Sistem Biometrik Pengenalan Wajah dengan Metode Grey Level Co-Occurrence Matrix dan Support Vector Machine

Abstract

TWajah merupakan salah satu bagian tubuh yang digunakan untuk keperluan identitas. Setiap wajah manusia memiliki karakteristik yang berbeda-beda, tidak satupun wajah yang mutlak serupa. Bahkan pada wajah manusia kembar identik sekalipun. Teknologi pengenalan wajah menjadi salah satu alternatif yang digunakan untuk proses identifikasi seseorang. Pada penelitian ini, pengenalan wajah diaplikasikan menggunakan metode Grey Level Co-Occurrence Matrix (GLCM) dan Support Vector Machine (SVM). GLCM mampu mengekstraksi fitur yang memiliki variasi arah objek. Metode ini menghasilkan empat parameter penting untuk proses pengenalan, yaitu contrast, correlation, energy dan homogeneity. Sedangkan algoritma SVM digunakan untuk tahap pengenalan/klasifikasi. Dalam tahap pengolahan data, mulanya tidak semua citra wajah yang dikumpulkan memiliki kualitas yang baik. Oleh karena itu, sebelum dilanjutkan ke tahap pengenalan citra harus diperbaiki melalui teknik pengolahan citra digital. Proses perbaikan citra bertujuan untuk memperbaiki kualitas citra agar mudah dibaca oleh komputer. Tahapan yang perlu dilalui yaitu preprocessing dan ekstraksi fitur. Tujuan utama tahap preprocessing meliputi menghilangkan derau (noise), perbaikan citra (image restoration) dan menentukan bagian citra yang akan diobservasi. Tahap selanjutnya merupakan ekstraksi fitur. Salah satu metode yang dapat diterpkan adalah GLCM. GLCM diterapkan dengan mengkonversi sebuah citra digital dalam ruang warna RGB (Red, Green, Blue) menjadi grayscale (abu-abu). Pada tahap ini, citra akan diektraksi fitur dengan cara menghitung nilai contrast, correlation, energy dan homogeneity. Empat parameter tersebut kemudian dijadikan vektor masukan untuk diklasifikasi menggunakan algoritma SVM. Data yang digunakan pada penelitian ini sebanyak 250 citra wajah yang di bagi dalam dua tahap yaitu pelatihan (training) dan pengujian (testing). Penelitian ini menghasilkan akurasi untuk metode GLCM dan SVM sebesar 93% pada tahap pelatihan dengan total 200 citra wajah dan 90% pada tahap pengujian dengan total 50 citra wajah. Berdasarkan hasil analisis, metode GLCM pada penelitian ini menghasilkan ekstraksi fitur wajah yang kompleks sehingga memberikan pengaruh signifikan terhadap database untuk proses identifikasi menggunakan SVM. Sedangkan metode SVM pada penelitian ini mampu mengenali citra wajah dengan baik meskipun indikator berupa ekspresi wajah yang digunakan berbeda-beda