PENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA

Transkripsi

1 PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com cc: asol@unpad.ac.d 2 Jurusan Fska FMIPA Unverstas Padjadjaran 3 Insttut eknolog andung 4 Jurusan Matematka FMIPA Unverstas Padjadjaran Abstrak Peneltan tentang wajah sangat menark untuk dbcarakan, karena wajah manusa adalah unk dan memegang peranan yang pentng dalam mengdentfkas seseorang. Lnear Dscrmnant Analyss (LDA) adalah salah satu metode pengenalan wajah dengan cara mereduks dmens sekelompok ctra. Peneltan n menggunakan metode LDA yang mengklasfkas ctra wajah. Metode LDA bertujuan memaksmumkan matrks kovaran antar kelas sekalgus memnmumkan matrks kovaran dalam kelas. Cara kerja untuk mengdentfkas sebuah ctra uj adalah dengan membandngkan ftur dar ctra uj terhadap masng-masng ftur ctra tranng. Peneltan yang telah dlakukan n menggunakan 10 buah ctra wajah yang dambl dar kamera dengan ukuran gambar 30 x 30. Program yang dgunakan adalah Matlab 7. Hasl menunjukkan bahwa metode LDA untuk pengenalan wajah dapat dkenal. Kata Kunc : Ctra Djtal, Lnear Dscrmnant Analyss, Pengenalan ajah Konferens Nasonal Matematka,ke-15d UNIMA, 30 Jun-4 Jul 2010

2 1.Pendahuluan Sstem pengenalan dr adalah sstem untuk mengenal denttas seseorang secara otomats menggunakan teknolog komputer. Sstem akan mencar dan mencocokkan denttas seseorang dengan suatu bassdata yang telah dtentukan dan telah dsapkan sebelumnya. Sstem pengenalan dr bertujuan dantaranya untuk menngkatkan keamanan sstem sehngga kemampuan sstem pengenalan dr dalam mengenal target secara tepat adalah sangat pentng. Pengenalan dr dengan menggunakan bagan tubuh dkenal dengan bometrk. Sebelum teknolog bometrka pengenalan denttas dlakukan dengan menggunakan metode konvensonal (sstem tradsonal). Metode tradsonal n mash dgunakan secara luas sampa saat n d berbaga bdang aplkas. Sstem tradsonal tersebut dapat dkelompokan menjad dua, yatu berdasarkan sesuatu yang dketahu (somethng what you know) sepert: penggunaan PIN dan password, dan berdasarkan sesuatu yang dmlk (somethng what you have), sepert: penggunaan kartu dan kunc. Penggunaan kartu atau kunc memlk beberapa kelemahan, sepert dapat hlang atau dcur, dapat dgunakan secara bersama-sama serta mudah dduplkas. Penggunaan PIN dan password juga menmbulkan beberapa permasalahan, sepert tdak ngat (terlupakan), dapat dgunakan secara bersama-sama dengan menggunakan suatu algortma bruteforce, password seseorang dapat dtebak dan dketahu. Password mungkn dapat lebh panjang suapaya tdak mudah dketahu. Namun semakn panjang password maka akan semakn sult untuk dngat. eknolog bometrk untuk menanggulang masalah sstem tradsonal d atas dapat dgunakan dengan cara pengenalan wajah, karena dengan wajah agak sukar untuk d duplkas. Metode pengenalan wajah banyak sekal. Pada paper n penuls mencoba salah satu metode dengan pendekatan statstk yatu metode LDA. 2. Lnear Dscrmnant Analyss (LDA) LDA adalah salah satu metode pengenalan wajah yang lebh dkenal sebaga Fsher s Lnear Dscrmnant. LDA dkenal masyarakat setelah Ronald A. Fsher sebaga penemu metode n mempublkaskannya melalu paper he Use of Multple Measures n axonomc Problems pada tahun 1936.

3 LDA adalah metode ekstraks ftur dengan perpaduan dar perhtungan operas matematka dan statstka yang memberlakukan propert statstk terpsah untuk tap obyek. ujuan metode LDA adalah mencar proyeks lner (yang basa dsebut dengan fshermage ) untuk memaksmumkan matrks kovaran antar kelas (between-class covarance matrx) sekalgus memnmumkan matrks kovaran dalam kelas (wthnclass covarance matrx), agar anggota d dalam kelas lebh terkumpul penyebarannya dan pada akhrnya dapat menngkatkan keberhaslan pengenalan. Matrks kovaran dalam kelas ( S ) dan matrks kovaran antar kelas ( S ) masngmasng ddefnskan sebaga berkut: S c 1 xkx ( x k )( x k ) (1) S c 1 N ( )( ) (2) dmana: x k = mage ke-k c N = jumlah kelas = jumlah mage pada kelas ke- = rata-rata total dar keseluruhan mage = rata-rata mage pada kelas ke- Agar matrks kovaran dalam kelas ( S ) dapat dmnmalsas sementara matrks kovaran antar kelas ( S ) dmaksmalkan, maka akan dcar vektor egen (V) agar rato persamaan (3) menjad maksmal: det( VS V det( VS V ) ) (3) Sehngga menghaslkan solus: S V S V (4) Kemudan dcar nla egen ( ) dan vektor egen (V) dar matrks kovaran persamaan (4), yatu: 1 cov S S (5)

4 Dkarenakan metode LDA yang dbahas dalam makalah n adalah metode LDA dengan 2 kelas, maka vektor egen yang dgunakan sebanyak c-1. Nla vektor egen tersebut d dapat berdasarkan nla egen terbesar dar matrks kovaran. Setelah vektor egen dketahu, maka dapat dketahu nla dar ftur LDA dengan perhtungan: f x k x 1 V (6) Pencaran jarak dua matrks A dan menggunakan jarak Eucldean dengan rumus: N 1 2 E( A, ) A (7) 3. Metode Peneltan Pada peneltan n penuls mengambl gambar wajah dar 5 orang yang terdr atas 2 orang wanta dan 3 orang pra dengan menggunakan kamera webcam. Setap orang dambl gambar wajah masng-masng sebanyak dua gambar wajah sehngga semuanya berjumlah 10 gambar wajah. Setap gambar wajah berukuran 30 x 30 pxel. Langkahlangkah peneltan adalah terlhat sepert pada gambar 1. Pengamblan wajah melalu kamera sebanyak 5 orang (10 wajah) Uj coba seseorang dar kamera webcam kemudan dhtung nla ftur wajah Pembagan dua kelas wajah berdasarkan kelompok nla ratarata terbesar dan terkecl dar data pxel wajah Perhtungan LDA berdasarkan dua kelas, kemudan menghaslkan 10 ftur wajah andngkan nla ftur uj coba dengan nla ftur yang sudah ada. Car nla ftur yang palng dekat dengan menggunakan perhtungan jarak eucldan Gambar 1. ahap-tahap percobaan

5 4. Hasl dan Pembahasan Pada peneltan n dgunakan program Matlab vers 7 untuk mengambl data gambar wajah dar kamera ebcam Logtech 1.3 Mega Pxel sebanyak 10 gambar wajah dar sebanyak 5 orang, dmana masng-masng orang dambl 2 gambar wajah. Hasl gambar wajah tersebut dapat dlhat dar tabel 1. abel 1. Hasl capture wajah Nama Orang ajah Lengkap No Kode ajah (capture) (30 x 30) pxel Nama Fle Ran Haeran 1. X1 ran4a.jpg 2. X2 ran4b.jpg Azm Farras 3. X3 am4a.jpg 4. X4 am4b.jpg ta Rosta 5. X5 tta4a.jpg 6. X6 tta4b.jpg Asep Sholahuddn 7. X7 asol4a.jpg 8. X8 asol4b.jpg Luthf 9. X9 up4a.jpg 10. X10 up4b.jpg

6 Pada setap gambar wajah ddapat nla pxel sebanyak 30 x 30 = 900 pxel yang dsmpan dalam bentuk matrks ukuran 900 x 1 kolom yatu X 1 = (x 1,x 2,x 3... x 900 ) dan jumlah gambar adalah X 1, X 2 X 3... X 10. Nla rata-rata dar X dkelompokan menjad dua kelas berdasarkan kedekatan dengan nla rata-rata terkecl dan nla rata-rata terbesar, sehngga dar data tersebut dkelompokan menjad dua kelas yatu kelas-1 adalah X 1... X 4 dan kelas-2 adalah X 5... X 10. Perhtungan LDA dar persamaan (1) dan (2) d dapat nla Sb dan Sw kemudan berdasarkan persamaan (4) menghaslkan nla egen dan vektor egen. erdasarkan persamaan (6) menghaslkan ftur wajah sepert pada tabel 2. abel 2. Hasl nla ftur wajah No Nla Ftur ajah X X X X X X X X X X

7 abel 3. Hasl pencocokan data wajah yang d lath dengan data wajah uj coba No. Kode Nla Ftur ajah Nla Ftur Uj Coba Keterangan 1. X Mengenal sesua dengan wajahnya karena 2. X lebh dekat ke wajah X1 3. X Mengenal sesua dengan wajahnya karena 4. X lebh dekat ke wajah X4 5. X dak mengenal wajah karena lebh dekat 6. X ke wajah X7 7. X Mengenal sesua dengan wajahnya karena 8. X lebh dekat ke wajah X8 9. X Mengenal sesua dengan wajahnya karena 10. X lebh dekat ke wajah X9 Dar hasl d atas data wajah sebanyak 4 orang dapat dkenal, sedangkan satu data wajah tdak dkenal. Salah satu contoh hasl pengenalan wajah adalah terlhat pada gambar 2.

8 Gambar 2. Contoh salah satu uj coba pengenalan wajah Kemudan dcoba juga dengan menambahkan kacamata ternyata haslnya dapat dkenal sepert pada gambar 3. dengan nla ftur wajahnya adalah yang menunjukan lebh dekat pada wajah X7. Gambar 3. Contoh lan uj coba pengenalan wajah dengan menambahkan kacamata

9 5. Kesmpulan Pada peneltan n wajah dapat dkenal melalu kamera sebanyak 4 orang yang dkenal dar sejumlah keseluruhan sebanyak 5 orang dengan ketentuan penchayaan dan poss wajah tdak jauh berbeda dengan gambar wajah yang dambl sebaga data lath. namun jka data lath dengan data uj berbeda jauh poss atau pencahayaannya maka sstem n tdak dapat mengenal dengan bak. 6. Daftar Pustaka [1] Rencher C. Alvn.(2002). Methods of Multvarate Analyss, John ley & Sons [2] Supranto J. (2004). Analss Multvarat Art dan Interpretas, Rneka Cpta [3] S. Zhou, Chellappa R., eny Zhou. (2006). Unconstraned Face Recognton, Sprnger.