PENGARUH EKSPRESI WAJAH TERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS PCA-LDA

Transkripsi

1 Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) PENGARUH EKSPRESI WAJAH ERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS - Agus Seta Bud N. (1) (1) Staf Pengajar Jurusan eknk Elektro Polteknk Neger Banjarmasn Rngkasan Dsadar atau tdak, kemampuan vsual manusa (human vsual syst em) mampu mengdentfkaskan seseorang dengan mengenal wajah dan memutuskan gender seseorang hanya dar data wajah. Computer Vson System memegang peranan sangat pentng dalam Human Computer Interacton echnology (HCI) yang melput deteks wajah, penjejakan wajah / badan, deteks aks (gesture), estmas umur, etnk dan gender. Be - berapa peneltan telah dlakukan untuk mencar metode terbak dengan objek data wajah utuh dan tunggal untuk mencar metode dskrmnas yang terbak sehngga dapat membedakan apakah seseorang tersebut pra atau wanta. Banyak peneltan-peneltan telah dlakukan untuk mendeteks gender pada wajah tunggal dengan berbaga metode, dantaranya adalah metode egenface atau Prncpal Component Analyss () dan metode Fsherface atau Lnear Dscrmnant Analyss (). Selan tu telah banyak pula peneltan tentang pendeteksan ekspres wajah. Egenface dgunakan untuk mengekstraks ftur, mereduks dmens, melakukan proyeks ke dmens yang lebh rendah dan metode Fsherface memperjauh jarak between matrk serta memperdekat jarak wthn matrk agar jarak antara kedua gender semakn jauh. Metode terakhr adalah klasfkas dengan metode-metode lnear classfer dengan jarak ketetanggaan terdekat, atau machne learnng sepert RBF.. Peneltan n mencoba memberkan kontrbus tentang pengaruh ekspres wajah terhadap keberhaslan deteks gender yang melput ekspres normal, tersenyum dan sedh. Kata Kunc : deteks gender, ekspres wajah, egenface, fsherface, between matrx, wthn matrx 1. PENDAHULUAN Computer Vson System memegang peranan pentng dalam Human Computer Interacton echnology (HCI) yang melput deteks wajah, penjejakan wajah/badan, deteks aks (gesture), estmas umur, etnk dan yang fundamental adalah gender. Sstem deteks dan dentfkas wajah dapat dpergunakan dalam banyak hal, sepert yang berhubungan dengan kehdupan sosal, keamanan dan lannya. Hal n dkarenakan deteks wajah lebh sult untuk dtembus. Lebh dar tu, setelah proses deteks[4] dan dentfkas wajah[7], dapat pula dlakukan proses lan sepert deteks ekspres dan deteks gender [2][6]. Klasfkas gender adalah salah satu bdang peneltan yang pentng karena dapat menngkatkan keberhaslan sstem verfkas wajah, bahkan sstem deteks wajah. Meskpun tdak banyak mendapatkan perhatan dar para penelt, klasfkas gender berdasar wajah dapat dpergunakan untuk aplkas keamanan atau mengetahu statstk jumlah orang yang melewat suatu area berdasarkan gender tertentu[2]. Peneltan pada deteks wajah yang telah banyak dlakukan adalah untuk mendeteks wajah pada sebuah gambar (mage)[4][5][6][7][9]. Dan pada peneltan deteks gender yang dlakukan hanya pada wajah tunggal untuk sebuah gambar. Peneltan kal n akan melhat seberapa jauh kemampuan komputer dan algortma yang dgunakan untuk mendeteks jumlah gender tertentu pada sebuah bdang gambar yang terdapat wajah ddalamnya. Peneltan Baback Moghaddam[2] menggunakan thumbnal face (21x12) pxel yang hanya selsh 1% terhadap (84x84) pxel. Dengan mage dar database FERE, performa SVM menghaslkan error rata-rata 3.4% yang menunjukkan konds yang lebh bak darpada klasfkas tradsonal. Area wajah yang dambl adalah seluruh wajah dengan melakukan pemotongan area berbentuk ofal. Seluruh data telah dnormalsas agar memlk bentuk geometrk dan pencahayaan yang sama. Batasan pada peneltan n dlakukan untuk mempertajam proses deteks gender dengan egenfaces (), fsherface s (FLD) dan RBF network.

2 Jurnal INEKNA, ahun VIII, No. 1, Me 2008 : DESAIN SISEM Secara umum, desan sstem klasfkas gender pada ctra wajah yang akan dlakukan adalah sebaga berkut : Gambar Gambar 1. Desan sstem deteks wajah Ekstraks Cr Wajah Proses Pembelajaran Dskrmnas KNN Proses Pengujan a. Vector dan ruang wajah Klasfkas Data klasfkas Gender KNN Dskrmnas Klasfkas HASIL Ctra wajah berada pada sebuah ruang yang dsebut bdang gambar / ruang lngkup ctra (mage space). Sebuah ctra tersusun atas pxel-pxel yang masng-masng pxel memlk nla. Untuk ctra abu-abu, sebuah pxel memlk nla dar Sebuah ctra wajah yang berukuran lebar dan tngg (l x t = n), maka dalam proses pengolahan ctra dmens tersebut dubah menjad sebuah VECOR kolom wajah (n x 1) sepert gambar 2., dengan n menyatakan dmens yang dgunakan. Untuk mempermudah penulsan, basa dtulskan mendatar namun d transpose sepert pada gambar 2. X = { } Gambar 2. Representas ctra wajah pada sebuah vektor. b. Prncpal Component Analyss atau Karhunen-Loeve expanson adalah salah satu metode statstk yang dgunakan untuk mencar factorfaktor domnan pada suatu sebaran data. Pada proses pengolahan ctra, adalah metode yang umum dgunakan untuk mengurang dmens, sekalgus menghaslkan matrk yang orthogonal yang bertujuan untuk mengurang dmens sekalgus mempercepat proses komputas dan juga mempertahankan nla random (varan) pada dmens tngg sebanyak mungkn. Peneltan M.urk dan A.Pentland [5] menjelaskan pengenalan wajah menggunakan dengan hasl berupa egenvector dan egenvalue. Karena bdang proyeks wajah yang dhaslkan adalah vektor yang dhaslkan dar covarance matrk terhadap mage wajah asal yang dproyekskan dengan dan representasnya memlk kesamaan terhadap seluruh mage, maka dnamakan egenfaces. Wendy [10] menggunakan stlah egenspace projecton pada proses. Karena pada proses terjad proses transformas / perpndahan secara lnear data dar dmens tngg (n) ke dmens yang lebh rendah (m). Pada proses, ada dua metode yang dapat dgunakan, yatu hgh resoluton mage atau snapshot dan metode asl (orgnal). Secara umum, nla n > N, dengan N adalah jumlah ctra wajah yang dgunakan (objek data). Metode orgnal menggunakan matrx kovaran berdmens n x n. Sehngga dmens yang dhaslkan sangat besar. Sedangkan metode snapshot menggunakan matrk kovaran N x N yang memlk dmens lebh kecl. Dengan dmens yang kecl, maka proses komputas menjad lebh mudah. Egenspace dapat dhtung bla nla egenvector/ egenvalue dar nla covarance matrk data telah dperoleh. Nla egenvector yang dambl adalah yang bernla bukan nol dar kovaran matrk orthonormal bass pada dmens awal (n). Bla jumlah data yang dgunakan adalah I, maka data matrk x adalah sepert pada persamaan (1). x x1... n x (1) Berkutnya dlakukan proses mean centered, yatu proses pengurangan nla t vektor terhadap rata-rata seluruh mage x x m 1 m, dengan N N 1 x (2) Vector n kemudan dkombnaskan, sehngga menghaslkan sebuah matrk dengan ukuran nxn, 1 2 N X x x... x (3) Data matrx X kemudan dkalkan dengan transposnya sendr untuk menghaslkan nla kovaran. X X (4) Haslnya adalah sebuah kovaran matrk yang dapat memlk egenvector hngga seba-

3 Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) nyak N dengan nla egenvalue yang dambl bukan nol (metode snapshot). Egenvector yang dhaslkan durutkan dar nla terbesar ke kecl, sesua dengan nla pada egenvaluenya. Dengan demkan, egenvector dengan nla egenvalue terbesar adalah yang memlk varan terbesar pada seluruh ctra. Egenvector berkutnya memlk varan terbak kedua dan seterusnya. Secara umum, teor aljabar menyatakan bahwa X X memlk egenvector yang sama dengan X X dkalkan dengan X dan dnormalsas [10]. Sehngga egenspace yang dhaslkan akan berdmens (N x N), jauh lebh kecl darpada (n x n). c. FLD atau bsa dsebut Fsher Lnear Dscrmnant (FLD) adalah sebuah metode yang mengelompokkan/mendekatkan ctra dalam satu kelas (wthn class scatter) dan memsahkan sejauh mungkn jarak antar kelas (between class scatter). Serupa dengan, juga melakukan proyeks mage dar dmens n, menjad C-1 kelas. (n, banyaknya pxel tap ctra, C adalah jumlah kelas). Ada 2 metode FLD, orgnal dan orthonormal bass method. Dengan menggunakan metode orgnal fsherfaces, memunculkan beberapa permasalahan baru. Pertama, matrk yang dgunakan untuk proses komputas sangat besar. Hal n mengakbatkan waktu yang dgunakan untuk proses komputas menjad sangat besar. Kedua, karena jumlah data tranng sangat kecl dbandngkan dengan jumlah pxel per ctra, rangkng data matrk menjad tdak cukup. Untuk bsa mendapatkan egenvector dan egenvalue dar matrk yang rangkngnya tdak cukup, bsa menggunakan generalze snge value decomposton, tap mash ada cara yang lebh mudah. Yatu metode orthonormal bass dengan melakukan proyeks matrk data tranng ke bass ortonormal ke N x N (dengan N adalah jumlah data tranng). Proyeks n menghaslkan data matrk yang memlk rangkng secara penuh. Sekalgus menghaslkan proses komputas yang jauh lebh cepat. Proyeks juga menjaga nformas sehngga hasl akhrnya dar fsher tdak akan berpengaruh. Berkut n langkah-langkah untuk mencar fsherfaces dengan metode bass orthonormal. 1. Htung rata-rata. Htunglah nla rata-rata tap kelas (m ) dan rata-rata seluruh kelas (m). 2. Buat mage dalam kelas memlk rata-rata nol. Dengan kata lan, buat centered mage tap kelas. x X, X X, xˆ x m (5) 3. Center the class mean. Kurangkan total rata-rata dengan rata-rata kelas. mˆ 1 m m (6) 4. Buat data matrk. Gabungkan semua mage, satu satu hngga menjad matrk. 5. Car bass orthonormal untuk data matrk n. Hal n bsa dlakukan dengan menggunakan QR (orthonormal trangular decomposton) atau dengan menghtung full set dar egenvector dar kovaran matrk data tranng. Asumskan bass orthonormal adalah U. 6. Proyekskan semua centered mage ke bass orthonormal. Buatlah vector yang merupakan hasl dot product dar mage dan vector pada bass orthonormal. ~ x U xˆ (7) 7. Proyekskan centered mean ke bass orthonormal. m~ U mˆ (8) 8. Htung wthn class scatter matrx. Wthn class scatter matrx menghtung jumlah dar scatter between yang ada pada kelas yang sama. Untuk kelas ke, scatter matrk (S ) dhtung dengan menjumlahkan semua kovaran matrk yang telah dproyekskan tap kelas. S xx ~ ~ X X (9) 9. Wthn scatter matrx (S W ) adalah jumlah dar seluruh scatter matrk. C S W S 1 (10) 10. Dengan C adalah jumlah kelas. 11. Htung between class scatter matrx. Between class scatter matrx (S B ) menghtung jumlah jarak antar kelas. Dhtung dengan menjumlahkan semua data centered mean kovaran matrk yang telah dproyekskan. B C S n m ~ m~ 1 (11) 12. Dengan n adalah jumlah mage tap kelas 13. Selesakan persamaan untuk mencar egenvalue. Yatu mencar nla egenvector (V) dan egenvalue ( ). SBV SWV (12) 14. Amblah C-1 egenvector pertama. Urutkan egenvector sesua dengan urutan nla yang ada pada egenvalue dar besar ke kecl. Vector n dsebut Fsher Bass Vector. 15. Proyekskan ctra asal ke Fsher Bass Vector. Proyekskan seluruh ctra asal (bukan centered mage) ke fsher bass vector dengan menghtung dot product dar mage asal ke tap-tap fsher bass vector.

4 Jurnal INEKNA, ahun VIII, No. 1, Me 2008 : HASIL PENGUJIAN Data dan Metode Pengujan Data pengujan adalah data stats, yatu data ctra wajah yang sudah dambl dengan menggunakan kamera dgtal, kemudan d modfkas untuk ddapatkan mage yang dngnkan. Ukuran yang dgunakan adalah 150x150 pxel dengan mode warna abu-abu(grayscale). Jumlah ctra yang dgunakan sebanyak 120 buah dengan perbandngan sembang. 20 pra dan 20 wanta. Masng-masng d ambl mage dengan 3 pose: normal, tersenyum dan merenggut. Sebagan contoh ctra wajah dapat dlhat pada gambar 4. Ctra tersebut dambl dar datadata wajah mahasswa baru yang dambl secara acak dengan pose yang sudah d samakan / snkronsas. Namun varas pencahayaan dan background dbarkan apa adanya. Area yang dambl adalah berbentuk kotak dar als hngga dagu. menentukan jarak terdekat. Output proyeks data tranng dan data uj dar fsherfaces n dgunakan untuk menghtung hasl akhr keberhaslan deteks gender. Gambar 4. Grafk keberhaslan deteks gender dengan jarak EUCLIDIAN abel 1. keberhaslan deteks gender dengan Hasl Deteks (%) Egen Percobaan pose Jarak Mn Max Rata2x Optmal 1 normal absolut tersenyum absolut Merengut absolut normal eucldan tersenyum eucldan Merengut eucldan Gambar 3. Contoh ctra wajah yang dgunakan dengan masng-masng 3 pose. Normal, tersenyum dan merengut. Bars atas pra, dan bawah wanta. Pengujan Dengan menggunakan metode Snapshot egenfaces, dgunakan 96 data tranng dan 24 data uj. Setelah data tranng dproyekskan ke egenspace, masng-masng data uj akan dcar jarak terdekat ke kelompok proyeks data tranng pra atau wanta dengan menggunakan jarak eucldan dstance. Varabel yang muncul pada metode snapshot egenspace adalah nla jumlah egenvector yang dpaka. Dalam hal n a- kan dplh nla egenspace yang palng bak untuk mewakl uj egenspace. Pengujan FLD Dengan menggunakan data yang sama dengan, dplh 4 kelas pada proses fsherfaces. Seluruh data tranng d proyekskan ke fsherspace dan data uj dbandngkan dengan Eucldan ke kelompok pra atau wanta untuk abel 2 abel keberhaslan sstem dengan menggunakan Metode Absolut ngkat keberhaslan Pose nor mal % senyum % merengut % Pra Wanta otal Rata-rata keberhaslan absolut total 19 (79,17 %) Metode Eucldan ngkat keberhaslan Pose nor mal % senyum % merengut % Pra Wanta otal Rata-rata keberhaslan absolut total 20 (83,33 %) Hasl Keseluruhan Percobaan n dlakukan dengan menggunakan bantuan software MALAB 7.1 untuk melakukan analsa matematka, statstk, mage processng pre dan after process, serta Mcrosoft

5 Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) excel untuk menamplkan hasl perhtungan dalam bentuk grafk. Dar kedua metode yang dgunakan, egenfaces (), fsherfaces (FLD), dan ga - bungan keduanya, dperoleh hasl sepert tampak sepert pada gambar 5 dan 6. Keberhaslan Deteks Gender dengan berbaga metode Metode Lnear Dskrmnant Analyss () dapat mendeteks gender lebh bak, yatu sebesar 81,25%. Gabungan kedua metode, dan memberkan hasl yang terbak dengan tngkat keberhaslan 83,33%. Mesk data wajah hanya dar als hngga dagu dengan varas cahaya tdak dsnkronsas, sstem dapat dgunakan untuk deteks gender. ngkat keberhaslan (%) Metode + + normal tersenyum merengut Gambar 5. Grafk hasl deteks gender ketga percobaan detal dengan 3 pose Keberhasln (%) Perbandngan keberhaslan deteks gender dengan berbaga metode. Metode + Gambar 6. Grafk hasl deteks gender secara umum. 4. KESIMPULAN Dar hasl uj coba peneltan n dapat dperoleh beberapa kesmpulan antara lan: (Prncpal Component Analyss) dapat dpergunakan untuk mendeteks gender dengan berbaga pose ekspres dengan tngkat keberhaslan 72,92%. 5. DAFAR PUSAKA 1. Am. M. Burton,, V. Bruce, N. Dench.What s the dfference between men and women? Evdence from facal measurement. Percepton, 22: , (1993) 2. Baback, Moghaddam and M. Yang. Learnng Gender Wth Support Face IEEE transacton on Pattern Recognton and Machne Intellgence Vol 24 No.5 May 2002, (2002) 3. Chrstopher, j.c. Burges, A utoral on Support Vector Machnes for Pattern Recognton, Data mnng and knowledge dcovery, vol 2 no 2, (1998) 4. Eru, Puspta, Sstem Pendeteksan Dan Penjejakan Wajah Secara Real-me, ess pada Fakultas eknolog Informas - Insttut eknolog Sepuluh Nopember Surabaya, (2004) 5. M.urk and A.Pentland, Face Recognton Usng Egenfaces, Journal of Cogntve Neuroscence, (1991) 6. Ryanto, Sgt, Sstem Pengenalan Ekspres Wajah Secara Real me, ess pada Fakultas eknolog Informas - Insttut eknolog Sepuluh Nopember Surabaya, (2005). 7. Rully, Soelaman. Sstem Pengenalan Wajah Dengan Penerapan Algortma Genetka Pada Optmas Bass Egenface Dan Proyeks Fsherface. ess pada Fakultas Ilmu Komputer-Unverstas Indonesa, (2003). 8. R. Duda, P. Hart, and D. Stork Pattern Classfcaton, John-Wley,2nd edton, (2001). 9. Vola, Paul; Jones, Mchael J., Robust realtme Object Detecton, Proceedng of IEEE Workshop on Statstcal and Computatonal heores of Vson, (2001). 10. Wendy, S. Yambor, Analyss of pca-based and fsher Dscrmnant-based mage recognton Algorthms hess at Computer scence department - Colorado State Unversty, (2000).