Sains Mipa: Sistem Pengenalan Wajah Menggunakan Algoritma Eigenface

Dewasa ini perkembangan ilmu dan teknologi yang berkaitan dengan pengukuran dan analisis statistik data biologis (biometric) berkembang dengan demikian pesatnya. Ini dikarenakan sebuah ciri biologi dapat memberikan informasi yang unik berkaitan dengan identifikasi masing-masing individu. Dalam teknolgi informasi, biometrik biasanya merujuk kepada teknologi untuk mengukur dan menganalisis karakteristik tubuh manusia seperti sidik jari, retina mata, pola suara dan pola wajah yang terutama sekali digunakan untuk proses otenfikasi.

Untuk membaca karakteristik tubuh manusia semisal pola wajah dibutuhkan peralatan pembaca, sebuah basisdata yang mampu menyimpan pola wajah dan tentu saja algoritma pengenalan wajah yang baik untuk proses pengenalan pola wajah. Algoritma Eigenface dapat digunakan untuk proses pengenalan pola wajah tersebut. Eigenface adalah pendekatan eigenvalue dan eigenvector. Dengan pendekatan tersebut dilakukan klasifikasi untuk mengenali wajah yang di-training dengan objek yang telah tersimpan di database. Citra adalah hasil keseluruhan dari suatu sistem perekaman data, yang secara teoritis dapat dikelompokkan menjadi 2 (dua) macam, yaitu citra kontinu dan citra diskrit (citra digital).

Oke langsung saja, disini saya akan membahas tentang pengenalan wajah dengan menggunakan algoritma eigenface. Prinsip dasar dari pengenalan wajah adalah dengan mengutip informasi unik wajah tersebut kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. Dalam metode eigenface, decoding dilakukan dengan menghitung eigenvector kemudian direpresentasikan dalam sebuah matriks yang berukuran besar.

Algoritma eigenface secara keseluruhan cukup sederhana. Image Matriks (I) direpresentasikan ke dalam sebuah himpunan matriks (Γ₁, Γ₂, …..Γ_M). Cari nilai rata-rata (Ψ) dan gunakan untuk mengekstraksi eigenvector (v) dan eigenvalue (λ) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapatkan nilai eigenface dari image. Apabila ada sebuah image baru atau test face (Γ_new), proses yang sama juga dilakukan untuk image (Γ_new), untuk mengekstraksi eigenvector (v) dan eigenvalue (λ), kemudian cari nilai eigenface dari image test face (Γ_new). Setelah itu barulah image baru (Γ_new) memasuki tahap pengenalan dengan menggunakan metode Euclidean distance.

Untuk lebih jelasnya, Alur prosesnya dapat dilihat pada gambar berikut sobat.

Algoritma selengkapnya adalah :

1. Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh training image (Γ₁, Γ₂, …..Γ_M).

S = {Γ₁, Γ₂, …..Γ_M}

2. Langkah kedua adalah ambil nilai tengah atau mean (Ψ)

3. Langkah ketiga kemudian cari selisih (Φ) antara Training image (Γ_i) dengan nilai tengah (Ψ), apabila ditemukan nilainya dibawah nol ganti nilainya dengan nol

4. Langkah keempat adalah menghitung nilai matriks kovarian (C)

5. Langkah kelima menghitung eigenvalue (λ) dan eigenvector (v)

CVi= λiVi

6. Langkah keenam, setelah eigenvector (v) diperoleh, maka eigenface (µ) dapat dicari dengan :

i=1.........m

Tahapan Pengenalan :

1. Sebuah image wajah baru atau test face (Γ_new), akan dicoba untuk dikenali, pertama terapkan cara pada tahapan pertama perhitungan eigenface untuk mendapatkan nilai eigenface dari image tersebut.

2. Gunakan metode Euclidean distance untuk mencari jarak (distance) terpendek antara nilai eigenface dari training image dalam database dengan eigenface image test face.