Email:
[email protected]
Artikel dengan akses terbuka dibawah lisensi
Pendahuluan
Saat ini telah banyak berkembang sistem yang memamfaatkan
fitur pengenalan wajah diantaranya yaitu sistem akses keamanan maupun sistem kontrol,
pengolahan citra dan computer vision merupakan sebuah penemuan dibidang komputer yang digunakan untuk menghasilkan suatu sistem yang hampir mendekati dengan sistem visual manusia pada umumnya. Pengolahan
citra adalah suatu jenis teknologi untuk menyelesaikan masalah mengenai
pemrosesan gambar, sedangkan computer vision mempunyai tugas untuk
membuat suatu keputusan tentang objek fisik nyata yang didapat dari perangkat
atau sensor,
computer vision membuat komputer
dapat mengenali suatu citra layaknya manusia, salah satunya pengenalan wajah (Baskoro, 2015). Penerapan pengolahan citra dan computer
vision saat ini banyak di gunakan pada perusahaan atau lembaga untuk
meningkatkan sistem keamanan berbasis data pada karakteristik tubuh atau
perilaku yang disebut biometrik.
Wajah merupakan bentuk yang unik dari setiap manusia, untuk mengenali bentuk wajah dapat dilakukan dengan mengenali pola wajah (Ahuja & Chhabra, 2011). Pengenalan wajah adalah salah satu aplikasi yang paling berkembang dalam computer vision dan pattern recognition (pengenalan pola) (Zufar, 2016). Tujuan untuk mengenali wajah manusia dari gambar atau video menggunakan database wajah yang tersimpan sehingga pengenalan wajah sendiri dapat dilakukan dengan berbagai cara, salah satunya dengan metode Viola Jones dan Eigenface, metode Viola Jones digunakan untuk proses pendeteksian yang merupakan hasil dari gabungan fitur- fitur khusus, sedangkan metode Eigenface merupakan algoritma berdasarkan Principal Component Analysis (PCA) yang mudah diimplementasikan dan dimulai dengan pemrosesan awal untuk menemukan hasil citra yang lebih baik setelah itu menghitung eigenvector dan eigenvalue dari citra wajah yang di training.
Oleh karena itu, dengan adanya penelitian ini yang berbentuk eksperimen rekayasa perangkat lunak yang luarnya berupa aplikasi dengan data dengan data dari penelitian berupa sampel citra yang di capture dari webcam atau foto yang terhubung dengan komputer. Citra wajah manusia yang diambil berbeda-beda dengan masing-masing mendapatkan perlakuan variasi yang sama yaitu kemiringan posisi citra wajah, jarak wajah, dan intesitas cahaya.
Berdasarkan jurnal penelitian yang dilakukan oleh (Muliawan et al., 2015) menunjukan bahwa pemrosesan pengenalan wajah pada system absensi dengan menggunakan metode Eigenface pada OpenCV dapat dilakukan dengan cara input data pengguna dan data wajah beserta password dari masing-masing pengguna. �Metode Face Recognition untuk Identifikasi Personil Berdasar Citra Wajah� Dari jurnal penelitian yang dilakukan oleh (Kurniawan, 2014) membahas tentang rancang bangun system face recognition online pegawai Universitas Negeri Semarang dengan Python dan Opencv dapat terealisasi.
Penelitian sebelumnya yang dilakukan
oleh (Harits, 2019) tentang �Penerapan
Algoritma Viola Jones Pada Deteksi
Wajah�. Penelitian ini menerapkan metode Viola Jones untuk pendeteksian citra wajah. Hasil penelitian ini adalah menampilkan
kotak kuning dan tulisan �wajah� jika dalam
gambar tersebut menampilkan gambar wajah. �Pengenalan Wajah Menggunakan Metode Viola-Jones dan Eigenface Dengan
Variasi Posisi Wajah Berbasis Webcam�. Dari jurnal penelitian yang dilakukan oleh Aries Suharso Pada
tahun 2016, menunjukan tingkat akurasi deteksi citra wajah
sebesar 88.89% dengan sudut rotasi variasi
posisi citra wajah menghadap ke depan (frontal)-150,
kesamping kiri 300,
dan kanan 300 dan terbukti
pada nilai threshold 75 memiliki
akurasi tertinggi dan jumlah dikenali yaitu sebesar 90.90%. Tujuan dari penelitian
ini adalah untuk mempelajari dan memahami proses pengenalan wajah menggunakan OpenCV serta mencocokan wajah manusia sesuai
dengan database yang ada.
Metode Penelitian
Metode penelitian yang digunakan adalah metode pengumpulan data menggunakan pendekatan kualitatif dimana pengumpulan data yang dilakukan secara observasi dan study literature. Observasi adalah suatu proses penelitian secara langsung untuk melakukan analisis permasalahan-permasalahan pada citra untuk mendapatkan informasi yang menunjang pembuatan laporan ini (Larasati & Masripah, 2017). Sedangkan study literature adalah penelitian yang dilakukan dengan mengumpulkan data informasi, dokumen-dokumen yang berhubungan dengan topik penelitian dari berbagai sumber seperti buku, jurnal dan sebagainya (Rukajat, 2018). Digunakan pula metode perancangan pengenalan wajah sebagai block diagram software untuk melakukan pengenalan dari sistem yang digunakan, dimana jalannya sistem �dibagi menjadi 2, yaitu block pengambilan data dan block pengenalan wajah.
Hasil yang didapatkan dari penelitian adalah:
1. Pengolahan Citra
Citra merupakan suatu reprentasi (gambar), kemiripan, dan imitasi dari suatu objek (Arisandi et al., 2018). Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optic berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat duigital yang dapat langsung disimpan pada suatu media penyimpanan.
2. Pengenalan Wajah
Pengenalan wajah adalah suatu metode pengenalan yang berorientasi pada wajah (Wuryandari & Afrianto, 2012). Pengenalan ini dapat dibagi menjadi dua bagian yaitu di kenali atau tidak dikenali, setelah dilakukan perbandingan dengan pola yang sebelumnya disimpan di alam database, secara umum, system pengenalan wajah dibagi menjadi 2 jenis, yaitu system Feature based dan image based. Pada system pertama digunakan fitur yang disktraksi dari komponen citra wajah (mata, hidung, mulut, dll) dan kemudian hubungan antara fitur-fitur dimodelkan secara geometris. Sedangkan system kedua menggunakan informasi mentah dari piksel citra yang kemudian direpresentasikan dalam metode tertentu, yang kemudian digunakan untuk klasifikasi identitas citra.
3. Metode Eigenface
Metode Eigenface adalah hasil transformasi citra-citra wajah menjadi sebuah set fitur karakteristik wajah dalam bentuk eigenvector dari matirks kovarian citra-citra wajah tersebut (Fandiansyah et al., 2017). Dalam pendekatan dan pengenalan wajah dijelaskan bahwa Eigenface tidak melihat fitur-fitur tertentu pada wajah seperti mata, mulut, hidung, dan lain-lain untuk mendeteksi dan mengenali wajah, melainkan mengenal wajah dengan eigenvector. Pendekatan pendeteksian dan pengenalan wajah dengan Eigenface ini dibangun dengan tujuan agar proses pendeteksian dan pengenalan wajah menjadi cepat, simpel, dan akurat di dalam lingkungan yang terbatas seperti ruang kantor atau ruangan pada rumah. Konsep dari pendekatan dengan Eigenface ini ialah dengan mengekstrak informasi relevan dari citra wajah dengan cara encoding, kemudian membandingkan hasil encoding citra wajah tersebut dengan citra wajah yang telah di-encode sebelumnya, dalam pendekatan ini informasi yang di encode dari citra ialah eigenvector dari matriks kovarian citra-citra wajah.
4. Pendeteksi Wajah
Proses pendeteksi wajah ini bekerja dengan cara memeriksa citra yang dimasukan apakah memiliki citra wajah atau tidak, jika memiliki maka akan dilakukan pemisahan dengan cara memotong citra wajah dari latar belakang citra yang dimasukan. Jika masukan berbentuk video, proses yang dilakukan adalah proses face tracking. Secara umum, proses face tracking dan proses wajah mempunyai fungsi yang sama, perbedaaan terletak pada pendeteksiannya.
5. Penyelarasam Wajah
Pada proses pendeteksian wajah, citra wajah yang didapatkan masih berupa perkiraan kasar atau masih memiliki kualitas yang cukup buruk seperti ukuran yang berbeda dengan ukuran normal, faktor pencahayaan yang kurang atau lebih, kejelasan citra yang buruk dan sebagainya. Proses penyelarasan wajah merupakan proses yang bertujuan untuk menormalisasi wajah dari citra wajah yang didapatkan dari proses pendeteksian wajah (Wardana et al., 2016). Proses ini terdiri dari tahapan-tahapan sebagai berikut:
a.
Grayscaling citra merupakan tahapan
pertama dari proses penyelarasan, pada tahap ini terjadi pengkonversian
citra warna RGB menjadi citra berwarna
abu. Citra warna RGB terdiri dari 3 parameter warna yaitu merah (red), hijau (green) dan biru (blue), jika citra warna RGB ini dimasukan
ke dalam proses ekstraksi, maka proses tersebut akan sulit untuk dilakukan
karena citra RGB terdiri dari 3 parameter, oleh karena itu diperlukan
penyamaan parameter yaitu dengan melakukan
tahap grayscaling ini.
b. Pemotongan Pada tahapan ini terjadi pemotongan citra yang memisahkan citra wajah dengan citra masukannya, tujuannya untuk mengambil citra yang hanya diperlukann untuk proses ekstraksi, dalam hal ini adalah citra wajah dan membuang citra lain yang tidak diperlukan. Dimensi citra yang dipotong disesuaikan dengan dimensi dari proses segmentasi atau pengkotakan objek wajah yang dilakukan pada proses pendeteksian wajah.
c. Resizing (tahap normalisasi dimensi citra), pada tahap resizing citra terjadi proses normalisasi dimensi citra wajah, yaitu proses pembesaran atau pengecilan dimensi citra wajah menjadi dimensi yang telah ditentukan. Tujuannya, untuk menyamakan dimensi wajah dari tiap citra yang dimasukan, sehingga pada proses ekstraksi citra nanti tidak ada perbedaaan dimensi dari matriks data citra wajah.
d. Equalizing (tahap koreksi tingkat kecerahan citra), tahap ini adalah tahapan terakhir dari proses penyelarasan yang tujuannya untuk memperjelas nilai histogram dari citra wajah hasil tahapan-tahapan sebelumnya.
6. Ekspresi Wajah
Ekstraksi fitur adalah proses untuk mendapatkan ciri-ciri pembeda yang membedakan suatu sampel wajah dari sampel wajah yang lain. Ekstraksi fitur juga merupakan proses yang berfungsi untuk mendapatkan informasi yang efektif dan berguna untuk membedakan wajah-wajah orang yang berbeda dari citra wajah yang telah diselaraskan. Proses ini dilakukan menggunakan algoritma-algoritma ekstraksi seperti Principal Component Analysis (PCA), Linear Discriminant Analysis (LDA), Independent Component Analysis (ICA) dan sebagainya. Informasi yang didapatkan dari ekstraksi fitur disebut vektor fitur, yaitu bentuk dasar pencarian citra berbasis konten yang menangkap properti citra seperti warna dan tekstur.
7. Pencocokan Wajah
Pencocokan fitur merupakan proses perbandingan fitur yang telah diekstrak dari citra uji dengan fitur citra wajah dari database yang sebelumnya telah melalui proses pelatihan citra.
8. OpenCV
OpenCV (Open Source Computer Vision Library) adalah sebuah library open source yang dikembangkan oleh intel yang fokus untuk menyederhanakan programing terkait citra digital (Fitrah, 2020). Di dalam OpenCV sudah mempunyai banyak fitur, antara lain: pengenalan wajah, pelacakan wajah, deteksi wajah, kalman filtering, dan berbagai jenis metode AI (Artificial Intellegence) dan menyediakan berbagai algoritma sederhana terkait computer vision untuk low level, OpenCV merupakan open source computer vision library untuk bahasa pemrograman C/C++, dan telah dikembangkan ke Phyton, Java, Matlab.
OpenCV pertama kali diluncurkan secara resmi pada tahun 1999 oleh Inter Research sebagai lanjutan dari bagian proyek bertajuk aplikasi intensif berbasis CPU, real-time ray tracing dan tembok penampil 3D. Para kontributor utama dalam proyek ini termasuk mereka yang berkecimpung dalam bidang optimasi di Intel Russia, dan juga tim pusataka performansi intel. OpenCV mempunyai banyak fitur yang dapat dimanfaatkan, berikut ini adalah fitur utama dari OpenCV antara lain:
a. Image and video I/O dengan
antar muka ini kita dapat
membaca data gambar dari file, atau dari umpan video langsung dan juga dapat menciptakan file
gambar maupun video
b. Computer vision secara umum dan pengolahan citra digital (untuk low
dan mid level
API) dengan antar muka ini kita dapat melakukan
eksperimen uji coba dengan berbagai standar algoritma computer
vision. Termasuk juga deteksi
garis, tepi, pucuk, proyeksi elips, image pyramid
untuk pemrosesan gambar multi skala, pencocokan template, dan berbagai
transform ( Fourier, cosine diskrit, distance transform) dan lain lain.
c. Modul computer
vision high level
d. Metode untuk AI dan machine learning aplikasi
computer vision sering kali memerlukan machine learning atau
metode AI lainnya, beberapa metode tersebut tersedia dalam paket OpenCV machine learning.
Pengenalan wajah atau
face recognition adalah salah satu produk dari
image recognition. Face Recognition memungkinkan
perangkat untuk mengenali identitas seseorang atau objek hanya dengan
gambar, ada beberapa bahasa pemrograman yang dapat digunakan diantaranya:
a.
Matlab
Matlab adalah bahasa pemrograman independen
yang memiliki kerangka kerja sendiri (Kurniawati & Kusumawardhani, 2017). Bahasa pemrograman ini
dilengkapi dengan berbagai alat yang dapat digunakan untuk menangani tugas-tugas pemrograman yang lebih teknis dengan
mudah. Pengenalan citra dan pengolahan wajah adalah beberapa
tugas yang dapat ditangani oleh Matlab. Matlab menawarkan berbagai alat bawaan
untuk perhitungan matriks. Sangat penting untuk dicatat
bahwa pengenalan gambar dan perhitungan matriks berjalan seiring. Beberapa alat yang tersedia di Matlab dapat melakukan
tugas pemrosesan gambar yang kompleks seperti memotong, memutar, dan menutupi yang lain.
Ada juga kode Matlab khusus untuk penerapan
fitur pengenalan wajah, kode ini
menggunakan database AT & T. Untuk alasan ini,
terlebih dulu harus mengunduh database
AT & T sebelum menggunakan
kode ini aplikasi pengenalan wajah yang paling canggih dibuat menggunakan Matlab.
b.
Python
Saat ini, Python dinilai
sebagai bahasa pemrograman paling populer. Kesederhanaan dan keserbagunaannya
adalah beberapa alasan mengapa banyak programmer lebih suka menggunakannya. Meskipun sederhana, Python adalah bahasa yang dapat diandalkan untuk melakukan tugas-tugas kompleks (Suryansah et al., 2020). Bahasa pemrograman ini
dapat digunakan untuk membuat pemrosesan
gambar dan fitur pengenalan, popularitas Python memang masuk akal.
Bahasa ini dikemas dengan beberapa perpustakaan yang diperlukan untuk beberapa fungsi, di antaranya pengenalan gambar. Salah satu perpustakaan yang paling kuat dan efisien adalah perpustakaan Scikit-Learn
Machine Learning. Selain pengenalan
gambar, pustaka dapat digunakan untuk fungsi yang lebih cerdas seperti
pengenalan wajah dan deteksi gerakan.
c.
C/C++/C#
Bahasa pemrograman
keluarga C memang benar-benar serba guna, mereka kuat
dan dapat melakukan apa saja termasuk
menciptakan fungsi pemrosesan gambar dan pengenalan. Bahasa pemrograman keluarga C akan memberikan dua opsi untuk membuat
fitur pemrosesan gambar. Kita dapat memilih untuk mengkodekan
segala sesuatu dari awal di mana harus menulis kode
secara manual. Pilihan kedua adalah menggunakan
pustaka yang ada yang dirancang khusus untuk bahasa pemrograman
ini. Perpustakaan-perpustakaan
ini termasuk OpenGL, EmguCV, OpenCV, dan banyak lainnya. Mereka memiliki fitur pengolah gambar cerdas untuk pengenalan
gambar.
d.
Java
Bahasa pemrograman
Java Seperti C dan C ++ tidak
dapat meremehkan kekuatannya. Bahasa ini cukup kuat untuk
melakukan fungsi yang rumit, bahasa ini
dapat digunakan untuk membuat aplikasi
untuk pemrosesan gambar dan pengenalan gambar. Sebagai bahasa pemrograman mandiri, kita dapat
membuat fungsi pemrosesan gambar dari awal. Keuntungan
dari metode ini adalah kita
memiliki kontrol penuh terhadap fungsi tersebut. Ada pustaka yang lengkap yang dapat dimasukkan ke dalam Java untuk
tujuan menciptakan fitur pengenal gambar. OpenCV adalah salah satu pustaka yang kompatibel dengan Java.
e.
OpenCV
Open Source Computer Vision adalah alat canggih
yang digunakan untuk pemrosesan real-time (Kusumanto et al., 2012). Ini juga merupakan
alat cross-platform sehingga
dapat diintegrasikan ke dalam bahasa
pemrograman untuk tujuan menjalankan fungsi pengolahan gambar dan pengenalan. Ini dapat diintegrasikan
dengan bahasa pemrograman C, C ++, Java, Python dan Android. OpenCV hadir dengan algoritma
bebas paten yang dapat digunakan tanpa batasan hukum.
Dapat digunakan untuk tujuan komersial maupun akademis. OpenCV memiliki kelas face
recognition khusus yang dapat
digunakan untuk menguji kemampuan fitur pengenal gambar tanpa kerumitan
apa pun. Kelas disertai dengan dokumentasi kaya informasi yang akan menunjukkan bagaimana menerapkan fitur pengenal gambar. Secara keseluruhan, OpenCV adalah alat untuk
pengenalan gambar terlepas dari bahasa
pemrograman yang digunakan.
Tahap ini meliputi tahap Demonstration yang telah dirancang ke dalam program.tahap ini akan diterapkan melalui gambar sebagai berikut:
Gambar 1
Program Python
�Python adalah bahasa pemrograman yang banyak dipakai di dunia komputer. Kemampuan Python untuk mengolah citra sangatlah terbatas, untuk itu perlu import library dari OpenCV, disinilah keterkaitan antara OpenCv dan Python. OpenCV bersama Python dimanfaatkan untuk mengolah image atau video (tumpukan frame/image) sesuai dengan tujuan masing-masing yang melibatkan kamera untuk menangkap gambar lalu diolah di komputer, terlihat pada Gambar 2.
Gambar 2
Program Face Detection
Program face detection (pengenalan wajah) logika program pada file capture merupakan program untuk mendeteksi apakah ada wajah yang dapat dideteksi dari frame yang telah ada. Jika wajah telah terdeteksi pada frame, maka akan diambil gambarnya pada data capture sebanyak 200 kali sample dan disimpan dalam folder Data wajah. Berikut kode program dari face detection dapat dilihat pada Gambar 3.
Gambar 3
�Program
rec.py
Program face recognition (pendeteksian wajah) setelah melakukan training pada program, maka program akan menghasilkan informasi apakah wajah dikenal atau tidak dikenal dengan nilai akurasi yang sesuai dengan hasil pendeteksian wajah.
Berdasarkan contoh implementasi diatas, dapat disimpulkan bahwa sistem pengenalan wajah menggunakan metode PCA eigenface dapat mengenali wajah seseorang yang terdapat pada database dan tidak dapat mengenali wajah orang yang tidak terdapat pada database.
Analisa Hasil dari penulisan ini dibuat dengan memberikan kondisi 3 faktor yang dapat mempengaruhi hasil dari pendeteksian wajah . Faktor tersebut adalah Pencahayaan yang lebih terang, posisi wajah dari jarak dekat dan jauh. Dari faktor-faktor ini menghasilkan nilai akurasi yang berbeda sesuai dengan tingkat keberhasilan dalam mengenali wajah,�
BIBLIOGRAFI
Ahuja, M. S., & Chhabra, S. (2011).
Effect of distance measures in PCA based face recognition. International
Journal of Enterprise Computing and Business Systems, 1(2), 2230�8849.
Arisandi, D., Syahputra, M. F., Putri, I.
L., Purnamawati, S., Rahmat, R. F., & Sari, P. P. (2018). A real time
mobile-based face recognition with fisherface methods. Journal of Physics:
Conference Series, 978(1), 12038.
Baskoro, H. A. (2015). Visual sensor
network dengan algoritma yang hemat energi. Institut Teknologi Sepuluh
Nopember.
Fandiansyah, F., Sari, J. Y., &
Ningrum, I. P. (2017). Pengenalan Wajah Menggunakan Metode Linear Discriminant
Analysis dan k Nearest Neighbor. Ultimatics: Jurnal Teknik Informatika, 9(1),
1�9.
Fitrah, G. F. R. (2020). Rancang Bangun
Aplikasi Rekomendasi Penyampaian Materi Pembelajaran Berdasarkan Deteksi Emosi
Wajah. Universitas Komputer Indonesia.
Harits, A. A. (2019). Rancang Bangun
Sistem Keamanan Ruangan Menggunakan Deteksi Wajah Berbasis Raspberry PI.
Politeknik Negeri Sriwijaya.
Kurniawan, L. M. (2014). Metode Face Recognition
untuk Identifikasi Personil Berdasar Citra Wajah bagi Kebutuhan Presensi Online
Universitas Negeri Semarang. Scientific Journal of Informatics, 1(2),
210�220.
Kurniawati, I. D., & Kusumawardhani, A.
(2017). Implementasi Algoritma Canny Dalam Pengenalan Wajah Menggunakan
Antarmuka GUI Matlab. ResearchGate, Surabaya.
Kusumanto, R. D., Pambudi, W. S., &
Tompunu, A. N. (2012). Aplikasi Sensor Vision untuk Deteksi MultiFace dan
Menghitung Jumlah Orang. Semantik, 2(1).
Larasati, H., & Masripah, S. (2017).
Analisa dan perancangan sistem informasi pembelian grc dengan metode waterfall.
Jurnal Pilar Nusa Mandiri, 13(2), 193�198.
Muliawan, M. R., Irawan, B., &
Brianorman, Y. (2015). Implementasi Pengenalan Wajah Dengan Metode Eigenface
Pada Sistem Absensi. Coding Jurnal Komputer Dan Aplikasi, 3(1).
Rukajat, A. (2018). Pendekatan
Penelitian Kualitatif (Qualitative Research Approach). Deepublish.
Suryansah, A., Habibi, R., & Awangga,
R. M. (2020). Penggunaan Face Recognition untuk akses ruangan. Kreatif.
Wardana, I. P. P., Giriantari, I. A. D.,
& Sudarma, M. (2016). Aplikasi Verifikasi Wajah Untuk Absensi Pada Platform
Android Dengan Menggunakan Algoritma Fisherface. Majalah Ilmiah Teknologi
Elektro, 15(2), 45�52.
Wuryandari, M. D., & Afrianto, I.
(2012). Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning
Vector Quantization Pada Pengenalan Wajah. Jurnal Komputer Dan Informatika
(Komputa), 1(1), 1.
Zufar, M. (2016). Convolutional neural
networks untuk pengenalan wajah secara real-time. Institut Technology
Sepuluh Nopember.