..................Pengenalan Wajah Menggunakan Metode Fisherface..............................

PENDAHULUAN
Wajah merupakan salah satu ukuran fisiologis yang paling mudah dan sering digunakan untuk mem-bedakan indentitas individu yang satu dengan yang lainnya. Manusia dapat membedakan wajah antara orang yang satu dengan yang lainnya dan mengingat wajah seseorang dengan cepat dan mudah. Oleh karena itu, face recognition merupakan salah satu teknologi biometrics yang banyak dipelajari dan dikembangkan oleh para ahli.
Kesulitan dalam pembuatan proses face recognition terutama adalah karena kekompleksan dari kondisi wajah, yaitu alam hal kualitas gambar yang ditangkap, dari segi warna, pencahayaan, hingga posisi gambar yang tertangkap, maupun dalam hal peru-bahan geometrinya. Oleh karena itu, dalam tulisan ini akan diujikan metode fisherface untuk melakukan pengenalan wajah.

TINJAUAN PUSTAKA
Face recognition atau pengenalan wajah adalah salah satu teknik identifikasi teknologi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya. Secara garis besar proses pengenalan wajah terdiri dari tiga proses utama [1], yaitu:
1. Deteksi wajah (face detection).
2. Ektraksi ciri/wajah (face/feature extraction).
3. Pengenalan wajah (face recognition).
wajah dapat dikelompokan ke dalam tiga pendekatan berdasarkan data yang dibutuhkannya [1], yaitu:
1. Pendekatan holistik.
Pada pendekatan holistik, seluruh bagian atau ciri-ciri global wajah digunakan sebagai data masukan untuk pengenalan wajah.
Contoh: eigenface, fisherface, nearest feature line (NFL), dan support vector machine (SVM).
2. Pendekatan feature-based.
Pada pendekatan feature-based, wajah terbagi berdasarkan ciri-ciri lokal wajah seperti hidung, mulut, mata, dan lainnya yang kemudian digunakan sebagai data masukan. Contoh : Hidden Markov Model dan Dynamic Link Architecture.
3. Pendekatan hybrid.
Pendekatan hybrid menggunakan seluruh bagian wajah dan ciri-ciri lokal wajah sebagai data masukan. Contoh : modular eigenface dan hybrid local feature.
METODE FISHERFACE
Pengenalan wajah yang akan direalisasikan terbagi ke dalam empat modul utama. Diagram blok yang akan direalisasikan terlihat pada Gambar 1.
Gambar 1. Diagram Blok yang akan Direalisasikan
Deteksi Wajah (Face Detection)
Salah satu kunci sukses dalam pengenalan wajah adalah deteksi wajah yang akurat karena gambar wajah yang terdeteksi akan sangat mempengaruhi dalam proses pengenalannya [4]. Langkah pertama pada pengenalan wajah secara otomatis adalah mendeteksi keberadaan wajah dari gambar masukan. Setelah wajah terdeteksi, tugas feature extraction adalah untuk memperoleh ciri-ciri dari wajah yang
diperlukan pada klasifikasi wajah. Bergantung pada tipe pengenalan wajahnya, ciri-ciri yang diperlukan dapat berupa ciri-ciri lokal wajah seperti hidung, mata, mulut, dan lainnya, maupun ciri-ciri global wajah (seluruh bagian wajah). Metode fisherface menggunakan seluruh bagian wajah sebagai data dalam pengenalannya.
Segmentasi Warna Kulit
Proses yang dilakukan pertama kali pada algoritma deteksi wajah yang digunakan adalah membuang sebanyak mungkin bagian bukan wajah dari gambar input. Hal ini dapat dilakukan dengan memberikan batasan pada nilai intensitas warna (color thres-holding) pada gambar input karena pada dasarnya seluruh manusia memiliki range atau cakupan nilai warna (chrominance value) yang hampir sama untuk warna kulitnya. Yang membedakannya adalah variasi pada nilai intensitas cahayanya (luminance value) [3]. Akibatnya, jika nilai chrominance dan luminance dapat dipisahkan dari gambar dan kemudian dilakukan pembatasan nilai intensitas pada komponen chrominance, akan didapat bagian yang merupakan bagian berwarna seperti kulit (skin like-hood) dari gambar input.
Salah satu cara memisahkan nilai intensitas cahaya dari komponen warna gambar masukan adalah dengan mentransformasi komponen warna gambar masukan yang merupakan gambar berwarna (RGB) ke dalam komponen warna YCbCr (Iluminance, Chrominance-blue, Chrominance-red). Jika pada komponen warna RGB masih terdapat informasi mengenai intensitas pencahayaan pada setiap komponen warnanya (Red, Green, Blue), untuk komponen warna YCbCr, komponen Cb dan Cr merupakan komponen warna yang bebas dari intensitas cahaya, karena seluruh informasi mengenai cahaya pada gambar disimpan pada komponen Y. Persamaan transformasi komponen warna RGB ke YCbCr adalah [2]:
⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡+⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡⋅⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡−−−=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡12812816071.0368.0439.0439.0291.0148.0098.0504.0275.0BGRCrCbY (1)
Antara nilai Cb dan Cr terdapat korelasi yang menunjukkan piksel pada gambar yang memiliki warna kulit seperti yang terlihat pada Gambar 2.
Gambar 3 menunjukkan nilai komponen Cb dan Cr pada seluruh bagian gambar dan nilai yang hanya menunjukkan bagian kulit saja.