LAPORAN TUGAS AKHIR PENGENALAN WAJAH MENGGUNAKAN METODE EKSTRAKSI FITUR LOCAL BINARY PATTERN BERDASARKAN METODE K-NEAREST NEIGHBOR

Transkripsi

1 LAPORAN TUGAS AKHIR PENGENALAN WAJAH MENGGUNAKAN METODE EKSTRAKSI FITUR LOCAL BINARY PATTERN BERDASARKAN METODE K-NEAREST NEIGHBOR FACE RECOGNITION USING LOCAL BINARY PATTERN FEATURE EXTRACTION BASED K-NEAREST NEIGHBOR METHOD Diajukan untuk memenuhi salah satu syarat memperoleh gelar sarjana Teknik Informatika Nama NIM Program Studi Disusun Oleh: : Septia Devi Cahyaningtyas : A : Teknik Informatika-S1 FAKULTAS ILMU KOMPUTER UNIVERSITAS DIAN NUSWANTORO SEMARANG 2016

2 DAFTAR ISI DAFTAR ISI... ii DAFTAR TABEL... v DAFTAR GAMBAR... vi BAB I... 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian... 4 BAB II... 5 TINJAUAN PUSTAKA Tinjauan Studi Tinjauan Pustaka Citra Grayscale Citra Biner Sistem Biometrika Pengenalan Wajah (Face Recognition) Ekstraksi Fitur Citra Local Binary Pattern (LBP) K-Nearest Neighbor (KNN) Chi-Square ii

3 2.2 Kerangka Pemikiran BAB III METODOLOGI PENELITIAN Instrumen Penelitian Metode Pengumpulan Data Usulan Penelitian Eksperimen Perancangan Data Tahap Ekstraksi Fitur LBP pada Citra Latih dan Citra Uji Tahap Pencocokan Wajah (matching) Menggunakan K-Nearest Neighbor Pengujian BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN Analisis Data Pengolahan Citra Merubah Citra RGB ke Grayscale Ekstraksi Fitur Local Binary Pattern Klasifikasi Citra Menggunakan K-Nearest Neighbor Pengujian Pengujian Pertama Pengujian Kedua Perhitungan Akurasi Tampilan GUI BAB V iii

4 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA iv

5 DAFTAR TABEL Tabel 1 : Tingkat akurasi pengenalan wajah berdasarkan ekspresi wajah pada dataset FERET... 5 Tabel 2 : Tingkat akurasi pengenalan wajah berdasarkan kondisi pencahayaan pada dataset FERET... 6 Tabel 3 : Hasil pengujian pertama data citra latih 1, k= Tabel 4 : Hasil pengujian pertama data citra latih 2, k= Tabel 5 : Hasil pengujian pertama data citra latih 3, k= Tabel 6 : Hasil pengujian pertama data citra latih 1, k= Tabel 7 : Hasil pengujian pertama data citra latih 2, k= Tabel 8 : Hasil pengujian pertama data citra latih 3, k= Tabel 9 : Hasil pengenalan menggunakan data uji 1, k= Tabel 10 : Hasil pengenalan menggunakan data uji 2, k= Tabel 11 : Hasil pengenalan menggunakan data uji 3, k= Tabel 12 : Hasil pengenalan data uji 1, k= Tabel 13 : Hasil pengenalan data uji 2, k= Tabel 14 : Hasil pengenalan data uji 3, k= Tabel 15 : Tingkat akurasi pada pengujian pertama Tabel 16 : Tingkat akurasi pada pengujian kedua v

6 DAFTAR GAMBAR Gambar 1 : Kerangka Pemikiran Gambar 2 : Flowchart sistem pengenalan wajah Gambar 3 : Contoh citra wajah yang digunakan Gambar 4 : (a) Citra RGB (b) Citra grayscale Gambar 5 : Nilai pixel dari citra sebelum di LBP Gambar 6 : Nilai pixel citra setelah ekstraksi fitur LBP Gambar 7 : Citra setelah ekstraksi fitur LBP Gambar 8 : Pembuatan data latih folder Gambar 9 : Vektor dari 80 citra data latih Gambar 10 : Label dari 80 citra data latih Gambar 11 : GUI pengenalan wajah vi

7 BAB I PENDAHULUAN 1.1 Latar Belakang Manusia sebagai makhluk cerdas memiliki kemampuan untuk mengenal puluhan bahkan ratusan wajah selama hidupnya. Manusia dapat dengan mudah mengenali seseorang melalui wajahnya meskipun hanya sekilas bertemu maupun tidak bertemu dalam kurun waktu yang cukup lama. Manusia juga masih mampu mengenali seseorang walau terjadi perubahan pada orang tersebut karena bertambahnya usia atau perubahan gaya. Namun, sistem komputer tidak dapat mengenali wajah dengan mudah seperti yang dapat dilakukan manusia tanpa adanya aplikasi pendukung. Salah satu bagian dari manusia yang memiliki ciri unik dan berbeda antara satu orang dengan yang lain yaitu wajah. Hal inilah yang membuat sistem pengenalan wajah digunakan dalam berbagai aplikasi salah satunya sistem keamanan. Selain dalam hal keamanan, contoh implementasi pengenalan wajah antara lain yaitu perizinan masuk ruangan, absensi, pengawasan lokasi ataupun pencarian identitas individu pada kepolisian. Pengenalan wajah menjadi salah satu bidang ilmu yang diteliti dan juga dikembangkan oleh pakar pengenalan pola [1]. Hal ini disebabkan oleh teknik pengenalan wajah yang sering ditemui di aplikasi pada kehidupan sehari-hari. Algoritma yang digunakan pada pengenalan wajah dibedakan menjadi 2 yaitu melalui pendekatan fitur (feature-based) dan pendekatan penampilan (appearance-based). Metode pendekatan berbasis fitur bertujuan untuk mendeteksi lokasi fitur seperti mata, hidung, alis, dagu, bibir dan lokasi lain pada wajah sehingga dapat digunakan untuk fitur yang diperlukan untuk pengenalan wajah. Metode pendekatan berbasis penampilan adalah metode yang menggunakan template hasil dari training pada dataset citra yang akan digunakan untuk mendapatkan variable yang mewakili keberadaan dari wajah tersebut. 1

8 2 Penelitian yang dilakukan oleh Eko Wahyudi dari Institut Teknologi Sepuluh Nopember, Surabaya [2] menunjukkan bahwa tingkat pengenalan wajah (recognition rate) dapat diperbaiki dengan melakukan ekstraksi fitur dengan metode Local Binary Pattern (LBP). Dengan melakukan ekstraksi fitur wajah menggunakan LBP akan didapatkan informasi yang lebih detail dan spesifik jika dibandingkan dengan hanya menganggap sebuah citra sebagai fitur vektor tunggal. Maka pada penelitian ini, penulis akan menggunakan teknik pengenalan wajah dengan pendekatan fitur menggunakan Local Binary Pattern (LBP). LBP memiliki variasi untuk perubahan tingkat abu-abu monoton dan efisiensi komputasi [3]. Metode Local Binary Pattern (LBP) merupakan salah satu deskriptor tekstur yang paling baik dan banyak digunakan di berbagai macam aplikasi [4]. Metode LBP tergolong sederhana tetapi sangat efisien. Konsep dasar LBP adalah membandingkan nilai dari setiap pixel dengan nilai pixel tetangganya kemudian nilai baru yang didapatkan dari setiap pixel akan dijadikan ciri dari sebuah wajah. Tujuan dari penggunaan metode LBP ini adalah untuk mendapatkan satu set fitur yang berasal dari bagian wajah yang telah ternomalisasi menggunakan LBP [1] [5]. Setelah citra wajah dilakukan ekstraksi fitur dan kemudian didapatkan hasil yaitu fitur histogram dari setiap citra wajah, tahap selanjutnya yaitu tahap uji pengenalan dari citra wajah. Berdasarkan pada penelitian yang dilakukan oleh K.S. Maheswari [6] yang menggunakan klasifikasi K-Nearest Neighbor (KNN) dalam mengklasifikasikan gambar wajah berdasarkan fitur yang telah diekstraksi menunjukkan bahwa metode KNN lebih baik dan efisien daripada metode lain karena tingkat kesalahan yang dapat dikurangi. Sedangkan pada penelitian yang dilakukan oleh Md. Abdur Rahim [7] menunjukkan bahwa metode pengukuran jarak Chi-Square yang digunakan untuk menentukan kemiripan antara dua wajah (data latih dan data uji) lebih baik dari metode lain. Berdasarkan penelitian yang telah dijelaskan sebelumnya, penulis akan menggunakan metode K-Nearest Neighbour (KNN) dengan metode pengukuran jarak Chi Square dalam

9 3 menentukan tingkat kemiripan wajah pada penelitian ini. Chi-Square digunakan sebagai classifier dalam ruang fitur. Proses pengenalan wajah dilakukan dengan cara mengukur jarak dari 2 buah distribusi histogram citra uji dan citra latih. Kemudian menghitung nilai minimum rata-rata dari 2 buah histogram citra tersebut untuk menentukan kemiripan wajah. Berdasarkan analisa di atas, maka penulis mengusulkan judul penelitian Pengenalan Wajah Menggunakan Metode Ekstraksi Fitur Local Binary Pattern Berdasarkan Metode K-Nearest Neighbor. 1.2 Rumusan Masalah Berdasarkan uraian pada latar belakang masalah, maka didapatkan rumusan permasalahan sebagai berikut : 1. Penerapan metode ekstraksi fitur Local Binary Pattern pada pengenalan wajah. 2. Penerapan metode Chi-Square pada K-Nearest Neighbor dalam tahap uji pengenalan wajah. 3. Tingkat akurasi pengenalan wajah yang dihasilkan dari implementasi kedua metode tersebut. 1.3 Batasan Masalah Batasan dari masalah yang akan dibahas pada penelitian ini adalah : 1. Citra wajah yang digunakan format.jpg 2. Citra wajah ukuran 100x100 dalam RGB 3. Hasil dari penelitian berupa pernyataan cocok atau tidaknya wajah yang diujikan dan nilai tingkat akurasi dalam pengenalan wajah. 1.4 Tujuan Penelitian Tujuan penulis melakukan penelitian ini adalah :

10 4 1. Menerapkan metode ekstraksi fitur Local Binary Pattern pada pengenalan wajah. 2. Menerapkan metode Chi-Square pada K-Nearest Neighbor untuk mengenali wajah. 3. Mengetahui tingkat akurasi pengenalan wajah menggunakan metode tersebut. 1.5 Manfaat Penelitian Manfaat yang diharapkan oleh penulis dari penelitian ini adalah : 1. Manfaat bagi Akademik Hasil penelitian ini dapat digunakan sebagai referensi untuk membuat sebuah penelitian sistem pengenalan wajah. 2. Manfaat bagi Penulis 1. Menambah pengetahuan mengenai metode yang digunakan beserta penerapannya untuk pengenalan citra wajah. 2. Dapat digunakan sebagai tolak ukur untuk menghasilkan penelitian mengenai pengenalan wajah dengan penambahan beberapa metode untuk meningkatkan akurasi dalam pengenalan wajah. 3. Manfaat bagi Pemerintah Dapat digunakan sebagai salah satu referensi dalam penelitian pengenalan wajah (face recognition).

11 BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Studi Berikut ini beberapa studi yang terkait sebelumnya yang berhubungan dengan penelitian ini adalah sebagai berikut : 1. Face Recognition with Local Binary Patterns Timo Ahonen, Abdenour Hadid, dan Matti Pietikӓinen [5] mengimplementasikan Local Binary Pattern (LBP) dan membandingkan pendekatan tersebut dengan metode yang sering digunakan yaitu Principal Component Analysis (PCA), Elastic Bunch Graph Matching (EBGM) dan Bayesian Intra/extrapersonal Classifier (BIC) pada penelitiannya. Hasil eksperimen menunjukkan bahwa penggunaan pendekatan dengan metode LBP jauh lebih baik daripada metode lain yang diujikan. Pada kasus pengenalan wajah dengan ekspresi wajah yang berbeda, tingkat akurasi pengenalan LBP mencapai 97% sedangkan metode lain tidak mencapai 90%. Pendekatan LBP juga menghasilkan tingkat akurasi yang tinggi diantara metode lain yaitu sebesar 79%, 65% untuk PCA, 37% untuk BIC dan 42% untuk EBGM dalam kondisi pencahayaan yang berbeda. Selain efisiensi, kesederhanaan dari metode LBP memungkinkan untuk ekstraksi fitur yang sangat cepat. Tabel 1 : Tingkat akurasi pengenalan wajah berdasarkan ekspresi wajah pada dataset FERET Method Recognition rate LBP 97% PCA < 90% BIC < 90% EBGM < 90% 5

12 6 Tabel 2 : Tingkat akurasi pengenalan wajah berdasarkan kondisi pencahayaan pada dataset FERET Method Recognition rate LBP 79% PCA 65% BIC 37% EBGM 42% 2. Face Recognition using Local Binary Patterns (LBP) Md. Abdur Rahim, Md. Najmul Hossain, Tanzillah Wahid, dan Md. Shafiul Azam [7] dalam penelitiannya membandingkan tiga metode dalam membandingkan dua citra wajah (citra model dan citra database) yang telah melalui proses LBP. Ketiga metode yang digunakan adalah Histogram Intersection, Log-likelihood Statistic, dan Chi-Square. Karena pada beberapa daerah yang ada pada citra wajah (missal daerah mata) bisa mengandung informasi yang lebih penting daripada daerah yang lain, maka berat dapat diatur untuk masing-masing daerah berdasarkan pentingnya informasi yang dikandung. Berdasarkan penelitian pada jurnal ini, metode Chi-Square lebih baik daripada kedua metode yang lain dengan menerapkan berat untuk masing-masing daerah. Nilai Chi-Square yang dihitung dari histogram kedua citra wajah akan menentukan kesamaan atau kemiripan antara citra tersebut. Semakin rendah nilainya (disebut juga jarak antara dua gambar), semakin besar kesamaannya. 3. The Local Binary Pattern Approach and its Applications to Face Analysis Abdenour Hadid [8] dalam jurnalnya menuliskan bahwa Local Binary Pattern (LBP) sensitive terhadap perubahan pencahayaan yang terlalu kuat, gambar buram dan juga memiliki banyak noise. Jadi, dalam keadaan lingkungan seperti itu, penting untuk memberikan filter dan preprocess citra gambar sebelum menerapkan LBP. 4. Local Binary Patterns and Its Application to Facial Image Analysis: A Survey

13 7 Di Huang, Caifeng Shan, Mohsen Ardabilian, Yunhong Wang, dan Liming Chen [9] menuliskan pada jurnal ini bahwa pemilihan neighborhood (piksel tetangga) yang sesuai pada metode berbasis LBP sangat penting dan memiliki dampak yang signifikan terhadap hasil akhir. Hal ini melibatkan jumlah dari titik sampling, distribusi titik sampling, bentuk dari neighborhood, dan juga ukuran dari neighborhood. Alasan utamanya yaitu untuk memperoleh rotasi invariant untuk deskripsi tekstur. 5. A Face Recognition Technique using Local Binary Pattern Method Sarabjit Singh, Amritpal Kaur, Taqdir [1] pada penelitian ini menunjukkan bahwa fitur LBP efektif dan efisien pada pengenalan wajah. Seluruh gambar dibagi menjadi blok-blok berukuran sama kemudian nilai dari setiap pixel dibandingkan dengan nilai pixel tetangganya sehingga memberikan peneliti pola biner untuk setiap gambarnya. 6. A Color Face Recognition Using PCA and KNN Classifier K.S. Maheswari dan C. Harinath Babu [6] menyatakan bahwa penggunaan metode KNN menghasilkan tingkat akurasi yang baik mencapai 92,47% pada penelitian tersebut. Metode KNN merupakan metode klasifikasi yang baik dan efisien daripada metode lain karena tingkat kesalahan yang dapat dikurangi. 2.2 Tinjauan Pustaka Citra Grayscale Citra grayscale menggunakan warna pada tingkatan warna abu-abu. Jumlah bit pada citra abu-abu yaitu 8 sehingga jumlah warnanya ada 2 8 =256 yang artinya nilainya berada pada jangkauan 0 sampai 255. Sehingga nilai intensitas dari citra abu-abu tidak akan melebihi 255 dan tidak mungkin kurang dari 0 [10]. Grayscale bertujuan untuk menyederhanakan model citra dengan rumus [11]:

14 8 Grayscale = R+G+B 3 (a) Citra Biner Citra biner adalah citra yang hanya mempunyai dua nilai derajat keabuan yaitu hitam dan putih. Kadang disebut dengan gambar logis. Hitam menunjukkan nilai 0 dan putih menunjukkan nilai 1. Gambar pada mesin fax merupakan contoh dari citra biner Sistem Biometrika Sistem biometrika merupakan suatu sistem yang mengambil data biometrika dari individu seseorang kemudian mencari fitur-fitur individu tersebut dan membandingkannya dengan fitur-fitur yang ada dalam database sistem [11]. Sistem biometrika mempunyai dua cara dalam bekerja di sebuah aplikasi yaitu verifikasi dan identifikasi [12]. Verifikasi dalam sistem pengenalan wajah adalah suatu proses memastikan kebenaran dari suatu wajah individu yang ingin dikenali (hanya satu wajah saja) [13]. Identifikasi dalam sistem pengenalan wajah adalah menyeleksi atau menyocokkan beberapa wajah dengan database sistem aplikasi untuk mengetahui orang tersebut [13] Pengenalan Wajah (Face Recognition) Pengenalan wajah (face recognition) yaitu proses membandingkan citra wajah masukan dengan basis data wajah dan menemukan wajah yang paling cocok dengan citra yang dimasukkan [14]. Sistem pengenalan wajah merupakan sistem pengenalan pola (pattern recognition) yang terdiri dari 4 modul yaitu [2]: 1. Modul akuisisi data/sensor, citra wajah dari pengguna akan didapatkan dari modul akuisisi.

15 9 2. Modul pemrosesan awal (preprocessing), ekstraksi bagian wajah (facial region), normalisasi ukuran, rotasi serta pencahayaan (photometric normalization) dilakukan pada modul ini. 3. Modul ekstraksi fitur bertujuan untuk memperoleh satu set fitur yang berasal dari bagian wajah yang telah ternormalisasi. Dalam penelitian ini, satu set fitur berasal dari bagian wajah yang sudah dinormalisasi menggunakan LBP. 4. Modul pencocokan (matching) akan mencocokkan fitur yang telah diperoleh dari citra wajah yang diinputkan terhadap template/model yang ada di database sistem. Hasil dari prosedur pencocokan ini akan digunakan untuk pengambilan keputusan tentang identitas pengguna Ekstraksi Fitur Citra Ekstraksi fitur citra merupakan tahap untuk memunculkan ciri dan mereduksi dimensi yang dimiliki citra dari dimensi tinggi ke dimensi yang lebih rendah [15]. Fitur ekstraksi bertujuan untuk mencari daerah fitur yang signifikan pada gambar berdasarkan karakteristik intrinsik gambar tersebut Local Binary Pattern (LBP) Local Binary Pattern (LBP) dirancang untuk dekriptor tekstur. Dengan LBP memungkinkan untuk menjelaskan tekstur dan model dari gambar digital. Hal ini dapat dilakukan dengan membagi gambar ke dalam beberapa daerah kecil dari fitur yang diekstrak. Fitur-fitur ini berisi pola biner yang menggambarkan tata ruang piksel lokal sekelilingnya. Fitur yang terbentuk dari daerah lokal dirubah menjadi fitur histogram tunggal yang menggambarkan representasi dari gambar. Kemudian

16 10 gambar akan dibandingkan dengan mengukur kesamaan (jarak) antara histogram mereka [1]. LBP didefinisikan sebagai perbandingan nilai biner piksel pada pusat citra dengan 8 nilai piksel disekelilingnya. Misal pada sebuah citra berukuran 3x3, nilai piksel pada pusat citra akan dibandingkan dengan 7 nilai piksel sekelilingnya. Nilai sekelilingnya bernilai 1 apabila nilai piksel pusat lebih kecil dan bernilai 0 jika nilai piksel pusat lebih besar. Setelah semua nilai piksel telah dibandingkan dan didapatkan nilai biner dari hasil perbandingan tersebut, kemudian 8 nilai biner disusun searah jarum jam atau sebaliknya dan merubah 8 bit biner ke dalam nilai desimal untuk menggantikan nilai piksel pada pusat [4] Threshold Binary : Desimal : 211 Nilai desimal dari 8 bit dapat dinyatakan dalam persamaan berikut : p 1 LBP P,R (x c, y c ) = s(g p g c )2 p p=0 Dan fungsi s(x) didefinisikan sebagai berikut : 1, x 0 s(x) = { 0, x < 0 Fungsi (c) bertujuan untuk menghilangkan variabilitas yang disebabkan oleh iluminasi kontras sehingga citra wajah dengan berbagai pencahayaan akan mendapatkan output yang hampir mirip. (b) (c) K-Nearest Neighbor (KNN) KNN adalah algoritma dengan basis pembelajaran (supervised learning) [16] yang bertujuan untuk menemukan pola baru pada data dengan cara menghubungkan pola data yang baru dengan pola data yang

17 11 sudah ada. Algoritma KNN melakukan klasifikasi terhadap objek berdasarkan data uji dengan nilai jarak yang paling dekat dengan data latih. Teknik ini tergolong sederhana dan mudah dalam implementasi. Data uji diproyeksikan ke ruang berdimensi banyak dimana setiap dimensi merepresentasikan fitur dari data. Ruang ini dibagi menjadi bagian berdasarkan klasifikasi data uji. Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Pengukuran jarak pada algoritma KNN biasanya dihitung dengan jarak Euclidean (Euclidean Distance) [17]. Namun pada penelitian ini, penulis menggunakan pengukuran jarak berdasarkan Chi-Square Chi-Square Chi-Square digunakan sebagai classifier dalam ruang fitur. Konsep dasar Chi-Square adalah menguji kemiripan dari 2 buah distribusi histogram citra tes dan distribusi histogram citra training dengan menghitung nilai minimum dari rata-rata 2 histogram citra untuk menentukan kemiripan kedua citra wajah. x 2 (S, M) = (S i M i ) 2 i (d) S i +M i Untuk daerah spasial dapat dihitung dengan menjumlahkan i (bin dari histogram) dan j (region citra). Dengan membagi wajah kedalam daerah lebih kecil diharapkan dapat memberikan informasi yang lebih banyak dari citra wajah jika dibandingkan tanpa membagi citra wajah menjadi beberapa daerah. Sebagai contoh citra wajah pada daerah mata akan memberikan banyak informasi dibanding daerah yang lainnya [2]. 2 (S (S, M) = w i,j M i,j ) 2 j i j (e) x w S i,j +M i,j Dimana wj adalah bobot untuk setiap region j.

18 Kerangka Pemikiran Penulis membuat kerangka pemikiran dalam pembuatan laporan ini yang digambarkan dalam bentuk sebagai berikut : Masalah Tingkat akurasi pengenalan wajah dengan Local Binary Pattern berdasarkan klasifikasi K-Nearest Neighbor dengan pengukuran jarak Chi-Square Approach Pendekatan yang dilakukan dalam penelitian ini adalah metode ekstraksi fitur Local Binary Pattern berdasarkan K-Nearest Neighbor. Dataset Ekstraksi Fitur Local Binary Pattern Pengenalan K-Nearest Neighbor Tools Menggunakan tools MATLAB Pengujian Tingkat akurasi pengenalan dan error rate. Tujuan Mengetahui tingkat akurasi pengenalan wajah dengan penggunaan metode yang diusulkan. Gambar 1 : Kerangka Pemikiran

19 BAB III METODOLOGI PENELITIAN Metode penelitian yang dilakukan penulis adalah experimental atau berbasis pada eksperimen. 3.1 Instrumen Penelitian Instrumen penelitian yang akan digunakan dalam tahap implementasi penelitian ini terdiri atas 2 bagian yaitu : 1. Perangkat Lunak (Software) Perangkat lunak yang penulis gunakan dalam melakukan penelitian adalah sebagai berikut : a. Sistem operasi Microsoft Window 7 Ultimate 64 bit. b. Aplikasi code editor Matlab R2015a untuk menulis kode program. c. Microsoft Office Word 2007 untuk pembuatan laporan dan dokumentasi hasil penelitian. 2. Perangkat Keras (Hardware) Perangkat keras yang penulis gunakan dalam melakukan penelitian adalah sebagai berikut: a. Prosesor Intel(R) Core(TM) i3-2310m 2.10GHz b. RAM ukuran 2.00 GB c. Layar monitor ukuran Metode Pengumpulan Data a. Eksperimen Dalam pengumpulan data penulis mengambil gambar atau foto secara langsung pada wajah (dalam penelitian ini subjek wanita). Citra wajah yang diambil terdiri dari 6 jenis ekspresi wajah yang berbeda yaitu wajah datar, senyum, tertawa, memejamkan mata, bibir manyun, dan memakai 13

20 14 kacamata. Sudut pengambilan foto dilakukan dari depan. Lalu dilakukan implementasi data yang telah di dapat menggunakan MATLAB sesuai dengan metode yang telah diusulkan. b. Studi Pustaka Pengumpulan data yang dilakukan dalam penelitian tugas akhir ini dengan melakukan studi pada data citra yang pernah digunakan pada penelitian terkait yang sudah ada di tahun sebelumnya. 3.3 Usulan Penelitian Dalam penelitian ini terdapat dua tahap yang dilakukan penulis terhadap data penelitian tersebut, yaitu : Data citra uji & latih Ekstraksi Fitur LBP Pencocokan wajah (K-Nearest Neighbor) Wajah teridentifikasi / tidak teridentifikasi Gambar 2 : Flowchart sistem pengenalan wajah 3.4 Eksperimen Berdasarkan usulan penelitian yang telah digambarkan ke dalam flowchart sistem pengenalan wajah pada Gambar 4 di atas, penjelasan tahap penyelesaian adalah sebagai berikut :

21 Perancangan Data Pada penelitian ini digunakan dataset wajah yang telah diambil oleh penulis yang berasal dari 20 subjek dengan 6 ekspresi wajah berbeda pada setiap subjek sehingga total keseluruhan sebanyak 120 citra Tahap Ekstraksi Fitur LBP pada Citra Latih dan Citra Uji Sebelum dilakukan ekstraksi fitur, area wajah dilakukan preprocessing yaitu normalisasi crop menjadi ukuran 400x400 dan diubah menjadi citra grayscale. Setelah itu semua citra dilakukan ekstraksi fitur LBP untuk mendapat fitur vektor histogram Tahap Pencocokan Wajah (matching) Menggunakan K-Nearest Neighbor Hasil fitur vektor histogram kemudian dijadikan sebagai inputan metode K-Nearest Neighbor yang menggunakan Chi-Square untuk pengukuran jaraknya. 3.5 Pengujian Percobaan dilakukan dengan menggunakan total citra latih sebanyak 30 gambar dari 10 subjek dan total citra uji sebanyak 10 gambar dari 10 subjek yang telah dikumpulkan, akan diuji untuk membuktikan prosentase keberhasilan pengenalan dengan metode yang telah diusulkan. Penulis melakukan perhitungan akurasi dengan algoritma recognition rate dalam persamaan berikut : Akurasi (φ) = jumlah citra wajah dikenali 100% jumlah citra wajah keseluruhan (f)

22 BAB IV ANALISIS HASIL PENELITIAN DAN PEMBAHASAN 4.1 Analisis Data Pada tahap ini dilakukan analisis data latih dan uji sesuai dengan metode yang telah dibahas pada bab III. Data yang digunakan berupa citra wajah RGB ukuran 400x400 dengan format.jpg yang diperoleh dari pengambilan gambar secara langsung oleh penulis. Citra diambil dari kamera handphone terhadap 20 orang dengan jarak 30 cm tegak lurus di depan kamera. Data citra dikelompokkan menjadi 20 citra wajah orang yang dapat dikenali. Setiap subjek memiliki 6 ekspresi wajah berbeda sehingga total data yang digunakan sebanyak 120 citra. Dalam penelitian ini dataset citra dibagi menjadi dua yaitu data citra latih dan data citra uji. Data citra latih diambil sejumlah 4 citra. Sedangkan data citra uji berjumlah 2 citra. Dalam penelitian ini penulis melakukan dua tahap pengujian. Pengujian pertama yaitu menggunakan data citra uji yang sama dengan data citra latih untuk mengetahui kesesuaian pengenalan citra yang dilakukan. Pengujian kedua yaitu melakukan pengujian data citra latih sejumlah 80 citra terhadap data citra uji 40 citra. Gambar 3 : Contoh citra wajah yang digunakan 16

23 Pengolahan Citra Merubah Citra RGB ke Grayscale Pada tahap pertama, seluruh citra dataset RGB (Red, Green, Blue) yang digunakan diubah menjadi bentuk Grayscale karena proses filter dilakukan pada intensitas warna hitam dan putih yang terdapat pada citra tersebut. (a) (b) Gambar 4 : (a) Citra RGB (b) Citra grayscale Ekstraksi Fitur Local Binary Pattern Langkah kedua yaitu semua citra dataset baik uji maupun latih dilakukan ekstraksi fitur menggunakan Local Binary Pattern untuk memunculkan ciri dari setiap citra wajah. Metode ini membandingkan nilai biner piksel yang ada pada pusat citra dengan 8 nilai piksel yang ada disekelilingnya. Jika nilai piksel disekelilingnya lebih kecil dari nilai piksel pusat maka akan bernilai 1 sedangkan jika lebih besar dari nilai piksel pusat makan akan bernilai 0.

24 18 Gambar 5 : Nilai pixel dari citra sebelum di LBP Gambar 6 : Nilai pixel citra setelah ekstraksi fitur LBP Gambar 7 : Citra setelah ekstraksi fitur LBP

25 19 Dari hasil ekstraksi fitur Local Binary Pattern yang diaplikasikan terhadap data citra latih dan uji, diperoleh sekumpulan nilai vektor yang selanjutnya digunakan untuk perhitungan jarak pada tahap klasifikasi guna mengenali citra wajah Klasifikasi Citra Menggunakan K-Nearest Neighbor Tahap selanjutnya setelah ekstraksi fitur Local Binary Pattern yaitu klasifikasi citra untuk dapat melakukan pengenalan citra wajah. Data citra uji dan latih dihitung jaraknya terlebih dahulu (pada penelitian ini menggunakan Chi-Square). Kemudian hasil perhitungan dari semua data citra latih yang dibandingkan terhadap citra uji akan diurutkan dan diambil citra yang paling sedikit selisih jaraknya (paling besar kemiripannya). Dari situ akan diperoleh hasil pengenalan citra wajah yang paling mirip dengan data citra yang sebelumnya telah diberi label. Langkah awal pada tahap ini yaitu membuat data citra latih yang ingin digunakan sebagai database citra wajah. Pada penelitian ini penulis menggunakan 4 data citra latih dari 20 orang. Total data citra latih sebanyak 80 citra dengan penomoran 1-20.

26 Gambar 8 : Pembuatan data latih folder 20

27 21 Gambar 9 : Vektor dari 80 citra data latih Gambar 10 : Label dari 80 citra data latih

28 22 Citra yang nantinya akan diujikan akan dikenali kemiripannya sebagai salah satu dari ke-20 citra wajah yang ada pada data citra latih atau database. 4.3 Pengujian Pengujian dilakukan dua kali yaitu pengujian pertama menggunakan data uji yang sama dengan data latih dan pengujian kedua menggunakan data uji yang berbeda dengan data latih Pengujian Pertama Pengujian pertama dilakukan dengan menguji data citra latih yang sebelumnya telah disimpan dengan citra uji yang sama dengan citra yang digunakan dalam pembuatan data citra latih. Tabel 3 : Hasil pengujian pertama data citra latih 1, k=1 File Uji Target Hasil Uji Keterangan 1 1.jpg 1 1 True 1 3.jpg 1 1 True 1 5.jpg 1 1 True 1 6.jpg 1 1 True 10 1.jpg True 10 3.jpg True 10 5.jpg True 10 6.jpg True 11 1.jpg True 11 3.jpg True 11 5.jpg True 11 6.jpg True 12 1.jpg True 12 3.jpg True 12 5.jpg True

29 jpg True 13 1.jpg True 13 3.jpg True 13 5.jpg True 13 6.jpg True 14 1.jpg True 14 3.jpg True 14 5.jpg True 14 6.jpg True 15 1.jpg True 15 3.jpg True 15 5.jpg True 15 6.jpg True 16 1.jpg True 16 3.jpg True 16 5.jpg True 16 6.jpg True 17 1.jpg True 17 3.jpg True 17 5.jpg True 17 6.jpg True 18 1.jpg True 18 3.jpg True 18 5.jpg True 18 6.jpg True 19 1.jpg True 19 3.JPG True 19 5.jpg True 19 6.jpg True 2 1.jpg 2 2 True 2 3.jpg 2 2 True 2 5.jpg 2 2 True 2 6.jpg 2 2 True

30 jpg True 20 3.jpg True 20 5.jpg True 20 6.jpg True 3 1.jpg 3 3 True 3 3.jpg 3 3 True 3 5.jpg 3 3 True 3 6.jpg 3 3 True 4 1.jpg 4 4 True 4 3.jpg 4 4 True 4 5.jpg 4 4 True 4 6.jpg 4 4 True 5 1.jpg 5 5 True 5 3.jpg 5 5 True 5 5.jpg 5 5 True 5 6.jpg 5 5 True 6 1.jpg 6 6 True 6 3.jpg 6 6 True 6 5.jpg 6 6 True 6 6.jpg 6 6 True 7 1.jpg 7 7 True 7 3.jpg 7 7 True 7 5.jpg 7 7 True 7 6.jpg 7 7 True 8 1.jpg 8 8 True 8 3.jpg 8 8 True 8 5.jpg 8 8 True 8 6.jpg 8 8 True 9 1.jpg 9 9 True 9 3.jpg 9 9 True 9 5.jpg 9 9 True 9 6.jpg 9 9 True Jumlah benar 80

31 25 Tabel 4 : Hasil pengujian pertama data citra latih 2, k=1 File Uji Target Hasil Uji Keterangan 1 1.jpg 1 1 True 1 2.jpg 1 1 True 1 4.jpg 1 1 True 1 6.jpg 1 1 True 10 1.jpg True 10 2.jpg True 10 4.jpg True 10 6.jpg True 11 1.jpg True 11 2.jpg True 11 4.jpg True 11 6.jpg True 12 1.jpg True 12 2.jpg True 12 4.jpg True 12 6.jpg True 13 1.jpg True 13 2.jpg True 13 4.jpg True 13 6.jpg True 14 1.jpg True 14 2.jpg True 14 4.jpg True 14 6.jpg True 15 1.jpg True 15 2.jpg True 15 4.jpg True 15 6.jpg True 16 1.jpg True 16 2.jpg True 16 4.jpg True 16 6.jpg True

32 jpg True 17 2.jpg True 17 4.jpg True 17 6.jpg True 18 1.jpg True 18 2.jpg True 18 4.jpg True 18 6.jpg True 19 1.jpg True 19 2.JPG True 19 4.jpg True 19 6.jpg True 2 1.jpg 2 2 True 2 2.jpg 2 2 True 2 4.jpg 2 2 True 2 6.jpg 2 2 True 20 1.jpg True 20 2.jpg True 20 4.jpg True 20 6.jpg True 3 1.jpg 3 3 True 3 2.jpg 3 3 True 3 4.jpg 3 3 True 3 6.jpg 3 3 True 4 1.jpg 4 4 True 4 2.jpg 4 4 True 4 4.jpg 4 4 True 4 6.jpg 4 4 True 5 1.jpg 5 5 True 5 2.jpg 5 5 True 5 4.jpg 5 5 True 5 6.jpg 5 5 True 6 1.jpg 6 6 True

33 jpg 6 6 True 6 4.jpg 6 6 True 6 6.jpg 6 6 True 7 1.jpg 7 7 True 7 2.jpg 7 7 True 7 4.jpg 7 7 True 7 6.jpg 7 7 True 8 1.jpg 8 8 True 8 2.jpg 8 8 True 8 4.jpg 8 8 True 8 6.jpg 8 8 True 9 1.jpg 9 9 True 9 2.jpg 9 9 True 9 4.jpg 9 9 True 9 6.jpg 9 9 True Jumlah benar 80 Tabel 5 : Hasil pengujian pertama data citra latih 3, k=1 File Uji Target Hasil Uji Keterangan 1 2.jpg 1 1 True 1 3.jpg 1 1 True 1 4.jpg 1 1 True 1 5.jpg 1 1 True 10 2.jpg True 10 3.jpg True 10 4.jpg True 10 5.jpg True 11 2.jpg True 11 3.jpg True 11 4.jpg True 11 5.jpg True 12 2.jpg True 12 3.jpg True 12 4.jpg True

34 jpg True 13 2.jpg True 13 3.jpg True 13 4.jpg True 13 5.jpg True 14 2.jpg True 14 3.jpg True 14 4.jpg True 14 5.jpg True 15 2.jpg True 15 3.jpg True 15 4.jpg True 15 5.jpg True 16 2.jpg True 16 3.jpg True 16 4.jpg True 16 5.jpg True 17 2.jpg True 17 3.jpg True 17 4.jpg True 17 5.jpg True 18 2.jpg True 18 3.jpg True 18 4.jpg True 18 5.jpg True 19 2.JPG True 19 3.JPG True 19 4.jpg True 19 5.jpg True 2 2.jpg 2 2 True 2 3.jpg 2 2 True 2 4.jpg 2 2 True 2 5.jpg 2 2 True

35 jpg True 20 3.jpg True 20 4.jpg True 20 5.jpg True 3 2.jpg 3 3 True 3 3.jpg 3 3 True 3 4.jpg 3 3 True 3 5.jpg 3 3 True 4 2.jpg 4 4 True 4 3.jpg 4 4 True 4 4.jpg 4 4 True 4 5.jpg 4 4 True 5 2.jpg 5 5 True 5 3.jpg 5 5 True 5 4.jpg 5 5 True 5 5.jpg 5 5 True 6 2.jpg 6 6 True 6 3.jpg 6 6 True 6 4.jpg 6 6 True 6 5.jpg 6 6 True 7 2.jpg 7 7 True 7 3.jpg 7 7 True 7 4.jpg 7 7 True 7 5.jpg 7 7 True 8 2.jpg 8 8 True 8 3.jpg 8 8 True 8 4.jpg 8 8 True 8 5.jpg 8 8 True 9 2.jpg 9 9 True 9 3.jpg 9 9 True 9 4.jpg 9 9 True 9 5.jpg 9 9 True Jumlah benar 80

36 30 Tabel 6 : Hasil pengujian pertama data citra latih 1, k=3 File Uji Target Hasil Uji Keterangan 1 1.jpg 1 1 True 1 3.jpg 1 1 True 1 5.jpg 1 1 True 1 6.jpg 1 1 True 10 1.jpg False 10 3.jpg True 10 5.jpg True 10 6.jpg False 11 1.jpg 11 2 False 11 3.jpg 11 2 False 11 5.jpg 11 8 False 11 6.jpg 11 8 False 12 1.jpg 12 2 False 12 3.jpg 12 2 False 12 5.jpg 12 2 False 12 6.jpg 12 2 False 13 1.jpg False 13 3.jpg False 13 5.jpg False 13 6.jpg 13 8 False 14 1.jpg True 14 3.jpg True 14 5.jpg False 14 6.jpg False 15 1.jpg 15 8 False 15 3.jpg False 15 5.jpg 15 2 False 15 6.jpg 15 8 False 16 1.jpg False 16 3.jpg 16 8 False 16 5.jpg 16 8 False 16 6.jpg 16 8 False

37 jpg True 17 3.jpg True 17 5.jpg True 17 6.jpg True 18 1.jpg 18 2 False 18 3.jpg 18 2 False 18 5.jpg 18 2 False 18 6.jpg 18 2 False 19 1.jpg 19 2 False 19 3.JPG 19 8 False 19 5.jpg 19 8 False 19 6.jpg 19 8 False 2 1.jpg 2 2 True 2 3.jpg 2 2 True 2 5.jpg 2 2 True 2 6.jpg 2 2 True 20 1.jpg 20 2 False 20 3.jpg 20 2 False 20 5.jpg 20 8 False 20 6.jpg False 3 1.jpg 3 2 False 3 3.jpg 3 2 False 3 5.jpg 3 2 False 3 6.jpg 3 2 False 4 1.jpg 4 4 True 4 3.jpg 4 17 False 4 5.jpg 4 17 False 4 6.jpg 4 17 False 5 1.jpg 5 17 False 5 3.jpg 5 5 True 5 5.jpg 5 5 True 5 6.jpg 5 5 True 6 1.jpg 6 6 True

38 jpg 6 17 False 6 5.jpg 6 6 True 6 6.jpg 6 2 False 7 1.jpg 7 2 False 7 3.jpg 7 2 False 7 5.jpg 7 2 False 7 6.jpg 7 17 False 8 1.jpg 8 17 False 8 3.jpg 8 8 True 8 5.jpg 8 8 True 8 6.jpg 8 8 True 9 1.jpg 9 8 False 9 3.jpg 9 17 False 9 5.jpg 9 2 False 9 6.jpg 9 8 False Jumlah benar 25 Tabel 7 : Hasil pengujian pertama data citra latih 2, k=3 File Uji Target Hasil Uji Keterangan 1 1.jpg 1 1 True 1 2.jpg 1 1 True 1 4.jpg 1 1 True 1 6.jpg 1 1 True 10 1.jpg False 10 2.jpg True 10 4.jpg True 10 6.jpg False 11 1.jpg True 11 2.jpg 11 8 False 11 4.jpg 11 8 False 11 6.jpg 11 8 False 12 1.jpg 12 2 False 12 2.jpg 12 2 False 12 4.jpg 12 2 False

39 jpg 12 2 False 13 1.jpg False 13 2.jpg False 13 4.jpg 13 8 False 13 6.jpg 13 8 False 14 1.jpg True 14 2.jpg True 14 4.jpg True 14 6.jpg False 15 1.jpg 15 8 False 15 2.jpg 15 8 False 15 4.jpg 15 2 False 15 6.jpg 15 8 False 16 1.jpg False 16 2.jpg 16 8 False 16 4.jpg False 16 6.jpg 16 8 False 17 1.jpg True 17 2.jpg True 17 4.jpg True 17 6.jpg True 18 1.jpg 18 2 False 18 2.jpg 18 2 False 18 4.jpg 18 2 False 18 6.jpg 18 2 False 19 1.jpg 19 2 False 19 2.JPG 19 8 False 19 4.jpg 19 2 False 19 6.jpg 19 8 False 2 1.jpg 2 2 True 2 2.jpg 2 2 True 2 4.jpg 2 2 True 2 6.jpg 2 2 True

40 jpg 20 2 False 20 2.jpg False 20 4.jpg 20 2 False 20 6.jpg False 3 1.jpg 3 3 True 3 2.jpg 3 3 True 3 4.jpg 3 3 True 3 6.jpg 3 3 True 4 1.jpg 4 4 True 4 2.jpg 4 17 False 4 4.jpg 4 4 True 4 6.jpg 4 17 False 5 1.jpg 5 5 True 5 2.jpg 5 5 True 5 4.jpg 5 5 True 5 6.jpg 5 5 True 6 1.jpg 6 6 True 6 2.jpg 6 6 True 6 4.jpg 6 6 True 6 6.jpg 6 6 True 7 1.jpg 7 2 False 7 2.jpg 7 2 False 7 4.jpg 7 2 False 7 6.jpg 7 17 False 8 1.jpg 8 8 True 8 2.jpg 8 8 True 8 4.jpg 8 8 True 8 6.jpg 8 8 True 9 1.jpg 9 8 False 9 2.jpg 9 8 False 9 4.jpg 9 5 False 9 6.jpg 9 8 False Jumlah benar 36

41 35 Tabel 8 : Hasil pengujian pertama data citra latih 3, k=3 File Uji Target Hasil Uji Keterangan 1 2.jpg 1 1 True 1 3.jpg 1 1 True 1 4.jpg 1 1 True 1 5.jpg 1 1 True 10 2.jpg True 10 3.jpg True 10 4.jpg True 10 5.jpg True 11 2.jpg False 11 3.jpg 11 2 False 11 4.jpg False 11 5.jpg False 12 2.jpg 12 2 False 12 3.jpg 12 2 False 12 4.jpg 12 2 False 12 5.jpg 12 2 False 13 2.jpg False 13 3.jpg False 13 4.jpg False 13 5.jpg True 14 2.jpg False 14 3.jpg True 14 4.jpg True 14 5.jpg True 15 2.jpg False 15 3.jpg False 15 4.jpg 15 2 False 15 5.jpg 15 2 False 16 2.jpg False 16 3.jpg False 16 4.jpg False 16 5.jpg False

42 jpg True 17 3.jpg True 17 4.jpg True 17 5.jpg True 18 2.jpg 18 2 False 18 3.jpg 18 2 False 18 4.jpg 18 2 False 18 5.jpg 18 2 False 19 2.JPG False 19 3.JPG False 19 4.jpg 19 2 False 19 5.jpg False 2 2.jpg 2 2 True 2 3.jpg 2 2 True 2 4.jpg 2 2 True 2 5.jpg 2 2 True 20 2.jpg False 20 3.jpg 20 2 False 20 4.jpg 20 2 False 20 5.jpg False 3 2.jpg 3 3 True 3 3.jpg 3 3 True 3 4.jpg 3 3 True 3 5.jpg 3 3 True 4 2.jpg 4 17 False 4 3.jpg 4 17 False 4 4.jpg 4 4 True 4 5.jpg 4 17 False 5 2.jpg 5 17 False 5 3.jpg 5 5 True 5 4.jpg 5 5 True 5 5.jpg 5 5 True 6 2.jpg 6 17 False

43 jpg 6 17 False 6 4.jpg 6 6 True 6 5.jpg 6 17 False 7 2.jpg 7 2 False 7 3.jpg 7 2 False 7 4.jpg 7 2 False 7 5.jpg 7 2 False 8 2.jpg 8 8 True 8 3.jpg 8 8 True 8 4.jpg 8 8 True 8 5.jpg 8 8 True 9 2.jpg 9 17 False 9 3.jpg 9 17 False 9 4.jpg 9 17 False 9 5.jpg 9 2 False Jumlah benar Pengujian Kedua Pengujian kedua dilakukan dengan menguji citra uji terhadap data citra latih DataCitraLatih.mat dengan membuka salah satu gambar citra uji yang ingin dikenali. Tabel 9 : Hasil pengenalan menggunakan data uji 1, k=1 File Uji Target Hasil Uji Keterangan 1 2.jpg 1 1 True 1 4.jpg 1 1 True 10 2.jpg True 10 4.jpg True 11 2.jpg 11 8 False 11 4.jpg 11 8 False 12 2.jpg 12 2 False 12 4.jpg 12 2 False 13 2.jpg False

44 jpg False 14 2.jpg True 14 4.jpg False 15 2.jpg False 15 4.jpg 15 2 False 16 2.jpg False 16 4.jpg False 17 2.jpg True 17 4.jpg True 18 2.jpg 18 2 False 18 4.jpg 18 2 False 19 2.JPG False 19 4.jpg 19 2 False 2 2.jpg 2 2 True 2 4.jpg 2 2 True 20 2.jpg False 20 4.jpg False 3 2.jpg 3 2 False 3 4.jpg 3 3 True 4 2.jpg 4 17 False 4 4.jpg 4 17 False 5 2.jpg 5 5 True 5 4.jpg 5 5 True 6 2.jpg 6 8 False 6 4.jpg 6 8 False 7 2.jpg 7 2 False 7 4.jpg 7 2 False 8 2.jpg 8 8 True 8 4.jpg 8 8 True 9 2.jpg 9 17 False 9 4.jpg 9 5 False Jumlah benar 14 Tabel 10 : Hasil pengenalan menggunakan data uji 2, k=1

45 39 File Uji Target Hasil Uji Keterangan 1 3.jpg 1 1 True 1 5.jpg 1 1 True 10 3.jpg True 10 5.jpg 10 2 False 11 3.jpg 11 2 False 11 5.jpg 11 8 False 12 3.jpg 12 2 False 12 5.jpg 12 2 False 13 3.jpg False 13 5.jpg False 14 3.jpg True 14 5.jpg True 15 3.jpg False 15 5.jpg False 16 3.jpg False 16 5.jpg False 17 3.jpg True 17 5.jpg True 18 3.jpg 18 2 False 18 5.jpg 18 2 False 19 3.JPG 19 8 False 19 5.jpg 19 8 False 2 3.jpg 2 2 True 2 5.jpg 2 2 True 20 3.jpg False 20 5.jpg 20 8 False 3 3.jpg 3 2 False 3 5.jpg 3 3 True 4 3.jpg 4 17 False 4 5.jpg 4 17 False 5 3.jpg 5 5 True 5 5.jpg 5 5 True

46 jpg 6 17 False 6 5.jpg 6 8 False 7 3.jpg 7 2 False 7 5.jpg 7 2 False 8 3.jpg 8 8 True 8 5.jpg 8 8 True 9 3.jpg 9 17 False 9 5.jpg 9 8 False Jumlah benar 14 Tabel 11 : Hasil pengenalan menggunakan data uji 3, k=1 File Uji Target Hasil Uji Keterangan 1 1.jpg 1 1 True 1 6.jpg 1 1 True 10 1.jpg False 10 6.jpg False 11 1.jpg 11 2 False 11 6.jpg False 12 1.jpg 12 2 False 12 6.jpg 12 2 False 13 1.jpg False 13 6.jpg False 14 1.jpg True 14 6.jpg False 15 1.jpg False 15 6.jpg False 16 1.jpg False 16 6.jpg False 17 1.jpg True 17 6.jpg True 18 1.jpg 18 2 False 18 6.jpg 18 2 False 19 1.jpg 19 2 False 19 6.jpg False

47 jpg 2 2 True 2 6.jpg 2 2 True 20 1.jpg False 20 6.jpg False 3 1.jpg 3 3 True 3 6.jpg 3 2 False 4 1.jpg 4 17 False 4 6.jpg 4 17 False 5 1.jpg 5 5 True 5 6.jpg 5 5 True 6 1.jpg 6 17 False 6 6.jpg 6 2 False 7 1.jpg 7 2 False 7 6.jpg 7 17 False 8 1.jpg 8 8 True 8 6.jpg 8 8 True 9 1.jpg 9 17 False 9 6.jpg 9 17 False Jumlah benar 12 Tabel 12 : Hasil pengenalan data uji 1, k=3 File Uji Target Hasil Uji Keterangan 1 2.jpg 1 1 True 1 4.jpg 1 1 True 10 2.jpg True 10 4.jpg True 11 2.jpg False 11 4.jpg False 12 2.jpg 12 2 False 12 4.jpg 12 2 False 13 2.jpg False 13 4.jpg False 14 2.jpg False 14 4.jpg False

48 jpg False 15 4.jpg 15 2 False 16 2.jpg False 16 4.jpg False 17 2.jpg True 17 4.jpg True 18 2.jpg 18 2 False 18 4.jpg 18 2 False 19 2.JPG False 19 4.jpg 19 2 False 2 2.jpg 2 2 True 2 4.jpg 2 2 True 20 2.jpg False 20 4.jpg 20 2 False 3 2.jpg 3 2 False 3 4.jpg 3 2 False 4 2.jpg 4 17 False 4 4.jpg 4 4 True 5 2.jpg 5 17 False 5 4.jpg 5 5 True 6 2.jpg 6 17 False 6 4.jpg 6 17 False 7 2.jpg 7 2 False 7 4.jpg 7 2 False 8 2.jpg 8 17 False 8 4.jpg 8 17 False 9 2.jpg 9 17 False 9 4.jpg 9 5 False Jumlah benar 10 Tabel 13 : Hasil pengenalan data uji 2, k=3 File Uji Target Hasil Uji Keterangan 1 3.jpg 1 1 True 1 5.jpg 1 1 True

49 jpg 10 2 False 10 5.jpg False 11 3.jpg 11 2 False 11 5.jpg 11 2 False 12 3.jpg 12 2 False 12 5.jpg 12 2 False 13 3.jpg False 13 5.jpg False 14 3.jpg True 14 5.jpg True 15 3.jpg False 15 5.jpg 15 2 False 16 3.jpg False 16 5.jpg 16 5 False 17 3.jpg True 17 5.jpg True 18 3.jpg 18 2 False 18 5.jpg 18 2 False 19 3.JPG False 19 5.jpg False 2 3.jpg 2 2 True 2 5.jpg 2 2 True 20 3.jpg False 20 5.jpg False 3 3.jpg 3 3 True 3 5.jpg 3 3 True 4 3.jpg 4 17 False 4 5.jpg 4 17 False 5 3.jpg 5 5 True 5 5.jpg 5 5 True 6 3.jpg 6 17 False 6 5.jpg 6 17 False 7 3.jpg 7 17 False

50 jpg 7 2 False 8 3.jpg 8 8 True 8 5.jpg 8 8 True 9 3.jpg 9 17 False 9 5.jpg 9 2 False Jumlah benar 14 Tabel 14 : Hasil pengenalan data uji 3, k=3 File Uji Target Hasil Uji Keterangan 1 1.jpg 1 1 True 1 6.jpg 1 1 True 10 1.jpg False 10 6.jpg False 11 1.jpg 11 2 False 11 6.jpg False 12 1.jpg False 12 6.jpg 12 2 False 13 1.jpg False 13 6.jpg False 14 1.jpg True 14 6.jpg False 15 1.jpg False 15 6.jpg False 16 1.jpg False 16 6.jpg False 17 1.jpg True 17 6.jpg True 18 1.jpg 18 2 False 18 6.jpg 18 2 False 19 1.jpg False 19 6.jpg False 2 1.jpg 2 2 True 2 6.jpg 2 2 True 20 1.jpg False

51 jpg False 3 1.jpg 3 3 True 3 6.jpg 3 2 False 4 1.jpg 4 4 True 4 6.jpg 4 17 False 5 1.jpg 5 5 True 5 6.jpg 5 5 True 6 1.jpg 6 17 False 6 6.jpg 6 17 False 7 1.jpg 7 2 False 7 6.jpg 7 17 False 8 1.jpg 8 8 True 8 6.jpg 8 8 True 9 1.jpg 9 17 False 9 6.jpg 9 17 False Jumlah benar Perhitungan Akurasi Perhitungan akurasi dilakukan untuk mengetahui seberapa bagus penerapan metode ekstraksi fitur Local Binary Pattern pada pengenalan wajah. Perhitungan akurasi ini dilakukan menggunakan algoritman recognition rate. Tingkat akurasi pada pengujian pertama yang menguji kesesuaian masing masing data citra latih (data citra latih 1, 2, & 3) mencapai 100% pada kondisi k=1. Namun tingkat akurasi mengalami penurunan saat k=3. Hasil dapat dilihat pada tabel Berdasarkan pengujian yang telah dilakukan, lebih baik menggunakan nilai k=1 karena hasilnya yang mencapai 100% sehingga data citra latih 1, 2, & 3 sesuai dan sudah layak untuk dijadikan sebagai database. Tabel 15 : Tingkat akurasi pada pengujian pertama Data k=1 k=3 Data citra latih 1 100% 31,25% Data citra latih 2 100% 45%

52 46 Data citra latih 3 100% 41,25% Tingkat akurasi rata 100% 39,16% Tingkat akurasi pada pengujian kedua yang melakukan pengenalan citra wajah antara data citra latih dan data citra uji yang berbeda dari data citra latih yang sudah disimpan menunjukkan bahwa kondisi k=1 lebih baik daripada saat nilai k=3. Hasil tingkat akurasi pengenalan citra dapat dilihat di tabel Tabel 16 : Tingkat akurasi pada pengujian kedua Data k=1 k=3 Data citra uji 1 35% 25% Data citra uji 2 35% 35% Data citra uji 3 30% 32,5% Tingkat akurasi rata 33,3% 30,83% 4.5 Tampilan GUI Penulis juga membuat tampilan GUI untuk sistem pengenalan wajah ini agar lebih mudah dalam melakukan proses pengenalan, pelatihan, dan pengujian data. Gambar tampilan GUI untuk pengenalan wajah ditampilkan dalam gambar di bawah ini.

53 47 Gambar 11 : GUI pengenalan wajah Dalam GUI pengenalan wajah terdapat 5 tombol yaitu tombol Buka gambar untuk mengambil data gambar yang ingin dilakukan pengenalan. Tombol Kenali gambar untuk mendapatkan hasil pengenalan. Tombol Buat Latih Folder untuk membuat database citra latih. Tombol Menu Uji Folder untuk melakukan pengujian pengenalan wajah dari folder citra uji terhadap database citra latih. Tombol Menu awal yang memuat halaman pertama atau cover dari sistem pengenalan wajah.

54 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan penelitian yang dilakukan dapat diperoleh kesimpulan sebagai berikut : 1. Penggunaan algoritma Chi-Square yang diterapkan dalam KNN memiliki tingkat akurasi rata rata 50,83%. 2. Kesesuaian data citra latih terjadi saat nilai k=1 yaitu sebesar 100%. 3. Rata rata tingkat akurasi pengenalan wajah paling baik terjadi saat nilai k=1. 4. Tingkat pengenalan wajah paling baik terjadi saat data citra uji yang dipakai tidak menggunakan aksesoris. 5. Semakin tinggi nilai k yang digunakan, semakin rendah tingkat akurasi yang didapatkan. 6. Variasi ekspresi dan penggunaan aksesoris pada data citra berpengaruh dalam pengenalan wajah. 5.2 Saran Berdasarkan kesimpulan yang diatas, beberapa saran untuk penelitian serupa yaitu : 1. Sebaiknya pada saat pengambilan data citra latih dalam kondisi pencahayaan yang sama. 2. Penerapan metode LBP yang digunakan dibagi terlebih dahulu menjadi beberapa blok sehingga ciri yang didapatkan dari setiap citra akan lebih spesifik. 3. Melakukan tahap pre-processing pada citra sebelum pengenalan. 48

55 DAFTAR PUSTAKA [1] Sarabjit Singh, Amritpal Kaur, and Taqdir, "A Face Recognition Technique using Local Binary Pattern Method," vol. 4, no. 3, [2] Eko Wahyudi, Hendra Kusuma, and Wirawan, "Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square," [3] Faisal Nur Achsani, Ratri Dwi Atmaja, and Rita Purnamasari, "Deteksi Adanya Cacat Pada Kayu Menggunakan Metode Local Binary Pattern". [4] Timo Ahonen, Abdenour Hadid, and Matti Pietik, "Face Description with Local Binary Pattern: Application to Face Recognition," vol. 28, [5] Timo Ahonen, Abdenour Hadid, and Matti Pietikainen, "Face Recognition with Local Binary Patterns," [6] K.S Maheswari and C. Harinath Babu, "A Color Face Recognition Using PCA and KNN Classifier," International Journal & Magazine of Engineering, Technology, Management and Research, vol. II, no. 9, September [7] Md. Abdur Rahim, Md. Najmul Hossain, Tanzillah Wahid, and Md. Shafiul Azam, "Face Recognition using Local Binary Patterns (LBP)," Global Journal Of Computer Science And Technology, vol. 13, no. 4, [8] Abdenour Hadid, "The Local Binary Pattern Approach and its Applications to Face Analysis," in International Workshops on Image Processing Theory, Tools and Applications, Finlandia, 2008, pp [9] Di Huang, Caifeng Shan, Mohsen Ardebilian, Yunhong Wang, and Liming Chen, "Local Binary Patterns and Its Application to Facial Image Analysis: A Survey," IEEE Transactions on Systems, Man, and Cybernetics - Part C: Applications and Reviews, vol. 41, pp , November

56 50 [10 Endra Budi Utomo, "Pengenalan Wajah Wanita Berkerudung Menggunakan ] Metode 2DPCA dan K-Nearest Neighbor," Semarang, [11 M. Miftah, "Pengenalan Wajah Untuk Keamanan Laptop Dengan Metode ] Triangle Face," [12 I. N. Piarsa and R. Hisamuddin, "Sistem Verifikasi Online Menggunakan ] Wajah," vol. 9, [13 D. F. Azis, "Simulasi Akses Ruangan Pada Sistem Pengenalan Wajah ] Menggunakan Metode Triangle Face," [14 M. Dwisnanto Putro, Teguh Bharata Adji, and Bondhan Winduratna, "Sistem ] Deteksi Wajah dengan Menggunakan Metode Viola-Jones," [15 M. H. Purnomo and A. Muntasa, Konsep Pengolahan Citra Digital dan ] Ekstraksi Fitur. Yogyakarta: Graha Ilmu, [16 T. Mitsa, Temporal Data Mining. New York, ] [17 Nursalim, Suprapedi, and H. Himawan, "Klasifikasi Bidang Kerja Lulusan ] Menggunakan Algoritma K-Nearest Neighbor," Jurnal Teknologi Informasi, vol. 10, April [18 (2002) Cambridge University Computer Laboratory. [Online]. ] [19 Eko Wahyudi, Wirawan, and Hendra Kusuma, "Teknik Pengenalan Wajah ] Berbasis Fitur Local Binary Pattern (LBP)". [20 (2013, Januari) Informatika. [Online]. ] 2.htm [21 Ming-Hsuan Yang, David J. Kriegman, and Narendra Ahuja, "Detecting Face in ] Images: A Survey," vol. 24, [22 Hendra Kusuma, Wirawan, and Djoko Purwanto, "Single Scale Retinex dan

57 51 ] Histogram Remapping untuk Perbaikan Recognition Rate pada Eigenspace-based Face Recognition," [23 The University of Auckland. (2010, Mei) Microsoft Power Point - Image ] Filtering-6.ppt. [Online]. 20Filtering_2up.pdf