BAB I PENDAHULUAN. 1.1 Latar Belakang

Transkripsi

1 BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting. Seperti contohnya adalah penelitian mengenai pengenalan wajah yang sangat erat hubungannya dengan manusia dalam membatu proses kegiatan sehari-hari. Seperti dalam sistem absensi pada proses belajar mengajar maupun perkantoran, sistem pelacakan pelaku kejahatan yang berhubungan dengan kepolisian maupun militer serta mencari identitas korban kecelakaan yang jasadnya masih baik dan memungkinkan untuk dilakukan pengenalan dengan berdasarkan ciri-ciri karakter wajah korban tersebut. Penggunaannya dapat juga diaplikasikan untuk mencari dan menemukan pelaku kejahatan, sama seperti sebelumnya yaitu korban dan pelaku kejahatan akan berhubungan dengan forensik [1][2]. Sistem pengenalan wajah terinspirasi dari mata manusia yang dapat mengenali karakter-karakter seseorang khususnya maupun karakter benda pada umumnya. Sehingga dikembangkan sebuah sistem yang sebut dengan biometrik [3]. Seiring dengan perkembangannya istilah biometrik sangat terkenal karena sangat membantu dalam memenuhi kebutuhan manusia. Metode biometrik merupakan metode otomatis untuk mengenali seseorang berdasarkan karakteristik fisik maupun perilaku. Terdapat beberapa jenis teknologi biometrik antara lain pengenalan wajah (face recognition), pengenalan sidik jari, geometri tangan, pengenalan iris mata (iris recognition), pengenalan suara (voice recognition) dan pengenalan tulisan tangan [4]. Salah satu yang menarik adalah tentang pengenalan wajah yang hingga saat ini sudah dikembangkan lebih dari tiga puluh tahun namun masih banyak membutuhkan proses dan teknik yang lebih baik untuk L-1

2 ekstraksi dan pengenalan wajah [5]. Algoritme maupun teknik yang digunakan akan mempengaruhi hasil dari pengenalan wajah, semakin akurat hasilnya maka akan semakin direkomendasikan untuk digunakan sebagai teknik terbaik dalam teknik pengenalan wajah. Walaupun sudah populer dan sukses penelitian untuk pengenalan wajah masih dikembangkan hingga saat ini karena hal ini berkaitan dengan parameter eksternal seperti variasi pose wajah, sudut pengambilan citra, perbedaan dalam pencahayaan, ekspresi wajah, pengenalan jenis kelamin dan pengenalan seseorang yang kembar masih bersifat paradoks. Untuk menghindari masalah ini, pendekatan berbasis perspektif dimulai dan dikembangkan [6]. Pada permasalahan sudut pengambilan citra yang berbeda dengan pendekatan ciri geometris berdasarkan kontur wajah tampak samping, pengenalan dengan menggunakan metode Hidden Markov Model () merupakan metode yang baik untuk mengatasinya. Hal ini dapat dibuktikan dengan memperoleh hasil yang baik untuk 16 variasi ekspresi dan kemiringan pengambilan citra [7]. Pengujian variasi pose wajah yang berbeda pada 400 citra dengan 40 orang yang berbeda dapat mencapai akurasi 80,75% dilakukannya dengan menggunakan Pseudo-2D. Dengan menggunakan proses kiri-kanan penelitian tersebut juga menggunakan kombinasi Viterbi dan Baum-Welch sebagai algoritme citra latih dan citra ujinya. Dalam metode itu sendiri memiliki permasalahan berdasarkan parameter-parameter dari dataset citra yang digunakan namun dapat diselesaikan oleh algoritme forward-backward, Viterbi dan Baum- Welch [8]. Algoritme Baum-Welch dan Viterbi juga berhasil dikombinasikan sebagai algoritme citra latih dan citra uji yang digunakan dalam penelitian pengenalan aksara jawa dengan hasil evaluasi yang baik menggunakan Cross Validation sebesar 85,7% [9]. Ekstraksi fitur SDV (Singular Value Decomposition) dikombinasikan dengan 3 states kemudian diujikan pada citra yang berukuran 56x56 piksel dari 400 citra wajah database ORL sehingga mendapatkan hasil akurasi sebesar 100% [10]. Ekstraksi fitur SVD juga diteliti dengan koefisien yang bernilai 18, 10 dan 7 pada tiga kelompok, yaitu 56x46, 115x82 dan 64x64 piksel yang memperoleh hasil sebesar 96,6% pada ORL dan L-2

3 82,7% pada YALE [11]. Penelitian lain sukses mendapatkan hasil akurasi sebesar 90% dengan menggunakan ekstraksi fitur Gabor Wavelet yang dikombinasikan dengan PCA pada pengujian 200 citra wajah [12]. Dengan menggunakan citra wajah 32x32 piksel dari ORL yang dievaluasi dengan proses standar yaitu jumlah citra dikenali dibagi jumlah seluruh citra dikali 100%, penelitian [6] mendapat akurasi rata-rata sebesar 99%. Penelitian tersebut dilakukan dengan mengombinasikan 2D Gabor Wavelet dan 7 states 2D. Dalam proses pelatihan dan pengujiannya, penelitian tersebut menggunakan algoritme Expectation-Maximization (EM) dan General Forward Backward (GFW). Hal-hal yang menjadi tolak ukur pembeda dari penelitian-penelitian sebelumnya adalah dari segi ekstraksi fitur yang digunakan, penggunaan jumlah citra database, ukuran piksel citra yang digunakan dan kombinasi algoritme pengenalan wajahnya. Dengan banyaknya penelitian yang menggunakan metode yang sama namun dengan ekstraksi fitur yang berbeda, maka pada penelitian ini akan mencoba mengombinasikan dua metode ekstraksi fitur menggunakan Gabor Wavelet dan SVD yang kemudian akan dibandingkan hasilnya dengan ekstraksi fitur tunggal yang hanya menggunakan SVD. Sedangkan pada proses pelatihan dan pengujiannya akan menggunakan metode dengan kombinasi algoritme Baum-Welch sebagai algoritme pelatihan dan algoritme Viterbi sebagai algoritme pengujian atau pengenalan. Pada proses evaluasi, penelitian ini akan menggunakan 5-Fold Cross Validation dengan 100 citra wajah yang digunakan masing-masing dari database AMP, JAFFE, ORL dan YALE yang berukuran 17x20, 18x20 dan 20x20 piksel. Penggunaan 400 citra dari database ORL akan dilakukan untuk membandingkan dengan hasil dari penelitian-penelitian sebelumnya. 1.2 Perumusan masalah 1. Berdasarkan latar belakang masalah tersebut ekstraksi fitur dapat menyebabkan penurunan hasil akurasi pengenalan wajah, karena L-3

4 penggunaan ekstraksi fitur yang kurang tepat akan membuat detail ciri dari citra tidak tampak. 1.3 Batasan Masalah Beberapa batasan masalah yang digunakan dalam penelitian ini: 1. Citra yang digunakan merupakan citra 2 dimensi 2. Bersifat non real time 3. Tidak membahas mengenai lokasi pengambilan citra diluar ruangan 1.4 Keaslian Penelitian Penelitian tentang pengenalan wajah telah banyak dilakukan oleh para peneliti-peneliti sebelumnya terutama yang berkaitan dengan kinerja hasil deteksi dan pengenalan wajah dengan berbagai metode yang digunakan. Pada sub-bab ini akan memberikan beberapa kajian dari berbagai metode pengenalan wajah maupun metode yang digunakan yang memiliki kesamaan yaitu menggunakan metode 2D dan beberapa metode penunjangnya antara lain Gabor Wavelet, 5-Fold Cross Validation dan database citra wajah yang digunakan. Kajian ini dilakukan untuk menunjukkan perbedaan dan kebaruan antara penelitianpenelitian sebelumnya dengan penelitian yang saat ini dilakukan. Wastu [9] dalam penelitiannya menggunakan Hidden Markov Model sebagai metode yang digunakan untuk memproses tulisan aksara jawa. Dengan kombinasi antara Baum-Welch dan Viterbi sebagai algoritme pelatihan dan pengenalan, penelitian ini mendapatkan hasil akurasi terbaik sejumlah 85,7% pada bentuk vertikal dengan state terendah yaitu 16. Pada prosesnya penelitian ini menggunakan 5-Fold Cross Validation sebagai metode evaluasi dan proses akurasi di hitung dengan menggunakan confusion matrix. Penelitian yang dilakukan oleh Farhan dkk. [10] dan Dinkova [11] juga melakukan penelitian menggunakan kombinasi algoritme Baum-Welch untuk pelatihan dan Viterbi sebagai algoritme pengujian. Penelitian mengenai pada citra grayscale diteliti sebelumnya oleh Nefian dan Hayes [13] untuk meneliti performa wajah satu dimensi. Mengenai L-4

5 citra wajah yang di teliti adalah citra yang diambil dari depan yang mencakup wilayah rambut, dahi, mata, hidung dan mulut. Penelitian ini menggunakan model kiri kanan untuk menyelesaikan permasalahan pengenalan wajah dengan pseudo. Ekstraksi fitur pada penelitiannya menggunakan 2D-DTC dengan vektor observasi terdiri dari satu set koefisien 2D-DTC yang didapatkan dari ekstraksi setiap blok. Dengan menggunakan 400 citra dari 40 individu yang berbeda, sama dengan penelitian sebelumnya yang di teliti oleh Samaria dan Young [14]. Dengan citra 92x112 piksel dengan hasil akurasi yang sama dengan sebelumnya yaitu 84% yang diperoleh dari variabel DTC LxW(L=10 dan W=92) sedangkan pada penelitian ini di kurangi menjadi 39 yang di bandingkan dengan metode eigenface yaitu 73%. Waktu yang ditempuh oleh penelitian ini yang menggunakan Matlab yaitu 2,5 detik yang terhitung lebih cepat dari penelitian sebelumnya yaitu 24 detik dengan bahasa C. Citra dalam bentuk 2D diproses dengan menggunakan Embedded Hidden Markov Models secara real time pada penelitian yang dilakukan oleh Margono dkk [15]. Algoritme CamShift digunakan untuk melakukan pelacakan wajah dengan faktor warna sebagai dasar pelacaknya. Ekstraksi fitur atau vektor citranya menggunakan 2D DTC yang kemudian akan dilanjutkan dengan proses pengenalan dengan algoritme Embedded yang memodelkan himpunanhimpunan super state pada arah horizontal yang berbeda dengan super state yang memodelkan pada arah vertikal. Dengan merancang sistem yang real time penelitian ini menggunakan citra wajah sebanyak 341 yang terdiri dari 31 individu dengan 11 pose yang berbeda dengan citra penguji sebanyak 29 citra. Citra ini didapatkan dari database YALE yang ditambahkan dengan citra wajah mahasiswa Teknik Informatika Universitas Kristen Petra. Degan menggunakan bahasa pemrograman C++ penelitian ini mencapai tingkat akurasi sebesar 82,76%. Pada akhir penelitian ini peneliti mencoba membandingkan dengan metode Gabor Filter yang memiliki akurasi 79,31% pada pose frotal. Penelitian yang berhubungan dengan metode dilakukan oleh Firdhausya [7] yang bertujuan untuk menganalisa kinerja pengenalan wajah dengan metode Pseudo-2D dan pengaruhnya apabila terdapat variasi pose L-5

6 dari citra wajah. Penelitian yang dilakukan oleh Agung dkk. [16] citra yang digunakan sejumlah 400 citra dari database Olivetti Research Laboratory (ORL) Face Database dari 40 individu yang berbeda dengan 10 variasi pose per individu dan 92x112 piksel yang berbentuk grayscale. Citra latih sejumlah 8 dan 2 sisanya digunakan untuk pengujian. Ekstraksi ciri yang digunakan dengan menggunakan algoritme Principal Component Analysis (PCA) yang memiliki fungsi untuk menangkap variasi total pada wajah-wajah yang dilatih dan menjelaskan variasi tersebut dengan variabel-variabel yang jumlahnya lebih sedikit. Hasil ekstraksi tersebut akan di kelompokkan atau melalui proses clustering dengan menggunakan algoritme K-Means. Deret observasi hasilnya akan dilakukan pelatihan dan pengujian dengan menggunakan Left-Right Discrete Pseudo-2D. Proses pelatihan digunakan algoritme doubly embedded forward-backward dan doubly embedded Baum-Welch, dan proses pengujiannya menggunakan algoritme doubly embedded Viterbi. Hasil yang diperoleh adalah proses pengenalan sebesar 80,75% baik pengujian secara mendatar maupun menurun dengan state terbaik Pengujian secara menurun memiliki tingkat pengenalan yang hampir sama dibanding dengan pengujian secara mendatar, tetapi memiliki waktu pengenalan yang lebih singkat. Penelitian yang berhubungan dengan dan SVD salah satunya dilakukan Farhan dkk. [10], SVD digunakan sebagai ekstraksi fitur dengan jumlah blok sebesar 52 dari 400 citra 56x56 piksel yang diperoleh dari ORL database. Penelitian ini mendapatkan hasil 100% akurasi pengenalan dengan waktu 0,024 detik dengan menggunakan lima citra latih dan lima citra uji dari masing-masing subjek. Penelitian berikutnya dilakukan oleh Dinkova [11] dengan menggunakan citra dari dua database ORL dan YALE. Citra-citra dalam penelitian yang dilakukannya di resize menjadi tiga kelompok, yaitu 56x46, 115x82 dan 64x64 piksel. Selain dengan koefisien SVD yang bernilai 18, 10 dan 7, penelitian ini menggunakan 7 states dengan pembagian dari atas ke bawah yaitu rambut, dahi, alis, mata, hidung, mulut dan dagu. Dalam penelitian Dinkova ini, menggunakan lima citra sebagai citra latih dan lima citra sebagai citra uji dalam setiap subjek dari database. hasil dari penelitian ini memiliki hasil tertinggi pada L-6

7 database ORL sebesar 96,6% dan YALE sebesar 82,7% dengan menggunakan nilai kuantisasi yang sama yaitu 18, 10 dan 7, pada fitur SVD yang sama juga yaitu U(1,1), S(1,1) dan S(2,2) serta blok yang sama yaitu 5. Ekstraksi fitur menggunakan Filter Gabor dilakukan Kurniawan [12] dengan 200 citra yang digunakan diperoleh dari 20 individu yang berbeda dan 10 pose yang berbeda. Dengan menggunakan Filter Gabor sebagai ekstraksi ciri yang berfungsi menghilangkan variabilitas yang disebabkan oleh iluminasi kontras dan sedikit pergeseran serta deformasi citra. Citra grayscale hasil dari preprocessing dilakukan penskalaan orientasi sudut dan frekuensi dengan Filter Gabor menggunakan 8 orientasi serta 5 frekuensi spasial sehingga dapat meminimalkan ciri yang tidak penting dalam kawasan spasial dan frekuensi tersebut yang akan di teruskan dengan proses pelatihan dan pengenalan menggunakan PCA. Hasil akurasi rata-rata yang diperoleh adalah 90%. Sedangkan penelitian berikutnya yang dilakukan oleh Srinivasan dan Ravichandran [6] menggunakan ORL face database dalam penelitiannya, memperoleh hasil akurasi rata-rata yaitu 99% dengan citra yang berukuran 32x32 piksel penelitian ini menggunakan 2D Gabor Wavelet sebagai Ekstraksi fitur sebelum pemrosesan menggunakan 2D. Proses pelatihan dan pengenalan metodenya menggunakan algoritme Expectation- Maximization (EM) dan algoritme Forward-Backward. Penelitian ini mendapatkan hasil persentase kesalahan hanya 1%. Ringkasan keaslian penelitian dari penelitian-penelitian sebelumnya yang menjadi pembeda dengan penelitian ini dapat dirangkum pada Tabel 1.1. Penggunaan ekstraksi fitur yang berbeda dapat mempengaruhi hasil akurasi deteksi dan pengenalan wajah. Oleh karena itu, penelitian ini akan menggabungkan ekstraksi fitur yang sukses dengan hasil optimal pada penelitian sebelumnya antara lain Gabor Wavelet dan SVD guna mendapatkan hasil yang maksimal. Penggunaan Gabor Wavelet yang dipilih guna dapat mengekstrak ciri dari citra lebih baik sehingga proses deteksi citra mendapat hasil yang memuaskan, kemudian ditambahkan ekstraksi fitur SVD yang dipilih dalam upaya mendapatkan hasil ekstraksi dan pelabelan citra wajah yang optimal seperti pada penelitian sebelumnya. Penggunaan citra grayscale yang dapat meningkatkan L-7

8 akurasi pengenalan wajah dengan proses yang diharapkan lebih singkat tanpa harus dilakukan konversi citra pada sistem yang akan membuat proses menjadi lebih lama. Penggunaan kombinasi algoritme Baum-Welch dan Viterbi pada metode pengenalan dalam dipilih guna mendapatkan akurasi pengenalan wajah yang maksimal seperti yang dibuktikan oleh peneliti sebelumnya. Tabel 1.1 Rangkuman Keaslian Penelitian Peneliti, Tahun Wastu [9] Kurniawan [12] Margono dkk. [17] Nefian [18] dkk. Samaria dan Young [14] Agung [16] dkk. Ekstraksi Fitur Ekstraksi Diskret Filter Gabor dan Kernel Base PCA 2D DTC 2D-DTC DTC K-Means Pengenalan Wajah PCA Embedded 2D dan PCA Pseudo Dinkova [11] SVD Keterangan Kombinasi Baum-Welch dan Viterbi untuk memproses pengenalan aksara jawa Penggabungan Filter Gabor dengan Kernelbase PCA untuk ekstraksi fitur dan PCA untuk Pengenalan wajah guna meningkatkan akurasi pada 200 sample citra dari 20 orang yang berbeda dengan pengujian pada citra wajah yang diambil dari SMK Bina Nusantara Ungaran Melakukan penelitian realtime dengan Algoritme CamShift untuk pelacakan wajah dan faktor warna. pengenalan dengan 5 state pada citra database YALE dan Universitas Kristen Petra Cita grayscale digunakan dan proses pengenalan menggunakan dengan 5 state dengan 400 citra wajah dari database ORL Meningkatkan akurasi pengenalan wajah dengan citra grayscale Pengaruh pengenalan wajah apabila terdapat variasi pose dari citra wajah. Citra bertipe grayscale yang digunakan sejumlah 400 citra 92x112 piksel dengan 5 state pada database ORL Meningkatkan akurasi pengenalan wajah dengan 7 state dan kombinasi Baum-Welch dan Viterbi pada citra ORL dan YALE 56x46, 115x82 dan 64x64 piksel dari database ORL dan YALE L-8

9 Tabel 1.1 Rangkuman Keaslian Penelitian (Lanjutan) Peneliti, Tahun Ekstraksi Fitur Pengenalan Wajah Keterangan Srinivasan dan Ravichandran [6] Farhan [10] dkk. 2D- Discrete Gabor Wavelet SVD 2D Meningkatkan akurasi dengan algoritme Expectation-Maximization (EM) dan Forward-Backward pada 7 state pada database ORL Meningkatkan akurasi pengenalan wajah dengan 3 state dan kombinasi Baum-Welch dan Viterbi pada citra ORL dengan dimensi 56x56 piksel 1.5 Tujuan Penelitian Tujuan penelitian ini adalah mencari metode ekstraksi fitur yang tepat untuk meningkatkan akurasi pengenalan wajah dengan merancang kombinasi metode ekstraksi fitur Gabor Wavelet dan Singular Values Decomposition kemudian membandingkan hasilnya dengan hasil dari ekstraksi fitur tunggal menggunakan Singular Value Decomposition untuk pengenalan wajah dengan metode Hidden Markov Model. 1.6 Manfaat Penelitian Penelitian ini dapat memberikan manfaat sebagai referensi dalam mengembangkan penelitian berikutnya yang secara umum berhubungan dengan metode ekstraksi fitur untuk pengenalan wajah dan khususnya yang berkaitan dengan metode Hidden Markov Model. L-9