Human Face Detection by using eigenface method for various pose of human face Esty Vidyaningrum, Prihandoko Undergraduate program, Faculty of Industrial Technology, 2009 Gunadarma University http://www.gunadarma.ac.id Keywords: face detection, eigenface method, MatLab. ABSTRACT : Facial recognition technology applied in biometric recognition systems, search and indexing of image databases and digital video. Face detection (face detection) is also one crucial early stage prior to the process of face recognition (face recognition). Similarly, the application this time, the application is made to make the process of face detection using the eigen face method based on position, size, lighting and background. In addition, application performance will be tested in real conditions and measured using a standard measurement, both in terms of performance measurement methods and the face database is used. The results showed that the accuracy of face detection applications is highly dependent on the amount and type of data. 1
2 PEMBUATAN APLIKASI DETEKSI WAJAH MANUSIA PADA CITRA DIGITALMENGGUNAKAN METODE EIGENFACE UNTUK BERBAGAIPOSE WAJAH MANUSIA NPM : 50405258 Nama : Esty Vidyaningrum Pembimbing : Prihandoko, S.Kom, MIT, PhD Tahun Sidang : 2009 Subjek : citra digital, Judul PEMBUATAN APLIKASI DETEKSI WAJAH MANUSIA PADA CITRA DIGITAL MENGGUNAKAN METODE EIGENFACE UNTUK BERBAGAI POSE WAJAH MANUSIA Abstraksi Teknologi pengenalan wajah makin banyak diaplikasikan dalam system pengenalan biometrik, pencarian dan pengindeksan database citra dan video digital. Pendeteksian wajah (face detection) juga merupakan salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Begitu pula dengan aplikasi kali ini, aplikasi ini dibuat untuk melakukan proses pendeteksian wajah menggunakan metode eigenface berdasarkan posisi,ukuran, pencahayan dan latar belakang. Selain itu juga kinerja aplikasi akan diuji pada kondisi yang nyata dan diukur menggunakan pengukuran yang baku, baik dari sisi metode pengukuran kinerja maupun basisdata wajah yang digunakan. Hasil penelitian menunjukkan bahwa akurasi dari aplikasi deteksi wajah sangat tergantung pada jumlah dan jenis data.
3 Pembuatan Aplikasi Deteksi Wajah Manusia Pada Citra Digital Menggunakan Metode Eigenface Untuk Berbagai Pose Wajah Manusia Esty Vidyaningrum 1) Prihandoko, S.Kom, MIT, PhD 2) 1) Laboratorium Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma, Jalan Margonda Raya 100, Depok 16424. 2) Laboratorium Sistem Komputer, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Gunadarma, Jalan Margonda Raya 100, Depok 16424. 1) Pos-elektronik : Esty_Vidya@yahoo.com ABSTRAK Teknologi pengenalan wajah makin banyak diaplikasikan dalam sistem pengenalan biometrik, pencarian dan pengindeksan database citra dan video digital. Pendeteksian wajah (face detection) juga merupakan salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Begitu pula dengan aplikasi kali ini, aplikasi ini dibuat untuk melakukan proses pendeteksian wajah menggunakan metode eigenface berdasarkan posisi,ukuran, pencahayan dan latar belakang. Selain itu juga kinerja aplikasi akan diuji pada kondisi yang nyata dan diukur menggunakan pengukuran yang baku, baik dari sisi metode pengukuran kinerja maupun basisdata wajah yang digunakan. Hasil penelitian menunjukkan bahwa akurasi dari aplikasi deteksi wajah sangat tergantung pada jumlah dan jenis data. Kata kunci : deteksi wajah, eigenface, matlab 1. Pendahuluan Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Proses Pengenalan wajah sebagai bagian dari sistem persepsi manusia sudah lama menjadi topik yang terus menerus diteliti oleh para ahli di berbagai bidang antara lain ilmu Psikologi, Teknik dan Neuroscience. Saat ini, seiring dengan perkembangan ilmu dan teknologi lainnya seperti intelegensi buatan, mesin pembelajaran dan jaringan syaraf tiruan serta perkembangan yang sangat cepat di bidang perangkat keras dan perangkat lunak, maka pengenalan wajah secara otomatis berbantuan komputer telah menjadi
4 bahan penelitian yang menarik perhatian para peneliti di bidang ilmu komputer. Sebagai salah satu aplikasi dari analisis dan pemahaman citra, topik ini memiliki implementasi praktis yang jelas dan terlihat dengan nyata. Pada kasus seperti pemotretan untuk pembuatan KTP, SIM, dan kartu kredit, citra yang didapatkan umumnya hanya berisi satu wajah dan memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehingga deteksi wajah dapat dilakukan dengan lebih mudah. Namun pada kasus lain sering didapatkan citra yang berisi lebih dari satu wajah, memiliki latar belakang yang bervariasi, kondisi pencahayaan yang tidak tentu, dan ukuran wajah yang bervariasi di dalam citra. Contohnya adalah citra yang diperoleh di bandara, terminal, pintu masuk gedung, pusat perbelanjaan, dan citra yang didapatkan dari foto di media massa atau hasil rekaman video. 2. Kajian Pustaka 1. Citra Digital Citra digital adalah suatu citra f(x,y) yang memiliki koordinat spatial, dan tingkat kecerahan yang diskrit. Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Fungsi f (x, y) dapat dilihat sebagai fungsi dengan dua unsur. Unsur yang pertama merupakan kekuatan sumber cahaya yang melingkupi pandangan kita terhadap objek (illumination). Unsur yang kedua merupakan besarnya cahaya yang direfleksikan oleh objek ke dalam pandangan kita (reflectance components). Keduanya dituliskan sebagai fungsi i(x, y) dan r(x, y) yang digabungkan sebagai perkalian fungsi untuk membentuk fungsi f (x, y). Fungsi f (x, y) dapat dituliskan dengan persamaan : f (x, y) = i(x, y)* r(x, y) di mana 0 < i(x, y) < dan 0 < r(x, y) < 1 Citra digital merupakan suatu matriks yang terdiri dari baris dan kolom, dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut. Titik-titik tersebut dinamakan sebagai elemen citra, atau pixel (picture elemen). [Gonzales and Woods, 1992]. 2. Deteksi Wajah Bidang-bidang penelitian yang berkaitan dengan pemrosesan wajah (face processing) adalah: Pengenalan wajah (face recognition) yaitu membandingkan citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling cocok dengan citra masukan tersebut.
5 Autentikasi wajah (face authentication) yaitu menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video secara real time. Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia. Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh adanya faktor-faktor berikut: Posisi wajah. Posisi wajah di dalam citra dapat bervariasi karena posisinya bisa tegak, miring, menoleh, atau dilihat dari samping. Komponen-komponen pada wajah yang bisa ada atau tidak ada, misalnya kumis, jenggot, dan kacamata. Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi wajah seseorang, misalnya tersenyum, tertawa, sedih, berbicara, dan sebagainya. Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek atau wajah lain, misalnya pada citra berisi sekelompok orang. Kondisi pengambilan citra. Citra yang diperoleh sangat dipengaruhi oleh faktor-faktor seperti intensitas cahaya ruangan, arah sumber cahaya, dan karakteristik sensor dan lensa kamera. metode deteksi wajah menjadi empat kategori, yaitu: 1. Knowledge-based method. Metode ini kebanyakan digunakan untuk lokalisasi wajah. 2. Feature invariant approach. Metode ini kebanyakan digunakan untuk lokalisasi wajah. 3. Template matching method. Metode ini digunakan untuk lokalisasi wajah maupun deteksi wajah. 4. Appearance-based method. Metode ini kebanyakan digunakan untuk deteksi wajah. 3. Pengelompokkan Pola Pengenalan pola oleh manusia dapat dianggap sebagai masalah psikofisiologis yang melibatkan sebuah hubungan antara manusia dan rangsangan fisik. Dengan menggunakan pengetahuan yang telah terekam dalam ingatannya, manusia dapat mengenali pola yang datang sebagai rangsangan fisik. Secara sederhana, pengenalan pola dapat didefinisikan sebagai proses
6 klasifikasi data masukan menjadi kelas-kelas yang dapat diidentifikasi melalui pengambilan ciri-ciri atau atribut penting data. Dalam merancang suatu sistem pengenalan pola, ada tiga permasalahan utama yang harus diakomodasi, yaitu: 1. Bagaimana merepresentasikan bentuk data yang dapat diukur untuk menunjang proses pengenalan wajah? 2. Bagaimana mengektraksi ciri dari representasi data masukan tersebut? 3. Bagaimana penentuan cara pengambilan keputusan yang dibutuhkan untuk proses identifikasi atau klasifikasi? Salah satu cara mengekstraksi ciri dari data masukan adalah dengan menggunakan metode Eigenface. Berikut ini akan dijelaskan representasi data masukan dan cara kerja metode tersebut. 4. Metode Eigenface Suatu citra wajah didefinisikan berada dalam suatu ruang citra (image space). Citra tersebut dapat ditransformasikan ke citra baru dengan dimensi yang lebih kecil karena hanya tersusun oleh atribut penting atau ciri-ciri. Citra hasil transformasi tersebut disebut sebagai vektor ciri dan berada di dalam ruang ciri ( feature space). Salah satu metode yang digunakan pada tahap pre-processing citra untuk mereduksi suatu citra, yang berada dalam suatu ruang citra adalah metode Eigenface. Pada dasarnya, metode Eigenface bertujuan untuk mengekstrak ciri-ciri suatu citra dengan teori Principal Component Analysis (PCA) atau transformasi Karhunen-Loeve, yaitu menyusun suatu citra baru yang mengandung hanya informasi-informasi penting dari citra yang lama. Metode ini bertujuan untuk memaksimalkan total-scatter atau jarak vektor ciri. Jadi informasi ciri mengenai suatu citra akan disebarkan sehingga bercampur dengan informasi ciri citra yang lain. Setiap citra dapat direpresentasikan sebagai vektor baris berdimensi n. Nilai n merupakan dimensi ruang citra, sehingga x i berada di dalam ruang citra berdimensi n. Matriks kovarian S T atau matriks total-scatter, didefinisikan sebagai: S T = A T Dimana A= A 1 2 n Rata - rata vektor citra, dapat diperoleh melalui persamaan berikut:
7 1 N n i 1 Xi selisih vektor citra dengan rata-rata vektor adalah : i x i mana i = 1...N Transformasi Karhunen-Loeve atau PCA terhadap vektor citra akan menghasilkan vektor-vektor ciri yang menghasilkan total-scatter : W ST T W Dengan W adalah matriks transformasi. Matriks transformasi W yang dipilih adalah matriks yang dapat dimaksimalkan determinan dari total-scatter vektor-vektor ciri. Atau : T W = arg max W ST W = [ w1;w2;... ;wm] Dimana wi, i = 1...m, adalah kumpulan vektor eigen dari S T ( dalam bentuk vector basis ) yang bersesuaian dengan m nilai eigen terbesar. Vektor - vektor eigen ini,yang disebut principal components, memiliki dimensi yang sama dengan citra wajah yaitu n,sehingga disebut Eigenfaces atau Eigenpictures. Eigenfaces merupakan vektor - vektor basis dari ruang ciri dimensi-m. Transformasi citra dari ruang citra dimensi-n ke ruang ciri dimensi-m adalah : yi = W T i W T dengan demikian, dapat diperoleh vektor cairi berdimensi m untuk masing-masing citra. Besarnya nilai m dapat ditentukan melalui persamaan berikut : m =minr r i1 N i1 d d i i dimana adalah suatu nilai ambang. 5. Ektraksi Ciri Citra Sejumlah citra yang akan dikenali dikumpulkan untuk menjadi citra acuan atau template. Dari sekumpulan citra tersebut, dilakukan ekstraksi ciri untuk memperoleh informasi ciri tersebut. Hasil ekstraksi ciri digunakan dalam proses pengenalan objek selanjutnya. Metode Eigenface merupakan salah satu cara untuk mengekstraksi ciri. Langkah-langkah dalam menggunakan metode ini khususnya dalam pengenalan wajah adalah:
8 1. Mendefinisikan data inputan. Data inputan dapat berupa data set berdimensi satu, dua atau lebih. Bila data inputan merupakan sebuah citra/ gambar berukuran N x N maka matriks gambar tersebut dirubah ke dalam bentuk vektor citra. 2. Menghitung rata-rata keseluruhan vektor citra yang terbentuk. 3. Menghiutng selisih setiap elemen vektor citra dengan rata-rata wajah ( ) denga rumus. i i Kemudian bentuklah sebuah matriks yang dibangun dari vektor-vaktor hasil selisih tersebut. A = [ i 2 K M ] 4. menghitung matriks kovarian dari matriks A. 5. Menghitung nilai eigen dari matriks kovarian C. Matriks C tersebut berukuran N2 x N2 ( sangat besar ), maka untk mendapatkan nilai eigen secara lebih mudah maka kita menghitung nilai eigen dari matriks A T A yang berukuran lebih kecil. Asumsikan nila eigen dari matriks tersebut adalah dan vektor eigen adalah vi. Maka untk mencari nilai dan vektor eigen digunakan persamaan berikut : ATAvi = μivi Hubungan nilai eigen matriks C (A AAvi = T A Avi = μivi > (A A T ) dengan matriks T A A adalah : T A )Avi = μiavi > CAvi = μiavi > Cui = μiui sehingga dapat diperoleh persamaan berikut : ui = Avi dimana ui adalah vektor eigen dari matriks T A A Oleh karena itu, matriks A A T dan matriks T A A mempunyai nilai eigen yang sama dan vektor eigen yang bersesuaian pula. M nilai eigen dari matriks ATA merupakan M nilai eigen terbesar dari nilai- nilai eigen matriks AAT. Semua vektor eigen yang terpilih akan digabungkan menjadi sebuah matriks V yang disebut eigenfaces. 6. Mereduksi dimendi dari matriks A dengan rumus : R = V' A 6. Pembagian Objek Wajah Pembagian daerah ini akan dilakukan dalam tiga bagian, yaitu pembagian daerah wajah, mata, dan daerah mulut. Syarat citra wajah yang bisa
9 diproses pada pembagian ini minimal harus memiliki daerah dahi dan dagu, dan maksimal daerah leher terdapat dalam citra wajah tersebut. Dalam penelitian ini dilakukan perbaikan pada pembagian daerah mulut untuk mengatasi kekurangan pada penelitian sebelumnya. Penelitian tersebut melakukan pembagian daerah mulut seperti yang diilustrasikan pada gambar 2.1. sehingga didapatkan daerah yang menunjukkan kemungkinan posisi dari mulut yang terdapat di tengah-tengahnya, baik secara vertikal maupun secara horizontal. Sedangkan fitur mulut pada citra wajah dalam penelitian ini tidak selalu berada di tengah-tengah daerah mulut secara vertikal, karena terdapat wilayah leher pada sebagian citra daerah mulut yang akan mempengaruhi posisi fitur mulut terhadap wilayah mulut seperti yang diilustrasikan pada gambar 2.2. Gambar 2.1. Pembagian Daerah Mulut Gambar 2.2. Perbaikan pembagian daerah mulut Kemudian pembagian untuk daerah hidung.daerah bagian hidung dibagi lagi menjadi beberapa bagian untuk mendapatkan wilayah spesifik dari puncak hidung. Pembagian tersebut memberikan hasil berikut:daerah hidung bagian atas, daerah hidung bagian bawah, yang terdiri dari : hidung bagian bawah kanan, hidung bagian bawah tengah, dan hidung bagian bawah kiri.gambar 2.3. menunjukan daerah hidung bagian bawah tengah inilah yang merupakan wilayah spesifik puncak hidung. Kemudian dengan melakukan pemetaan pada wilayah ini, maka didapat puncak hidung. Puncak hidung ini nantinya akan menjadi salah satu patokan untuk pengukuran dari dan ke arah hidung. Gambar2.3. Daerah Hidung Bagian Bawah Tengah
10 Berdasarkan pembagian tersebut maka akan diperoleh empat belas komponen atau ciri-ciri object wajah manusia yang diambil dari depan dan samping untuk mencapai pendeteksian secara optimal, Adapun komponen yang diambil tersebut yaitu : alis kiri, kanan alis, mata kiri, mata kanan, daerah antara alis, jembatan hidung, bibir kanan, kiri bibir, pipi kanan, pipi kiri, tengah mulut, seluruh mulut, hidung kanan, dan sisi kiri hidung. Untuk lebih jelas lihat pada gambar 2.4. Gambar 2.4. Contoh Dari Empat Belas Komponen Wajah 7. Pengenalan Matlab Matlab adalah perangkat lunak yang dapat digunakan untuk analisis dan visualisasi data. Matlab didesain untuk mengolah data dengan menggunakan operasi matriks. Matlab juga mampu untuk menampilkan grafis dan memiliki bahasa pemrograman yang baik. Matlab yang digunakan pada penulisan ini adalah Matlab versi 7.0. Untuk menjalankan program Matlab sama seperti program lainnya. Dari menu program files pilih folder MATLAB. Selanjutnya pada layar akan muncul antar muka Matlab seperti gambar 2.5. dibawah ini: Gambar 2.5. Tampilan Matlab 7.0 Pada antar muka awal MATLAB tersebut terdapat 3 (tiga) jendela utama yaitu jendela Current Directory, Command Window dan Command History. 1. Current Directory digunakan untuk melihat direktori file tempat bekerja. 2. Command Window digunakan untuk memasukkan perintah program (command) yang akan dieksekusi. 3. Comman History digunakan untuk melihat perintah program (command) yang pernah digunakan.
11 3. Perancangan dan Implementasi 1. Diagram Aliran Data(Data Flow Diagram) Gambar dibawah ini menunjukkan DFD level 0 dari aplikasi Deteksi Wajah. Sedangkan penjabaran lebih lanjut dari aplikasi Detektsi Wajah yang berupa DFD level 1 ditunjukkan pada gambar 3.2. Gambar 3.1. DFD level 0 Aplikasi Detektsi Wajah User memberikan masukan kepada aplikasi deteksi wajah berupa citra masukan yang akan dideteksi. Citra masukan ini akan dibaca dan dikonversi menjadi array. Selanjutnya pada citra tersebut dilakukan pencarian kandidat wajah. Pencarian kandidat wajah dilakukan dengan ekstraksi subcitra, ekstrasi subcitra ini di mulai dari sudut kiri atas sampai sudut kanan bawah, dengan tujuan agar dapat mendeteksi wajah di semua posisi di dalam citra. Selanjutnya kandidat-kandidat wajah ini akan mengalami proses detection untuk mendapatkan hasil akhir berupa jumlah wajah yang terdeteksi. Hasil akhir deteksi wajah ini akan ditampilkan kepada user. Gambar 3.2. DFD level 1 Aplikasi Deteksi Wajah 2. Perancangan Diagram Alur Dalam proses pembuatan aplikasi ini terlebih dahulu dibuat diagram alur, agar jalannya program dapat diikuti dan dipahami. Deteksi wajah ini menggunakan alur yang hampir sama dengan yang digunakan untuk training. Dimana data yang digunakan disimpan kedalam basis data dengan cara menginput nilai ID berupa bilangan integer positif. Setelah data tersebut tersimpan selanjutnya dilakukan proses pendeteksian wajah, hasil pendeteksian wajah ini akan diperoleh berdasarkan nilai id yang dimasukan pada saat proses penginputan ke dalam basis data. Hasil pendeteksian inilah yang nantinya akan menjadi data terakhir yang akan ditampilkan ke user. Gambar 3.3 berikut ini menunjukan diagram alur aplikasi deteksi wajah.
12 Gambar 3.3. Diagram Alur Aplikasi 3. Perancangan Aplikasi Deteksi Wajah Gambar 3.4 berikut ini menunjukkan perancangan user interface aplikasi deteksi wajah secara garis besar. Rancangan User Interface Aplikasi Deteksi Wajah ini memiliki fasilitas yang terdiri menu file, menu database dan menu help. Menu file ini terdiri dari open image digunakan untuk memilih sebuah citra, save digunakan untuk menyimpan citra dalam format *.tif, reset digunakan untuk mereset citra, dan exit digunakan untuk keluar dari aplikasi. Sedangkan untuk menu database terdiri dari delete database digunakan untuk menghapus seluruh basis data dan informasi yang ada di dalamnya, delete face digunakan untuk menghapus citra wajah yang dipilih oleh user, dan info Untuk menampilkan informasi citra yang telah tersimpan dalam basis data. Dan untuk menu help itu sendiri terdiri dari help yang digunakan untuk memberikan petunjuk penggunaan aplikasi pengenalan citra wajah, dan user yang berisi tentang informasi administrator (user). Gambar 3.4. Rancangan Aplikasi Deteksi Wajah
13 4. `Implementasi Aplikasi Implementasi aplikasi bisa dilihat pada Gambar 3.5. Hasil pengenalan wajah tergantung data inputan citra yang oleh pengguna dimasukkan ke dalam basis data. Jika pengguna salah memasukkan class, maka hasil pengenalan wajah kurang tepat. Misalnya jika pengguna memasukkan inputan citra yang berbeda pada class yang sama maka hasil pengenalan wajah bisa saja salah. Oleh karena itu pengguna harus memasukkan citra wajah yang sama ke dalam satu class. Gambar 3.5. Implementasi Aplikasi 4. Hasil dan Pembahasan Pengujian pada aplikasi deteksi wajah dilakukan menggunakan tiga buah objek citra wajah yang dimasukan kedalam kelas, yaitu kelas A, kelas B, dan kelas C. Posisi wajah yang diujikan adalah tampak depan, tampak samping kanan, tampak samping kiri, tampak atas dan bawah. Inputan citra wajah yang disimpan dalam basis data harus mempunyai ukuran dan resolusi yang sama. Citra wajah inputan merupakan citra skala abu-abu. Inputan citra wajah yang sama disimpan dalam basis data. Pada uji coba berikut akan kita lihat persentase keberhasilan aplikasi pendeteksian citra wajah berdasarkan lima posisi, yang telah dibuat oleh penulis ditujukan pada gambar 4.1. 1. Kelas A 2. Kelas B 3. Kelas C Gambar 4.1.Citra Wajah Berdasarkan Posisi
14 Tabel 4.1 menunjukan hasil pengujian citra berdasarkan posisi, metode Eigenface memiliki keakuratan yang cukup tinggi dalam mengekstraksi suatu ciri, namun metode ini memiliki permasalahan dengan variasi posisi kepala, kesejajaran, dan pencahayaan. Tabel 4.1. Hasil Pengujian Citra Berdasarkan Posisi Berdasarkan hasil pengujian citra wajah yang dapat dilihat pada table 4.1 maka diketahui bahwa kelas-kelas yang masuk Dalam kategori pengujian citra wajah yang baik adalah kelas A dengan perolehan 60%, dan untuk kelas yang masuk dalam kategori sangat baik adalah kelas B dan C dengan perolehan C sebesar 80% serta kelas B sebesar 100%. Adapun kategori presentase keberhasilan berdasarkan posisi ditujukan pada table 4.2. Tabel 4.2. Persentase Keberhasilan Berdasarkan Posisi Selain pengujian aplikasi deteksi wajah dengan menggunakan kelas penulis juga melakukan 3 percobaan dengan menggunakan banyak wajah pada suatu gambar, dimana nantinya akan dianalisa bagaimana metode eigenface bekerja mendeteksi wajah manusia. Pada beberapa kasus eigenface yang terbentuk tidak tepat, hal ini dikarenakan kualitas gambar yang tidak baik sehingga mengandung pixel-pixel yang mengganggu sehingga membentuk eigen yang tidak diinginkan. Karena kualitas gambar yang dipakai mempengaruhi kinerja sistem. Dimana pixel-pixel yang dihasilkan mempengaruhi kinerja eigenface. Adapun hasil pengujiannya dapat dijelaskan sebagai berikut: 1. Hasil Pengujian 1 Gambar 4.2 menunjukan tampilan pengujian 1, dimana jumlah wajah terdeteksi adalah 6 dari 6 wajah aslinya, proses identifikasi tepat 100%.
15 Gambar 4.2. Tampilan Pengujian 1 2. Hasil Pengujian 2 Gambar 4.3 menunjukan tampilan pengujian 2, jumlah wajah terdeteksi adalah 3 dari 3 wajah aslinya, proses identifikasi tepat 100%. Gambar 4.3. Tampilan Pengujian 2 3. Hasil Pengujian 3 Gambar 4.4 menunjukan tampilan pengujian 3, jumlah wajah terdeteksi adalah 8 dari 9 wajah aslinya, proses identifikasi tepat 80%. Gambar 4.4. Tampilan Pengujian 3 5. Penutup 1. Kesimpulan Dari hasil penelitian dan pembahasan yang telah dilakukan menunjukkan bahwa metode eigenface dapat dimanfaatkan untuk mendeteksi wajah manusia pada citra digital, Dapat dimanfaatkan juga sebagai salah satu tahap praproses dari pengenalan wajah atau verifikasi wajah, dan Dapat digunakan untuk mengumpulkan data wajah secara otomatis dari citra yang berisi wajah dengan berbagai latar belakang dan berbagai variasi posisi. Pada aplikasi deteksi wajah yang berbasis pada metode eigenface, maka hasil yang diperoleh sangat dipengaruhi oleh banyaknya citra dan kualitas
16 citra yang digunakan dalam uji coba tersebut. Kualitas citra ini bisa berupa variasi posisi kepala, kesejajaran, dan pencahayaan. Karena dengan kualitas citra yang dipakai maka akan mempengaruhi kinerja system aplikasi ini. 2. Saran Untuk meningkatkan kinerja kerja aplikasi deteksi wajah, dapat diberikan training lebih lanjut dengan tambahan data yang lebih banyak dan lebih bervariasi. Pengujian program aplikasi dapat dilakukan dengan menggunakan simulator yang lain. Untuk pengembangan penelitian ini, selain menampilkan wajah orang juga bisa menampilkan identitas dan inforrnasi orang tersebut. 1. Daftar Pustaka [1] Ahmad, Usman. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta: penerbit Graha ilmu. [2] Away, G. A. 2006. THE SHORTCUT OF MATLAB PROGRAMMING. Bandung: Penerbit Informatika. [3] Dwi Hartanto, Thomas Wahyu dan Y.Wahyu Agung Prasetyo. 2002. Analisis dan Desain Sistem Kontrol dengan MATLA. Yogyakarta: penerbit Andi. [4] Hadi, Setiawan. 2004. Sistem Pengenalan Wajah Optimal. Tugas Akhir, Bandung: Institut Teknologi Bandung. [5] Krisnadi, A. 2002. Penerapan algoritma genetika untuk penentuan ciri optimal pada representasi eigenface dalam sistem pengenalan wajah dengan metode nearest features line. Tugas Akhir, Jakarta: Universitas Indonesia. [6] Munir, Rinaldi. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritma. Bandung: penerbit Informatika. [7] Pentland, A. 1991. Eigenfaces for recognition. Journal Of Cognitive Neuroscience. vol. 3. no. 1. [8] Paulus, Erick. 2007. Cepat Mahir GUI MATLAB. Yogyakarta: penerbit Andi. [9] Rahmatun, I. 2002. Pengenalan wajah dengan variasi ekspresi dan posisi menggunakan metode eigenface. Tugas Akhir, Depok: Universitas Gunadarma. [10] Tanjung, F. 2006. Ekstraksi fitur wajah pada sistem pengenalan wajah. Tugas Akhir, Depok: Universitas Gunadarma.