Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 7
PENGARUH HISTOGRAM EQUALIZATION PADA
KINERJA METODE ROBUST REGRESSION UNTUK
PENGENALAN WAJAH
Budi Nugroho, S.Kom, M.Kom 1)
Intan Yuniar Purbasari, S.Kom, MSc 2)
Email: 1) [email protected] , 2) [email protected]
Jurusan Teknik Informatika, Fakultas Teknologi Industri, UPN “Veteran” Jawa Timur
Abstraksi : Salah satu metode pengenalan wajah yang dipengaruhi oleh faktor iluminasi
adalah Robust Regression, yang menunjukkan kinerja yang tinggi dibandingkan dengan
banyak metode pengenalan wajah lain. Pada tahap pra-pemrosesan, metode ini
menggunakan teknik Histogram Equalization. Pada penelitian ini akan dilakukan
pengujian untuk mengetahui sejauhmana pengaruh teknik tersebut terhadap kinerja
pengenalan wajah. Uji coba yang dilakukan menggunakan 2 Basisdata Citra Wajah
standar, yaitu CMU-PIE Face Database dan Extended Yale Face Database B.
Berdasarkan uji coba dan analisis hasil penelitian yang telah dilakukan, diperoleh
kesimpulan bahwa teknik Histogram Equalization yang digunakan pada tahap pra-
pemrosesan dari metode Robust Regression, yang bertujuan untuk melakukan normalisasi
iluminasi pada citra wajah, ternyata memberikan pengaruh yang relatif kecil pada kinerja
pengenalan wajah. Pada uji coba menggunakan CMU-PIE Face Database, pengaruhnya
hanya sebesar 0,57 %. Sedangkan uji coba pada Extended Yale Face Database B,
pengaruhnya hanya sebesar 0,33 %.
Kata Kunci: Pengenalan Wajah, Robust Regression, Histogram Equalization.
PENDAHULUAN
Salah satu cara pengenalan identitas personal berdasarkan biometrik adalah
menggunakan sistem pengenalan wajah. Sistem ini mulai banyak digunakan di
lingkungan bisnis, misalnya proses absensi pegawai, pengawasan, hak akses fasilitas
penting, dan sebagainya. Tetapi, meskipun sudah mulai banyak dimanfaatkan, sistem
pengenalan wajah yang dikembangkan masih belum sempurna tingkat akurasinya. Hal ini
tidak terlepas dari banyaknya faktor yang mempengaruhinya, misalnya posisi
pengambilan citra wajah, ekspresi wajah, perlengkapan yang menutupi sebagian daerah
wajah, maupun iluminasi (pencahayaan).
Salah satu metode pengenalan wajah yang dikembangkan adalah Robust
Regression [01], yang dikembangkan oleh Naseem dkk, dimana ruang lingkup
pengenalan wajah dipengaruhi oleh faktor iluminasi. Faktor iluminasi sendiri menjadi
faktor yang sangat berpengaruh terhadap kinerja pengenalan wajah yang sampai hari ini
masih belum sepenuhnya terpecahkan, terutama pada kondisi pencahayaan yang
kompleks [02].
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 8
Pada metode Robust Regression, langkah pra-pemrosesan (pre-processing)
digunakan pada tahap awal untuk melakukan normalisasi iluminasi citra wajah. Langkah
ini dilakukan agar dapat mengurangi pengaruh yang muncul sebagai akibat dari faktor
iluminasi. Teknik yang dipilih pada langkah pra-pemrosesan ini adalah Histogram
Equalization, yang merupakan salah satu teknik Histogram Remapping yang paling
banyak digunakan pada berbagai metode pengenalan wajah [03]. Secara umum,
berdasarkan hasil uji coba yang telah dilakukan pada sejumlah basisdata citra wajah
standar, metode Robust Regression menunjukkan tingkat akurasi pengenalan wajah yang
cukup tinggi, bahkan sebagian hasilnya menunjukkan kinerja yang lebih baik
dibandingkan dengan beberapa metode pengenalan wajah lainnya.
Berkaitan dengan teknik Histogram Equalization yang digunakan pada tahap pra-
pemrosesan dalam metode Robust Regression, pada penelitian ini akan dilakukan
pengujian untuk mengetahui sejauhmana pengaruhnya terhadap kinerja pengenalan
wajah. Hasil yang diperoleh pada penelitian sebelumnya akan dibandingkan dengan hasil
pada penelitian ini, dimana metode Robust Regression akan diimplementasikan tanpa
menggunakan Histogram Equalization pada tahap pra pemrosesan. Uji coba akan
dilakukan dengan menggnuakan 2 basisdata citra wajah standar, yaitu CMU-PIE Face
Database [04, 05] dan Extended Yale Face Database B [06].
METODOLOGI PENELITIAN
Pada bagian ini akan dibahas mengenai perancangan metode Robust Regression
untuk pengenalan wajah dan bagaimana proses uji coba yang dilakukan pada penelitian
ini. Pada perancangan metode Robust Regression, tahapan pra-pemrosesan yang
menggunakan teknik Histogram Equalization (sebagaimana digunakan pada penelitian
sebelumnya) akan dihilangkan.
Hasil uji coba akan membandingkan antara metode Robust Regression yang
menggunakan teknik Histogram Equalization (pada tahap pra-pemrosesan) dan metode
Robust Regression yang tidak menggunakan teknik Histogram Equalization (tanpa ada
tahap pra-pemrosesan). Secara konseptual, Histogram Equalization sendiri digunakan
untuk melakukan normalisasi iluminasi citra wajah sehingga diharapkan dapat
mengurangi pengaruh yang muncul sebagai akibat dari faktor iluminasi. Melalui
penelitian ini, nantinya akan diperoleh kesimpulan berkaitan dengan sejauhmana
pengaruh proses normalisasi iluminasi menggunakan teknik Histogram Equalization pada
kinerja metode Robust Regression untuk pengenalan wajah.
Perancangan Metode Robust Regression
Pada pendekatan pengenalan wajah ini, sebuah Classifier atau Predictor akan
dibuat untuk setiap kelas melalui proses pelatihan (training) data citra wajah. Data citra
yang akan diujikan diklasifikasikan ke dalam salah satu kelas dengan menggunakan
Predictor tersebut. Langkah-langkah yang diperlukan untuk menghasilkan Predictor
untuk setiap kelas dijelaskan melalui gambar 1. Sedangkan bagaimana proses pengujian
untuk klasifikasi citra wajah dijelaskan melalui gambar 2. Sebagaimana terlihat pada
gambar 1 dan 2, baik pada proses pembuatan Predictor maupun proses klasifikasi citra
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 9
wajah, diperlukan tahap pra-pemrosesan dengan menggunakan teknik Histogram
Equalization. Pada penelitian ini, teknik Histogram Equalization akan dihilangkan.
Selanjutnya akan dihitung berapa persentase perbedaan tingkat akurasi yang dihasilkan
dari kedua kondisi tersebut (antara metode Robust Regression yang menggunakan
Histogram Equalization dan yang tidak menggunakan Histogram Equalization).
Pada proses pembuatan Predictor untuk setiap kelas citra wajah, sebagaimana
ditunjukkan pada gambar 1, setiap matriks citra wajah perlu diubah menjadi vektor.
Kemudian ukuran vektor tersebut diperkecil dengan menggunakan proses downsample.
Vektor yang telah dilakukan proses downsample ini selanjutnya dilakukan normalisasi
sehingga nilai maksimumnya 1. Untuk setiap kelas citra wajah, beberapa vektor citra dari
kelas tersebut digabungkan menjadi matriks kelas tersebut. Gabungan vektor citra inilah
yang pada pendekatan ini disebut dengan Predictor atau Classifier untuk setiap kelas citra
wajah.
Pada proses klasifikasi citra wajah yang diujikan, sebagaimana ditunjukkan pada
gambar 2, setiap matriks citra wajah juga diubah menjadi vektor dan dilakukan proses
downsample menjadi vektor berukuran lebih kecil, sama halnya pada proses pembuatan
Predictor sebelumnya. Nilai β(i) perlu ditentukan untuk setiap kelas citra wajah dengan
menggunakan teknik Robust Huber Estimation dan diprediksikan vektor responnya.
Selanjutnya, ditentukan jarak antara vektor citra uji dengan vektor responnya. Hasil
klasifikasi citra ditentukan berdasarkan jarak terkecilnya.
Data Uji Coba
Penelitian ini menggunakan 2 Basisdata Citra Wajah standar untuk melakukan uji
coba, yaitu CMU-PIE Face Database dan Extended Yale Face Database B. Uji coba
dilakukan pada citra wajah frontal (tampak depan) dan ekspresi netral.
Pada CMU-PIE Face Database, data citra wajah yang digunakan pada penelitian ini
meliputi 1.428 citra wajah (68 individu dengan 21 kondisi iluminasi pada setiap
individunya). Gambar 3 menunjukkan citra wajah pada CMU-PIE Face Database dengan
21 variasi iluminasi pada dari salah satu individu. Sedangkan pada Extended Yale Face
Database B, data citra wajah yang digunakan pada penelitian ini meliputi 2.432 citra
wajah (38 individu dengan 64 variasi iluminasi pada setiap individunya). Gambar 4
menunjukkan citra wajah pada Extended Yale Face Database B dengan 64 variasi
iluminasi pada dari salah satu individu.
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 10
Gambar 1. Proses Pembuatan Predictor Gambar 2. Proses klasifikasi citra wajah
untuk setiap kelas citra wajah
Teknik Evaluasi
Uji coba pada penelitian ini menggunakan teknik evaluasi yang juga digunakan
oleh para peneliti lain dalam pengenalan wajah. Teknik evaluasi ini merupakan sejumlah
ketentuan pada suatu basisdata citra standar yang digunakan oleh para peneliti dalam
melakukan uji coba untuk mengukur kinerja metode pengenalan wajah.
Pada CMU-PIE Face Database, ada 3 teknik evaluasi yang digunakan, sebagaimana
ditunjukkan oleh tabel 1, 2, dan 3. Berdasarkan uji coba yang dilakukan pada semua
teknik evaluasi tersebut, nantinya akan ditentukan kinerja sistem pengenalan wajah
berupa tingkat akurasi (dalam satuan persen). Kemudian, dihitung rata-rata akurasinya
untuk mendapatkan akurasi rata-rata keseluruhan.
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 11
Gambar 3. CMU-PIE Face Database: 2.1 kondisi iluminasi
Gambar 4. Extended Yale Face Database B: 64 kondisi iluminasi
Sedangkan pada Extended Yale Face Database B, teknik evaluasi yang digunakan
ditunjukkan oleh tabel 4. Pada basisdata ini, citra wajah dibagi menjadi 4 subset,
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 12
sebagaimana ditunjukkan oleh tabel 5. Sebagaimana uji coba pada CMU-PIE Face
Database, nantinya dihitung rata-rata akurasinya untuk mendapatkan akurasi rata-rata
keseluruhan.
Tabel 1. CMU-PIE Face Database: Teknik Evaluasi 1
(kondisi citra pada pencahayaan frontal)
Tabel 2. CMU-PIE Face Database: Teknik Evaluasi 2
(kondisi citra pada pencahayaan yang ekstrim)
Tabel 3. CMU-PIE Face Database: Teknik Evaluasi 3
(leave one out)
Tabel 4. Extended Yale Face Database B: Teknik Evaluasi
HASIL DAN PEMBAHASAN
Bagian ini menjelaskan hasil uji coba yang telah diperoleh pada penelitian ini dan
pembahasan mengenai analisis hasil penelitian. Uji coba dilakukan dalam rangka
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 13
menentukan tingkat akurasi (satuan persen) dari pengenalan wajah dari setiap teknik uji
coba pada basisdata citra wajah standar. Akurasi rata-rata dihitung berdasarkan nilai rata-
rata dari hasil yang diperoleh pada semua teknik uji coba. Selanjutnya, penelitian ini
membandingkan hasil uji coba metode Robust Regression dengan menggunakan
Histogram Equalization (pada tahap pra-pemrosesan) dengan metode Robust Regression
tanpa menggunakan Histogram Equalization (tanpa ada tahap pra-pemrosesan).
Tabel 5. Extended Yale Face Database B: Pembagian Subset citra
Tabel 6. Hasil Uji Coba pada CMU-PIE Face Database: Teknik Evaluasi 1 dan 2
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 14
Hasil uji coba dengan menggunakan CMU-PIE Face Database ditunjukkan oleh
tabel 6, 7, dan 8. Tabel 6 menunjukkan hasil uji coba dengan teknik evaluasi 1 (kondisi
citra pada pencahayaan frontal) dan teknik evaluasi 2 (kondisi citra pada pencahayaan
yang ekstrim). Rata-rata akurasi metode Robust Regression dengan menggunakan
Histogram Equalization adalah 99,88 %. Sedangkan rata-rata akurasi metode Robust
Regression tanpa menggunakan Histogram Equalization adalah 98,66 %. Pada tabel 7
ditunjukkan hasil uji coba dengan teknik evaluasi 3 (leave one out). Rata-rata akurasi
metode Robust Regression dengan menggunakan Histogram Equalization adalah 99,93
%. Sedangkan rata-rata akurasi metode Robust Regression tanpa menggunakan
Histogram Equalization adalah 100,00 %. Akurasi rata-rata keseluruhan hasil uji coba
pada CMU-PIE Face Database ditunjukkan oleh tabel 8, dimana akurasi rata-rata
keseluruhan metode Robust Regression dengan menggunakan Histogram Equalization
adalah 99,90 % dan akurasi rata-rata keseluruhan metode Robust Regression tanpa
menggunakan Histogram Equalization adalah 99,33 %. Sehingga selisih akurasi rata-rata
keseluruhan diperoleh 0,57 %.
Tabel 7. Hasil Uji Coba pada CMU-PIE Face Database: Teknik Evaluasi 3
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 15
Tabel 8. Hasil Uji Coba pada CMU-PIE Face Database: Akurasi Rata-rata
Sedangkan hasil uji coba dengan menggunakan Extended Yale Face Database B
ditunjukkan oleh tabel 9, dimana akurasi rata-rata metode Robust Regression dengan
menggunakan Histogram Equalization adalah 95,31 % dan akurasi rata-rata metode
Robust Regression tanpa menggunakan Histogram Equalization adalah 94,98 %.
Sehingga selisih akurasi rata-rata keseluruhan diperoleh 0,33 %.
Tabel 9. Hasil Uji Coba pada Extended Yale Face Database B
Berdasarkan hasil uji coba pada CMU-PIE Face Database dan Extended Yale Face
Database B, ternyata diperoleh selisih akurasi rata-rata antara metode Robust Regression
dengan menggunakan Histogram Equalization dan metode Robust Regression tanpa
menggunakan Histogram Equalization yang relatif kecil, kurang dari 1 %. Pada CMU-
PIE Face Database diperoleh selisih akurasi hanya 0,57 % dan pada Extended Yale Face
Database B selisih akurasinya hanya 0,33 %. Hasil ini menunjukkan bahwa teknik
Histogram Equalization yang digunakan pada tahap pra-pemrosesan dari metode Robust
Regression ternyata memberikan pengaruh yang relatif kecil pada kinerja pengenalan
wajah.
SIMPULAN
Berdasarkan uji coba dan analisis hasil penelitian yang telah dilakukan, diperoleh
kesimpulan bahwa teknik Histogram Equalization yang digunakan pada tahap pra-
pemrosesan dari metode Robust Regression, yang bertujuan untuk melakukan normalisasi
iluminasi pada citra wajah, ternyata memberikan pengaruh yang relatif kecil pada kinerja
pengenalan wajah. Pada uji coba menggunakan CMU-PIE Face Database, pengaruhnya
Jurnal Sistem Informasi Dan Bisnis Cerdas Vol. 7, No. 1. Februari 2014
PENGARUH HISTOGRAM EQUALIZATION PADA KINERJA ROBUST REGRESSION | 16
hanya 0,57 %. Sedangkan uji coba pada Extended Yale Face Database B, pengaruhnya
hanya 0,33 %.
Penelitian berikutnya dapat dilakukan dengan melakukan uji coba pada sejumlah
basisdata citra standar lain untuk mengetahui sejauhmana kesesuaiannya dengan
kesimpulan yang diperoleh pada penelitian ini.
DAFTAR PUSTAKA
Naseem, Imran., Togneri, Roberto., Bennamoun, Mohammed. Robust Regression For
Face Recognition. Journal of Pattern Recognition. 2012.
[02] Makwana, Ramji M., Thakar, V. K., Chauhan, N. C. Evaluation and Analysis of
Illumination Normalization Methods for Face Recognition. International
Conference on Image Information Processing, IEEE. 2011.
[03] Struc, Vitomir., Zibert, Janez., Pavesic, Nikola. Histogram Remapping as a
Preprocessing Step for Robust Face Recognition. WSEAS Transactions on
Information Science and Applications. 2009.
[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] Lee, Kuang-Chih., Ho, Jeffrey., Kriegman, David. Acquiring Linear Subspaces for
Face Recognition under Variable Lighting. IEEE Transactions on Pattern Analysis
and Machine Intelligence, Vol. 27, No. 5. 2005.