reza Musthafa 1, Alf Akbar Ftrawan, Supra 3 Program Stud Pasca Sarjana, Fakultas eknk Informatka, Insttut eknolog Sepuluh November Jl. Raya IS, Kampus IS, Sukollo, Surabaya E-mal: 1 reza14@mhs.f.ts.ac.d, alf14@mhs.f.ts.ac.d, 3 supra14@mhs.f.ts.ac.d Masuk: 3 Jun 015; Drevs: 1 Jul Jul 015; Dterma: 3 Jul 015 Abstract. Face recognton s the dentfcaton process to recognze a person's face. Many studes have been developng face recognton methods, one of whch s the wo Dmensonal Lnear Dscrmnant Analyss (DLDA) whch has pretty good accuracy results wth the method of classfcaton Support Vector Machne (SVM). Wth more tranng data can add computatonal tme. DLDA usng all the pksel mage as nput to be processed for feature extracton. hough not all the objects n the area of the face s a sgnfcant feature n face recognton. In ths study, the proposed use of the -shape wth only use a sgnfcant part s the eyes, nose, and mouth are ntegrated wth DLDA and SVM. he result could reduce computng tme on face recognton 1.56% faster than DLDA method. he accuracy of the results n ths study was 91% -96% whch s close to the level of accuracy wthout usng a mask on the face. Keyword: face recognton, -shape, DLDA, Support vector machne. Abstrak. Pengenalan wajah merupakan proses dentfkas untuk mengenal wajah seseorang. elah Banyak peneltan yang mengembangkan metode pengenalan wajah, salah satunya adalah wo Dmensonal Lnear Dscrmnant Analyss (DLDA) yang memlk hasl akuras yang cukup bak dengan metode klasfkas Support Vector Machne (SVM). Dengan semakn banyak data tranng dapat menambah waktu komputasnya. DLDA menggunakan semua pksel ctra sebaga masukan yang akan dproses untuk ekstras ftur. Padahal tdak semua objek pada area wajah merupakan ftur yang sgnfkan dalam pengenalan wajah. Dalam peneltan n dusulkan penggunaan - shape dengan hanya menympan bagan yang sgnfkan yatu mata, hdung, dan mulut yang dntegraskan dengan DLDA dan SVM. Haslnya dapat mengurang waktu komputas pada pengenalan wajah 1,56% lebh cepat darpada metode DLDA. Hasl akuras pada peneltan n adalah 91%-96% yang mendekat tngkat akuras tanpa menggunakan mask pada wajah. Kata Kunc: pengenalan wajah, -shape, DLDA, Support vector machne. 1. Pendahuluan Selama hdupnya manusa memlk kemampuan mengenal wajah puluhan bahkan ratusan. Sekalpun jarang bertemu, seseorang dapat mengenal wajah walaupun telah mengalam perubahan wajah pada orang yang dkenalnya. Dar hal nlah banyak dkembangkan teknk bometrk yang mampu mendeteks dan mengdentfkas wajah dengan memanfaatkan masukan berupa ctra wajah. Saat n, pengenalan wajah melalu aplkas komputer dbutuhkan untuk mengatas berbaga masalah, antara lan dalam dentfkas pelaku kejahatan, pengembangan sstem keamanan, pemrosesan ctra maupun flm, dan nteraks manusa komputer. Para pakar pattern recognton telah banyak melakukan peneltan terhadap teknk pengenalan wajah n, mengajukan teknk baru yang lebh bak dar teknk yang lama. Akan tetap teknk-teknk baru yang dajukan tersebut mash belum bsa mendapatkan hasl akuras yang optmal. Dua hal yang menjad masalah utama pada dentfkas wajah adalah proses ekstraks ftur dar sampel wajah yang ada dan juga teknk klasfkas yang dgunakan untuk mengklasfkaskan wajah yang ngn dkenal berdasarkan ftur-ftur yang telah dplh

2 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 (Damayant, 010). Ekstraks ftur adalah proses untuk mendapatkan cr-cr pembeda yang membedakan suatu sampel wajah dar sampel wajah yang lan, bag sebagan besar aplkas pattern recognton, teknk ekstraks ftur yang handal merupakan kunc utama dalam penyelesaan masalah pattern recognton. Metode wo Dmensonal Lnear Dscrmnant Analyss (DLDA) adalah salah satu teknk ekstraks ftur. Metode n menla secara langsung matrk wthn-class scatter dar matrk ctra tanpa transformas ctra ke vektor, dan hal tu mengatas sngular problem dalam matrk wthn-class scatter (Gao, 008). DLDA menggunakan fsher crteron untuk menemukan proyeks dskrmnatf yang optmal (Kong, 005). Metode DLDA dengan klasfkas Support Vector Machne (SVM) memlk hasl yang optmal dbandngkan DLDA KNN, DPCA, dan Fsherface (Damayant, 010). Setap pksel pada ctra wajah adalah sebuah ftur tersendr, semakn besar dmens ctra maka ftur yang akan dproses untuk pengenalan wajah semakn banyak dan waktu komputasnya semakn tngg. Semakn banyak jumlah data tranng juga akan semakn menambah waktu komputasnya (Zheng, 008). Metode DLDA menggunakan semua area ctra wajah sebaga data nputan, padahal tdak semua area wajah merupakan bagan yang sgnfkan dalam pengenalan wajah (Koc, 014). Pada peneltan n dusulkan metode pengenalan wajah dengan mengntegraskan - shape terhadap DLDA dan support vector machne sebaga klasfkas pengenalan wajah, sehngga dharapkan dengan ntegras -shape Mask pada DLDA tersebut mampu mengurang waktu komputas pada proses pengenalan wajah, dengan hasl akuras pengenalan wajah yang hampr mendekat metode ekstras ftur DLDA. Penggunaan masker -shape pada wajah dgunakan untuk menentukan Regon of Interest (ROI) pada wajah. Ftur pada area wajah sepert mata, als, hdung dan bbr adalah bagan yang palng sgnfkan pada wajah perlu dsmpan dan menghlangkan pksel yang tdak sgnfkan sepert d bagan dah, dagu, dan pp.. Pendekatan dan njauan Pustaka.1. Pengenalan Wajah Pengenalan wajah merupakan sebuah cara bagamana mengenal wajah seseorang. Pengenalan wajah manusa tdak hanya dapat dlakukan oleh manusa saja, namun sekarang n pengenalan wajah dapat dlakukan oleh aplkas komputer. elah banyak orang yang menggunakan aplkas pengenalan wajah, yang dgunakan sebaga keamanan, pengawasan dan nteraks cerdas antara manusa dan komputer (Gao, 008). Ftur-ftur pada area wajah pada setap orang memlk perbedaan, sehngga dengan ftur-ftur tulah komputer dapat membedakan wajah antara manusa satu dengan yang lannya... Haar-Lke Feature Haar-lke features merupakan rectangular (perseg) features, yang memberkan ndkas secara spesfk pada sebuah gambar atau mage. Ide dar Haar-lke features adalah untuk mengenal obyek berdasarkan nla sederhana dar ftur tetap bukan merupakan nla pksel dar mage obyek tersebut. Metode n memlk kelebhan yatu komputasnya sangat cepat, karena hanya bergantung pada jumlah pksel dalam perseg bukan setap nla pksel dar sebuah ctra (Chung, 013). Pada peneltan n Metode Haar-lke features dgunakan untuk mendeteks mata dan mulut pada ctra wajah sepert yang terlhat pada Gambar shape Mask Pada wajah manusa terdapat bagan-bagan yang pentng yang djadkan acuan dalam proses pengenalan wajah yatu mata, als, hdung, dan mulut (Snha, 006). Sehngga dar bagan terpentng pada wajah tersebut djadkan mask yang membentuk sepert huruf sehngga dnamakan -shape Mask yang dgunakan sebaga ROI (Regon of Interest) pada wajah. Bagan wajah yang lan sepert rambut dan dah danggap sebaga bagan yang tdak terlalu pentng dalam proses pengenalan wajah seseorang (Koc, 014). Sehngga untuk mengurang komplekstas komputas pada saat tranng mengunakan -shape Mask dengan menghlangkan

3 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 3 pksel-pksel yang danggap tdak terlalu pentng. Penggunaan -shape Mask pada wajah dapat dlhat pada Gambar. Gambar 1. Penggunaan Haar-Lke Feature Gambar. Penggunaan -shape Mask pada Wajah.4. wo Dmensonal Drect Lnear Dscrmnant Analyss (DLDA) Lnear Dscrmnant Analyss telah dgunakan secara luas dalam pola lner pengenalan terhadap ftur ekstraks dan pengurangan dmens. Hal n dmaksudkan untuk membuat seperangkat vektor proyeks yang sangat berbeda untuk dpadatkan sepadat mungkn pada jens yang sama. Projecton vector bekerja dalam htungan jens Sw dan antara jens Sb matrx scatter. Umumnya pada aplkas pengenalan wajah jumlah dmens data lebh besar dbandngkan jumlah sampelnya, hal n menyebabkan tunggalnya s jens scatter matrx Sw, sehngga ftur wajah tdak terekstraks dengan bak. Dalam peneltan n dgunakan metode wo Dmensonal Lner Dscrmnaton Analyss (DLDA) untuk ekstraks ftur, yang menla secara langsung s jens scatter matrx tanpa penctraan terhadap transformas vektor, sehngga mengurang masalah tunggal dalam s jens scatter matrx (L, 005)..5. Support Vector Machne Pengklasfkasan wajah manusa menggunakan konsep Support Vector Machne (SVM) yang memlk hasl pengenalan wajah yang cukup bak dengan tngkat kebenaran yang lebh bak (Damayant, 010). Konsep SVM dapat djelaskan secara sederhana sebaga usaha mencar hyperplane terbak yang berfungs sebaga pemsah dua buah class pada nput space dapat dlhat pada Gambar 3 (Lenc, 015). Gambar 3. Hyperlne SVM Hyperplane pemsah terbak antara kedua class dapat dtemukan dengan mengukur margn hyperplane tersebut dan mencar ttk maksmalnya. Margn adalah jarak antara hyperplane tersebut dengan pattern terdekat dar masng-masng class. Pattern yang palng dekat n dsebut sebaga support vector. SVM dapat melakukan klasfkas data yang terpsah secara

4 4 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 lner (Lnearly separable) dan non-lner (nonlnear separable) (Burges, 1998). Lnearly separable data merupakan data yang dapat dpsahkan secara lner. SVM pertama kal dkembangkan oleh Vapnks untuk klasfkas bner, namun selanjutnya dkembangkan untuk klasfkas multclass (banyak kelas). Pendekatannya adalah dengan membangun multclass classfer, yatu dengan cara menggabungkan beberapa SVM bner. Pendekatan n terdr dar metode satu lawan semua (One Aganst All) dan metode satu lawan satu (One Aganst One) (Hsu, 00). 3. Metodolog Proses pengenalan wajah terbag pada tga bagan tahapan utama sepert dtunjukkan pada Gambar 4. Pada tahap pertama dlakukan mplementas -shape pada ctra nput, kemudan tahap kedua dlakukan ekstraks ftur, dan tahap selanjutnya dlakukan klasfkas dengan menggunakan SVM. Pertama kal data setelah proses DLDA akan menghaslkan ftur yang dgunakan sebaga data tranng. Selanjutnya setelah beberapa data dlakukan proses tranng ssanya dgunakan sebaga data testng. Ctra Input -Shape Ekstraks Ftur DLDA Klasfkas Support Vector Machne Gambar 4. Desan Peneltan Pengenalan Wajah shape Proses -shape n dlakukan untuk mengambl objek yang danggap pentng pada bagan wajah, yatu mata, hdung, dan mulut. Bagan yang tdak pentng sepert pp, dagu, dan dah akan dhlangkan. Proses mengamblan shape n dengan cara nteraktf n membuat shape pada ctra tanpa mendeteks terlebh dahulu objek pada area wajah. Untuk membuat -shape yang berbentuk huruf, langkah-langkahnya sebaga berkut: (1) Membaca ukuran panjang dan lebar ctra. Pada peneltan n dataset wajah yang dgunakan berasal dar ORL dengan ukuran ctra 9 x 11 pksel. () Membuat shape horzontal warna puth dengan ttk koordnat [0 0] dengan ukuran panjang dan lebar [9 6] Sepert yang dtunjukkan pada Gambar 5b. (3) Setelah terbentuk shape horzontal langkah selanjutnya membentuk shape vertcal warna puth dengan ttk koordnat [0 0] dengan ukuran panjang dan lebar [7 11] sepert yang dtunjukkan pada gambar 5b. (4) Kemudan scan ulang semua pksel pada ctra ketka bertemu pksel berwarna puth maka smpan pksel aslnya, jka tdak maka pksel bernla nol. Sehngga terbentuklah enhance -shape yang berbentuk plus pada ctra wajah sepert yang dtunjukkan gambar 5c. (a) (b) (c) Gambar 5. Proses Enhance -shape Secara Interaktf 3.. Ekstraks Ftur Ekstraks ftur pada proses pelathan dlakukan dengan menggunakan metode DLDA. ahap n bertujuan untuk mendapatkan ftur-ftur yang terplh dar masukan data-data pelathan. Ftur-ftur yang terplh nantnya dgunakan untuk proses klasfkas pelathan dan dgunakan untuk ekstraks ftur data pengujan. Ctra wajah setelah dlakukan proses -shape maka selanjutkan akan djadkan sebaga bass data proses ekstraks ftur menggunakan metode DLDA.

5 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 5 Langkah-langkah ekstraks ftur tersebut (Damayant, 010) adalah sebaga berkut: (1) Bass data ctra merupakan hmpunan ctra wajah sebanyak n ctra pelathan A =[A 1,A,,A n] (=1,,,n) dengan dmens ctra (r x c). Menghtung rata-rata ctra pelathan dar kelas ke I, selanjutnya menghtung rata-rata semua ctra pelathan dengan Persamaan (1) dan Persamaan (). () Menetapkan matrks transformas R ukuran (c, ) yang dperoleh dar gabungan antara matrks denttas ukuran (, ) dengan matrks nol ukuran (c-, ). (3) Menghtung matrks between class scatter R sesua dengan persamaan (3), selanjutnya menghtung matrks wthn class scatter R sesua dengan persamaan (4). (4) Htung generalzed egenvalue ( ) dar S R dan S R sesua dengan persamaan (5). (5) Ambl sebanyak b W 1 egenvector terbesar dar langkah 5 sebaga matrks transformas bars (L), ukuran matrksnya (r x 1 ). (6) Menghtung matrks between class scatter L sesua dengan persamaan (6). (7) Menghtung matrks wthn class scatter L sesua dengan persamaan (7). (8) Htung generalzed egenvalue ( ) dar S L b dan S L sesua dengan persamaan (8) menggunakan SVD. (9) Ambl sebanyak W egenvector terbesar dar langkah 9 sebaga matrks transformas kolom (R), ukuran matrksnya (c x ). (10) Htung matrks cr ekstraks adalah B =L A R, ukuran matrksnya ( 1 x ). (11) Output: matrks cr ektraks B, matrks transformas bars L, dan matrks transformas kolom R. M 1 n X M= 1 k n X 1 X X (1) () S R b = S R W = k n ( M M ) RR ( M M ) 1 k 1 x ( X M ) RR ( X M ) J 4(L)=maxtrace((L S R W L)-1 (L S R b L) (5) k S L = ( ) ( ) b n M M LL M M 1 k S L = ( ) ( ) W X M LL X M 1 x J 5(R)=maxtrace((R S L W R)-1 (R S L b R)), (8) 3.3. Klasfkas Pengklasfkasan dengan metode SVM dbag menjad dua proses, yatu proses pelathan dan pengujan sepert yang terlhat pada Gambar 6. Pada proses pelathan SVM menggunakan matrks cr yang dhaslkan pada proses ekstraks cr pelathan sebaga nput. Sedangkan pada pengujan SVM memanfaatkan matrks cr yang dhaslkan pada proses ekstraks cr pengujan sebaga nput. Algortma pelathan untuk masng-masng pengklasfkas SVM bner dapat dtulskan sebaga berkut: nput berupa matrks B (matrks hasl ektraks cr pelathan) dan vektor Y sebaga pasangan nput-target dan outputnya adalah w, x, b (varabel-varabel persamaan hyperplane). Langkah-langkahnya (Damayant, 010) djelaskan sebaga berkut: (1) entukan Input (Z=B) dan arget (Y) sebaga pasangan pelathan dar dua kelas. () Htung Kernel (3) (4) (6) (7)

6 6 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 Gaussan K(Z,Z )=exp Z Z ( ) (3) Htung Matrks Hessan H=K(Z,Z * Y * Y. (4) ( ). etapkan c dan epslon. (5) etapkan vektor e sebaga vektor satuan yang memlk dmens sama dengan dmens Y. (6) Htung solus quadratc programmng: mn 1 L( ) H e, dmana y 0 dan 0 c. Proses Pelathan Proses Pengujan Data pengujan Data Pelathan Ekstraks Ftur DLDA Klasfkas Support Vector Machne -Shape -Shape Data Hyperplane Hasl Pengenalan Gambar 6. Alur Klasfkas Pengenalan Wajah Pengklasfkasan SVM untuk multclass One Aganst All akan membangun sejumlah k SVM bner (k adalah jumlah kelas). Data pelathan yang sudah dproyekskan oleh DLDA, selanjutnya menjad data pelathan SVM. Jka sebaran data yang dhaslkan pada proses DLDA mempunya dstrbus yang tdak lner, maka salah satu metode yang dgunakan SVM untuk mengklasfkaskan data tersebut adalah dengan mentransformaskan data ke dalam dmens ruang cr (feature space). Untuk menghndar kemungknan feature space yang tdak terhngga maka pada SVM dgunakan kernel trck. Fungs kernel yang dgunakan pada peneltan n adalah Gaussan (Persamaan 9). Sejumlah support vector pada setap data pelathan harus dcar untuk mendapatkan solus bdang pemsah terbak. Solus bdang pemsah ddapatkan dengan rumus w=σα y x ; b=y k- w x k untuk setap x k, dengan α k 0. Proses pengujan atau klasfkas dlakukan juga pada setap SVM bner menggunakan nla w, b, dan x yang dhaslkan pada proses pelathan d setap SVM bner. Fungs yang dhaslkan untuk proses pengujan adalah Persamaan 10,

7 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 7 dmana: =1 sampa k; x =support vector; x d=data pengujan. Output-nya adalah berupa ndeks dengan f terbesar yang merupakan kelas dar data pengujan. K(x,y)=exp x y ( ) ( ) f K( x, x ) w b d (9) (10) 4. Hasl dan Pembahasan Data yang dgunakan pada ekspermen terdr dar 400 ctra wajah manusa yang berasal dar Olvett Research Laboratorum (ORL) yang terdr dar 40 kelas. Hasl ekspermen untuk mengetahu perbandngan hasl akuras pengenalan wajah. Metode yang dusulkan yatu mplementas -shape nteraktf pada DLDA dbandngkan dengan model pengenalan wajah dengan DLDA dan mplementas -shape otomats pada DLDA. Pada proses ekspermen n dgunakan jumlah data tranng yang berbeda-beda yatu pertama dlakukan dengan jumlah lma data tranng dengan lma data testng, kemudan enam data tranng dengan empat data testng dan tujuh data tranng dengan tga data testng. Nla akuras pada pengenalan wajah n dhtung dengan menentukan nla dar Precsson, Recall, F-Measure dan waktu komputas pada saat proses tranng. Pada model pengenalan wajah dengan DLDA dlakukan pengenalan wajah menggunakan semua pksel-pksel pada area wajah. Jad pada model n ctra wajah langsung dproses menggunakan DLDA. Hasl akuras pada model DLDA n dapat dlhat pada abel 1. Pada model pengenalan wajah dengan -shape pada DLDA n dlakukan dengan mengambl pksel-pksel secara otomats pada area wajah yang pentng yatu mata, hdung dan mulut sehngga membentuk sepert huruf (-shape) dapat dlhat pada Gambar. Hasl akuras pengenalan wajah pada model -shape otomats pada DLDA n dapat dlhat pada abel, sedangkan hasl akuras pengenalan wajah pada model -shape nteraktf pada DLDA n dapat dlhat pada abel 3. abel 1. Hasl Ekspermen Ctra Wajah dengan DLDA Jumlah data tranng Precsson Recall F-Measure Waktu Komputas (s) 5 0,93 1,00 0,97 8,87 6 0,96 1,00 0,98 31,96 7 0,98 1,00 0,99 36,16 abel. Hasl Pengenalan Ctra Wajah dengan -shape Otomats pada DLDA Jumlah data tranng Precsson Recall F-Measure Waktu Komputas (s) 5 0,79 1,00 0,88 5,66 6 0,86 1,00 0,9 9,68 7 0,91 1,00 0,95 3,93 abel 3. Hasl Pengenalan Ctra Wajah dengan -shape Interaktf pada DLDA Jumlah data tranng Precsson Recall F-Measure Waktu Komputas (s) 5 0,91 1,00 0,95,67 6 0,95 1,00 0,97 4,70 7 0,96 1,00 0,98 8,76 Hasl akuras tngkat keberhaslan dlakukan dengan mambandngkan metode yang dusulkan pengenalan wajah dengan mplementas -shape nteraktf pada DLDA dengan dua model metode pengenalan wajah yatu DLDA dan mplementas -shape otomats pada DLDA. Metode yang dusulkan memlk waktu tranng yang palng rendah dengan,67 detk jka dbandngkan dengan metode DLDA tanpa -shape dan -shape secara otomats. Hal n dkarenakan pada DLDA dengan -shape nteraktf, tdak semua pksel dolah untuk menjadkan ftur ctra nput-an. Gambar 7 menunjukkan metode mplementas -shape dengan otomats memlk waktu lebh lama darpada -shape secara nteraktf. Karena dengan -shape otomats terlebh dahulu melalu tahap pengenalan objek pada mata dan mulut dengan menggunaan Haar lke-feature, hal n yang menambahkan waktu tranng-nya. Akan tetap,

8 8 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 mplementas -shape otomats memlk waktu yang lebh bak darpada DLDA tanpa menggunakan mask pada ctra. Implementas -shape Mask secara nteraktf pada DLDA memlk tngkat akuras atau precsson yang mendekat DLDA tanpa penggunaan maskng. Hal n dtunjukkan dengan pada jumlah data tranng sebanyak enam hanya selsh tngat akuras 1% yatu -shape dengan tngkat akuras 95% sedangkan DLDA dengan akuras 96%. Hal n cukup efektf mengngat tdak semua pksel pada ctra dgunakan pada -shape Mask. Implementas -shape Mask dengan otomats memlk tngkat akuras palng rendah jka dbandngkan dengan dua metode lannya sepert yang dgambarkan pada Gambar 8. Hal n karena dengan penentuan shape secara otomats terlebh dahulu mencar area mata dan mulut, sehngga ketka data ctra wajah mrng sepert Gambar 9, terlhat semakn sedkt area pksel yang dproses pada ekstras ftur dengan menggunakan DLDA. Gambar 7. Grafk Perbandngan Waktu Komputas Gambar 8. Grafk Perbandngan Precsson (a) (b) Gambar 9. Hasl -shape Mask (a) Otomats (b) Interaktf

9 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 9 Dar hasl pembahasan datas jelas bahwa dar aspek akuras keberhaslan dan komplekstas waktu pada pengenalan wajah dar tga model yang dbandngkan mplementas - shape Mask dengan menggunakan SVM memberkan hasl yang cukup efektf dalam pengenalan wajah dengan komplekstas waktu yang lebh cepat serta hasl akuras yang mendekat dengan metode DLDA. 5. Kesmpulan Pengenalan wajah menggunakan mplementas -shape Mask secara nteraktf pada wo Dmentonal Drect Lner Analyss (DLDA) dan Support Vector Machne (SVM) pada peneltan n mampu menurunkan waktu komputas saat tranng dar pada tdak menggunakan -shape. Dar tga kal ujcoba dengan jumlah data tranng yang berbeda-beda DLDA dengan menggunakan -shape nteraktf lebh cepat 1,56% dbandngkan DLDA tanpa menggunakan -shape, dengan tngkat akuras 91%-96% yang hampr mendekat tngkat akuras tanpa menggunakan mask pada wajah. Penurunan komplekstas perhtungan pada saat tranng n dkarenakan dengan mplementas -shape nteraktf tdak semua pksel pada ctra wajah dgunakan, melankan hanya pksel yang terdapat pada area -shape saja yang dgunakan. 6. Saran Implementas Penggunaan -shape dan metode DLDA pada pengenalan wajah dharapkan dapat dkembangkan untuk pengenalan wajah secara real tme yang membutuhkan tngkat waktu perhtungan yang cepat. Referens Belhumeur, P. N., & Hespanha, J. P., & Kregman, D. J Egenfaces vs Fsherface: Recognton Usng Class Specfc Lnear Projecton. IEEE ransacton On Pattern Analyss And Machne Intellgence, 19, Burges, C. J. C A otural on Support Vector Machnes for Pattern Recognton. Data Mnng and Knowledge Dscovery, (), Chung, B. W., Park, K. Y., & Hwang, S. Y A Fast and Effcent Haar-Lke Feature Selecton Algorthm For Object Detecton. he Journal of Korean Insttute of Communcatons and Informaton Scences, 38(6), Damayant, F., & Arfn, A. Z Pengenalan Ctra Wajah Menggunakan Metode wo- Dmensonal Lnear Dscrmnant Analyss dan Support Vector Machne. Jurnal Ilmah Kursor, 5(3), Gao, Q., & Zhang, L., & Zhang, D Face Recognton Usng FLDA wth Sngle ranng Image Per Person. ScenceDrect, 05(), Gu, X., & Lu, C., & Wang, S., & Zhao, C Feature Extracton Usng Adaptve Slow Feature Dscrmnant Analyss. ScenceDrect, 154, Hsu, C. W. 00. A Comparson of Methods for Mult-class Support Vector Machnes. IEEE ransactons on Neural network, 13(), Koc, M. & Barkana, A Dscrmnatve Common Vector Approach Based Feature Selecton In Face Recognton. ScenceDrect, 40(8), Kong, H., & Wang, L., & eoh, E. K., & L, X., & Wang, J. G., & Venkateswarlu, R Generalzed D Prncpal Component Analyss For Face Image Representaton and Recognton. ScenceDrect, 18(5), Lenc, L., & Kral, P Automatc Face Recognton System Based On he Sft Features. ScenceDrect. L, M., & Yuan, B D-LDA: A Statstcal Lnear Dscrmnant Analyss For Image Matrx. ScenceDrect, 6(5), Ma, C., & Jung, J., & Km, S., & Ko, S Random Projecton-Based Partal Feature Extracton For Robust Face Recognton. ScenceDrect, 149, Snha, P., & Balas, B Face Recognton By Humans: Nneteen Results All Computer Vson Researchers Should Know About. Proc of the IEEE, 94(11),

10 10 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 Zhao, Y., & Lu, Y., & Zhong, S., & Hua, K. A Face Recognton From A Sngle Regstered Image For Conference Socalzng. ScenceDrect, 4, Zheng, W. S D-LDA vs D-LDA: When s Vector-Based Lnear Dscrmnant Analyss Better han Matrx-Base. ScenceDrect, Zh, R., & Quq, R wo-dmensonal Drect And Weghted Lnear Dscrmnant Analyss For Face Recognton. ScenceDrect, 71,