BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali wajah seseorang. Pada manusia, sistem pengenalan wajahnya menggunakan mata sebagai media masukan ke dalam sistem. Lalu, mata mengirimkan data hasil penglihatannya ke otak, kemudian didalam otak terjadi adanya pengolahan data dan dimasukan ke dalam memori yang biasa disebut ingatan manusia. Pada komputer, sistem pengenalannya menggunakan kamera atau scanner untuk menjadi media masukkannya. Lalu, hasil dari tangkapan media masukan tadi diolah dengan beberapa proses kemudian hasil olahannya dimasukan ke dalam memori komputer untuk kebutuhan pengenalan wajah seseorang. Para peneliti sudah banyak menggunakan berbagai metode yang berbeda yang dimana setiap metode itu ada kelebihan dan kekurangannya. Bahkan tidak sedikit metode metode itu digabungkan dengan harapan mendapatkan hasil yang lebih baik tetapi dari semua metode yang diujikan tetap saja belum mendapatkan hasil yang sempurna. Hal tersebut dikarenakan wajah manusia yang sangat kompleks. Bisa kita katakan bahwa hampir semua pengembangan dan implementasi dari aplikasi pengenalan wajah sampai saat ini belum ada yang mampu beradaptasi dengan situasi pencahayaan yang berbeda-beda, tingkat kecepatan prosesnya berbanding terbalik dengan tingkat akurasinya. Kesulitan yang paling sering dihadapi dalam proses pengenalan wajah adalah banyaknya variasi dalam satu wajah sedangkan variasi antar wajah yang berbeda sangatlah dikit. Selain itu, suatu metode pengenalan wajah sangat sukar sekali mencari mana yang cocok untuk diimplementasikan pada perangkat yang hanya memiliki komputasi terbatas seperti smartphone, televisi, kulkas, dan perangkat keras lainnya. 26
27 3.2 Metodologi Di dalam setiap penelitian tentang pengenalan pola atau pengenalan wajah, akan ditemukan hal yang berhubungan dengan image processing dan computer vision. Image Processing adalah suatu proses yang mengolah suatu gambar menjadi sedemikian rupa sehingga gambar tersebut lebih mudah untuk diproses. Sedangkan tujuan Computer Vision adalah menghasilkan suatu keputusan yang berguna yang ditangkap dari media masukan. Dari sekian banyak metode pengenalan wajah yang telah diteliti dan diuji, pada penelitian ini kami menggunakan metode Local Binary Pattern untuk memecahkan solusi dalam pengenalan wajah. Pengujian ini bertujuan untuk mengetahui kecepatan proses dan keakuratan dalam metode Local Binary Pattern untuk diimplementasikan dalam perangkat yang hanya memiliki komputasi yang terbatas. Proses LBP untuk training dapat dilihat pada gambar 3.1 dan untuk recognition dapat dilihat pada gambar 3.2. Gambar 3.1 Diagram deteksi wajah pada Local Binary Pattern.
28 Pada gambar 3.1, seluruh training image yang akan digunakan baik wajah maupun bukan wajah diproses dengan metode Local Binary Pattern dengan uniform pattern = 2. Dengan uniform pattern tersebut terbentuk 58 pola biner. Dari 58 pola yang di dapat ditambahkan 1 untuk mewakili selain dari pola biner yang didapat dari uniform pattern. Setelah itu dilakukan pembentukan model antara citra wajah dan citra bukan wajah. Kemudian model tersebut yang merupakan file XML diuji atau dilakukan pendeteksian wajah dengan menggunakan metode Gentle Adaboost. Proses klarifikasi dilakukan secara bertahap dengan jumlah bin yang bertambah setiap tahap guna menyingkat proses komputasi. Gambar 3.2 Diagram proses pengenalan wajah dengan menggunakan Local Binary Pattern Pada gambar 3.2, bagian atas merupakan proses training image dilakukan hingga terbentuk model yang digunakan untuk proses identifikasi. Kemudian pada bagian bawah dapat dilihat citra wajah dimasukkan kedalam sistem pendeteksian wajah. Setelah itu citra wajah yang didapat dilakukan proses preprocessing lalu hasilnya digunakan
29 untuk ekstrasi fitur dengan metode Local Binary Pattern. Hasil ekstrasi fitur dilakukan pengenalan wajah dengan model yang didapat dari proses training. 3.3 Proses Training Citra Wajah Flow Chart bagaimana sistem yang digunakan dalam penelitian ini ketika proses melakukan training citra wajah ditunjukkan pada Gambar 3.4. Gambar 3.3 Flow chart proses training
30 Masukkan nama yang akan digunakan sebagai label nama pada image yang diambil. File citra wajah diambil menggunakan webcam melalui proses deteksi. Pendeteksian dilakukan berulang-ulang hingga mendapatkan citra wajah. Setelah citra wajah didapat, dilakukan konversi citra ke grayscale kemudian dilakukan equalize histogram. Citra wajah disimpan dan dapat dilakukan kembali pengambilan citra wajah. Jika pengambilan gambar selesai dilakukan pembuatan file csv untuk keterangan data yang tersimpan. Setelah itu dilakukan training citra wajah. 3.4 Proses Pengenalan Citra Wajah Flow Chart bagaimana sistem yang digunakan dalam penelitian ini ketika proses melakukan training citra wajah ditunjukkan pada Gambar 3.5. Gambar 3.4 Flow chart proses recognition
31 Pilih nama dari wajah yang diharapkan muncul. Setelah nama dipilih, citra dideteksi dan dikenali dengan pengambilan citra pada webcam dan file video. Jika ditemukan citra wajah maka file citra wajah akan di training dengan algoritma LBP dan akan dikenali dengan pemunculan nama. Proses pengenalan citra wajah dilakukan secara terus menerus sampai dihentikan. 3.5 Perancangan UML 3.5.1 Use Case Diagram Gambar 3.5 Use case diagram sistem identifikasi wajah Input Data Citra Wajah dari Webcam Pengaturan Deteksi dan Identifikasi Use case ini menggambarkan bagaimana user menambahkan data citra wajah dari tangkapan webcam sebagai data training. Use case ini menggambarkan bagaimana
32 Pengenalan Citra Wajah dari Video Pengenalan Citra Wajah dari Webcam user melakukan modifikasi pengaturan untuk proses deteksi dan identifikasi, seperti deteksi untuk sisi wajah mana saja yang diaktifkan, nilai threshold, dan lain sebagainya. Use case ini menggambarkan bagaimana user menggunakan aplikasi untuk melakukan deteksi dan pengenalan citra wajah dari video. Use case ini menggambarkan bagaimana operator menggunakan aplikasi untuk melakukan deteksi dan pengenalan citra wajah dari webcam secara realtime.
33 3.5.2 Sequence Diagram Berikut adalah sequence diagram dari proses yang terdapat dari aplikasi pengenalan citra wajah 1. Sequence diagram input data citra wajah dari webcam Gambar 3.6 Sequence diagram input data citra wajah dari webcam
34 2. Sequence diagram pengaturan deteksi dan identifikasi Gambar 3.7 Sequence diagram pengaturan deteksi dan identifikasi
35 3. Sequence diagram pengenalan citra wajah dari video Gambar 3.8 Sequence diagram pengenalan citra wajah dari video
36 4. Sequence diagram pengenalan citra wajah dari webcam Gambar 3.9 Sequence diagram pengenalan citra wajah dari webcam
37 3.6 Rancangan Bangun 3.6.1 Perancangan Layar Aplikasi Awal Gambar 3.10 Layar aplikasi awal Pada tampilan layar aplikasi awal, user dapat memilih untuk melakukan training atau dapat memilih untuk melakukan pengenalan wajah. Pada menu bar user dapat memilih untuk keluar aplikasi dan juga user dapat melakukan setting pada pengenalan wajah yang akan dilakukan dengan metode LBP.
38 3.6.2 Perancangan Layar Input Data Citra Wajah dan Training Gambar 3.11 Layar input data citra wajah dan training Pada layar input data, nama user diinputkan ataupun dapat dipilih pada combobox. Ketika tombol Start Detect Face ditekan, secara otomatis layar baru akan muncul dan mengaktifkan webcam. Ketika wajah telah terdeteksi, tombol Take Photo ditekan kemudian layar webcam akan tertutup dan muncul kotal dialog yang menyatakan bahwa foto berhasil diambil. Ketika tombol Training All Images ditekan maka sistem akan melakukan pembuatan csv file yang detailnya ditunjukkan pada layar detail (gambar 3.16). Tombol Back ditekan maka akan kembali ke layar awal (gambar 3.10).
39 3.6.3 Perancangan Layar Form Menu Pengenalan Citra Wajah Gambar 3.12 Layar form menu pengenalan citra wajah Ketika tombol Recognition from video maka layar akan berganti menjadi layar pengenalan citra pada video (gambar 3.13). Tombol Real-time Recognition ditekan untuk membuka layar pengenalan citra wajah pada webcam (gambar 3.14). Tombol Back ditekan maka akan kembali ke layar awal (gambar 3.10).
40 3.6.4 Perancangan Layar Pengenalan Citra Wajah pada Video Gambar 3.13 Pengenalan citra wajah pada video Nama dapat dipilih berdasarkan yang tertera pada combobox. Tombol Start Recognize ditekan maka muncul layar untuk memilih file video yang ingin dikenali citra wajahnya. Jika yang dipilih bukan file video maka akan muncul pesan kesalahan. Tombol Back ditekan maka akan kembali ke layar awal (gambar 3.10).
41 3.6.5 Perancangan Layar Pengenalan Citra Wajah Melalui Webcam Gambar 3.14 Layar pengenalan citra wajah melalui webcam Nama dapat dipilih berdasarkan yang tertera pada combobox. Tombol Start Recognize ditekan maka secara otomatis layar baru akan muncul dan mengaktifkan webcam. Tombol Back ditekan maka akan kembali ke layar awal (gambar 3.10).
42 3.6.6 Perancangan Layar Form Pengaturan Gambar 3.15 Layar form pengaturan Pada layar form pengaturan, terdapat checkbox yang dapat dipilih adalah Left Face, Frontal Face, Right Face. Pemilihan checkbox ini berguna untuk mengaktifkan pengenalan wajah pada posisi wajah yang diinginkan. Terdapat checkbox untuk memilih penggunaan konversi ukuran citra wajah dan checkbox untuk melakukan histogram equalization pada citra wajah yang didapat. Nilai threshold dapat dipilihdengan mengisi pada textbox. Semakin besar nilai ambang (threshold) yang digunakan semakin besar sebuah citra wajah dikenali sebagai salah satu dari citra wajah di dalam data training, tetapi semakin kecil juga tingkat akurasi yang didapat pada hasil pengenalan. Tombol Save untuk menyimpan setingan dan kembali ke tampilan awal (gambar 3.10).
43 3.6.7 Tampilan Layar Informasi Gambar 3.16 Layar detail informasi Pada layar detail informasi, semua perkerjaan yang telah dilakukan sistem meliputi training data hingga pengenalan citra wajah akan ditampilakan pada layar ini. 3.7 Aplikasi Pengenalan Wajah Pembanding Sebelum penelitian ini dilakukan terdapat beberapa aplikasi pengenalan wajah yang telah dibuat untuk kami gunakan sebagai pembanding dengan aplikasi yang kami buat. 1. Pemecahan Masalah Pengenalan Citra Wajah Secara Realtime Dengan Variasi Pose Menggunakan Metode Eigenfaces (Prasetyo, 2012)
44 - Metode : Eigenfaces - Variasi posisi wajah: 11 posisi - Platform: desktop - Tingkat akurasi maksimum: 100% - Compiler: Microsoft Visual Studio 2010 Ultimate, EmguCV 2. Perancangan Program Aplikasi Pengenalan Wajah Dengan Metode Orthogonal Laplacianfaces (Adrian, 2011) - Metode : Orthogonal Laplacianfaces - Variasi posisi wajah: 1 posisi - Platform: desktop - Tingkat akurasi maksimum: 98,268% - Compiler: MS Visual C# 2008 Express Edition & Matlab R2010a