Contoh Jurnal

Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 6, No. 2. Agustus 2013

PENDEKATAN ROBUST REGRESSION UNTUK PENGENALAN WAJAH TAMPAK SAMPING DENGAN CITRA WAJAH FRONTAL SEBAGAI DATA TRAINING

Budi Nugroho, S.Kom, M.Kom 1)

Intan Yuniar Purbasari, S.Kom, MSc 2)

1) Email: [email protected]) Email: [email protected]

Jurusan Teknik InformatikaUPN “VETERAN” Jawa Timur

Abstraksi : Pendekatan Robust Regression menunjukkan kinerja pengenalan wajah yang sangat tinggi pada saat uji coba dilakukan dengan variasi iluminasi. Pada penelitian sebelumnya yang dilakukan oleh Naseem dkk, semua citra yang digunakan untuk uji coba adalah citra wajah frontal, baik untuk proses training maupun testing. Pada penelitian ini, tujuan yang ingin dicapai adalah bagaimana mengetahui kinerja pendekatan Robust Regression dalam mengenali wajah tampak samping berdasarkan citra wajah frontal (sebagai data training), apakah tetap menunjukkan kehandalannya ataukah sebaliknya. Uji empiris dilakukan dengan menggunakan CMU-PIE Face Database. Hasil uji coba yang telah dilakukan menunjukkan bahwa kinerja pendekatan Robust Regression untuk pengenalan wajah tampak samping dengan citra wajah frontal sebagai data training adalah sangat rendah. Kondisi posisi wajah ternyata memberikan pengaruh yang sangat signifikan pada kinerja pendekatan Robust Regression, berbeda dengan kondisi iluminasi yang pengaruhnya sangat kecil. Penelitian lebih lanjut dapat dilakukan dengan menguji citra wajah dengan variasi posisi (kondisi posisi wajah yang lebih beragam), termasuk bisa jadi variasi ekspresi ataupun variasi atribut pada wajah.

Kata Kunci: Pengenalan Wajah, Robust Regression, Citra Wajah Tampak Samping, Citra Wajah Frontal

PENDAHULUAN

Pengenalan wajah menjadi salah satu teknik untuk mengenali identitas seseorang berdasarkan biometrik yang banyak dikembangkan oleh para peneliti saat ini. Kemudahannya dalam memperoleh data citra menjadi daya tarik tersendiri dibandingkan teknik biometrik lainnya. Selain itu, tidak perlunya peran aktif seseorang dalam proses pengambilan data menjadikan teknik pengenalan wajah seringkali menjadi pilihan utama dalam pengembangan sistem keamanan dan pengawasan.

Banyak faktor yang dapat mempengaruhi variasi citra wajah, sehingga berpengaruh juga terhadap kinerja sistem pengenalan wajah. Salah satunya adalah faktor iluminasi, dimana variasi citra wajah dipengaruhi oleh faktor pencahayaan. Pada penelitian ini, masalah pengenalan wajah berkenaan dengan variasi iluminasi ini, dengan menggunakan metode yang telah dikembangkan sebelumnya oleh Naseem dkk, yaitu Robust Regression [01]. Metode ini sendiri merupakan pengembangan dari penelitian sebelumnya yang juga dilakukan oleh Naseem dkk, yaitu Robust Linear Regression Classification / RLRC [02, 03].

PENDEKATAN ROBUST REGRESSION UNTUK PENGENALAN WAJAH | 1

mailto:[email protected]

mailto:[email protected]


Hasil penelitian mengenai pendekatan Robust Regression oleh Naseem dkk menunjukkan kinerja pengenalan wajah yang cukup tinggi, bahkan sebagian hasilnya lebih baik dari sejumlah metode lainnya. Diantara hasil penelitian Naseem dkk tersebut ditunjukkan oleh tabel 1 dan tabel 2 dimana uji coba dilakukan dengan menggunakan salah satu basisdata citra wajah standar yang juga banyak digunakan oleh para peneliti lain, yaitu CMU-PIE Database [04, 05]. Tabel 1 menunjukkan hasil uji coba tersebut, berupa tingkat akurasi (dalam persen), yang dilakukan pada kondisi pencahayaan frontal (tampak depan). Sedangkan tabel 2 menunjukkan hasil uji coba yang dilakukan pada kondisi pencahayaan yang kompleks. Berdasarkan semua skenario uji coba yang dilakukan tersebut, pendekatan Robust Regression menunjukkan kinerja yang sangat tinggi. Rata-rata akurasi (rata-rata akurasi dari semua teknik evaluasi pada tabel 1 dan 2) dari metode Robust Regression adalah 99,88 %.

Tabel 1. Perbandingan hasil uji coba berbagai metode pengenalan wajah dengan CMU-PIE Face Database pada kondisi pencahayaan frontal [01]

Tabel 1 (lanjutan). Perbandingan hasil uji coba berbagai metode pengenalan wajah dengan CMU-PIE Database pada kondisi pencahayaan frontal [01]

Tabel 2. Perbandingan hasil uji coba berbagai metode pengenalan wajah dengan CMU-PIE Face Database pada kondisi pencahayaan yang kompleks [01]

Pada uji coba penelitian Naseem dkk tersebut, citra wajah yang digunakan adalah citra frontal (posisi tampak depan) dengan ekspresi normal, baik citra wajah untuk



melakukanproses pelatihan (training) maupun proses pengujian (testing). Pada penelitian ini, modifikasi akan dilakukan pada citra wajah yang digunakan untuk uji coba, dimana data untuk proses training menggunakan citra wajah frontal dan data untuk proses testing menggunakan citra wajah tampak samping. Basisdata data citra wajah yang digunakan sama dengan penelitian sebelumnya, yaitu CMU-PIE Face Database. Dari hasil penelitian ini, diharapkan nantinya akan diketahui sejauhmana kinerja pendekatan Robust Regression untuk mengenali wajah tampak samping berdasarkan citra wajah frontal (sebagai data training), apakah juga menunjukkan kinerja pengenalan wajah yang cukup tinggi ataukah sebaliknya.

METODOLOGI PENELITIAN

. Bagian ini membahas mengenai perancangan metode pengenalan wajah Robust Regression yang digunakan pada penelitian ini dan bagaimana uji coba dilakukan. Uji coba dilakukan dengan menggunakan CMU-PIE Face Database, salah satu basisdata citra wajah standar yang juga digunakan pada penelitian sebelumnya.

Perancangan Metode Robust Regression

Pada pendekatan ini, tahap training perlu dilakukan untuk menghasilkan classifier atau predictor untuk setiap kelas wajah. Setiap citra uji nantinya akan diklasifikasikan ke dalam salah satu kelas menggunakan predictor tersebut. Langkah-langkah untuk membuat predictor untuk setiap kelas wajah ditunjukkan oleh gambar 1. Sedangkan bagaimana proses klasifikasi citra dilakukan pada setiap citra uji diperlihatkan pada gambar 2.

Tahap training dimulai dengan langkah pra-pemrosesan (pre-processing) yang bertujuan untuk melakukan normalisasi iluminasi pada citra wajah, sehingga pengaruh yang disebabkan oleh faktor iluminasi pada citra wajah dapat dikurangi. Teknik yang digunakan untuk melakukan normalisasi iluminasi ini adalah Histogram Equalization sebagaimana juga digunakan pada banyak pendekatan pengenalan wajah. Setiap citra wajah yang telah melalui tahap pra-pemrosesan, selanjutnya setiap matriks citra tersebut akan diubah menjadi sebuah vektor citra. Selanjutnya, proses downsample dilakukan untuk menghasilkan citra dengan ukuran yang lebih kecil. Vektor citra berukuran lebih kecil ini kemudian dilakukan normalisasi sehingga nilai maksimalnya 1. Untuk masing-masing kelas citra wajah, sejumlah vektor citra dari kelas tersebut digabungkan menjadi matriks kelas tersebut. Matriks citra inilah yang kemudian disebut sebagai predictor atau classifier untuk setiap kelas citra wajah.



Gambar 1. Tahap Training pada Robust Regression untuk menghasilkan Prediktor kelas citra wajah

Sedangkan pada tahap testing untuk mengklasifikasikan setiap citra wajah, beberapa langkah awal sama dengan tahap training. Dimulai dengan langkah pra-pemrosesan untuk melakukan normalisasi iluminasi pada citra wajah dengan menggunakan teknik Histogram Equalization, selanjutnya setiap matriks citra tersebut diubah menjadi sebuah vektor citra dan dilakukan proses downsample untuk menghasilkan citra wajah dengan ukuran yang lebih kecil serta dilakukan normalisasi sehingga nilai maksimalnya 1. Langkah selanjutnya adalah menentukan nilai β(i) untuk setiap kelas citra wajah dengan menggunakan teknik Robust Huber Estimation [06, 07] dan diprediksikan vektor responnya. Kemudian dilakukan perhitungan terhadap jarak antara vektor citra uji dengan vektor responnya. Hasil klasifikasi citra ditentukan berdasarkan jarak terkecilnya.



Gambar 2. Tahap Testing pada Robust Regression untuk klasifikasi citra wajah

Data Uji Coba

Dataset untuk melakukan uji coba pada penelitian ini menggunakan salah satu basisdata citra standar yang juga digunakan pada penelitian sebelumnya (Naseem dkk), yaitu CMU-PIE Face Database. Perbedaannya adalah pada kualifikasi data citra yang digunakan. Pada penelitian sebelumnya, data yang digunakan baik untuk melakukan training maupun testing adalah citra wajah frontal (pengambilan gambar dari arah depan, sehingga seluruh bagian wajah bagian depan yang terlihat).

Pada penelitian ini, ada 2 tipe data citra yang digunakan yaitu citra wajah frontal untuk melakukan training dan citra wajah tampak samping (pengambilan gambar dari arah samping, sehingga seluruh bagian wajah bagian samping yang terlihat) untuk melakukan testing. Untuk citra wajah tampak samping, data yang digunakan adalah citra tampak samping bagian kanan. Pada penelitian ini, semua citra wajah dilakukan proses



downsample pada ukuran 50x50 dan citra berwarna diubah menjadi citra keabuan (gray-scale images).

Gambar 3. Citra wajah frontal dengan 21 kondisi iluminasidari salah satu individu pada CMU-PIE Face Database

Gambar 4. Citra wajah tampak samping dengan 21 kondisi iluminasidari salah satu individu pada CMU-PIE Face Database

Baik citra wajah frontal maupun citra wajah tampak samping pada CMU-PIE Face Database yang digunakan untuk penelitian ini terdiri atas 68 individu dengan ekspresi netral dan 21 kondisi iluminasi pada setiap individunya. Gambar 3 menunjukkan citra frontal dengan 21 kondisi iluminasi pada dari salah satu individu. Sedangkan Gambar 4 menunjukkan citra tampak samping dengan 21 kondisi iluminasi pada dari salah satu individu.



Teknik Evaluasi

Uji coba pada penelitian ini menggunakan sebuah Protokol Evaluasi (Evaluation Protocol / EP) yang juga digunakan oleh para peneliti lain dalam bidang pengenalan wajah. Protokol Evaluasi ini merupakan teknik evaluasi melalui sejumlah langkah yang telah ditentukan pada suatu basisdata citra standar dan digunakan oleh para peneliti dalam melakukan uji coba untuk mengukur kinerja pendekatan pengenalan wajah. Pada CMU-PIE Face Database terdapat 2 protokol evaluasi dimana telah ditentukan citra mana saja yang menjadi data untuk proses training dan citra mana saja yang digunakan untuk melakukan proses testing.

Tabel 3. Protokol Evaluasi 1 pada CMU-PIE Face Databasedengan kondisi citra pada pencahayaan frontal

Tabel 4. Protokol Evaluasi 1 pada CMU-PIE Face Databasedengan kondisi citra pada pencahayaan yang ekstrim

Pada Protokol Evaluasi 1, terdapat 2 kondisi pada citra yang digunakan untuk melakukan proses training, yaitu citra dengan pencahayaan frontal (sumber cahaya berasal dari arah depan wajah) dan citra dengan pencahayaan yang ekstrim. Untuk proses testing digunakan semua citra wajah yang ada. Pada penelitian ini, data yang digunakan untuk proses training adalah citra frontal, sedangkan data yang digunakan untuk proses testing adalah citra tampak samping. Tabel 3 menunjukkan bagaimana skenario uji coba dilakukan berdasarkan protokol evaluasi 1 pada kondisi citra dengan pencahayaan frontal. Sedangkan tabel 4 menunjukkan bagaimana skenario uji coba dilakukan berdasarkan protokol evaluasi 1 pada kondisi citra dengan pencahayaan yang ekstrim.

Pada Protokol Evaluasi 2, uji coba dilakukan dengan menggunakan teknik leave-one-out dimana sebuah citra digunakan sebagai data testing dan semua citra lainnya sebagai data training. Teknik ini dilakukan untuk semua citra. Pada penelitian ini, sebuah citra yang digunakan untuk proses testing adalah citra tampak samping, sedangkan semua



citra frontal digunakan untuk proses testing. Gambar 5 menunjukkan bagaimana skenario uji coba dilakukan berdasarkan Protokol Evaluasi 2.

Tabel 5. Protokol Evaluasi 2 pada CMU-PIE Face Database

Berdasarkan setiap skenario uji coba yang dilakukan pada Protokol Evaluasi 1 dan 2, nantinya akan dihasilkan kinerja sistem pengenalan wajah berupa tingkat akurasi (dalam satuan persen). Kemudian, semua hasil dari skenario uji coba tersebut akan dihitung rata-rata akurasinya untuk mendapatkan tingkat akurasi keseluruhan. Hasil uji coba ini akan dibandingkan dengan dengan hasil yang diperoleh pada penelitian tentang Robust Regression sebelumnya oleh Naseem dkk. Hasil perbandingan ini akan menjadi bahan analisis untuk memperoleh kesimpulan berkaitan dengan penelitian ini.

HASIL DAN PEMBAHASAN

Pada bagian ini akan dipaparkan mengenai hasil uji coba yang telah dilakukan pada penelitian ini serta pembahasan tentang analisis hasil penelitian tersebut yang dibandingkan dengan hasil yang diperoleh pada penelitian sebelumnya.

Hasil Uji Coba

Hasil uji coba dalam penelitian ini berupa nilai akurasi (dalam satuan persen) yang menunjukkan kinerja pengenalan wajah pada setiap skenario uji coba. Nilai akurasi keseluruhan dihitung berdasarkan rata-rata dari nilai akurasi yang diperoleh pada semua skenario uji coba. Hasil uji coba yang diperoleh pada penelitian ini kemudian



dibandingkan dengan hasil uji coba pada penelitian sebelumnya yang dilakukan oleh Naseem dkk.

Tabel 6 dan 7 menunjukkan hasil uji coba yang diperoleh pada penelitian dan dibandingkan dengan penelitian yang dilakukan oleh Naseem dkk. Pada tabel 6 diperlihatkan mengenai tingkat akurasi yang diperoleh pada penelitian ini sangat rendah, baik pada citra dengan kondisi pencahayaan frontal (EP 1 (a)) maupun kondisi pencahayaan yang kompleks (EP 1 (b)). Jika dibandingkan dengan hasil kinerja pendekatan Robust Regression pada penelitian Naseem dkk, selisihnya sangat jauh. Pada penelitian Naseem dkk, rata-rata nilai akurasi yang diperoleh pada protokol evaluasi 1 (EP 1) adalah 99,88 %. Sedangkan pada penelitian ini, rata-rata nilai akurasi yang diperoleh pada protokol evaluasi 1 (EP 1) hanya sebesar 4,57 %. Selisih antara kedua hasil kinerja tersebut mencapai 95,31 %.

Begitu pula pada hasil uji coba yang dilakukan pada protokol evaluasi 2 (EP 2) dengan menggunakan teknik leave-one-out, sebagaimana diperlihatkan oleh tabel 7, yang ternyata juga menunjukkan bahwa tingkat akurasi yang diperoleh pada penelitian ini sangat rendah. Jika dibandingkan dengan tingkat akurasi pendekatan Robust Regression pada penelitian Naseem dkk, selisihnya juga sangat jauh. Pada penelitian Naseem dkk, rata-rata nilai akurasi yang diperoleh pada protokol evaluasi 2 (EP 2) adalah 99,93 %. Sedangkan pada penelitian ini, rata-rata nilai akurasi yang diperoleh hanya sebesar 5,46 %. Selisih antara kedua hasil kinerja tersebut mencapai 94,97%.

Berdasarkan hasil uji coba tersebut, terlihat jelas bahwa tingkat akurasi yang diperoleh pada penelitian ini sangat rendah pada semua skenario uji coba, baik skenario uji coba pada Protokol Evaluasi 1 maupun pada Protokol Evaluasi 2, selisihnya sangat jauh jika dibandingkan dengan penelitian sebelumnya. Akurasi rata-rata keseluruhan (rata-rata dari nilai akurasi pada protokol evaluasi 1 dan protokol evaluasi 2) hanya 5,02 %. Pada penelitian sebelumnya oleh Naseem dkk, pendekatan Robust Regression menunjukkan kinerja yang sangat tinggi, dimana nilai akurasi rata-rata keseluruhannya mencapai 99,90 %.

Tabel 6. Perbandingan hasil uji coba metode Robust Regression pada CMU-PIE Face Database dengan Protokol Evaluasi 1



Tabel 7. Perbandingan hasil uji coba metode Robust Regression pada CMU-PIE Face Database dengan Protokol Evaluasi 2

Analisis

Hasil uji coba yang telah dilakukan pada penelitian ini menunjukkan kinerja pendekatan Robust Regression untuk pengenalan wajah yang sangat rendah, berbeda jauh dengan kinerja pengenalan wajah yang diperoleh pada penelitian Naseem dkk. Pada penelitian Naseem dkk, pendekatan Robust Regression menunjukkan kehandalannya dalam pengenalan wajah. Tetapi sebaliknya pada penelitian ini, pendekatan Robust Regression tidak menunjukkan kehandalannya.

Pada penelitian Naseem dkk, citra wajah yang digunakan untuk proses training maupun testing adalah sama, yaitu citra wajah frontal. Faktor yang berpengaruh terhadap variasi citra wajah hanya 1, yaitu kondisi iluminasi. Sedangkan pada penelitian ini, citra wajah yang digunakan untuk melakukan proses training maupun proses testing adalah berbeda, dimana pada proses training menggunakan citra wajah frontal dan pada proses testing menggunakan citra wajah tampak samping, sehingga faktor yang berpengaruh terhadap variasi citra wajah menjadi berbeda dengan penelitian sebelumnya, dimana tidak hanya faktor kondisi iluminasi yang mempengaruhinya, tetapi juga kondisi posisi wajah yang berbeda. Hasil uji coba pada penelitian ini menunjukkan bahwa faktor kondisi posisi wajah ternyata memberikan pengaruh yang sangat besar terhadap kinerja pendekatan Robust Regression untuk pengenalan wajah.



SIMPULAN

Berdasarkan uji coba dan analisis yang telah dilakukan pada penelitian ini, dapat diperoleh kesimpulan bahwa pendekatan Robust Regression menunjukkan kinerja pengenalan wajah yang sangat rendah ketika citra wajah frontal digunakan sebagai data training untuk melakukan pengenalan wajah tampak samping (citra wajah tampak samping sebagai data testing). Hal ini menunjukkan bahwa kondisi posisi wajah memberikan pengaruh yang sangat signifikan pada kinerja pengenalan wajah dengan menggunakan pendekatan Robust Regression, berbeda dengan kondisi iluminasi yang pengaruhnya sangat kecil terhadap kinerja pendekatan Robust Regression.

Penelitian lebih lanjut dapat dilakukan untuk mengetahui secara lebih rinci pengaruh kondisi posisi wajah pada kinerja pengenalan wajah dengan menggunakan pendekatan Robust Regression. Pada penelitian ini, kondisi semua citra wajah yang ingin dikenali adalah pada posisi tampak samping, dengan citra wajah frontal sebagai data training. Penelitian ke depan bisa dilakukan dengan menguji citra wajah dengan variasi posisi (kondisi posisi wajah yang lebih beragam), termasuk bisa jadi variasi ekspresi ataupun variasi atribut pada wajah.

DAFTAR PUSTAKA

[01] Naseem, Imran., Togneri, Roberto., Bennamoun, Mohammed. Robust Regression For Face Recognition. Journal of Pattern Recognition. 2012.

[02] Naseem, I., Togneri, R., Bennamoun, M. Face Identification using Linear Regression. IEEE ICIP. 2009.

[03] Naseem, I., Togneri, R., Bennamoun, M. Linear regression for face recognition. IEEE Transactionson PAMI. 2010.

[04] Sim, T., Baker, S., Bsat, M. The CMU pose, illumination and expression (PIE) database of human faces. Technical Report CMU-RT-TR-01-02, Robotics Institute, Carnegie Mellon University. 2001.

[05] Sim, T., Baker, S., Bsat, M. The CMU pose, illumination and expression (PIE) database. International Conference on Automatic Face and Gesture Recognition. 2002.

[06] Huber P.J. Robust Statistics. John Wiley, New York. 1981.[07] Nielsen, H.B. Computing a minimizer of a piecewise quadratic - implementation,

Technical Report, Informatics and Mathematical Modelling. Technical University of Denmark, DTU, 1998.


Documents

Contoh Jurnal