ALJABAR VEKTOR

PENERAPAN VEKTOR UNTUK PEMINDAIAN WAJAH

Antonius Afrialdi Seran, Diaz Putri Nugraha, Yunitha Putri Handayani

Universitas Muhammadiyah Sorong, Jalan Pendidikan, Kota Sorong.
E-mail: umssorong@gmail.com

ABSTRAK
Pengenalan wajah merupakan sebuah sistem identifikasi pribadi yang
menggunakan karakteristik wajah seseorang. Pengenalan wajah sendiri
merupakan suatu cabang ilmu biometrik, yaitu suatu bidang keilmuan
yang menggunakan karakteristik fisik dari seseorang untuk menentukan
atau mengungkapkan identitasnya. Sistem yang dikembangkan dalam
tugas akhir ini adalah sebuah sistem pengenalan wajah yang
menggunakan ekstraksi fitur berbasis Principal Component Analysis
(PCA). Teknik ini melibatkan pengambilan komponen utama dari
database wajah. Untuk mengetahui keakuratan sistem pengenalan wajah
manusia yang dirancang pada tugas akhir ini, telah dilakukan uji coba
sistem dengan menggunakan input sebanyak 60 citra wajah dari database.
Dari hasil pengujian sistem ini, didapatkan hasil performansi sistem
adalah 80% dalam mengenali citra input dengan benar.

Keywords: pemindaian wajah

PENDAHULUAN ini banyak dikembangkan karena dapat

diaplikasikan sebagai bidang permasalahan,
Sistem pengenalan dan pengolahan salah satu contohnya adalah pengenalan
citra wajah sekarang ini banyak kriminal, sistem sekuriti, ataupun interaksi
dimanfaatkan pada biometriks yang manusia dan komputer khususnya pada sistem
digunakan untuk identifikasi personal pada
kendali akses kontrol ataupun aplikasi untuk
penggunaan akses kontrol, mesin absensi dan
lain-lain. Secara umum sistem pengenalan login PC.
citra tidak menggunakan bitmap pixel secara Dalam menerapkan atau implementasi
langsung melainkan akan bekerja pada pengenalan citra wajah sekarang ini, banyak
domain feature. Citra direpresentasikan ke metode yang digunakan untuk membuat
dalam bentuk feature yang lebih kompak program aplikasi pengenalan citra wajah,
yang kemudian digunakan untuk pengenalan, salah satu yang cukup dikenal dan banyak
dengan demikian dapat menghemat
digunakan secara luas adalah metode eigen
komputasi. Seiring dengan perkembangan
informasi tersebut maka ada bermacam- face. Metode eigen face dapat menghasilkan
macam aplikasi yang dapat membantu total-scatter vektor ciri yang maksimal.
kebutuhan manusia tersebut dalam Metode eigen face ini menggunakan Principal
pengenalan citra wajah. Salah satu aplikasi Component Analysis (PCA) karena mampu
yang cukup dikenal adalah aplikasi melakukan transformasi terhadap vektor citra
pengenalan wajah (face recognition). dari ruang citra berdimensi N ke ruang ciri
Aplikasi face recognition pada saat
dimensi M. Penggunaan metode eigen face
 dikarenakan metode ini tidak tergantung pada IMPLEMENTASI
objek dengan informasi tiga dimensi atau
informasi yang detail Langka langka pengenalan wajah PCA :

DASAR TEORI

Face Recognition pernah dilakukan

oleh Mukti dengan menggunakan metoda
Fracta Neighbour Distance. Hal ini digunakan
untuk menyamakan suatu gambar yang belum
teridentifikasi dari gambar yang ada di dalam
database. Input diperlukan dalam aplikasi ini
adalah citra wajah dengan ukuran dan resolasi
yang sama. Hasil output aplikasi ini ialah hasil
pencocokan byte pixel yang didapat dari hasil
pemindaian dengan informasi byte pixel
gambar yang ada di dalam database. Kouma
Jean Paul dalam tesisnya yang berjudul
Inteligent Home Security System
menggunakan Face Recognition untuk
mengenali siapa saja yang tinggal di dalam
rumah dan jika system mendeteksi sesuatu
1. Foto yang telah diambil kemudian diolah
yang dianggap mengganggu maka system
menggunakan algortima Viola-Jones.
akan mengirim MMS wajah pengganggu
Salah satu tampilan hasil proses deteksi
kepada pemilik rumah, system akan mati
wajah menggunakan algoritma viola jones
secara otomatis jika system mendeteksi salah
ditunjukkan pada gambar berikut:
satu penghuni rumah.
Dan akan aktif kembali ketika seluruh
penghuni meninggalkan rumah. Sudah banyak
algoritma yang digunakan dalam pengenalan
wajah, seperti kohenen, nearest, feature
midpoint, canonical correlation analysis,
Eigenface. Di dalam paper ini, penulis
memanfaatkan metoda eigenface, namun akan
dilakukan lebih lanjut sehingga sistem dapat
mengenali wajah siapa yang berada di dalam
mobil, tentunya didukung oleh beberapa
metoda lain seperti haarsacade. Serangkaian
Eigenvektor yang digunakan untuk mengenali
wajah manusia dalam suatu computer vision
merupakan konsep dari eigenface yang akan
2.Pada setiap gambar memiliki nilai masing
disajikan dimana Eigenvektor itu berasal dari
masing :
covariance matrix yang memiliki distribusi
probabilitas yang tinggi dan dimensi ruang Program sederhana untuk mendekteksi
vektor untuk mengenali sebuah wajah. nilai pada gambar berikut:
 sebuah assemble data matriks yang mewakili
setiap gambar ,seuai dengan gambar wajah
yang sudah ada dan akan di cocokan dengan
database

scan.py

MxN image N²x1 vektor

Kami menggunakan fungsi as_row_matrix

untuk mengumpulkan gambar menjadi matrik
Hasilnya: data.Setiap baris dari matrix data adalah satu
gambar.
Menghitung PCA
Kami mendefinisikan fungsi pca untuk
menghitungnya dengan langkahlangkah
berikut:
Langkah 1. Kurangi mean. Gambar rata-rata a
harus dikurangi dari setiap gambar asli di X.
Langkah 2. Hitung vektor eigen dan nilai
eigen dari matriks kovariansi S.
Vektor acak adalah variabel acak dengan
banyak dimensi. Setiap elemen vektor adalah
variabel acak skalar. Setiap elemen memiliki
nilai empiris teramati yang jumlahnya terbatas
nilai pada gambar:
atau nilai potensial yang terbatas atau tak
[[[150 111 106] terbatas. Nilai potensial ditentukan oleh
[146 106 101] distribusi probabilitas gabungan teoritis.
[148 111 108] Hitung Matriks Kovarian S.

... Dalam teori dan statistik probabilitas,

matriks kovarians (juga dikenal sebagai
[147 102 86]
matriks dispersi atau matriks varians-
[152 83 64] kovarians) adalah matriks yang elemennya
[150 81 63]] pada posisi i, j adalah kovariansi antara
elemen ke-i dan ke-j dari vektor acak. Vektor
acak adalah variabel acak dengan banyak
[[150 111 106] dimensi. Setiap elemen vektor adalah variabel
[149 110 105] acak skalar. Setiap elemen memiliki nilai
[148 111 108]]] empiris teramati yang jumlahnya terbatas atau
nilai potensial yang terbatas atau tak terbatas.
Nilai nilai tersebut dapat di artikan menjadi
Nilai potensial ditentukan oleh distribusi
probabilitas gabungan teoritis. Hitung wajah

𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑖𝑎𝑝 𝑏𝑎𝑟𝑖𝑠

𝑚=
Matriks Kovarian S.

𝐽𝑢𝑚𝑙𝑎ℎ 𝑐𝑖𝑡𝑟𝑎
ANALISIS
Penelitian ini mengembangkan metode 2. Menghitung selisih antara nilai m
sistem pengenalan wajah eigenface dengan matriks T

𝐴=𝑇−𝑚
menggunakan citra wajah yang terdapat
dalam database training dan database test.
Pengenalan wajah dilakukan dengan
menggunakan eigenface berbasis PCA 3. Menghitung nilai matriks kovarian

𝐿 = 𝐴 ′𝑥 𝐴
(principal component analysis) untuk proses
fitur ekstraksi pada citra wajah dan
manhattan distance untuk penghitungan
4. Menghitung eigenvalue (λ) dan
kesamaan jarak antara citra wajah data
eigenvector (ν)
training dengan citra wajah yang diuji.
Database yang digunakan adalah citra wajah 𝐶 𝑥 𝜈𝑖 = 𝜆𝑖 𝑥 𝜈𝑖
dari 7 individu, 8 kali pengambilan citra
wajah setiap individu dengan perbedaan 5. Menghitung nilai eigenface

𝐸 =𝐴𝑥𝑉
variasi pencahayaan dan variasi geometrik
dan pada sistem pengenalan wajah ini
terdapat database training yang berisi 21 citra
wajah dan database test yang berisi 35 citra 6. Menghitung nilai bobot

𝑊 = 𝐸′𝑥 𝐴
wajah. Dari penjelasan di atas dapat
dijabarkan proses sistem pengenalan wajah
sebagai berikut:
1. Preprocessing Tujuan dari preprocessing 3. Nilai Bobot
adalah agar data tersebut dapat diolah Jarak terpendek antara nilai bobot
sehingga menghasilkan data yang sesuai database training dengan nilai bobot citra
dengan kebutuhan. Pada tahap wajar test. Pencaran jarak terpendek ini
preprocessing terdapat 4 langkah yaitu menggunakan metode manhattan
konversi citra rgb menjadi grayscale, distance.

𝑀𝑑 = | 𝑊 𝑡 − 𝑊 𝑟 |
histogram equalization, reduksi noise pada
citra, 4 dan merubah citra 2D menjadi
citra vector 1D.
2. Ektraksi Fitur Tujuan dari ekstraksi fitur KESIMPULAN
adalah mencari informasi-informasi yang
merupakan ciri khusus dri setiap citra Metode Eigenfaces diaplikasikan pada set
wajah. Pengambilan ciri pada database gambar pelatihan kecil. Eigenfaces paling
training melalui tahap penghitungan nilai signifikan, yang memiliki nilai eigen terbesar dan
eigenface dan PCA, sedangkan
mewakili variasi terbesar dalam database gambar
pengambilan ciri pada database test hanya
wajah, ditemukan dan ditampilkan. Rekonstruksi
melalui tahap penghitungan PCA.
citra dilakukan dengan merepresentasikannya
Kemudian ciri ini akan digunakan sebagai
sebagai kombinasi linier dari eigenfaces. Meskipun
penghitungan kesamaan jarak antar citra
wajah training dengan citra wajah test. citra yang tidak diketahui berhasil diprediksi oleh
Pada tahap ektraksi fitur terdapat beberapa algoritma, probabilitas kegagalan relatif tinggi
langkah yaitu : karena jumlah citra latih yang sedikit. Pekerjaan
1. Menghitung nilai mean citra masa depan akan fokus pada peningkatan tingkat
keberhasilan untuk database yang lebih besar dan
menggabungkan dengan algoritma pengenalan
wajah lainnya.

REFERENSI

[1] Resty Wulanningrum, Wisnu Sasongko Rina Firliana, "Pengenalan Citra Wajah dengan pca,"
JURNAL IPSIKOM, vol. 6, pp. Nusantara of Engineering/Vol. 2/ No. 1/ISSN: 2355-6684, juni
2018.

[2] Catur supriyanto Rido Dyakso mulyawan, "teknilk pengenalan wajah pada database".

[3] pydroid3, "opencv," facedetector.

[4] gleen ramadhan, "face rocognition metode eigenfaces," desember 2020.