Program Power Saving dengan Deteksi Wajah menggunakan Haar-Like – Cascade Classifier

5/21/2018 Program Power Saving dengan Deteksi Wajah menggunakan Haar-Like Cascade Classifier

1/10

Program Power Savingdengan Deteksi Wajah menggunakan

Haar-Like Cascade Classif ier

Disusun Oleh :

Jan Putra Bahtra Agung S. Pelawi (1221018)

Dosen Pembimbing :

Wahyu Setyo Pambudi, ST., MT

PROGRAM STUDI TEKNI K ELEKTRO

FAKULTAS TEKNOLOGI INDUSTRI

UNI VERSITAS INTERNASIONAL BATAM

2014


2/10

Program Power Savingdengan Deteksi Wajah menggunakan Haar-Like

Cascade ClassifierJan Putra Bahtra Agung S. Pelawi

Program Studi Teknik Elektro, Universitas Internasional BatamEmail: [email protected]

ABSTRAK

Perkembangan teknologi yang pesat membuat aktivitas manusia lebih banyak melibatkan computer.

Komputer tentunya menggunakan listrik sebagai sumber energinya. Penghematan energi juga menjadi isu

hangat saat ini. Hal ini juga menyebabkan perlunya penghematan energi untuk penggunaan computer . Salah

satu cara penghematan energi adalah dengan kontol monitor (hidup/mati) atau kondisi sleep/hibernate

bergantung kepada keberadaan user. Dan ada atau tidaknya wajah dapat digunakan untuk menjadi indicator

keberadaan user.

Untuk ini diperlukan Face Detection sebagai bentuk implementasi Computer Vision menggunakanmetode Haar-like Feature. Metode ini menghitung perbedaan jumlah setiap piksel pada daerah persegi panjang

(rectangular) yang berdekatan pada lokasi tertentu dalam jendela deteksi.

Dan dari pengujian yang dilakukan metode Haar-like feature cocok untuk melakukan deteksi wajah

sebagai indicator keberadaan user yang akan diimplemtentasikan sebagai aksi power saving.

Kata Kunci:.Citra Digital, Haar-like Features, Face Detection

1. Pendahuluan

Perkembangan teknologi yang pesatmembuat aktivitas manusia lebih banyak

melibatkan computer. Komputer tentunyamenggunakan listrik sebagai sumberenerginya. Penghematan energi juga menjadi

isu hangat saat ini. Hal ini berkaitan denganpenggunaan bahan bakar fosil. Hal ini jugamenyebabkan perlunya penghematan energi

untuk penggunaan computer. Penghematan inidapat dilakukan dengan control terhadap

kecerahan layar dan control terhadap performaCPU. Penghematan juga dapat dilakukan saatcomputer tidak digunakan untuk waktutertentu seperti, mematikan monitor serta

proses sleep/hibernate. Untuk memudahkanpenghematan energi dengan control monitor(hidup/mati) atau sleep/hibernate diperlukan

suatu indicator keberadaan user.

Untuk indicator tersebut digunakandeteksi wajah dengan menggunakan suatumetode dalam pengolahan citra digital, yaituHaar-Like Feature. Hasil pendeteksian wajahini merupakan hasil implementsai dari suatuComputer Vision. Computer Vision itu sendirimerupakan cabang dari bidang ilmu

Pengolahan Citra Digitalyang memungkinkankomputer dapat melihat seperti manusia [2],

sehingga dapat mengambil keputusan,melakukan aksi, dan mengenali suatu Objek.Untuk membuat Computer Vision ini

digunakan EmguCV yang merupakan sebuahAPI (Application Programming Interface)library yang sudah sangat familiar pada

Pengolahan Citra Digita. Sedangkan untukkontrol monitor pada computer berbasiswindows digunakan Windows API.

2. Kajian Pustaka

2.1 Pengolahan Citra Digital

Pengolahan citra digital (Digital ImageProcessing) adalah sebuah disiplin ilmu yang

mempelajari tentang teknik-teknik mengolahcitra. Pengolahan Citra bertujuan memperbaikikualitas citra agar mudah diinterpretasin olehmanusia atau mesin (dalam hal ini komputer).Pada aplikasi pengolahan citra digital padaumumnya, citra digital dapat dibagi menjadi 3,RGB Image, Grayscale dan Binary image.

2.1.1 RGB Image

Suatu citra biasanya mengacu ke citraRGB. Sebenarnya bagaimana citra disimpan

dan dimanipulasi dalam komputer diturunkandari teknologi televisi, yang pertama kali


3/10

mengaplikasikannya untuk tampilan grafiskomputer. Jika dilihat dengan kaca pembesar,tampilan monitor komputer akan terdiri darisejumlah triplet titik warna merah (RED),hijau (GREEN) dan biru (BLUE). Tergantungpada pabrik monitornya untuk menentukanapak titik tersebut merupakan titik bulat ataukotak kecil, tetapi akan selalu terdiri dari 3triplet red, green dan blue.

Citra dalam komputer tidak lebih darisekumpulan sejumlah triplet dimana setiaptriplet terdiri atas variasi tingkat keterangan(brightness) dari elemen red, green dan blue.Representasinya dalam citra, triplet akanterdiri dari 3 angka yang mengatur intensitasdari Red (R), Green (G) dan Blue (Blue) dari

suatu triplet. Setiap triplet akanmerepresentasikan 1 pixel (picture element).

Suatu triplet dengan nilai 67, 228 dan 180berarti akan mengeset nilai R ke nilai 67, G kenilai 228 dan B ke nilai 180. Angka-angka

RGB ini yang seringkali disebut dengan colorvalues.

Gambar 1. Citra RGB merupakan hasilpenggabungan 3 warna dasar

2.1.2 Grayscale Image

Dalam komputasi, suatu citra digitalgrayscale atau greyscale adalah suatu citradimana nilai dari setiap pixel merupakansample tunggal. Citra yang ditampilkan daricitra jenis ini terdiri atas warna abu-abu,bervariasi pada warna hitam pada bagian yang

intensitas terlemah dan warna putih padaintensitas terkuat. Citra grayscale berbeda

dengan citra hitam-putih, dimana padakonteks komputer, citra hitam putih hanyaterdiri atas 2 warna saja yaitu hitam danputih saja. Pada citra grayscale warnabervariasi antara hitam dan putih, tetapi variasiwarna diantaranya sangat banyak. Citragrayscale seringkali merupakan perhitungandari intensitas cahaya pada setiap pixel padaspektrum elektromagnetik single band.

Citra grayscale disimpan dalam format8 bit untuk setiap sample pixel, yang

memungkinkan sebanyak 256 intensitas.Format ini sangat membantu dalampemrograman karena manupulasi bit yangtidak terlalu banyak. Pada aplikasi lain sepertipada aplikasi medical imaging dan remotesensing biasa juga digunakan format 10,12maupun 16 bit.

Untuk mengkonversi RGB menjadiGrayscale, diharuskan untuk menyamakanketiga komponen warna pada RGB . Hal yangpaling umum dilakukan adalah mencari nilairata-rata dari ketiga komponen RGB danmenjadikannya sebagai nilai grayscale.Berikut persamaannya:

(1.1)Dimana, Gray = Nilai grayscale

R = Nilai komponen red pada RGBimage

G = Nilai komponen green pada RGB

image

B = Nilai komponen blue pada RGBimage

Gambar 2. Hasil konversi RGB ke

Grayscale

2.1.3 Binary Image

Binary image adalah citra yang hanyamempunyai dua nilai derajat keabuan: hitamdan putih. Citra ini merupakan citral yangdihasilkan melalui pemisahan piksel-piksel

berdasarkan derajat keabuan yang dimiliki.Binary image ini direpresentasikan nilai tiappikselnya dalam satu bit, sehingga sangatefisien dalam hal penyimpanan Dalam binaryimage warna hitam direpresentasikan sebagai0 dan putih sebagai 1 (255). Dalammenentukan nilai piksel 0 atau 1 digunakannilai Thresholding, suatu piksel dapat

berwarna hitam jika memiliki nilai diatas


4/10

Thresholding dan putih jika nilainya beradadibawah dan berlaku sebaliknya.

Gambar 3. Contoh Binary Image

Suatu binary image dapat dibentukmengikuti persamaan berikut:\

{ (1.2)Dimana: Ibin = Nilai Pixel secara Binary

IG = Nilai Grayscale pixelT = Nilai thresholding

Nilai thresholding dipilih sedemikiansehingga galat yang diperoleh sekecil

mungkin. Cara yang umu menentukan nialithresholding adalah dengan membuat

histogram citra saat grayscale. Jika citramengandung satu buah objek dan latarbelakang mempunyai nilai intensitas yanghomogen, maka citra tersebut umumnyamempunyai histogram bimodal (mempunyaidua puncak atau dua buah maksimum lokal).Nilai thresholding dipilih pada nilai minimum

lokal yang terdapat diantara dua puncak.Dengan cara seperti ini, kita tidak hanya

mengkonversi citra hitam-putih ke citra biner,tetapi sekaligus melakukan segmentasi objekdari latar belakangnya.

Gambar 4 Penentuan Nilai Thresholding

2.2 Computer Vision

Terminologi lain yang berkaitan eratdengan pengolahan citra adalah computervision atau machine vision. Pada hakikatnya,computer vision mencoba meniru cara kerjasistem visual manusia (human vision). Humanvision sesungguhnya sangat kompleks.Manusia melihat objek dengan inderapenglihatan (mata), lalu citra objek diteruskanke otak untuk diinterpretasi sehingga manusiamengerti objek apa yang tampak dalampandangan matanya. Hasil interpretasi inimungkin digunakan untuk pengambilankeputusan (misalnya menghindar kalaumelihat mobil melaju di depan).

Computer vision merupakan prosesotomatis yang mengintegrasikan sejumlahbesar proses untuk persepsi visual, seperti

akuisisi citra, pengolahan citra, klasifikasi,pengenalan (recognition), dan membuatkeputusan. Computer vision terdiri dari teknik-teknik untuk mengestimasi ciri-ciri objek didalam citra, pengukuran ciri yang berkaitan

dengan geometri objek, dan menginterpretasiinformasi geometri tersebut. Mungkin bergunabagi anda untuk mengingat persamaan berikut:

Proses-proses di dalam computer vision dapatdibagi menjadi tiga aktivitas:

1. Memperoleh atau mengakuisisi citradigital.

2. Melakukan teknik komputasi untukmemperoses atau memodifikasi datacitra (operasi-operasi pengolahan

citra).3. Menganalisis dan menginterpretasi

citra dan menggunakan hasilpemrosesan untuk tujuan tertentu,

misalnya memandu robot, mengontrolperalatan, memantau prosesmanufaktur, dan lain - lain.

Pengolahan citra merupakan prosesawal (preprocessing) pada computer vision,sedangkan pengenalan pola merupakan prosesuntuk menginterpretasi citra. Teknik-teknik didalam pengenalan pola memainkan peranan

penting dalam computer vision untukmengenali objek.

2.3 Sensor Vision


5/10

Bentuk dari sensor vision adalahkamera digital atau webcam. Sensor visionadalah sensor yang paling kompleksdigunakan dalam robotika. Sensor ini tidakbanyak digunakan pada embedded systemsampai saat ini, karena keterbatasan kecepatanprosesor dan kapasitas memori yangdiperlukan untuk pengolahannya.

Dalam beberapa tahun terakhir sensorvision yang berupa webcam telah mengalamipergeseran dalam teknologi. Teknologisebelumnya menggunakan chip sensor CCD(charge coupled device) sedangkan saatmenggunakan chip sensor CMOS(complementary metal oxide semiconductor).Sensitivitas rentang kecerahan sensor CMOS

lebih besar beberapa kali lipat dari sensorCCD. Apabila digunakan untuk interface

dengan embedded system teknologi ini tidakada perbedaan.

2.4 Deteksi Obyek dengan Haar-Like

Penelitian mengenai deteksi danpengenalan wajah teknologi computer visiontelah banyak dilakukan, salah satunya adalahmenggunakan Haar like feature yang dikenal

sebagai Haar Cascade Classifier. Haar-likefeatures merupakan rectangular (persegi)features, yang memberikan indikasi secaraspesifik pada sebuah gambar atau image. Idedari Haar-like features adalah untuk mengenaliobyek berdasarkan nilai sederhana dari fiturtetapi bukan merupakan nilai piksel dari image

obyek tersebut. Metode ini memiliki kelebihanyaitu komputasinya sangat cepat, karena hanyabergantung pada jumlah piksel dalam persegibukan setiap nilai piksel dari sebuah image.Metode ini menghitung perbedaan jumlah

setiap piksel pada daerah persegi panjang(rectangular) yang berdekatan pada lokasitertentu dalam jendela deteksi. Metode inimerupakan metode yang menggunakanstatistical model (classifier).

Pendekatan untuk mendeteksi objek dalamgambar menggabungkan empat konsep utama :

1. Training data2. Fitur segi empat sederhana yang

disebut fitur Haar.

3.

Integral image untuk pendeteksianfitur secara cepat.

4. Pengklasifikasi bertingkat (Cascadeclassifier) untuk menghubungkanbanyak fitur secara efisien.

2.4.1 Training data pada Haar

Metode ini memerlukan 2 tipe gambar objekdalam proses training yang dilakukan, yaitu :

1. Positive samples, Berisi gambar obyek

yang ingin di deteksi, apabila inginmendeteksi mata maka positivesamples ini berisi gambar wajah,begitu juga obyek lain yang ingindikenali.

2. Negative samples, Berisi gambarobyek selain obyek yang ingin

dikenali, umumnya berupa gambar

background (tembok, pemandangan,lantai, dan gambar lainnya). Resolusiuntuk sampel negatif disarankan untukmemiliki resolusi yang sama dengan

resolusi kamera. Training dari Haarmenggunakan dua tipe sampel diatas.

Informasi dari hasil training ini laludikonversi menjadi sebuah parametermodel statistik.

2.4.2 Sistem Kerja Algoritma Haar Cascade

Classifier

Algoritma Haar menggunakan metodestatistical dalam melakukan pendeteksianwajah. Metode ini menggunakan samplehaarlike fetures. Classifier ini menggunakangambar berukuran tetap (umumnya berukuran24x24). Cara kerja dari haar dalam mendeteksiwajah adalah dengan menggunakan tekniksliding window berukuran 24x24 padakeseluruhan gambar dan mencari apakahterdapat bagian dari gambar yang berbentukseperti wajah atau tidak. Haar juga memiliki

kemampuan untuk melakukan scalingsehingga dapat mendeteksi adanya wajah yangberukuran lebih besar ataupun lebih kecil dariganbar pada classifier [6]. Tiap feature darihaar-like feature didefinisikan pada bentuk

dari feature, diantaranya koordinat dari featuredan juga ukuran dari feature tersebut.

2.4.3 Haar Feature

Haar Feature adalah fitur yangdidasarkan pada Wavelet Haar. Wavelet Haar

adalah gelombang tunggal bujur sangkar (satuinterval tinggi dan satu interval rendah). Untuk


6/10

dua dimensi, satu terang dan satu gelap.Selanjutnya kombinasi-kombinasi kotak yangdigunakan untuk pendeteksian objek visualyang lebih baik. Setiap Haar-like featureterdiri dari gabungan kotak -kotak hitam danputih.

Gambar 5. Macam-macam variasi feature

pada Haar

3 tipe kotak(rectangular) feature:

1. Tipe two-rectangle feature(horisontal/vertikal)

2. Tipe three-rectangle feature

3. Tipe four-rectangle feature

Adanya fitur Haar ditentukan dengan cara

mengurangi rata-rata piksel pada daerah gelapdari rata-rata piksel pada daerah terang. Jika

nilai perbedaannya itu diatas nilai ambang atautreshold, maka dapat dikatakan bahwa fitur

tersebut ada. Nilai dari Haar-like featureadalah perbedaan antara jumlah nilai-nilaipiksel gray level dalam daerah kotak hitamdan daerah kotak putih:

dimana untuk kotak pada Haar-like featuredapat dihitung secara cepat menggunakan

integral image .

2.4.4 Integral Image

Integral Image digunakan untukmenentukan ada atau tidaknya dari ratusanfitur Haar pada sebuah gambar dan pada skalayang berbeda secara efisien. Pada umumnya,

pengintegrasian tersebut berarti menambahkanunit-unit kecil secara bersamaan. Dalam hal iniunit-unit kecil tersebut adalah nilai-nilai

piksel. Nilai integral untuk masing-masingpiksel adalah jumlah dari semua piksel-pikseldari atas sampai bawah. Dimulai dari kiri atassampai kanan bawah, keseluruhan gambar itudapat dijumlahkan dengan beberapa operasibilangan bulat per piksel.

Gambar 6. Integral Image

Seperti yang ditunjukkan oleh gambar

5(a) di atas setelah pengintegrasian, nilai padalokasi piksel (x,y) berisi jumlah dari semuapiksel di dalam daerah segiempat dari kiri atassampai pada lokasi (x,y) atau daerah yangdiarsir. Guna mendapatkan nilai rata-rata

piksel pada area segiempat (daerah yangdiarsir) ini dapat dilakukan hanya dengan

membagi nilai pada (x,y) oleh area segiempat.

(2)dimana ii(x, y) adalah integral image dan i(x,

y) adalah original image

Guna mengetahui nilai piksel untukbeberapa segiempat yang lain, sepertisegiempat D pada gambar 5(b), dapat

dilakukan dengan cara menggabungkanjumlah piksel pada area segiempat A+B+C+D,

dikurangi jumlah dalam segiempat A+B danA+C, ditambah jumlah piksel di dalam A.Dengan, A+B+C+D adalah nilai dari integral

image pada lokasi 4, A+B adalah nilai padalokasi 2, A+C adalah nilai pada lokasi 3, dan

A pada lokasi 1. Sehingga hasil dari D dapatdikomputasikan.

2.4.5 Cascade Classif ier

Cascade classifier adalah sebuahrantai stage classifier, dimana setiap stage

classifier digunakan untuk mendeteksi apakahdidalam image sub window terdapat obyek

yang diinginkan (object of interest). Stageclassifier dibangun dengan menggunakan


7/10

algoritma adaptive-boost (AdaBoost).Algoritma tersebut mengkombinasikanperformance banyak weak classifier untukmenghasilkan strong classifier. Weak classifierdalam hal ini adalah nilai dari haar-likefeature. Jenis AdaBoost yang digunakanadalah Gentle AdaBoost.

Gambar 7. Model Classifier secara cascade

2.5 Aplikasi menggunakan Emgu CV

EmguCV adalah cross platform yangterdapat dalam .NET untuk librarypengolahan

citra pada Intel OpenCV. EmguCV inimengikuti fungsi yang terdapat pada OpenCVyang diambil dari .NET oleh sebab itucompatible dengan bahasa pemrograman C#,VB, VC++, IronPython dan sebagainya.

Program ini bersifat opensource sehingga

sangat cocok apabila digunakan untukpenelitian, salah satunya adalah tentangcomputer vision.

EmguCV juga telah dilengkapi denganfile .xml yang berisi informasi untukmengenali dan mendeteksi wajah yang dapat

digunakan dalam developingprogram.

2.6 Windows API

Antarmuka Pemrograman AplikasiWindows (berasal dari Bahasa

Inggris: Windows Application ProgrammingInterface), yang sering disebut

sebagai WinAPI atauWindows API adalahsekumpulan antarmuka pemrograman aplikasiyang dibuat oleh Microsoft dalam inti sistemoperasi Microsoft Windows buatannya. Semuaprogram Windows, kecuali program konsol,harus berinteraksi dengan Windows API tanpamelihat dengan bahasa apa ia dibuat. Aksesterhadap elemen sistem operasi yang lebihrendah, seperti halnya yang dibutuhkanoleh device driver, tidak disediakan oleh

Windows API, tapi disediakan oleh Windows

Driver Foundation atau Native API dalamversi-versi baru Windows.

2.7 Power Saving Energy Management

pada Komputer

Power Saving Energy Management

merupakan langkah untuk menghematpenggunaan energi pada komputer saatcomputer tidak digunakan

Pada Komputer Power Saving dalamEnergy Management dilakukan denganbeberapa cara yaitu mengontrol kecerahan,mengontrol hidup/matinya monitor dalambeberapa waktu tertentu serta kondisihibernate atau sleep secara automatis.

3. Metodelogi Penelitian

Metode penelitian yang digunakan dalamkegiatan kali ini adalah dengan membuatprogram Image Processing untuk melakukanfungsi pendeteksian wajah menggunakanEmguCV & Visual C# yang kemudiandiimplementasikan dalam bentuk aksi powersaving menggunakan Windows API untukmwngontrol monitor (mematikan ataumenghidupkan monitor) serta perintahhibernate/sleep. Program ini dibuat bertujuansebagai media untuk pengambilan data yangdigunakan untuk melakukan analisa. BerikutFlowchart Algoritma program yang dibuat:

Saat program dijalankan, maka akan

ditangkap citra melalui sensor vision(webcam), kemudian citra ini yang berupaRGB dikonversi grayscale untuk dilakukanpendeteksian menggunakan file .xml yangtelah ditentukan untuk pendeteksian wajahdalam program yang dibuat. Jika wajah tidakterdeteksi maka dieksekusi metode power

saving yang diinginkan (mematikan monitor,sleep/hibernate).


8/10

Start

Inisialisasi

variable

CaptureImage

ConvertRGBto

Grayscale

Facedetectionwith

Haar-Cascade

method

Ada WajahMengotak area

wajahpada imageY

Eksekusi

PowerSaving(turn

display off, sleep,

hibernate)

N

Jika Hibernate/

Sleep?

End

Y

Facedetection with

Haar-CascadeAda Wajah? Turn on the displayY

N

Tombolstopdan

stopdiklik

Y

N

Gambar 8. Flowcahrt Algoritma

Jika kondisi komputer tidak dalam mode sleep

atau hibernate maka, akan dilakukan

pendeteksian wajah kembali dan jika ada

wajah terdeteksi maka monitor akan

dihidupkan.

Gambar 9. Tampilan program

4.

Pengujian dan Pembahasan

Dalam pendeteksisan wajah yang

dimplementasikan menggunakan metode

haar-cascade. Metode Haar mendeteksi wajah

dengan menghitung perbedaan jumlah setiap

piksel pada daerah persegi panjang

(rectangular) yang berdekatan pada lokasi

tertentu dalam jendela deteksi. Perbedaan

jumlah piksel ini didasarkan atas perbendaan

jumlah piksel gelap-terang (hitam-putih) pada

versi grayscale citra yang ditangkap.

Sedangkan Cascade classifier digunakan untuk

sebagai semacam feedback bahwa telah ada

objek yang diinginkan dalam citra tersebut.

Dalam pendeteteksian wajah

menggunakan metode ini, seolah-olah seluruh

citra discan menggunakan suatu masking.Wajah dalam metode ini dikenali melalui

keberadaan pendekatakan mulut, mata dan

hidung. Sehingga ketika dalam melakukan

scan, didapati suatu area dengan memiliki

ketiga komponen tersebut maka area tersebut

dikenali sebagai wajah (lihat gambar 10).

Funsi tersebut telah dilakukan oleh file .xml

yang dibaca EmguCV yang dieksekusi dalam

program yang di-build menggunakan Visual

C#. Jika salah satu dari ketiga komponentersebut tidak ditemukan maka arean tersebut

tidak dikenali sebagai wajah (lihat gambar 11).

Metode ini dapat mengenali lebih dari satu

wajah dalam suatu citra (lihat gambar 15)

dengan syarat memiliki ketiga komponen

tersebut. Dan untuk menunjukkan area

tersebut sebagai wajah, maka pada area

tersebut diberi kotak.

Gambar 10. Wajah terdeteksi

Gambar 11. Wajah tidak terdeteksi saat

mulut ditutup


9/10

Dalam melakukan pendeteksian, ada

bebarapa keterbatasan, yaitu untuk

penggunaan kacamata dalam uji coba.

Pencahayaan berpengaruh kepada hasil

pendeteksian tersebut. Untuk pencahayaan

yang cukup (siang hari) penggunaan kacamata

tidak mempengaruhi hasil (lihat gambar 10).

Tetapi unutk kondisi pencahayaan yang

kurang (menggunakan cahaya lampu pada

malam hari), wajah tidak terdeteksi denagan

sempurna saat menggunakan kacamata (lihat

gambar 12), terkadang terseteksi namun

terkadang tidak. Tetapi untuk kondisi

pencahayaan kurang dan tanpa penggunaan

kacamata tidak ada masalah pada hasil

pendeteksian, wajah masih terdeteksi dengansempurna (lihat gambar 13).

Gambar 12. Kondisi pencahayaan kurang

dan penggunaan kacamata

Gambar 13. Kondisi pencahayaan kurang

dan tanpa penggunaan kacamata

Keterbatasan juga terjadi saat posisi

wajah tidak tegak (agak miring). Dalam

kondisi ini wajah tidak terdeteksi. Hal ini

karena menggunakan file .xml untuk frontalface, sehingga untuk kondisi tertentu wajah

tidak terdeteksi jika posisi wajah tidak tegak.

(lihat gambar 14)

Gambar 14. Posisi wajah tidak tegak

Gambar 15. Wajah terdeteksi lebih dari 1

Dalam pengimplementasinya, face

detection ini dapat digunakan sebagai

pendeteksi keberadaan user computer, apakah

user berada di depan monitor computer atau

tidak. Jika ada wajah dapat dikatakan bahwa

ada user yang sedang menggunakan computer,

dan jika tidak ada wajah maka tidak ada user

yang menggunakan computer.

Dari penjelasan diatas maka program

ini mengimplementasikan face detectionsebagai indicator untuk penerapan power

saving. Prosedur power saving yang dilakukan

antara lain mematikan display saat tidak ada

user dan menghidupkan kembali jika ada user,

dan hibernate/sleep computer saat tidak ada

user. Sehingga jika tidak ada wajah yang

terdeteksi maka, layar monitor akan mati

(Turn Off Display) sesuai dengan batas waktu

yang ditentukan, dan akan hidup lagi ketika

wajah terdeteksi. Dan ketika wajah tidakterdeteksi maka akan dilakukan prosedur


10/10

hibernate/sleep setelah waktu yang ditentukan

dan berdasarkan setting yang dipilih (memlih

antara mode sleep/ hibernate). Untuk control

monitor digunakan Windows API yang

dieksekusi dengan Visual C#.

5. Kesimpulan

1. Metode Haar mendeteksi wajah denganmenghitung perbedaan jumlah setiappiksel pada daerah persegi panjang(rectangular) yang berdekatan pada lokasitertentu dalam jendela deteksi.Perbedaan jumlah piksel ini didasarkanatas perbendaan jumlah piksel gelap-terang (hitam-putih) pada versi grayscalecitra yang ditangkap. Sedangkan Cascadeclassifier digunakan untuk sebagaisemacam feedback bahwa telah ada objekyang diinginkan dalam citra tersebut.

2. Wajah dapat dikenali jika memiliki mata,mulut dan hidung. Jika memiliki ketigakomponen tersebut, dapat dideteksi lebihdari satu wajah dalam suatu citra.

3. Dalam pendeteksiaan penggunaankacamata tidak mempengaruhi hasil padapercobaan dengan pencahyaancukup(baik) tetapi untuk pencahayaan

yang kurang pendeteksian kurang baiksehingga untuk kondisi tertentu tidakterdeteksi.

4. Untuk percobaan tanpa kacamata denganpencahayaan kurang, tidak adaperngaruh, wajah terdeteksi dengan baik.

Posisi wajah juga menentukan hasilpendeteksian, untuk posisi wajah tidak

tegak maka wajah tidak terdeteksi.5. Face detection dapat digunakan sebagai

indicator keberadaan user computer, jikatidak ada wajah terdeteksi maka tidak ada

user yang menggunakan computer danjika wajah terdeteksi maka ada user yangmenggunakan computer.

6.Face detection dapat diimplementasikanuntuk program power saving denganperintah yang dihasilkan mematikandisplay (monitor) jika tidak ada wajah

terdeteksi dan hidupkembali ketika ada

wajah terdeteksi, serta prosedur

hibernate/sleep jika tidak ada wajah

terdeteksi.

Daftar Pustaka

[1] Munir, Rinaldi.(2004),Pengolahan Citra

Digital dengan pendekatan Algoritmik,

PenerbitInformatika, Bandung.

[2] Sutoyo. T, Mulyanto. Edy, Suhartono.

Vincent, Dwi Nurhayati Oky, Wijanarto.

(2009), Teori Pengolahan citra Digital

.Andi Yogyakarta dan UDINUS,

Semarang

[3] Fatta, Hanif Al (2007), Konversi Format

Citra RGB ke Format Grayscale

Menggunakan Visual Basic, dalam

Seminar Nasional Teknologi

2007,Yogyakarta

[4] Kusumanto, RD. Pambudi , Wahyu

Setyo. Tompunu , Alan Novi.(2011) ,

Aplikasi Sensor Vision untuk Deteksi

MultiFace dan Menghitung Jumlah

Orang, Paper Semantik 2012.

Program Power Saving dengan Deteksi Wajah menggunakan Haar-Like – Cascade Classifier

Documents

Transcript of Program Power Saving dengan Deteksi Wajah menggunakan Haar-Like – Cascade Classifier