Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER

Transkripsi

1

2 Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng Ir. Krdanto Surendro, M.Sc.,Ph.D Dr. Abdarn Rosd,M.Ma Prof. Joko Lanto B Danel Oranova Sahaan, P.D.Eng Dr. Dadang Hermawan Dr. Muhammad Rusl, MT Yudh Agusta, PhD

3

4

5

6

7

8

9

10

11

12

13

14

15 Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9-10 Oktober 2015 Pengenalan Jens Kelamn Berdasarkan Ctra Wajah Menggunakan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informatka, Fakultas Teknk, Unverstas Trunojoyo Madura Jl. Raya Telang PO. BOX 2 Kamal, Bangkalan, Madura, e-mal: ftr2708@yahoo.com Abstrak Wajah merupakan salah satu bagan dar tubuh manusa yang mempunya karakterstk khusus sehngga serng dgunakan untuk membedakan denttas ndvdu yang satu dan yang lannya. Pengenalan wajah menjad sangat pentng untuk dkembangkan sejak aplkas n dterapkan dalam sstem keamanan. Pengenalan jens kelamn merupakan salah satu bagan dar pengenalan wajah. Jens kelamn memankan peran pentng dalam nteraks kta d masyarakat dan dengan komputer. Klasfkas jens kelamn dar gambar wajah dapat daplkaskan dbdang demograf pengumpulan data, antarmuka manusa-komputer (menyesuakan perlaku software sehubungan dengan jens kelamn pengguna) dan lan-lan. Tujuan dar peneltan n adalah membuat mplementas dar sstem pengenalan jens kelamn pada ctra wajah atau Gender Recognton dengan masukkan berupa ctra wajah yang mampu mengenal jens kelamn seseorang secara cepat dan tepat serta berjalan dengan bak. Pada peneltan n dgunakan metode Two Dmensonal Lnear Dscrmnant Analyss (TDLDA) untuk ekstraks ftur, yang menla secara langsung matrk wthn-class scatter dar matrks ctra tanpa transformas ctra ke vektor, dan hal n mengatas sngular problem dalam matrks wthn-class scatter. Untuk mendapatkan hasl pengenalan yang optmal metode klasfkas yang dgunakan adalah pengklasfkasan Eucldean Dstance. Peneltan n mengntegraskan metode TDLDA dan ED untuk pengenalan jens kelamn berdasarkan ctra wajah. Dengan kombnas kedua metode tersebut terbukt dapat memberkan hasl yang optmal dengan akuras antara 68% sampa 89% dengan uj coba yang menggunakan database wajah yang dambl dar Kata kunc: Eucldean Dstance., Jens Kelamn, Two Dmensonal Lnear Dscrmnant Analyss 1. Pendahuluan Wajah merupakan salah satu ukuran fsologs yang palng mudah dan serng dgunakan untuk membedakan denttas ndvdu yang satu dengan yang lannya. Otak manusa mempunya kemampuan untuk mengenal dan membedakan wajah antara orang yang satu dengan yang lannya dengan relatf cepat dan mudah. Pengenalan wajah (face recognton) manusa merupakan salah satu bdang yang cukup berkembang dewasa n. Aplkas dar pengenalan wajah dapat dterapkan dalam bdang keamanan (securty system) sepert jn akses masuk ruangan. Salah satu bagan dar face recognton yang telah dkembangkan saat n adalah pengenalan jens kelamn (gender recognton) Kemrpan antara gender recognton dengan face recognton terletak pada proses ekstraks fturnya. Namun, sedkt berbeda pada proses pengklasfkasannya. Selama n untuk menghtung berapa jumlah orang yang berjens kelamn lak-lak atau perempuan yang datang ke sebuah toko atau nstans publk mash secara manual, sehngga dbutuhkan waktu yang lebh lama. Untuk memudahkan klan apa yang dtamplkan d papan klan elektronk dtempat umum atau dpnggr jalan bsa dsesuakan dengan jens kelamn orang yang melewat klan tersebut. Sehngga untuk memudahkan dan mempercepat waktu pemrosesan dbuat perangkat lunak untuk pengenalan jens kelamn berdasarkan ctra wajah. Kesulltan dalam proses gender recognton terutama karena kekompleksan dar konds wajah, sepert poss gambar, pencahayaan dan ekspres gambar yang berbeda-beda yang memlk dmens tngg sehngga harus melalu proses kompres/ekstraks terlebh dahulu sebelum dolah datanya dengan metode klasfkas. Peneltan sebelumnya yang terkat dengan peneltan n adalah peneltan yang dlakukan oleh Burhan Ergen dan Serdar Abut yang berjudul Gender Recognton Usng Facal Images. Pada 244

16 peneltan tersebut dlakukan pengenalan jens kelamn berbass ctra wajah menggunakan metode GLCM. Hasl uj coba mempunya tngkat akuras 60% dengan menggunakan FEI Face database yang terdr dar 100 ctra wajah perempuan dan 100 ctra wajah lak-lak [1]. Peneltan yang dlakukan oleh Vladmr Khryashchev, Andrey Prorov, Lev Shmaglt and Maxm Golubev yang berjudul Gender Recognton Va Face Area Analyss ada peneltan n dlakukan pengenalan jens kelamn berbass ctra wajah menggunakan metode Adaptve Feature dan SVM. Hasl uj coba mempunya tngkat akuras 90,8% dengan menggunakan FERRET database[2]. Peneltan yang dlakukan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant yang berjudul Local Bnary Pattern (LBP) dan Fsherface menggunakan metode LBP dan Fsherface. Hasl uj coba mempunya tngkat akuras tertngg sebesar 75% dengan menggunakan database yang dambl dar Peneltan n mengntegraskan TDLDA dan ED untuk pengenalan jens kelamn berbass ctra wajah. TDLDA sebaga metode ekstraks ftur yang bsa mengatas sngular problem dan ED sebaga metode klasfkasnya. 2. Metode Peneltan Secara gars besar sstem n terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan. Pada Gambar 1 merupakan gambaran gars besar sstem pengenalan jens kelamn berdasarkan ctra wajah. Pada proses pelathan terdapat proses TDLDA yang dgunakan untuk mengekstraks ftur, ftur-ftur yang terplh pada saat proses pelathan dgunakan dalam proses klasfkas dan juga dgunakan untuk mendapatkan ftur-ftur yang terplh pada data uj coba. Masng-masng bass data wajah yang dgunakan dbag menjad dua, sebagan dgunakan untuk proses pelathan (tranng) dan ssanya dgunakan untuk proses pengujan (testng). Proses Pelathan Proses Pengujan Memasukkan data pengujan M emasukkan bass data pelathan Ekstraks ftur TDLDA Ekstraks ftur data pengujan Pengklasfkas ED Hasl dentfkas Gambar 1. Sstem Pengenalan Jens Kelamn Berdasarakan Ctra Wajah. 2.1 Ekstraks Ftur Ekstraks ftur pada proses pelathan dlakukan dengan menggunakan metode Two-Dmensonal Lnear Dscrmnant Analyss. Tahap n bertujuan untuk mendapatkan ftur-ftur yang terplh dar 245

17 masukkan data-data pelathan. Ftur-ftur yang terplh dperoleh dar semua ftur wajah yang dcar nla egen dan vektor egen terbesar. Ftur-ftur yang terplh nantnya dgunakan untuk proses klasfkas pelathan dan dgunakan untuk ekstraks ftur data pengujan. Ekstraks ftur pada proses pengujan dlakukan dengan mengambl hasl ekstraks ftur pada proses pelathan dterapkan pada data pengujan. Hasl ekstraks ftur pada data pengujan n nantnya dgunakan sebaga nputan pada proses klasfkas pengujan. 2.2 Desan Algortma TDLDA Berkut n adalah langkah-langkah dalam proses TDLDA terhadap suatu bass data ctra pelathan [4]: 1. Jka dalam suatu bass data ctra wajah terdapat hmpunan sebanyak n ctra pelathan A = [A 1,A 2 n] ) dengan dmens ctra (r x c), maka hmpunan total matrks dar semua ctra tersebut adalah : A n = A A A ( n)11 ( n)21... ( n) r1 A A A ( n)12 ( n)22... ( n) r A A A ( n)1c ( n)2c... ( n) rc 2. Menentukan nla 1 (dmens proyeks bars) dan 2 (dmens proyeks kolom). Nla 1 r dan 2 c. 3. Tahapan berkutnya adalah perhtungan rata-rata ctra pelathan dar kelas ke : 1 M X X n 4. Menghtung rata-rata semua ctra pelathan : M = n 1 k 1 X 5. Menetapkan matrks transformas R ukuran (c, 2 ) yang dperoleh dar gabungan antara matrks denttas ukuran ( 2, 2 ) dengan matrks nol ukuran (c- 2, 2 ). 6. Menghtung matrks between class scatter R sesua dengan persamaan (4). S R b = k T T n ( M M ) RR ( M M ) 1 X, ukuran matrksnya (r x r). (4) 7. Menghtung matrks wthn class scatter R sesua dengan persamaan (5). k S R W = T T ( X M ) RR ( X M ), ukuran matrksnya (r x r). (5) 1 x 8. Htung generalzed egenvalue ( ) dar S R b dan S R W (6). (1) (2) (3) menggunakan SVD sesua dengan persamaan J 4(L) = maxtrace((l T S R W L)-1 (L T S R b L)), ukuran matrksnya (r x r). (6) 9. Ambl sebanyak 1 egenvector dar langkah 8 sebaga matrks transformas bars (L). L = [ L 1,..., L ], ukuran matrksnya (r x 1 1 ). 10. Menghtung matrks between class scatter L sesua dengan persamaan (7). k S L b = T T n ( M M ) LL ( M M), ukuran matrksnya (c x c). (7) Menghtung matrks wthn class scatter L sesua dengan persamaan (8). k S L W = T T ( X M ) LL ( X M ), ukuran matrksnya (c x c). (8) 1 x 246

18 12. Htung generalzed egenvalue ( ) dar S L b dan S L W menggunakan SVD sesua dengan persamaan (9). J 5(R)=maxtrace((R T S L W R)-1 (R T S L b R)), ukuran matrksnya (c x c). (9) 13. Ambl sebanyak 2 egenvector dar langkah 12 sebaga matrks transformas kolom (R). R = [ R 1, R..., ], ukuran matrksnya (c x 2 2 ). 14. Htung matrks ftur ekstraks adalah B =L T A R, ukuran matrksnya ( 1 x 2 ) 15. Output : matrks ftur ektraks B, matrks transformas bars L, dan matrks transformas kolom R. 2.3 Klasfkas Klasfkas pada peneltan n menggunakan metode Eucldean Dstance. Metode n merupakan salah satu pengukuran kemrpan ctra dengan konsep menghtung nla kuadrat dar hasl pengurangan kedua ctra [5]. dengan : = tngkat kesamaan objek = matrk bobot ctra testng = matrk bobot ctra tranng = koordnat matrk bobot = dmens panjang matrk bobot = dmens lebar matrk bobot (10) 2.4 Data Yang Dgunakan Pengujan sstem pada peneltan n menggunakan data uj coba berukuran 200x200 pksel sebanyak 400 ctra yang terdr dar 200 ctraa lak-lak dan 200 ctra perempuan. Data uj coba n dambl dar dan telah dgunakan dalam peneltan sebelumnya. Data uj coba tersebut merupakan data testng yang duj jarak kemrpannya menggunakan ED dengan data tranng. Gambar 2 bers beberapa contoh ctra wajah yang dgunakan sebaga data testng dan data tranng. Gambar 2. Contoh Ctra Wajah Yang Dgunakan Sebaga Data Uj Coba Skenaro uj coba yang dlakukan pada peneltan n terdapat 8 skenaro, yatu skenaro 1, skenaro 2, skenaro 3, skenaro 4, skenaro 5, skenaro 6, skenaro 7, skenaro 8. Perbedaan dar 8 skenaro tersebut terletak pada jumlah data tranng dan data testng yang dgunakan. Lebh jelasnya dapat dlhat pada Tabel

19 Tabel 1 Smulas Skenaro Pada Sstem Skenaro Jumlah Ctra Tranng Jumlah Ctra Testng Skenaro Ctra 150 Ctra Perempuan 100 Ctra 50 Ctra Perempuan 150 Ctra Lak-lak 50 Ctra Lak-lak Skenaro Ctra 140 Ctra Perempuan 120 Ctra 60 Ctra Perempuan 140 Ctra Lak-lak 60 Ctra Lak-lak Skenaro Ctra 130 Ctra Perempuan 140 Ctra 70 Ctra Perempuan 130 Ctra Lak-lak 70 Ctra Lak-lak Skenaro Ctra 120 Ctra Perempuan 160 Ctra 80 Ctra Perempuan 120 Ctra Lak-lak 80 Ctra Lak-lak Skenaro Ctra 80 Ctra Perempuan 240 Ctra 120 Ctra Perempuan 80 Ctra Lak-lak 120 Ctra Lak-lak Skenaro Ctra 70 Ctra Perempun 260 Ctra 130 Ctra Perempuan 70 Ctra Lak-lak 130 Ctra Lak-lak Skenaro Ctra 60 Ctra Perempuan 280 Ctra 140 Ctra Perempuan 60 Ctra Lak-lak 140 Ctra Lak-lak Skenaro Ctra 50 Ctra Perempuan 300 Ctra 150 Ctra Perempuan 50 Ctra Lak-lak 150 Ctra Lak-lak 3. Hasl dan Pembahasan Metode yang dgunakan dalam pengujan n ada dua kelompok. Kelompok pertama menggunakan metode Local Bnary Pattern (LBP) untuk preprocessng, metode Fsherface untuk ekstraks ftur dan metode Eucldean Dstance sebaga klasfkas peneltan n yang dkerjakan oleh Nafn Fenanda, Arf Muntasa, Ftr Damayant [3]. Kelompok yang kedua menggunakan metode TDLDA sebaga ekstraks ftur dan metode Eucldean Dstance sebaga klasfkas. Kelompok yang kedua n merupakan peneltan yang dkerjakan oleh penelt. Tabel 2 menunjukkan perbandngan hasl uj coba dar peneltan sebelumnya dan peneltan yang dkerjakan oleh penelt. Data uj coba dan skenaro yang dlakukan pada peneltan n sudah djelaskan pada bab 3. Tabel 2 Perbandngan Hasl Uj Coba Skenaro Akuras LBP Fsherface - ED TDLDA - ED Skenaro 1 75% 89% Skenaro 2 68,33% 88,75% Skenaro 3 67,86% 88% Skenaro 4 73,75% 86% Skenaro 5 60,83% 84% Skenaro 6 49,62% 83% Skenaro 7 45% 70% Skenaro 8 52% 68% Pada Tabel 2 menunjukkan bahwa prosentase pengenalan TDLDA-ED lebh tngg dbandng dengan metode LBP-Fsherface-ED. Keunggulan metode TDLDA-ED dbandngkan dengan metode LBP- Fsherface-ED, adalah pada fsherface prosedur pre-processng untuk mereduks dmens menggunakan PCA dapat menyebabkan kehlangan beberapa nformas dskrmnan yang pentng untuk algortma LDA yang dterapkan setelah PCA. Pada TDLDA mengambl keuntungan penuh dar nformas yang dskrmnatf dar ruang lngkup wajah (face space), dan tdak membuang beberapa subruang (subspace) yang mungkn berguna untuk pengenalan. Terdapat tga varabel pentng yang mempengaruh tngkat keberhaslan pengenalan, yatu varas urutan dar sampel pelathan per kelas yang dgunakan, jumlah sampel pelathan per kelas yang dgunakan, dan jumlah dmens proyeks. Pada skenaro 1 jumlah data pelathan lebh banyak dbandng skenaro 2, demkan juga pada skenaro 2 jumlah data pelathan lebh banyak dbandng skenaro 3, dan seterusnya. Sehngga prosentase pengenalan untuk skenaro 1 lebh tngg haslnya dbandngkan hasl dar skenaro 2. Dar hasl uj coba yang dlakukan terdapat beberapa pengenalan yang salah, harusnya dkenal perempuan tetap hasl pengenalannya lak-lak, demkan juga sebalknya. Beberapa pengenalan yang 248

20 salah tersebut dsebabkan karena beberapa faktor yatu mrpnya bentuk kepala, bentuk rambut dan ekspres antara kedua ctra perempuan dan lak-lak. 4. Smpulan Dar uj coba yang sudah dlakukan dapat dambl smpulan sebaga berkut : 1. Metode TDLDA-ED mampu menunjukkan akuras pengenalan yang optmal dbandngkan dengan metode LBP-Fsherface-ED. Hal n dkarenakan TDLDA mampu mengatas sngular problem, mampu mempertahankan keberadaan nformas dskrmnatf, serta mampu memaksmal jarak antar kelas dan memnmalkan jarak nter kelas. 2. Terdapat tga varabel pentng yang mempengaruh tngkat keberhaslan pengenalan, yatu varas urutan dar sampel pelathan per kelas yang dgunakan, jumlah sampel pelathan per kelas yang dgunakan, dan jumlah dmens proyeks. 3. Dar hasl uj coba menggunakan metode TDLDA-ED ddapatkan tngkat akuras pengenalan antara 68% sampa 89%. 4. Klasfkas yang salah pada uj coba dsebabkan oleh mrpnya bentuk kepala, bentuk rambut dan ekspres antara kedua ctra perempuan dan lak-lak. Daftar Pustaka [1] Ergen B, Abut S. Gender Recognton Usang Facal Images. Internatonal Conference on Agrculture and Botechnology Vol 60 : [2] 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 Vol 1. [3] Fenanda N, Muntasa Arf, Damayant F. Pengenalan Jens Kelamn Berdasarkan Ctra Wajah Menggunakan Metode Local Bnary Pattern (LBP) dan Fsherface. Bangkalan. Teknk Informatka Unverstas Trunojoyo [4] Quan XG, Le Z, and Davd Z. Face Recognton Usng FLDA Wth Sngle Tranng Image Per Person. Appled Mathematcs and Computaton Vol 205 : [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 Vol 7 :

21

22