Laporkan Masalah

PENGENALAN WAJAH MENGGUNAKAN SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN HIERARCHICAL AGGLOMERATIVE CLUSTERING (HAC)

DEVITA SHIYAMAWATI, Drs. Agus Harjoko, M.Sc., Ph.D.

2017 | Tesis | S2 Ilmu Komputer

Seiring dengan berkembangnya penelitian mengenai pengenalan wajah, banyak metode yang digunakan untuk menyelesaikan permasalahan mengenai pengenalan wajah. Kecepatan dan ketepatan untuk mengenali wajah merupakan hal penting pada sistem pengenalan wajah. Penelitian ini menggunakan metode Scale Invariant Feature Transform (SIFT) untuk proses pengambilan fitur dari citra wajah dan Hierarchical Agglomerative Clustering untuk melakukan pengelompokan citra wajah berdasarkan kedekatan fiturnya. Setelah didapatkan kelompok citra wajah kemudian dilakukan proses pengenalan wajah, yang diawali dengan proses ekstraksi ciri menggunakan SIFT pada citra wajah uji. Setelah didapat fitur citra wajah uji kemudian dicari cluster terdekat berdasarkan kedekatan fitur citra wajah uji dengan titik pusat cluster. Setelah didapat cluster terdekat, kemudian dilakukan pencarian citra wajah yang menjadi anggota cluster tersebut yang paling mirip dengan citra wajah uji. Pada penelitian ini, diusulkan pendekatan baru untuk pemodelan fitur dan pencarian jarak antar fitur. Hasil penelitian menunjukan bahwa performansi clustering dengan pemodelan fitur dan pencarian jarak yang sudah dimodifikasi menghasilkan akurasi sebesar 99,24 persen. Sistem pengenalan wajah menghasilkan akurasi sebesar 92,82 persen pada pengujian dengan citra wajah uji tanpa perubahan apapun. Sedangkan untuk pengujian pada citra wajah uji dengan perubahan ukuran menghasilkan akurasi sebesar 84,72 persen untuk citra uji yang diperkecil setengah kali dan 90,74 persen untuk citra uji yang diperbesar dua kali. Pengujian pada citra wajah uji dengan efek rotasi menghasilkan akurasi sebesar 79,40 persen untuk rotasi 5 derajat, 81,48 persen untuk rotasi 45 derajat, 92,13 persen untuk rotasi 90 derajat dan 180 derajat. Pengujian pada citra wajah uji dengan perubahan kontras dan tingkat kecerahan menghasilkan akurasi sebesar 88,66 persen untuk citra uji dengan peningkatan kontras dan tingkat kecerahan dan 64,12 persen untuk citra uji dengan penurunan kontras dan tingkat kecerahan.

Nowadays, there are many researches and study about face recognition. There are many method and theory as the result. Speed and accuracy are the main interest of face recognition method. In this study Scale Invariant Feature Transform (SIFT) is used to extract the features of face images. Using the similarity of images features using Hierarchical Agglomerative Clustering (HAC), resulting face images clusters. Face recognition process starts with test image feature extraction using SIFT. Then find the closest cluster by comparing clusters centroid with SIFT result. From the closest cluster, find the most similar image in the clusters members by comparing their features. In this study, new approach for feature and distance modeling are proposed. The result shows that the clustering performance using modified feature and distance modeling gives 99,24 percent accuracy. The face recognition system gives 92,82 percent accuracy for attackless test image. For half reduced test image, gives 84,72 percent accuracy and 90,74 percent for twice enlarged test image. Test image with 5 degree rotation attack gives 79,40 percent accuracy, 81,48 percent for 45 degree, 92,13 percent for 90 degree and also 92,13 percent for 180 degree rotation. For contrast and brightness attack, gives 88,66 percent accuracy for increasing attack and 64,12 percent for reduction attack.

Kata Kunci : feature extraction, face recognition, SIFT, HAC

  1. S2-2017-371852-abstract.pdf  
  2. S2-2017-371852-bibliography.pdf  
  3. S2-2017-371852-tableofcontent.pdf  
  4. S2-2017-371852-title.pdf