SISTEM PENGENALAN WAJAH (FACE RECOGNITION) MENGGUNAKAN METODE HIDDEN MARKOV MODEL (HMM)

Abstrak

Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa  ini,  dimana  aplikasi  dapat  diterapkan  dalam  bidang keamanan  (security  system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), maupun pencarian identitas individu pada database kepolisian.  Tujuan Penulisan laporan tugas akhir ini adalah untuk membangun sebuah perangkat lunak pengenalan citra wajah manusia menggunakan metode Hidden Markov Models (HMM) dengan input database Pain Ekspression Subset dan database Hasil Foto Sendiri dengan memanfaatkan aplikasi GUI. Hasil pengujian sistem menunjukkan bahwa sistem pengenalan wajah (face recognition) membandingkan percobaan pengenalan sesuai dengan codebook  (32, 64,128, 256) dan iterasi (5, 10). Sistem pengenalan wajah manusia menggunakan metode Hidden Markov Models (HMM) mencapai  tingkat akurasi pengenalan sebesar 84,28%, dengan database 70 gambar yang terdiri dari 10 individu dengan masing-masing individu memiliki 7 variasi ekspresi yang berbeda.

Kata kunci:

HMM, centroid, ukuran codebook, jumlah iterasi.

BAB I 
PENDAHULUAN

Manusia memiliki kemampuan untuk mengenal puluhan bahkan ratusan wajah selama hidupnya. Seseorang dapat mengenali   wajah   orang   lain   meskipun tidak beberapa waktu lamanya dan sudah terdapat perubahan pada wajah orang yang dikenal  tersebut.  Perubahan itu  misalnya variasi ekspresi wajah, penggunaan kacamata, perubahan warna dan gaya rambut.

Salah satu teknik biometric yang sangat   menarik   adalah   aplikasi   yang

mampu mendeteksi dan mengidentifikasi wajah. Saat ini, pengenalan wajah melalui aplikasi komputer dibutuhkan untuk mengatasi berbagai masalah, antara lain dalam identifikasi pelaku kejahatan, pengembangan sistem keamanan, pemrosesan citra maupun film, dan interaksi manusia komputer.

Sistem pengenalan wajah (Face Recognition) telah banyak diaplikasikan dengan menggunakan berbagai metode, diantaranya:  Metode  PCA ,  Metode ICA, Metode LDA, Metode EP, Metode EBGM, Metode Kernel,

Metode     Bayesian     Framework     [13], Metode SVM [14], Metode HMM [15].

Dari  beberapa  metode  diatas,  di sini akan  dicoba mengembangkan Sistem pengenalan wajah (Face Recognition) menggunakan metode Hidden Markov Model (HMM), sehingga dalam Tugas Akhir ini akan dikembangkan sebuah aplikasi   pengenalan   wajah   pada   citra digital dengan metode Hidden Markov Models dengan menggunakan database Pain Ekspression Subset sebagai input data untuk  diolah  oleh  program  face recognition. Dipilih mempergunakan metode HMM sebab HMM mampu memodelkan data 2 dimensi seperti citra dengan baik, serta mendapatkan hasil yang lebih  teliti,  di  samping  itu  juga  penulis ingin membandingkan tingkat akurasi pengenalan wajah menggunakan metode HMM dengan menggunakan metode lain (PCA, LDA, 3D, JST).

BAB 2 
LANDASAN TEORI 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.

Pengenalan Wajah (Face Recognition)

Wajah  merupakan bagian  dari tubuh manusia yang menjadi fokus perhatian di dalam interaksi sosial, wajah memainkan peranan vital dengan menunjukan identitas dan emosi. Kemampuan manusia untuk mengetahui seseorang dari wajahnya sangat luar biasa. Kita dapat mengenali ribuan wajah karena frekuensi interaksi yang sangat sering ataupun hanya sekilas bahkan dalam rentang waktu yang sangat lama. Bahkan kita  mampu  mengenali  seseorang walaupun terjadi perubahan pada orang tersebut karena bertambahnya usia atau pemakaian kacamata atau perubahan gaya rambut. Oleh karena itu wajah digunakan sebagai organ dari tubuh manusia yang dijadikan indikasi pengenalan seseorang atau face recognition. 

Konsep Pengenalan Wajah

Pengenalan wajah adalah suatu metoda pengenalan yang berorientasi pada wajah.  Pengenalan  ini  dapat  dibagi menjadi dua bagian yaitu : Dikenali atau tidak dikenali, setelah dilakukan perbandingan  dengan  pola  yang sebelumnya disimpan di dalam database. Metoda ini juga harus mampu mengenali objek bukan wajah. Perhitungan model pengenalan wajah memiliki beberapa masalah. Kesulitan muncul ketika wajah direpresentasikan dalam  suatu  pola  yang berisi informasi unik yang membedakan dengan wajah yang lain.

Hidden Markov Models (HMM)

Hidden Markov model merupakan pemodelan  probabilitas  suatu  sistem dengan     mencari     parameter-parameter

markov yang tidak diketahui untuk memperoleh analisis sistem tersebut. Metode Hidden Markov Model (HMM) mampu menangani perubahan statistik dari gambar, dengan memodelkan eleman- eleman menggunakan probabilitas. Salah satu aplikasinya adalah pada image processing, HMM memiliki tiga parameter utama yang harus dicari nilainya terlebih dahulu, ketiga parameter tersebut sebagai berikut:

BAB 3 
RANCANG BANGUN SISTEM

Pada wajah tersebut dengan lebar W  dan tinggi H, dimana wajah diproses dengan cara scan secara vertical dari atas ke bawah. Prinsip kerja sistem secara keseluruhan adalah pengenalan beberapa gambar wajah yang unik dengan berbagai ekspresi yang berfungsi sebagai input dengan gambar wajah yang di simpan dalam database dengan metode training Hidden Markov Model (HMM).

Proses   perancangan   sistem   identifikasi wajah dengan proses sebagai berikut:

Pelabelan

Pada proses ini dilakukan pembuatan   label   untuk   masing-masing jenis gambar wajah. Tiap-tiap gambar wajah  akan  dikelompokkan  dalam  satu label dan label tersebut diberi nama sesuai dengan nama yang dimaksud, sehingga jumlah label sama dengan jumlah gambar wajah. Nama label inilah yang nantinya akan menjadi keluaran akhir pada simulasi.

  

Training database HMM

Setelah proses pembuatan codebook dilakukan, langkah selanjutnya adalah membuat training database model HMM dari label-label dan codebook-codebook yang telah terbentuk dari proses-proses sebelumnya.  Untuk  membuat  model HMM, user harus terlebih dahulu menekan tombol Save yang terdapat dalam tampilan menu training database

BAB 4 
UJI COBA DAN ANALISA

Pengujian dan analisa pada Bab 4 ini pada intinya adalah untuk mengetahui tingkat keberhasilan suatu sistem dengan metode yang sudah ditentukan. Masing-masing metode memiliki kelebihan dan kekurangan. Sistem identifikasi wajah membandingkan hasil identifikasi antara gambar database Pain Ekspression Subset dengan database Hasil Foto Sendiri.

Pendeteksi Wajah

Input  dari sistem pendeteksi wajah ini   menggunakan   dua   database   yaitu: Paint Ekspression Subset database dan database   Hasil   Foto   Sendiri,   dimana setelah dilakukan uji coba sistem maka diperolah  hasil  identifikasi  dengan database Pain Ekspression Subset sebesar

82,85%, sedangkan hasil identifikasi dengan   database   Hasil   Foto   Sendiri sebesar 84,27%. Hasil uji coba ini sangat dipengaruhi oleh bentuk wajah yang unik dan khas satu sama lain.

Dengan tabel hasil percobaan sebagai berikut:

Iterasi	Ukuran Codebook	Tingkat/Persentase     Akurasi Pengenalan		Lama Pengolahan Data
				Database Pain Ekspression Subset		Database Hasil Foto Sendiri
		Database Pain Ekspression Subset	Database hasil     foto sendiri	Pembuatan Codebook	Pengenalan	Pembuatan Codebook	Pengenalan
Iterasi 5	32	61,42%	67,14%	5 Menit 2 Detik	4 Detik	5 Menit	3 Detik
	64	68,57%	70,00%	6 Menit 14 Detik	5 Detik	6 Menit 3 Detik	4 Detik
	128	72,85%	70,00%	7 Menit 17 Detik	6 Detik	7 Menit 5 Detik	5 Detik
	256	74,68%	72,85%	9 Menit 3 Detik	8 Detik	8 Menit 57 Detik	7 Detik
iterasi 10	32	78,57%	72,85%	5 Menit 55 Detik	5 Detik	6  Menit 3 Detik	4 Detik
	64	67,17%	77,14%	6 Menit 49 Detik	6 Detik	7 Menit 30 Detik	5 Detik
	128	72,42%	82,85%	7 Menit 57 Detik	7 Detik	8 Menit 46 Detik	6 Detik
	256	82,85%	84,28%	9 Menit 58 Detik	9 Detik	9 Menit 35 Detik	8  Detik

Tabel 4.1. Akurasi Pengenalan dengan satu Ekspresi sebagai Database

Iterasi	Ukuran Codebook	Tingkat/Persentase   Akurasi Pengenalan		Lama Pengolahan Data
				Database Pain Ekspression Subset		Database Hasil Foto Sendiri
		Database Pain Ekspression Subset	Database hasil    foto sendiri	Pembuatan Codebook	Pengenalan	Pembuatan Codebook	Pengenalan
Iterasi 5	32	87,14%	87,14%	7 menit 33 Detik	7 Detik	7 Menit 12 Detik	7 Detik
	64	90,00%	90,00%	8 Menit 24 Detik	8 Detik	8 Menit 4 Detik	8 Detik
	128	90,00%	90,00%	10 Menit 49 Detik	10 Detik	10 Menit 24 Detik	9 Detik
	256	91,42%	91,42%	12 Menit 45 Detik	11 Detik	12 Menit 13 Detik	11 Detik
iterasi 10	32	88,57%	90,00%	8 Menit 29 Detik	8 Detik	8 Menit 9 Detik	8 Detik
	64	90,00%	91,42%	9 Menit 34 Detik	9 Detik	9 Menit 25 Detik	9 Detik
	128	92,85%	91,42%	12 Menit 57 Detik	11 Detik	12 Menit 54 Detik	12 Detik
	256	94,28%	95,71%	13 Menit 45 Detik	13 Detik	13 Menit 41 Detik	13 Detik

Tabel 4.2. Akurasi Pengenalan dengan empat Ekspresi sebagai Database

  

Analisis    Pengaruh    Variasi    Ukuran Codebook Terhadap Sistem

Semakin besar ukuran codebook maka akan semakin besar pula tingkat akurasi pengenalan, hal   ini disebabkan karena ukuran codebook yang semakin besar sehingga mengakibatkan jumlah centroid  semakin  banyak,  dengan banyknya jumlah centroid ini membuat proses quantisasi pengenalan nilai vektor data   semakin   teliti   sehingga   pemetaan

Perubahan besar iterasi yang semakin meningkat akan membuat persen akurasi dari sistem pengenalan gambar semakin meningkat. Hal ini dikarenakan oleh iterasi tersebut melakukan perulangan yang semakin sering untuk mencari tata letak / posisi centroid, dimana pada awalnya   posisi   centroid   tersebut   tidak tetap, dengan semakin seringnya dilakukan iterasi maka pada suatu tingkat itersi tertentu posisi centroid tersebut bisa tetap, dan hasil yang diidentifikasi tersebut sudah berada pada posisi centroid yang tetap, sehingga tingkat akurasi pengenalan wajah tersebut semakin meningkat.

Analisis  Pengaruh  Banyaknya  Jumlah Database pada Sistem

Semakin banyk   jumlah database yang masukkan, maka kemungkinan kemiripan karakteristik gambar input dengan  database  pada  label  yang  sama

semakin  tinggi  sehingga  tingkat pengenalan sistem semakin besar.

Analisis Pengaruh Jenis Database yang digunakan pada Sistem

Tingginya tingkat akurasi pengenalan sistem juga dipengaruhi oleh jenis database yang digunakan, persentasi tingkat   pengenalan database Hasil Foto Sendiri  lebih  tinggi  dibandingkan database Pain Ekspression Subset,  hal ini dikarenkan   pada   database   hasil   foto sendiri dimana wajah antara individu lebih bervariasi dan lebih unik dibandingkan dengan wajah  pada gambar database Pain Ekspression Subset, serta pada database Hasil  Foto  Sendiri      masing-masing individu memiliki karakteristik yang lebih khas     sehingga  pada  saat  pengenalan, sistem bisa mengenali dengan tingkat akurasi pengenalan yang lebih tinggi.

Analisis Pengaruh Jumlah database, Ukuran Codebook dan Iterasi terhadap Waktu/Lama Pengolahan Data     pada Sistem

Semakin banyak jumlah database yang dimasukkan pada suatu  percobaan , maka lama pencarian codebook dan proses pengenalan gambar semakin lama.

Semakin besar ukuran Codebook yang diuji   pada suatu   percobaan , maka lama pencarian codebook dan proses pengenalan gambar semakin lama.

Pada pengujian sistem, semakin sering Iterasi diberikan, maka waktu pemprosesan data akan semakin lama, hal ini dikarenakan  iterasi tersebut melakukan perulangan yang semakin sering untuk mencari tata letak / posisi centroi.

BAB 5
KESIMPULAN

Setelah melakukan perencanaan pemrograman perangkat lunak sistem pengenal wajah (face recognition) serta melalui pengujian yang telah dilakukan maka  dapat  diambil  kesimpulan  antara lain:

1. Sistem   pengenalan   wajah   (face recognition) dengan menggunakan metode  Hidden  Markov  Model (HMM) dapat  mengenali  gambar sesuai dengan label (nama) yang diberikan pada database dan tidak dapat mengenali gambar (namanya tidak sesuai dengan nama yang diberikan pada database).

2. Penambahan ukuran codebook besar iterasi dan jumlah database pada dasarnya  akan  membuat  persen akurasi dari sistem semakin tinggi, namun pada tabel 4.25 dan 4.26 ada beberapa data yang menunjukkan bahwa penambahan ukuran codebook tidak mempengaruhi tinginya akurasi, hal ini disebabkan karena adanya karakteristik dari input uji untuk jenis label tertentu memiliki kemiripan dengan karakteristik citra untuk label lain pada database, seperti intensitas cahaya saat pengambilan gambar (posisi kemiringan gambar input  tidak sama  dengan  posisi  kemiringan gambar pada database).

3. Pada     penelitian     ini,     dengan menggunakan database Hasil Foto Senidiri ,ukuran codebook yang optimal adalah 256 dengan   jumlah iterasi 10 dan diperoleh   persentasi akurasi sebesar 84.28%

4.  Semakin banyak jumlah database, codebook dan iterasinya maka waktu training database dan pengenalan semakin lama.

DAFTAR REFERENSI

[1]   Ni Wayan Marti, Pemanfaatan GUI Dalam Pengembangan Perangkat Lunak Pengenalan Citra Wajah Manusia menggunakan Metode Eigenface, 2010

[2] Esty Vidyaningrum, Prihandoko, Human Face Detection by using Eigenface   Methode   for   Various Pose of Human Face, 2009

[3] Chandra   Sasmita,   Pengenalan Golongan  darah  Jenis  ABO Dengan Mempergunakan Pemodelan Hidden Markov, 2008

[4] Arie  Wirawan  Margono,  Ibnu Gunawan,  Resmana  Lim, Pelacakan dan Pengenalan Wajah Menggunakan Metode Embedded Hidden Markov Models, Fakultas Teknologi Industri, Jurusan Teknik