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) budinug80@yahoo.com , 2) intan_yuniar80@yahoo.com

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.