IMPLEMENTASI ALGORITMA NEAREST FEATURE (original) (raw)

ABSTRAK Sistem pengenalan wajah yang baik adalah sistem yang mampu mengatasi variasi yang timbul saat pengambilan citra wajah. Variasi ini bisa berupa ekspresi wajah, aksesoris yang dipakai, tingkat pencahayaan dan arah pengambilan citra. Variasi tersebut akan ditangkap oleh garis-garis maya yang dibuat dari setidaknya dua prototype dalam sebuah kelas. Garis maya tersebut akan mengeneralisasi variasi yang mungkin terjadi dari kedua prototype. Proses identifikasi wajah akan dilakukan dengan mencari jarak terpendek antara wajah yang akan dikenali dengan semua variasi hasil ekstrapolasi dan interpolasi prototype pada tiap kelas. Implementasi dari metode ini bisa mencapai tingkat akurasi lebih dari 90% dengan waktu eksekusi 0.5 detik pada kondisi optimal. Kata Kunci : pengenalan wajah, eigenface, principal component analysis, nearest feature line, nearest feature midpoint 1. Pendahuluan Pengenalan wajah adalah salah satu bidang kaji dalam pengenalan pola yang selalu mengalami pengembangan. Kehandalan sebuah metode bisa dilihat dari proses perhitungan dengan biaya minimal dan hasil perhitungan dengan tingkat kesalahan yang relatif kecil. Sebuah sistem pengenalan wajah yang handal harus tetap bisa bekerja dan mampu menangani masukan citra wajah dengan berbagai variasi terutama dalam sudut pengambilan, ekspresi, pencahayaan dari citra yang dijadikan masukan. Dari ketiga variasi tersebut, variasi wajah yang sama dalam pencahayaan dan sudut pan-dang pada saat pengambilan citra biasanya jauh lebih besar dari pada ekspresi wajah yang sama. Nearest Feature Midpoint (NFM) adalah salah satu metode dalam pengenalan wajah yang dinyatakan sebagai metode perbaikan dari pengenalan wajah dengan metode Nearest Feature Line (NFL) [1]. Diharapkan dengan menggunakan metode ini bisa dibangun sebuah Aplikasi pengenalan wajah yang relatif lebih baik dibandingkan dengan metode NFL. Secara umum, klasifikasi menggunakan NFL dan NFM dilakukan dengan mencari jarak minimum antara feature point yang di-query-kan (wajah yang akan dikenali) dengan semua feature line yang ada [1]. Feature line adalah garis virtual yang menghubungkan dua prototype dalam sebuah kelas (satu orang) sedangkan feature midpoint adalah titik tengah antara dua prototype dalam sebuah kelas yang sama. Dengan demikian, perbendaharaan wajah akan diperbanyak dengan melakukan ekstrapolasi atau interpolasi feature point pada tiap feature line yang ada dalam feature space [2]. Untuk melakukan klasifikasi berbasis feature line ini, sebagai representasi awal dari citra akan digunakan metode pembentukan eigenface. Secara umum dengan membentuk eigenface space, dimensi-dimensi yang kurang signifikan dalam citra wajah akan direduksi sehingga hanya menyisakan dimensi yang penting saja. Pembentukan eigenface space tidak lepas dari penggunaan Principal Component Analysis (PCA) sebagai alat pereduksi dimensi.

Sign up for access to the world's latest research.

checkGet notified about relevant papers

checkSave papers to use in your research

checkJoin the discussion with peers

checkTrack your impact