Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis

Transkripsi

1 Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata, Faultas Ten, Unverstas Trunojoyo Madura Jl. Raya Telang PO. BOX Kamal, Bangalan, Madura, 696 e-mal: Abstra Wajah merupaan salah satu bagan dar tubuh manusa yang mempunya araterst husus sehngga serng dgunaan untu membedaan denttas ndvdu yang satu dan yang lannya. Pengenalan wajah menjad sangat pentng untu dembangan seja aplas n dterapan dalam sstem eamanan. Pengenalan jens elamn merupaan salah satu bagan dar pengenalan wajah. Jens elamn memanan peran pentng dalam nteras ta d masyaraat dan dengan omputer. Klasfas jens elamn dar gambar wajah dapat daplasan dbdang demograf pengumpulan data, antarmua manusa-omputer (menyesuaan perlau software sehubungan dengan jens elamn pengguna) dan lan-lan. Tujuan dar peneltan n adalah membuat mplementas dar sstem pengenalan jens elamn pada ctra wajah atau Gender Recognton dengan masuan berupa ctra wajah yang mampu mengenal jens elamn seseorang secara cepat dan tepat serta berjalan dengan ba. Pada peneltan n dgunaan metode Two Dmensonal Lnear Dscrmnant Analyss (TDLDA) untu estras ftur, yang menla secara langsung matr wthn-class scatter dar matrs ctra tanpa transformas ctra e vetor, dan hal n mengatas sngular problem dalam matrs wthn-class scatter. Untu mendapatan hasl pengenalan yang optmal metode lasfas yang dgunaan adalah penglasfasan Eucldean Dstance. Peneltan n mengntegrasan metode TDLDA dan ED untu pengenalan jens elamn berdasaran ctra wajah. Dengan ombnas edua metode tersebut terbut dapat memberan hasl yang optmal dengan auras antara 68% sampa 89% dengan uj coba yang menggunaan database wajah yang dambl dar Kata unc: Eucldean Dstance., Jens Kelamn, Two Dmensonal Lnear Dscrmnant Analyss. Pendahuluan Wajah merupaan salah satu uuran fsologs yang palng mudah dan serng dgunaan untu membedaan denttas ndvdu yang satu dengan yang lannya. Ota manusa mempunya emampuan untu mengenal dan membedaan wajah antara orang yang satu dengan yang lannya dengan relatf cepat dan mudah. Pengenalan wajah (face recognton) manusa merupaan salah satu bdang yang cuup berembang dewasa n. Aplas dar pengenalan wajah dapat dterapan dalam bdang eamanan (securty system) sepert jn ases masu ruangan. Salah satu bagan dar face recognton yang telah dembangan saat n adalah pengenalan jens elamn (gender recognton) Kemrpan antara gender recognton dengan face recognton terleta pada proses estras fturnya. Namun, sedt berbeda pada proses penglasfasannya. Selama n untu menghtung berapa jumlah orang yang berjens elamn la-la atau perempuan yang datang e sebuah too atau nstans publ mash secara manual, sehngga dbutuhan watu yang lebh lama. Untu memudahan lan apa yang dtamplan d papan lan eletron dtempat umum atau dpnggr jalan bsa dsesuaan dengan jens elamn orang yang melewat lan tersebut. Sehngga untu memudahan dan mempercepat watu pemrosesan dbuat perangat luna untu pengenalan jens elamn berdasaran ctra wajah. Kesulltan dalam proses gender recognton terutama arena eomplesan dar onds wajah, sepert poss gambar, pencahayaan dan espres gambar yang berbeda-beda yang meml dmens tngg sehngga harus melalu proses ompres/estras terlebh dahulu sebelum dolah datanya dengan metode lasfas. Peneltan sebelumnya yang terat dengan peneltan n adalah peneltan yang dlauan oleh Burhan Ergen dan Serdar Abut yang berjudul Gender Recognton Usng Facal Images. Pada 44

2 peneltan tersebut dlauan pengenalan jens elamn berbass ctra wajah menggunaan metode GLCM. Hasl uj coba mempunya tngat auras 60% dengan menggunaan FEI Face database yang terdr dar 00 ctra wajah perempuan dan 00 ctra wajah la-la []. Peneltan yang dlauan oleh Vladmr Khryashchev, Andrey Prorov, Lev Shmaglt and Maxm Golubev yang berjudul Gender Recognton Va Face Area Analyss. Pada peneltan n dlauan pengenalan jens elamn berbass ctra wajah menggunaan metode Adaptve Feature dan SVM. Hasl uj coba mempunya tngat auras 90,8% dengan menggunaan FERRET database[]. Peneltan yang dlauan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant yang berjudul Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Local Bnary Pattern (LBP) dan Fsherface. Pada peneltan n dlauan pengenalan jens elamn berbass ctra wajah menggunaan metode LBP dan Fsherface. Hasl uj coba mempunya tngat auras tertngg sebesar 75% dengan menggunaan database yang dambl dar Peneltan n mengntegrasan TDLDA dan ED untu pengenalan jens elamn berbass ctra wajah. TDLDA sebaga metode estras ftur yang bsa mengatas sngular problem dan ED sebaga metode lasfasnya.. Metode Peneltan Secara gars besar sstem n terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan. Pada Gambar merupaan gambaran gars besar sstem pengenalan jens elamn berdasaran ctra wajah. Pada proses pelathan terdapat proses TDLDA yang dgunaan untu mengestras ftur, ftur-ftur yang terplh pada saat proses pelathan dgunaan dalam proses lasfas dan juga dgunaan untu mendapatan ftur-ftur yang terplh pada data uj coba. Masng-masng bass data wajah yang dgunaan dbag menjad dua, sebagan dgunaan untu proses pelathan (tranng) dan ssanya dgunaan untu proses pengujan (testng). Proses Pelathan Proses Pengujan Memasuan data pengujan M emasuan bass data pelathan Estras ftur TDLDA Estras ftur data pengujan Penglasfas ED Hasl dentfas Gambar. Sstem Pengenalan Jens Kelamn Berdasaraan Ctra Wajah.. Estras Ftur Estras ftur pada proses pelathan dlauan dengan menggunaan metode Two-Dmensonal Lnear Dscrmnant Analyss. Tahap n bertujuan untu mendapatan ftur-ftur yang terplh dar 45

3 masuan data-data pelathan. Ftur-ftur yang terplh dperoleh dar semua ftur wajah yang dcar nla egen dan vetor egen terbesar. Ftur-ftur yang terplh nantnya dgunaan untu proses lasfas pelathan dan dgunaan untu estras ftur data pengujan. Estras ftur pada proses pengujan dlauan dengan mengambl hasl estras ftur pada proses pelathan dterapan pada data pengujan. Hasl estras ftur pada data pengujan n nantnya dgunaan sebaga nputan pada proses lasfas pengujan.. Desan Algortma TDLDA Berut n adalah langah-langah dalam proses TDLDA terhadap suatu bass data ctra pelathan [4]:. Ja dalam suatu bass data ctra wajah terdapat hmpunan sebanya n ctra pelathan A = [A,A,,A n] ( =,,,n) dengan dmens ctra (r x c), maa hmpunan total matrs dar semua ctra tersebut adalah : n) n)... n)c A n = n) n)... n)c () n) r n) r... n) rc. Menentuan nla (dmens proyes bars) dan (dmens proyes olom). Nla r dan c. 3. Tahapan berutnya adalah perhtungan rata-rata ctra pelathan dar elas e : M X X () n 4. Menghtung rata-rata semua ctra pelathan : M = n X 5. Menetapan matrs transformas R uuran (c, ) yang dperoleh dar gabungan antara matrs denttas uuran (, ) dengan matrs nol uuran (c-, ). 6. Menghtung matrs between class scatter R sesua dengan persamaan (4). S R b = T T n ( M M ) RR ( M M ) X, uuran matrsnya (r x r). (4) 7. Menghtung matrs wthn class scatter R sesua dengan persamaan (5). S R W = T T ( X M ) RR ( X M ), uuran matrsnya (r x r). (5) x 8. Htung generalzed egenvalue ( ) dar S R b dan S R W menggunaan SVD sesua dengan persamaan (6). J 4(L) = maxtrace((l T S R W L)- (L T S R b L)), uuran matrsnya (r x r). (6) L 9. Ambl sebanya egenvector dar langah 8 sebaga matrs transformas bars (L). L = [,..., L ], uuran matrsnya (r x ). 0. Menghtung matrs between class scatter L sesua dengan persamaan (7). S L b = T T n ( M M ) LL ( M M ), uuran matrsnya (c x c). (7). Menghtung matrs wthn class scatter L sesua dengan persamaan (8). S L W = T T ( X M ) LL ( X M ), uuran matrsnya (c x c). (8) x (3) 46

4 . Htung generalzed egenvalue ( ) dar S L b dan S L W menggunaan SVD sesua dengan persamaan (9). J 5(R)=maxtrace((R T S L W R)- (R T S L b R)), uuran matrsnya (c x c). (9) R 3. Ambl sebanya egenvector dar langah sebaga matrs transformas olom (R). R = [, R..., ], uuran matrsnya (c x ). 4. Htung matrs ftur estras adalah B =L T A R, uuran matrsnya ( x ) 5. Output : matrs ftur etras B, matrs transformas bars L, dan matrs transformas olom R..3 Klasfas Klasfas pada peneltan n menggunaan metode Eucldean Dstance. Metode n merupaan salah satu penguuran emrpan ctra dengan onsep menghtung nla uadrat dar hasl pengurangan edua ctra [5]. dengan : = tngat esamaan obje = matr bobot ctra testng = matr bobot ctra tranng = oordnat matr bobot = dmens panjang matr bobot = dmens lebar matr bobot (0).4 Data Yang Dgunaan Pengujan sstem pada peneltan n menggunaan data uj coba beruuran 00x00 psel sebanya 400 ctra yang terdr dar 00 ctraa la-la dan 00 ctra perempuan. Data uj coba n dambl dar dan telah dgunaan dalam peneltan sebelumnya. Data uj coba tersebut merupaan data testng yang duj jara emrpannya menggunaan ED dengan data tranng. Gambar bers beberapa contoh ctra wajah yang dgunaan sebaga data testng dan data tranng. Gambar. Contoh Ctra Wajah Yang Dgunaan Sebaga Data Uj Coba Senaro uj coba yang dlauan pada peneltan n terdapat 8 senaro, yatu senaro, senaro, senaro 3, senaro 4, senaro 5, senaro 6, senaro 7, senaro 8. Perbedaan dar 8 senaro tersebut terleta pada jumlah data tranng dan data testng yang dgunaan. Lebh jelasnya dapat dlhat pada Tabel. 47

5 Tabel Smulas Senaro Pada Sstem Senaro Jumlah Ctra Tranng Jumlah Ctra Testng Senaro 300 Ctra 50 Ctra Perempuan 00 Ctra 50 Ctra Perempuan 50 Ctra La-la 50 Ctra La-la Senaro 80 Ctra 40 Ctra Perempuan 0 Ctra 60 Ctra Perempuan 40 Ctra La-la 60 Ctra La-la Senaro 3 60 Ctra 30 Ctra Perempuan 40 Ctra 70 Ctra Perempuan 30 Ctra La-la 70 Ctra La-la Senaro 4 40 Ctra 0 Ctra Perempuan 60 Ctra 80 Ctra Perempuan 0 Ctra La-la 80 Ctra La-la Senaro 5 60 Ctra 80 Ctra Perempuan 40 Ctra 0 Ctra Perempuan 80 Ctra La-la 0 Ctra La-la Senaro 6 40 Ctra 70 Ctra Perempun 60 Ctra 30 Ctra Perempuan 70 Ctra La-la 30 Ctra La-la Senaro 7 0 Ctra 60 Ctra Perempuan 80 Ctra 40 Ctra Perempuan 60 Ctra La-la 40 Ctra La-la Senaro 8 00 Ctra 50 Ctra Perempuan 300 Ctra 50 Ctra Perempuan 50 Ctra La-la 50 Ctra La-la 3. Hasl dan Pembahasan Metode yang dgunaan dalam pengujan n ada dua elompo. Kelompo pertama menggunaan metode Local Bnary Pattern (LBP) untu preprocessng, metode Fsherface untu estras ftur dan metode Eucldean Dstance sebaga lasfas peneltan n yang derjaan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant [3]. Kelompo yang edua menggunaan metode TDLDA sebaga estras ftur dan metode Eucldean Dstance sebaga lasfas. Kelompo yang edua n merupaan peneltan yang derjaan oleh penelt. Tabel menunjuan perbandngan hasl uj coba dar peneltan sebelumnya dan peneltan yang derjaan oleh penelt. Data uj coba dan senaro yang dlauan pada peneltan n sudah djelasan pada bab 3. Tabel Perbandngan Hasl Uj Coba Senaro Auras LBP Fsherface - ED TDLDA - ED Senaro 75% 89% Senaro 68,33% 88,75% Senaro 3 67,86% 88% Senaro 4 73,75% 86% Senaro 5 60,83% 84% Senaro 6 49,6% 83% Senaro 7 45% 70% Senaro 8 5% 68% Pada Tabel menunjuan bahwa prosentase pengenalan TDLDA-ED lebh tngg dbandng dengan metode LBP-Fsherface-ED. Keunggulan metode TDLDA-ED dbandngan dengan metode LBP- Fsherface-ED, adalah pada fsherface prosedur pre-processng untu meredus dmens menggunaan PCA dapat menyebaban ehlangan beberapa nformas dsrmnan yang pentng untu algortma LDA yang dterapan setelah PCA. Pada TDLDA mengambl euntungan penuh dar nformas yang dsrmnatf dar ruang lngup wajah (face space), dan tda membuang beberapa subruang (subspace) yang mungn berguna untu pengenalan. Terdapat tga varabel pentng yang mempengaruh tngat eberhaslan pengenalan, yatu varas urutan dar sampel pelathan per elas yang dgunaan, jumlah sampel pelathan per elas yang dgunaan, dan jumlah dmens proyes. Pada senaro jumlah data pelathan lebh banya dbandng senaro, deman juga pada senaro jumlah data pelathan lebh banya dbandng senaro 3, dan seterusnya. Sehngga prosentase pengenalan untu senaro lebh tngg haslnya dbandngan hasl dar senaro. Dar hasl uj coba yang dlauan terdapat beberapa pengenalan yang salah, harusnya denal perempuan tetap hasl pengenalannya la-la, deman juga sebalnya. Beberapa pengenalan yang 48

6 salah tersebut dsebaban arena beberapa fator yatu mrpnya bentu epala, bentu rambut dan espres antara edua ctra perempuan dan la-la. 4. Smpulan Dar uj coba yang sudah dlauan dapat dambl smpulan sebaga berut :. Metode TDLDA-ED mampu menunjuan auras pengenalan yang optmal dbandngan dengan metode LBP-Fsherface-ED. Hal n darenaan TDLDA mampu mengatas sngular problem, mampu mempertahanan eberadaan nformas dsrmnatf, serta mampu memasmal jara antar elas dan memnmalan jara nter elas.. Terdapat tga varabel pentng yang mempengaruh tngat eberhaslan pengenalan, yatu varas urutan dar sampel pelathan per elas yang dgunaan, jumlah sampel pelathan per elas yang dgunaan, dan jumlah dmens proyes. 3. Dar hasl uj coba menggunaan metode TDLDA-ED ddapatan tngat auras pengenalan antara 68% sampa 89%. 4. Klasfas yang salah pada uj coba dsebaban oleh mrpnya bentu epala, bentu rambut dan espres antara edua ctra perempuan dan la-la. Daftar Pustaa [] Ergen B, Abut S. Gender Recognton Usang Facal Images. Internatonal Conference on Agrculture and Botechnology. 03. Vol 60 : -7. [] Khryashchev V, Prorov A, Shmaglt L, and Golubev M. Gender Recognton Va Face Area Analyss. Proceedngs of The World Congress on Engneerng and Compuer Scence. 0. Vol. [3] Fenanda N, Muntasa Arf, Damayant F. Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Local Bnary Pattern (LBP) dan Fsherface. Bangalan. Ten Informata Unverstas Trunojoyo. 05. [4] Quan XG, Le Z, and Davd Z. Face Recognton Usng FLDA Wth Sngle Tranng Image Per Person. Appled Mathematcs and Computaton Vol 05 : [5] Ballh L, Ben Amar B, Daoud M, Srvastava A, Aboutajdne D. Boostng 3-D-Geometc Feature for Effcent Face Recognton and Gender Classfcaton. IEEE Transacton on Bometrcs Compendum. 0. Vol 7 :