1a Sampul Depan OPTIMALISASI REDUKSI NOISE MENGGUNAKAN CHAIN-CODE TERMODIFIKASI PADA PENDETEKSIAN WAJAH Yusron Rijal e-mail: yusronrijal@yahoo.com ABSTRACT Digital image face detection had been developing so much in this last decade. The searching for the best method is still walking until today. This face detection research is using color model based segmentation method combined with template matching. There are 4 main process in this research. First, motion detection is used to minimize the size of the image by subtracting image n with image n+m. Then, by using YCbCr color model based segmentation, the image is separated by skin color area and non-skin color area. Third, is to reduce the noise by using the blurring way and by filtering its wide. The last one is matching the area that last with template that has been prepared to detect which area is face. The result of the research, from 217 images and 10 videos , shows that this method reach up to 70,5% face detection accuration procentage. Keywords : Face Detection, Skin Color Segmentation, Noise Reducing, Template Matching PENDAHULUAN Pengolahan citra merupakan suatu sistem dimana proses dilakukan dengan masukkan berupa citra dan hasilnya juga berupa citra. Pada awalnya pengolahan citra ini dilakukan untuk memperbaiki kualitas citra, namun dengan berkembangnya dunia komputasi yang ditandai dengan semakin meningkatnya kapasitas dan kecepatan proses komputer, serta munculnya ilmu-ilmu komputasi yang memungkinkan manusia dapat mengambil informasi dari suatu citra, maka pengolahan citra tidak dapat dilepaskan dengan bidang computer vision. Dalam perkembangan lebih lanjut pengolahan citra dan computer vision digunakan sebagai pengganti mata manusia, dengan perangkat input image capture seperti kamera dan scanner dijadikan sebagai mata dan mesin komputer dijadikan sebagai otak yang mengolah informasi. Salah satu bidang yang menggunakan pengolahan citra yang saat ini banyak dikembangkan orang adalah biometric, yaitu bidang yang mempelajari bagaimana dapat mengindentifikasi ciri unik yang ada pada tubuh manusia Otak bisa menentukan apakah objek yang dilihat oleh mata itu adalah manusia atau bukan, wajah atau tangan dan sebagainya. Oleh karena itu, sangat penting penelitian yang bertujuan agar komputer dapat memiliki fungsi mendeteksi objek tersebut layaknya manusia diperlukan suatu cara dengan metode tertentu. Dalam hal ini adalah bagaimana komputer mampu mendeteksi suatu objek bergerak dan menentukan bagian- bagian wajah manusia. Apabila komputer dapat didesain agar memiliki kecerdasan mendekati kecerdasan yang dimiliki manusia, tentu hal tersebut dapat memudahkan kerja manusia. Dengan begitu banyak kegiatan manusia yang bisa didampingi oleh sistem komputer, seperti pengenalan wajah, pendeteksian wajah, object tracking, image registration, deteksi jalur kendaraan, dan lain sebagainya. METODE PENELITIAN 1. Perancangan Sistem Dalam perancangan sistem, secara garis besar dapat digambarkan pada blok diagram berikut : Gambar 1. Blok diagram Berdasarkan blok diagram diatas, pendeteksian wajah ini dapat dibagi menjadi 5 tahap, yaitu tahap citra awal, tahap deteksi kulit, tahap pengurangan derau, tahap template matching dan tahap hasil deteksi. Tiap-tiap tahap memiliki proses-proses pengolahan citra di dalamnya. Atau secara umum dapat dilihat pada flowchart sebagai berikut: 2. Motion Detection Tujuan tahapan ini adalah untuk mengurangi proses representasi pola warna kulit terhadap citra yang akan diolah. Citra yang digunakan sebagai masukan adalah citra hasil capture webcam dengan format WebCam Motion Detection Computer Noise Reduction Result Template matching Skin Represntation Jurnal CAUCHY BMP dan dengan resolusi 320 yang penulis gunakan memiliki kecepatan 15 (frame per second kelipatan detik ke 0,1 dan ke 0,15 dilakukan capture Posisi wajah relatif menghadap lurus seperti pada gambar Setiap citra masukan akan diakses tiap tiap pikselnya untuk mengambil nilai hijau dan biru (RGB). Serta dihitung nilai abu abu, Y, Cb dan Cr Proses Pengaburan Dalam setiap pendeteksian wajah, citra masukan yang dibutuhkan adalah dua. Sebagaiman citra dilakukan dua kali dalam setiap pendeteksian. Kedua citra masuka saling dikurang mendeteksi gerak. Sebelum dilakukan pendeteksian gerak, kedua citra masukan akan dilakukan proses pengaburan terlebih dulu. mendapatkan hasil pendeteksian gerak yang lebih baik. Pada dasarnya proses pengaburan adalah perkalian matriks antara matriks kernel dengan matriks citra berpengaruh pada hasil proses. Semakin besar ukuran dihasilkan. Pada sistem ini penulis menggunakan matriks kernel rata proses pengaburan dapat dilihat pada gambar Gambar Optimalisasi Reduksi Noise Menggunakan Chain Jurnal CAUCHY – ISSN: 2086 dan dengan resolusi 320 yang penulis gunakan memiliki kecepatan 15 frame per second) atau 15 citra per detik. kelipatan detik ke 0,1 dan ke 0,15 dilakukan citra yang akan diproses selanjutnya. Posisi wajah relatif menghadap lurus seperti pada gambar 2 Gambar Setiap citra masukan akan diakses tiap pikselnya untuk mengambil nilai hijau dan biru (RGB). Serta dihitung nilai abu abu, Y, Cb dan Cr-nya. Proses Pengaburan Dalam setiap pendeteksian wajah, citra masukan yang dibutuhkan adalah dua. Sebagaimana telah disebutkan di atas, citra dilakukan dua kali dalam setiap pendeteksian. Kedua citra masuka saling dikurangkan ( mendeteksi gerak. Sebelum dilakukan pendeteksian gerak, kedua citra masukan akan dilakukan proses pengaburan terlebih dulu. mendapatkan hasil pendeteksian gerak yang ih baik. Pada dasarnya proses pengaburan adalah perkalian matriks antara matriks kernel dengan matriks citra [3]. Ukuran matriks yang digunakan berpengaruh pada hasil proses. Semakin besar matriks, semakin kabur citra yang dihasilkan. Pada sistem ini penulis menggunakan matriks kernel rata-rata berukuran 3x3. proses pengaburan dapat dilihat pada gambar Gambar 3. Hasil proses pengaburan Optimalisasi Reduksi Noise Menggunakan Chain ISSN: 2086-0382 dan dengan resolusi 320 x yang penulis gunakan memiliki kecepatan 15 ) atau 15 citra per detik. kelipatan detik ke 0,1 dan ke 0,15 dilakukan citra yang akan diproses selanjutnya. Posisi wajah relatif menghadap lurus 2. Gambar 2. Citra masukan Setiap citra masukan akan diakses tiap pikselnya untuk mengambil nilai hijau dan biru (RGB). Serta dihitung nilai abu . Dalam setiap pendeteksian wajah, citra masukan yang dibutuhkan adalah dua. telah disebutkan di atas, citra dilakukan dua kali dalam setiap pendeteksian. Kedua citra masuka kan (image subtraction Sebelum dilakukan pendeteksian gerak, kedua citra masukan akan dilakukan proses pengaburan terlebih dulu. Tujuannya untuk mendapatkan hasil pendeteksian gerak yang Pada dasarnya proses pengaburan adalah perkalian matriks antara matriks kernel dengan . Ukuran matriks yang digunakan berpengaruh pada hasil proses. Semakin besar matriks, semakin kabur citra yang dihasilkan. Pada sistem ini penulis menggunakan rata berukuran 3x3. proses pengaburan dapat dilihat pada gambar Hasil proses pengaburan Optimalisasi Reduksi Noise Menggunakan Chain 0382 x 240. Webcam yang penulis gunakan memiliki kecepatan 15 ) atau 15 citra per detik. Setiap kelipatan detik ke 0,1 dan ke 0,15 dilakukan citra yang akan diproses selanjutnya. Posisi wajah relatif menghadap lurus ke depan, Citra masukan Setiap citra masukan akan diakses tiap pikselnya untuk mengambil nilai-nilai merah, hijau dan biru (RGB). Serta dihitung nilai abu Dalam setiap pendeteksian wajah, citra masukan yang dibutuhkan adalah dua. telah disebutkan di atas, capturing citra dilakukan dua kali dalam setiap pendeteksian. Kedua citra masukan tersebut akan image subtraction) untuk Sebelum dilakukan pendeteksian gerak, kedua citra masukan akan dilakukan proses Tujuannya untuk mendapatkan hasil pendeteksian gerak yang Pada dasarnya proses pengaburan adalah perkalian matriks antara matriks kernel dengan . Ukuran matriks yang digunakan berpengaruh pada hasil proses. Semakin besar matriks, semakin kabur citra yang dihasilkan. Pada sistem ini penulis menggunakan rata berukuran 3x3. Keluaran proses pengaburan dapat dilihat pada gambar Hasil proses pengaburan Optimalisasi Reduksi Noise Menggunakan Chain Webcam yang penulis gunakan memiliki kecepatan 15 fps Setiap kelipatan detik ke 0,1 dan ke 0,15 dilakukan citra yang akan diproses selanjutnya. ke depan, Setiap citra masukan akan diakses tiap- nilai merah, hijau dan biru (RGB). Serta dihitung nilai abu- Dalam setiap pendeteksian wajah, citra masukan yang dibutuhkan adalah dua. capturing citra dilakukan dua kali dalam setiap n tersebut akan ) untuk Sebelum dilakukan pendeteksian gerak, kedua citra masukan akan dilakukan proses Tujuannya untuk mendapatkan hasil pendeteksian gerak yang Pada dasarnya proses pengaburan adalah perkalian matriks antara matriks kernel dengan . Ukuran matriks yang digunakan berpengaruh pada hasil proses. Semakin besar matriks, semakin kabur citra yang dihasilkan. Pada sistem ini penulis menggunakan Keluaran proses pengaburan dapat dilihat pada gambar 3. Proses tersebut akan mendeteksi pergerakan yang terjadi Citra manapun yang bertindak sebagai pengurang tidak menjadi masalah. Karena setiap hasil pengurangan dijadikan angka mutlak atau selalu indikator pergerakan. Hasil dari proses deteksi gerak ini akan menjadi dasar bagi proses cropping gerak dapat dilihat pada gambar Proses mempersempit area pendeteksian wajah sehingga diharapkan dapat mempercepat proses pendeteksian wajah dilakukan berdasarkan pada koordinat piksel putih terdekat dengan sumbu (0,0) atau Xmin dan Ymin. Dan terjauh dari sumbu (0,0) atau Xmax dan Ymax. Seperti pada gambar menjadi masukan bagi tahap selanjutnya, yaitu tahap deteksi kulit. Optimalisasi Reduksi Noise Menggunakan Chain-Code Termodifikasi Pada Proses Motion Detection Kedua citra tersebut akan mendeteksi pergerakan yang terjadi Citra manapun yang bertindak sebagai pengurang tidak menjadi masalah. Karena setiap hasil pengurangan dijadikan angka mutlak atau selalu dijadikan positif. Perbedaan nilai yang dihasilkan menjadi indikator pergerakan. Hasil dari proses deteksi gerak ini akan menjadi dasar bagi proses cropping selanjutnya. Hasil dari proses deteksi gerak dapat dilihat pada gambar Gambar Proses Cropping Proses mempersempit area pendeteksian wajah sehingga diharapkan dapat mempercepat proses pendeteksian wajah dilakukan berdasarkan pada koordinat piksel putih terdekat dengan sumbu (0,0) atau Xmin dan Ymin. Dan terjauh dari sumbu (0,0) atau Xmax dan Ymax. Seperti pada gambar Gambar Hasil dari proses menjadi masukan bagi tahap selanjutnya, yaitu tahap deteksi kulit. Code Termodifikasi Pada Motion Detection Kedua citra hasil proses pengaburan tersebut akan saling dikurangankan untuk mendeteksi pergerakan yang terjadi Citra manapun yang bertindak sebagai pengurang tidak menjadi masalah. Karena setiap hasil pengurangan dijadikan angka mutlak atau dijadikan positif. Perbedaan nilai yang dihasilkan menjadi indikator pergerakan. Hasil dari proses deteksi gerak ini akan menjadi dasar bagi proses selanjutnya. Hasil dari proses deteksi gerak dapat dilihat pada gambar Gambar 4. Hasil proses deteksi gerak Cropping Proses cropping mempersempit area pendeteksian wajah sehingga diharapkan dapat mempercepat proses pendeteksian wajah [1,2 dilakukan berdasarkan pada koordinat piksel putih terdekat dengan sumbu (0,0) atau Xmin dan Ymin. Dan terjauh dari sumbu (0,0) atau Xmax dan Ymax. Seperti pada gambar Gambar 5. Hasil proses Hasil dari proses cropping menjadi masukan bagi tahap selanjutnya, yaitu tahap deteksi kulit. Code Termodifikasi Pada Pendeteksian Wajah hasil proses pengaburan dikurangankan untuk mendeteksi pergerakan yang terjadi Citra manapun yang bertindak sebagai pengurang tidak menjadi masalah. Karena setiap hasil pengurangan dijadikan angka mutlak atau Perbedaan nilai yang dihasilkan menjadi indikator pergerakan. Hasil dari proses deteksi gerak ini akan menjadi dasar bagi proses selanjutnya. Hasil dari proses deteksi gerak dapat dilihat pada gambar 4. Hasil proses deteksi gerak dilakukan untuk mempersempit area pendeteksian wajah sehingga diharapkan dapat mempercepat proses ,2]. Proses dilakukan berdasarkan pada koordinat piksel putih terdekat dengan sumbu (0,0) atau Xmin dan Ymin. Dan terjauh dari sumbu (0,0) atau Xmax dan Ymax. Seperti pada gambar 5. Hasil proses croppping cropping ini yang kan menjadi masukan bagi tahap selanjutnya, yaitu Pendeteksian Wajah 91 hasil proses pengaburan dikurangankan untuk [1,2,11]. Citra manapun yang bertindak sebagai pengurang tidak menjadi masalah. Karena setiap hasil pengurangan dijadikan angka mutlak atau Perbedaan nilai yang dihasilkan menjadi indikator pergerakan. Hasil dari proses deteksi gerak ini akan menjadi dasar bagi proses selanjutnya. Hasil dari proses deteksi Hasil proses deteksi gerak dilakukan untuk mempersempit area pendeteksian wajah sehingga diharapkan dapat mempercepat proses . Proses cropping dilakukan berdasarkan pada koordinat piksel putih terdekat dengan sumbu (0,0) atau Xmin dan Ymin. Dan terjauh dari sumbu (0,0) atau croppping ini yang kan menjadi masukan bagi tahap selanjutnya, yaitu Yusron Rijal 92 3. Skin Representation Pada tahap bertujuan untuk memisahkan area berwarna kulit dengan area berwarna non lebih mengoptimalkan hasil pen penulis melakukan dua kali segmentasi, yaitu berdasarkan RGB dan Y Pencarian range nilai yang digunakan pada kedua proses segmentasi dilakukan dengan metode iterasi, yaitu dilakukan berulang sampai m [1,2,7,9,1 tersebut didasarkan pada data hasil sampling. Segmentasi untuk mengeliminasi area dipastikan bukan warna kulit, seperti putih mutlak, hitam mutlak, hijau mutlak dan lain gambar 6 Gambar Hasil dari proses segmentasi RGB tersebut dilanjutkan dengan proses segmentasi Y Segmentasi ini bertujuan area berwarna kulit. Nilai Y yang menggunakan nilai RGB yang telah didapatkan sebelumnya. persamaan Y = Cb = Cr = Gambar 4. Noise Reduction Seperti yang dapat d bahwa ter menyertai area Tahap pengurangan derau bertujuan untuk mengurangi sebanyak mungkin tersebut. Pengurangan derau ini memiliki dua proses, yaitu pengaburan derau dan filter luas. Pengaburan derau bertujuan untuk mengurangi Yusron Rijal Skin Representation Pada tahap representasi warna kulit bertujuan untuk memisahkan area berwarna kulit dengan area berwarna non lebih mengoptimalkan hasil pen penulis melakukan dua kali segmentasi, yaitu berdasarkan RGB dan Y Pencarian range nilai yang digunakan pada kedua proses segmentasi dilakukan dengan metode iterasi, yaitu dilakukan berulang sampai menemukan range nilai yang tepat 10,11,12]. Tetapi pengulangan range nilai tersebut didasarkan pada data hasil sampling. Segmentasi berdasarkan RGB untuk mengeliminasi area dipastikan bukan warna kulit, seperti putih k, hitam mutlak, hijau mutlak dan lain-lain, seperti yang dapat dilihat pada 6. Gambar 6. Hasil proses segmentasi RGB Hasil dari proses segmentasi RGB tersebut dilanjutkan dengan proses segmentasi Y Segmentasi ini bertujuan area berwarna kulit. Nilai YCbCr didapatkan dari perhitungan yang menggunakan nilai RGB yang telah didapatkan sebelumnya. persamaan sebagai berikut: )*222.0( R += )*159.0( R−= (*)*5.0(( R −= Gambar 7. Hasil proses segmentasi YCbCr Noise Reduction Seperti yang dapat d bahwa terdapat banyak derau menyertai area-area kulit hasil segmentasi. Tahap pengurangan derau bertujuan untuk mengurangi sebanyak mungkin tersebut. Pengurangan derau ini memiliki dua proses, yaitu pengaburan derau dan filter luas. Pengaburan derau bertujuan untuk mengurangi Skin Representation representasi warna kulit bertujuan untuk memisahkan area berwarna kulit dengan area berwarna non lebih mengoptimalkan hasil pen penulis melakukan dua kali segmentasi, yaitu berdasarkan RGB dan YCbCr. Pencarian range nilai yang digunakan pada kedua proses segmentasi dilakukan dengan metode iterasi, yaitu dilakukan berulang enemukan range nilai yang tepat Tetapi pengulangan range nilai tersebut didasarkan pada data hasil sampling. berdasarkan RGB untuk mengeliminasi area-area yang dapat dipastikan bukan warna kulit, seperti putih k, hitam mutlak, hijau mutlak lain, seperti yang dapat dilihat pada . Hasil proses segmentasi RGB Hasil dari proses segmentasi RGB tersebut dilanjutkan dengan proses segmentasi Y Segmentasi ini bertujuan untuk me bCr didapatkan dari perhitungan yang menggunakan nilai RGB yang telah didapatkan sebelumnya. Dengan persamaan sebagai berikut: )*707.0( G ++ )*332.0( G−+ ())*419.0 G +− Hasil proses segmentasi YCbCr Seperti yang dapat dilihat pada gambar dapat banyak derau area kulit hasil segmentasi. Tahap pengurangan derau bertujuan untuk mengurangi sebanyak mungkin Pengurangan derau ini memiliki dua proses, yaitu pengaburan derau dan filter luas. Pengaburan derau bertujuan untuk mengurangi representasi warna kulit bertujuan untuk memisahkan area berwarna kulit dengan area berwarna non-kulit. Untuk lebih mengoptimalkan hasil pendeteksian kulit, penulis melakukan dua kali segmentasi, yaitu Pencarian range nilai yang digunakan pada kedua proses segmentasi dilakukan dengan metode iterasi, yaitu dilakukan berulang-ulang enemukan range nilai yang tepat Tetapi pengulangan range nilai tersebut didasarkan pada data hasil sampling. berdasarkan RGB dilakukan area yang dapat dipastikan bukan warna kulit, seperti putih k, hitam mutlak, hijau mutlak, biru mutlak lain, seperti yang dapat dilihat pada . Hasil proses segmentasi RGB Hasil dari proses segmentasi RGB tersebut dilanjutkan dengan proses segmentasi YCbCr. untuk mencari area bCr didapatkan dari perhitungan yang menggunakan nilai RGB yang telah engan persamaan )*07.0( B+ )*05.0() B+ )*081.0( B− Hasil proses segmentasi YCbCr ilihat pada gambar dapat banyak derau-derau yang area kulit hasil segmentasi. Tahap pengurangan derau bertujuan untuk mengurangi sebanyak mungkin derau-derau Pengurangan derau ini memiliki dua proses, yaitu pengaburan derau dan filter luas. Pengaburan derau bertujuan untuk mengurangi representasi warna kulit ini bertujuan untuk memisahkan area berwarna kulit. Untuk deteksian kulit, penulis melakukan dua kali segmentasi, yaitu Pencarian range nilai yang digunakan pada kedua proses segmentasi dilakukan dengan ulang enemukan range nilai yang tepat Tetapi pengulangan range nilai dilakukan area yang dapat dipastikan bukan warna kulit, seperti putih , biru mutlak lain, seperti yang dapat dilihat pada Hasil dari proses segmentasi RGB tersebut bCr. ncari area- bCr didapatkan dari perhitungan yang menggunakan nilai RGB yang telah engan persamaan- ilihat pada gambar 7, derau yang area kulit hasil segmentasi. Tahap pengurangan derau bertujuan untuk derau Pengurangan derau ini memiliki dua proses, yaitu pengaburan derau dan filter luas. Pengaburan derau bertujuan untuk mengurangi derau yang besar. Proses pengaburan derau ini pada dasarnya sama tahap citra awal. Proses Filter Luas kecil, berikutnya adalah mengurangi area yang cukup besar dinyatakan sebagai wajah. sebelumnya kita perlu untuk melakukan penghitungan luas tiap menghitung luas area, penulis memanfaatkan metode disebut dengan menghitung banyaknya piksel berwarna putih pada tiap area. sebagai penentu arah prioritas. derau-derau kecil dan mengahaluskan area yang besar. Proses pengaburan derau ini pada dasarnya sama tahap citra awal. Gambar 8. Gambar 9 Proses Filter Luas Setelah mengurangi derau kecil, berikutnya adalah mengurangi area yang cukup besar dinyatakan sebagai wajah. Untuk dapat melakukan filter luas, sebelumnya kita perlu untuk melakukan penghitungan luas tiap menghitung luas area, penulis memanfaatkan metode Freeman’s Chain Code isebut chain code Gambar 10 Proses penghitungan luas dilakukan dengan menghitung banyaknya piksel berwarna putih pada tiap area. sebagai penentu arah prioritas. Gambar 1 5 6 Volume 1 No. 2 Mei 2010 derau kecil dan mengahaluskan area yang besar. Proses pengaburan derau ini pada dasarnya sama dengan proses pengaburan pada tahap citra awal. Citra sebelum pengaburan derau . Hasil proses pengaburan Proses Filter Luas Setelah mengurangi derau kecil, berikutnya adalah mengurangi area yang cukup besar tetapi kurang besar untuk dinyatakan sebagai wajah. Untuk dapat melakukan filter luas, sebelumnya kita perlu untuk melakukan penghitungan luas tiap menghitung luas area, penulis memanfaatkan Freeman’s Chain Code chain code [5,6,8]. 0. Modifikasi Freeman’s Chain Code Proses penghitungan luas dilakukan dengan menghitung banyaknya piksel berwarna putih pada tiap area. Chain code sebagai penentu arah prioritas. Gambar 11. Ilustrasi penghitungan luas 3 4 6 7 Volume 1 No. 2 Mei 2010 derau kecil dan mengahaluskan area yang besar. Proses pengaburan derau ini pada dengan proses pengaburan pada Citra sebelum pengaburan derau pengaburan derau Setelah mengurangi derau-derau yang kecil, berikutnya adalah mengurangi area tetapi kurang besar untuk Untuk dapat melakukan filter luas, sebelumnya kita perlu untuk melakukan penghitungan luas tiap-tiap area. Untuk menghitung luas area, penulis memanfaatkan Freeman’s Chain Code, selanjutnya cukup Freeman’s Chain Code Proses penghitungan luas dilakukan dengan menghitung banyaknya piksel berwarna Chain code digunakan sebagai penentu arah prioritas. Ilustrasi penghitungan luas 1 2 8 Volume 1 No. 2 Mei 2010 derau kecil dan mengahaluskan area-area yang besar. Proses pengaburan derau ini pada dengan proses pengaburan pada Citra sebelum pengaburan derau derau derau yang kecil, berikutnya adalah mengurangi area-area tetapi kurang besar untuk Untuk dapat melakukan filter luas, sebelumnya kita perlu untuk melakukan tiap area. Untuk menghitung luas area, penulis memanfaatkan , selanjutnya cukup Freeman’s Chain Code Proses penghitungan luas dilakukan dengan menghitung banyaknya piksel berwarna digunakan Ilustrasi penghitungan luas Jurnal CAUCHY Berdasarkan gambar 1 didapat luas sebesar 1 piksel yang telah bertanda merah. Selanjutnya ilustrasi dapat digambarkan seperti gambar Gambar Setiap perpindahan posisi pointer, maka akan dihitung luasnya Sehingga didapatkan luas sebesar 16 piksel. ini dilakukan berulang sebanyak jumlah area pada citra. Setelah didapatkan luas tiap barulah dapat dilakukan proses filter luas. Jika luas suatu area tidak memenuhi luas maka area tersebut akan dihapus. 5. Template Matching Tahap untuk menentukan area yang merupakan wajah dari tahap deteksi kulit akan di menjadi citra kulit tersebut yang akan dicocokan dengan template terlihat pada gambar 1 Citra masukan sebelum dicocokan dengan template Ukuran citra masukan tersebut disamakan Optimalisasi Reduksi Noise Menggunakan Chain Jurnal CAUCHY – ISSN: 2086 Berdasarkan gambar 1 didapat luas sebesar 1 piksel yang telah bertanda merah. Selanjutnya ilustrasi dapat digambarkan seperti gambar berikut Gambar 12. Ilustrasi proses hitung luas Setiap perpindahan posisi pointer, maka akan dihitung luasnya Sehingga didapatkan luas sebesar 16 piksel. ini dilakukan berulang sebanyak jumlah area pada citra. Setelah didapatkan luas tiap barulah dapat dilakukan proses filter luas. Jika luas suatu area tidak memenuhi luas maka area tersebut akan dihapus. Gambar 13. Hasil proses filter luas Template Matching Tahap template matching untuk menentukan area yang merupakan wajah dari tahap deteksi kulit akan di menjadi citra-citra baru. kulit tersebut yang akan dicocokan dengan template yang telah disiapkan. terlihat pada gambar 1 Citra masukan sebelum dicocokan dengan template, dilakukan penskalaan terlebih dahulu. Ukuran citra masukan tersebut disamakan Optimalisasi Reduksi Noise Menggunakan Chain ISSN: 2086-0382 Berdasarkan gambar 11, berarti telah didapat luas sebesar 1 piksel yang telah bertanda merah. Selanjutnya ilustrasi dapat digambarkan berikut ini : Ilustrasi proses hitung luas Setiap perpindahan posisi pointer, maka akan dihitung luasnya dan diberi tanda warna Sehingga didapatkan luas sebesar 16 piksel. ini dilakukan berulang sebanyak jumlah area Setelah didapatkan luas tiap barulah dapat dilakukan proses filter luas. Jika luas suatu area tidak memenuhi luas maka area tersebut akan dihapus. Hasil proses filter luas Template Matching template matching untuk menentukan area-area warna kulit mana yang merupakan wajah [14,15]. Selanjutnya dari tahap deteksi kulit akan di baru. Citra dengan kulit tersebut yang akan dicocokan dengan yang telah disiapkan. terlihat pada gambar 14. Citra masukan sebelum dicocokan dengan , dilakukan penskalaan terlebih dahulu. Ukuran citra masukan tersebut disamakan Optimalisasi Reduksi Noise Menggunakan Chain 0382 , berarti telah didapat luas sebesar 1 piksel yang telah bertanda merah. Selanjutnya ilustrasi dapat digambarkan Ilustrasi proses hitung luas Setiap perpindahan posisi pointer, maka dan diberi tanda warna Sehingga didapatkan luas sebesar 16 piksel. ini dilakukan berulang sebanyak jumlah area Setelah didapatkan luas tiap-tiap area, barulah dapat dilakukan proses filter luas. Jika luas suatu area tidak memenuhi luas threshold Hasil proses filter luas template matching ini berfungsi area warna kulit mana Selanjutnya, hasil dari tahap deteksi kulit akan di-crop otomatis dengan area warna kulit tersebut yang akan dicocokan dengan yang telah disiapkan. Seperti yang Citra masukan sebelum dicocokan dengan , dilakukan penskalaan terlebih dahulu. Ukuran citra masukan tersebut disamakan Optimalisasi Reduksi Noise Menggunakan Chain , berarti telah didapat luas sebesar 1 piksel yang telah bertanda merah. Selanjutnya ilustrasi dapat digambarkan Setiap perpindahan posisi pointer, maka dan diberi tanda warna. Hal ini dilakukan berulang sebanyak jumlah area tiap area, barulah dapat dilakukan proses filter luas. Jika threshold, ini berfungsi area warna kulit mana , hasil otomatis area warna kulit tersebut yang akan dicocokan dengan Seperti yang Citra masukan sebelum dicocokan dengan , dilakukan penskalaan terlebih dahulu. Ukuran citra masukan tersebut disamakan dengan ukuran citra untuk mempermudah proses pencocokan. menjadi citra hitam sebelum disiapkan. Yaitu 70 Gambar 1 tiap kecocokan yan sehingga indikator wajah atau bukan. 6. keseluruhan proses. Tahap ini akan menggambar persegi empat berwarna merah pada area yang dideteksi sebagai wajah. bergantung pada tahap suatu area dinyatakan wajah, meskipun bukan wajah, maka area tersebut akan dikelilingi oleh persegi tersebut dideteksi sebagai wajah. dideteksi sebagai wajah, maka area tersebut tidak dikelilingi oleh segi empat merah. APLIKASI citra dengan berbagai latar belakang. Kondisi Optimalisasi Reduksi Noise Menggunakan Chain-Code Termodifikasi Pada dengan ukuran citra untuk mempermudah proses pencocokan. Gambar 1 Citra-citra baru tersebut akan menjadi citra hitam sebelum dicocokan dengan disiapkan. Template Yaitu template dengan sudut kemiringan 70°, −20°, −45° Gambar 15. Template Setiap citra masukan dicocokan dengan tiap-tiap template kecocokan yan sehingga hasil rata indikator wajah atau bukan. Tahap Hasil Deteksi Tahap ini berfungsi sebagai keluaran dari keseluruhan proses. Tahap ini akan menggambar persegi empat berwarna merah pada area yang dideteksi sebagai wajah. Oleh karena itu, tahap ini sepenuhnya bergantung pada tahap suatu area dinyatakan wajah, meskipun bukan wajah, maka area tersebut akan dikelilingi oleh persegi empat merah sebagai tanda bahwa area tersebut dideteksi sebagai wajah. Sebaliknya, jika suatu area wajah tidak dideteksi sebagai wajah, maka area tersebut tidak dikelilingi oleh segi empat merah. Gambar 1 APLIKASI DAN Uji coba dilakukan dengan menggunakan citra dengan berbagai latar belakang. Kondisi Code Termodifikasi Pada dengan ukuran citra template untuk mempermudah proses pencocokan. Gambar 14. Hasil proses citra baru tersebut akan menjadi citra hitam-putih terlebih dahulu dicocokan dengan Template yang disiapkan ada 7 buah. dengan sudut kemiringan °, dan −70°. Template 70° (paling kiri) sampai (paling kanan) Setiap citra masukan dicocokan dengan template. Tiap-tiap prosentase kecocokan yang didapatkan akan dirata hasil rata-rata tersebut yang menjadi indikator wajah atau bukan. Tahap Hasil Deteksi Tahap ini berfungsi sebagai keluaran dari keseluruhan proses. Tahap ini akan menggambar persegi empat berwarna merah pada area yang dideteksi sebagai wajah. Oleh karena itu, tahap ini sepenuhnya bergantung pada tahap-tahap sebelumnya. Jika suatu area dinyatakan wajah, meskipun bukan wajah, maka area tersebut akan dikelilingi oleh empat merah sebagai tanda bahwa area tersebut dideteksi sebagai wajah. Sebaliknya, jika suatu area wajah tidak dideteksi sebagai wajah, maka area tersebut tidak dikelilingi oleh segi empat merah. Gambar 16. Hasil deteksi wajah DAN PEMBAHASAN Uji coba dilakukan dengan menggunakan citra dengan berbagai latar belakang. Kondisi Code Termodifikasi Pada Pendeteksian Wajah template dengan tujuan untuk mempermudah proses pencocokan. Hasil proses cropping citra baru tersebut akan putih terlebih dahulu dicocokan dengan template yang telah yang disiapkan ada 7 buah. dengan sudut kemiringan (paling kiri) sampai (paling kanan) Setiap citra masukan dicocokan dengan tiap prosentase g didapatkan akan dirata rata tersebut yang menjadi indikator wajah atau bukan. Tahap ini berfungsi sebagai keluaran dari keseluruhan proses. Tahap ini akan menggambar persegi empat berwarna merah pada area yang Oleh karena itu, tahap ini sepenuhnya tahap sebelumnya. Jika suatu area dinyatakan wajah, meskipun bukan wajah, maka area tersebut akan dikelilingi oleh empat merah sebagai tanda bahwa area tersebut dideteksi sebagai wajah. Sebaliknya, jika suatu area wajah tidak dideteksi sebagai wajah, maka area tersebut tidak dikelilingi oleh segi empat merah. Hasil deteksi wajah PEMBAHASAN Uji coba dilakukan dengan menggunakan citra dengan berbagai latar belakang. Kondisi Pendeteksian Wajah 93 dengan tujuan untuk mempermudah proses pencocokan. cropping citra baru tersebut akan diubah putih terlebih dahulu yang telah yang disiapkan ada 7 buah. dengan sudut kemiringan 20°, 45°, (paling kiri) sampai −70° Setiap citra masukan dicocokan dengan tiap prosentase hasil g didapatkan akan dirata-rata, rata tersebut yang menjadi Tahap ini berfungsi sebagai keluaran dari keseluruhan proses. Tahap ini akan menggambar persegi empat berwarna merah pada area yang Oleh karena itu, tahap ini sepenuhnya tahap sebelumnya. Jika suatu area dinyatakan wajah, meskipun bukan wajah, maka area tersebut akan dikelilingi oleh empat merah sebagai tanda bahwa area Sebaliknya, jika suatu area wajah tidak dideteksi sebagai wajah, maka area tersebut tidak Uji coba dilakukan dengan menggunakan citra dengan berbagai latar belakang. Kondisi Yusron Rijal 94 pencahayaan harus terang dan merata. Pada area wajah tidak dihalangi atau tertutupi oleh objek lainnya. Pertama yang perlu menjadi perhatian utama adalah Hal ini penting karena Dengan didapatkan hasil deteksi kulit yang optimal, prosentase akurasi pendeteksian wajah akan meningkat. Selanjutnya adalah proses matching secara efisien dan efektif untuk menghasilkan prosentase akurasi pendeteksian wajah yang baik. Pengujian dilakukan untuk mengetahui berapa nilai kecocokkan dan rata kecocokkan citra wajah terhadap Tabel 1. No 1 2 3 4 5 6 7 8 Yusron Rijal pencahayaan harus terang dan merata. Pada area wajah tidak dihalangi atau tertutupi oleh objek Pertama yang perlu menjadi perhatian utama adalah optimal Hal ini penting karena Dengan didapatkan hasil deteksi kulit yang optimal, prosentase akurasi pendeteksian wajah akan meningkat. elanjutnya adalah proses matching. Bagaimana metode ini dapat secara efisien dan efektif untuk menghasilkan prosentase akurasi pendeteksian wajah yang Pengujian dilakukan untuk mengetahui berapa nilai kecocokkan dan rata kecocokkan citra wajah terhadap Uji Sampel Te Citra pencahayaan harus terang dan merata. Pada area wajah tidak dihalangi atau tertutupi oleh objek Pertama yang perlu menjadi perhatian optimalnya hasil dari deteksi kulit. Hal ini penting karena untuk proses pencocokan Dengan didapatkan hasil deteksi kulit yang optimal, prosentase akurasi pendeteksian wajah elanjutnya adalah proses . Bagaimana metode ini dapat secara efisien dan efektif untuk menghasilkan prosentase akurasi pendeteksian wajah yang Pengujian dilakukan untuk mengetahui berapa nilai kecocokkan dan rata- kecocokkan citra wajah terhadap template Sampel Terhadap Template Kecocokan (pixel) 611 577 360 545 424 319 526 564 pencahayaan harus terang dan merata. Pada area wajah tidak dihalangi atau tertutupi oleh objek Pertama yang perlu menjadi perhatian hasil dari deteksi kulit. untuk proses pencocokan Dengan didapatkan hasil deteksi kulit yang optimal, prosentase akurasi pendeteksian wajah elanjutnya adalah proses template . Bagaimana metode ini dapat dilakukan secara efisien dan efektif untuk menghasilkan prosentase akurasi pendeteksian wajah yang Pengujian dilakukan untuk mengetahui -rata prosentase template. Template Kecocokan Prosentase Kecocokan 99% 93% 58% 88% 69% 52% 85% 92% pencahayaan harus terang dan merata. Pada area wajah tidak dihalangi atau tertutupi oleh objek Pertama yang perlu menjadi perhatian hasil dari deteksi kulit. untuk proses pencocokan. Dengan didapatkan hasil deteksi kulit yang optimal, prosentase akurasi pendeteksian wajah template dilakukan secara efisien dan efektif untuk menghasilkan prosentase akurasi pendeteksian wajah yang Pengujian dilakukan untuk mengetahui rata prosentase Prosentase Kecocokan dinyatakan bahwa suatu area tersebut adalah wajah jika memiliki nilai kecocokan 500 dan n pendeteksian wajah dilakukan untuk mengetahui tingka kondisi uji coba, yaitu pada satu orang pengguna normal (tidak beraksesoris dan bertingkah), pada pengguna lebih dari satu, pada pengguna beraksesoris pengguna berekspresi/be Tabel No 1 2 3 4 akurasi pendeteksian baik pengujian terhadap citra diam maupun citra bergerak. belakang dan sumber pencahayaan beragam sesungguhnya dari Tabel 3. kondisi pencahayaan sistem ini. Faktor latar belakang mempengaruhi proses segmentasi yang dapat mengakibatkan kesalahan pendeteksian, terutama pada latar belakang yang sewarna dengan kulit. 9 Berdasarkan data dari tabel 1, dapat dinyatakan bahwa suatu area tersebut adalah wajah jika memiliki nilai kecocokan 500 dan nilai prosentasenya berkisar Selanjutnya, proses p pendeteksian wajah dilakukan untuk mengetahui tingkat akurasi dari sistem ini kondisi uji coba, yaitu pada satu orang pengguna normal (tidak beraksesoris dan bertingkah), pada pengguna lebih dari satu, pada pengguna beraksesoris (topi, kaca mata, jilbab dll) pengguna berekspresi/be Tabel 2. Uji Coba Pendeteksian Wajah No 1 Satu pengguna 2 Lebih dari satu pengguna 3 Pengguna beraksesoris 4 Pengguna berekspresi Berdasarkan data uji, s akurasi pendeteksian baik pengujian terhadap citra diam maupun citra bergerak. Proses pengujian juga belakang dan sumber pencahayaan beragam. Diharapkan akan diketahui kinerja sesungguhnya dari Tabel 3. Uji Coba No Sumber Cahaya 1 Sinar matahari 2 Sinar matahari 3 Melawan sinar matahari 4 Lampu 5 Sinar matahari Dari tabel 3 dapat dilihat bahwa faktor kondisi pencahayaan sistem ini. Faktor latar belakang mempengaruhi proses segmentasi yang dapat mengakibatkan kesalahan pendeteksian, terutama pada latar belakang yang sewarna dengan kulit. Volume 1 No. 2 Mei 2010 311 Berdasarkan data dari tabel 1, dapat dinyatakan bahwa suatu area tersebut adalah wajah jika memiliki nilai kecocokan ilai prosentasenya berkisar Selanjutnya, proses p pendeteksian wajah dilakukan untuk mengetahui t akurasi dari sistem ini kondisi uji coba, yaitu pada satu orang pengguna normal (tidak beraksesoris dan bertingkah), pada pengguna lebih dari satu, pada pengguna (topi, kaca mata, jilbab dll) pengguna berekspresi/bertingkah. Coba Pendeteksian Wajah Kondisi Satu pengguna Lebih dari satu pengguna Pengguna beraksesoris Pengguna berekspresi Berdasarkan data uji, s akurasi pendeteksian wajah ini baik pengujian terhadap citra diam maupun citra Proses pengujian juga belakang dan sumber pencahayaan . Diharapkan akan diketahui kinerja sesungguhnya dari algoritma Coba Terhadap Sumber Cahaya Sumber Cahaya Sinar matahari Sinar matahari Melawan sinar matahari Lampu Sinar matahari Dari tabel 3 dapat dilihat bahwa faktor kondisi pencahayaan sangat berpengaruh pada sistem ini. Faktor latar belakang mempengaruhi proses segmentasi yang dapat mengakibatkan kesalahan pendeteksian, terutama pada latar belakang yang sewarna dengan kulit. Volume 1 No. 2 Mei 2010 311 Berdasarkan data dari tabel 1, dapat dinyatakan bahwa suatu area tersebut adalah wajah jika memiliki nilai kecocokan lebih dari ilai prosentasenya berkisar 76 Selanjutnya, proses p pendeteksian wajah dilakukan untuk mengetahui t akurasi dari sistem ini melalui kondisi uji coba, yaitu pada satu orang pengguna normal (tidak beraksesoris dan bertingkah), pada pengguna lebih dari satu, pada pengguna (topi, kaca mata, jilbab dll) rtingkah. Coba Pendeteksian Wajah Prosentase Akurasi Lebih dari satu pengguna Pengguna beraksesoris Pengguna berekspresi Berdasarkan data uji, secara keseluruhan wajah ini sebesar 70,5% baik pengujian terhadap citra diam maupun citra Proses pengujian juga dilakukan pada latar belakang dan sumber pencahayaan . Diharapkan akan diketahui kinerja algoritma ini. Terhadap Sumber Cahaya Akurasi (%) Waktu (detik) 80 33 46 86 80 Dari tabel 3 dapat dilihat bahwa faktor sangat berpengaruh pada sistem ini. Faktor latar belakang mempengaruhi proses segmentasi yang dapat mengakibatkan kesalahan pendeteksian, terutama pada latar belakang yang sewarna dengan kulit. Volume 1 No. 2 Mei 2010 50% Berdasarkan data dari tabel 1, dapat dinyatakan bahwa suatu area tersebut adalah lebih dari -80 %. Selanjutnya, proses pengujian pendeteksian wajah dilakukan untuk mengetahui melalui beberapa kondisi uji coba, yaitu pada satu orang pengguna normal (tidak beraksesoris dan bertingkah), pada pengguna lebih dari satu, pada pengguna dan pada Prosentase Akurasi 80% 72% 80% 50% ecara keseluruhan sebesar 70,5% baik pengujian terhadap citra diam maupun citra dilakukan pada latar belakang dan sumber pencahayaan yang . Diharapkan akan diketahui kinerja Terhadap Sumber Cahaya Waktu rata- rata (detik) 4 5 5 4 4 Dari tabel 3 dapat dilihat bahwa faktor sangat berpengaruh pada sistem ini. Faktor latar belakang mempengaruhi proses segmentasi yang dapat mengakibatkan kesalahan pendeteksian, terutama pada latar Optimalisasi Reduksi Noise Menggunakan Chain-Code Termodifikasi Pada Pendeteksian Wajah Jurnal CAUCHY – ISSN: 2086-0382 95 Sehingga prosentase keberhasilan dari sistem ini rata-rata keseluruhan adalah 65%. Prosentase tersebut didapatkan dari uji coba pada berbagai latar belakang dan kondisi pencahayaan. PENUTUP a. Dari pengujian sistem secara keseluruhan, prosentase akurasi dari sistem pendeteksian wajah ini sebesar 65% dengan kecepatan rata-rata proses sebesar 4 detik. b. Proses segmentasi sangat bergantung pada kondisi pencahayaan. Akibatnya, nilai ambang pada suatu kondisi pencahayaan dengan kondisi pencahayaan yang lain bisa jadi berbeda. c. Keuntungan dari penggunaan model warna YCbCr sebagai dasar segmentasi deteksi warna kulit adalah pengaruh luminasi dapat dipisahkan. Pada model warna YCbCr, semua informasi tentang tingkat kecerahan diberikan oleh komponen Y (luminasi), karena komponen Cb (biru) dan komponen Cr (merah) tidak tergantung dari luminasi. d. Proses penskalaan pada proses template matching bisa menjadi kelemahan dalam akurasi pendeteksian wajah. Perubahan ukuran panjang dan lebar dari citra menyerupai ukuran template mengakibatkan beberapa area citra berubah bentuk. Sehingga perubahan bentuk tersebut menyerupai bentuk wajah. e. Prosentase akurasi penggunaan template matching sebagai penentu wajah mencapai 70,5%. Tetapi cara ini memiliki kelemahan karena proses dilakukan pada bidang 2 dimensi. Akibatnya, apabila terdapat area bukan wajah yang memiliki bentuk seperti template akan dinyatakan sebagai wajah. Setelah melakukan penelitian ini, penulis mendapatkan beberapa hal yang perlu untuk dipelajari lebih lagi, yaitu: a. Untuk mendapatkan proses pendeteksian wajah yang lebih cepat, hendaknya citra masukan melalui proses pengecilan terlebih dahulu. Setelah ukuran citra masukan diperkecil, barulah proses-proses pendeteksian wajah dilakukan. Setelah proses pendeteksian wajah selesai, barulah ukuran citra tersebut dikembalikan seperti semula. b. Untuk memperoleh akurasi pendeteksian wajah yang lebih baik, maka penentuan area wajah dilakukan berdasarkan ekstraksi fitur area wajah, seperti mata, hidung atau mulut, bukan berdasarkan template matching. DAFTAR PUSTAKA [1] Achmad, B. & Firdausy, K. 2005. Teknik Pengolahan Citra Digital Menggunakan Delphi. Jogjakarta: Ardi Publishing. [2] Ahmad, U. 2005. Pengolahan Citra Digital Teknik Pemrogramannya. Jogjakarta: Graha Ilmu. [3] Basuki, A. & Palandi, J.F.F. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Jogjakarta: Graha Ilmu. [4] Castleman, K.R. 1996. Digital Image Processing. New Jersey: Prentice-Hall. [5] Lensu, L. 1998. Freeman Chain Code, (Online), (www.it.lut.fi/kurssit/9900/ 010588000/exercises/11/freeman/solution .html, diakses 23 Maret 2008). [6] Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. [7] Padilla, Michael and Fan, Zhong, 2003, EE368 Digital Image Processing Project – Automatic Face Detection Using Color Based Segmentation and Template/Energy Thresholding, Departement of Electrical Engineering, Jurnal EE386. [8] Parker, P.M. 2005. Chain Code, (Online), (www.websters-online- dictionary.org/definition/image, diakses 23 Maret 2008). [9] Rayleigh, J.W.S. 1899. Additive Primaries, (Online), (http://en.wikipedia.org/ wiki/Additive_primaries#Additive_primarie s, diakses 23 Maret 2008). [10] RGBWorld. 2007. Color, (Online), (www.RGBWorld.com.color.html, diakses 23 Maret 2008). [11] Rijal. Yusron, & Mardi Supeno & Mauridy H. Purnomo. 2006. Deteksi Wajah Pada Obyek Bergerak Dengan Menggunakan Kombinasi Gabor Filter Dan Gaussian Low Pass Filter. Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2006. Universitas Islam Indonesia [12] T.S. Caetano and D.A.C. Barone. 2000. A Probabilistic Model for the Human Skin Color. Universidade Federal do Rio Grande do Sul – Instituto de InformáticaAv. Bento Golçalves, bloco IV – Porto Alegre – RS – Brazil [13] Wikipedia. 2007. RGB Color Model, (Online), (www.wikipedia.org/wiki/RGB color model.htm, diakses 23 Maret 2008). Yusron Rijal 96 Volume 1 No. 2 Mei 2010 [14] Wikipedia. 2008. Webcam, (Online), (http://en.wikipedia.org/ wiki/Webcam, diakses 24 Maret 2008). [15] Wikipedia. 2007. YCbCr Color Model, (Online), (www.wikipedia.org/wiki/ YCbCr color model.htm, diakses 15 Februari 2008).