ISSN: 1693-6 930                                                     177     PENGENALAN WAJAH MANUSIA DENGAN METODE  PRINCIPLE COMPONENT ANALYSIS   (PCA)       Murinto   Program Studi Tekni k  Info rmatika Unive r sita s Ahmad  Dahl an Yogy aka r ta   Kampus III UAD Jl Prof Dr. Supom o, Janturan, Y ogy akarta 55164  Telp. (02 74)  379 41 8, Fax. (0274 ) 38 15 23, e-mail: rin t oku s no @yah oo.com       A b st r a k  Pengen alan   waja h yaitu  m e m bandingkan  citra m a suka n de nga n  su atu data b a se  wajah  dan m enem uka n  wajah  yan g  palin g se su ai de ngan m a sukan citra terseb ut. Bebe rap a   pend ekatan  untuk p eng e nalan o b je k dan grafika  kom puter dida sarka n  se ca ra lang sun g  p ada   citra - citra tan pa p engg una an m odel  3D. Karen a  di m ensi  pi ksel h a sil tran sform a si be ru kura n   besar  kem u d i an dila ku kan  redu ksi dim ensi d eng an  m engguna ka n anali s is  ko m ponen uta m a   (Prin c ipal  Co m ponent An alysis)  yan g   juga  dikenal   deng an m e to de ei genfa c e s . Setela h  citra  pelatiha n  diol ah m a ka  a k a n  di cari  nilai  rata-ratan ya.  Den gan  pen g h itunga n da ri  sam pel t r aini ng  set a k an  dip e role h eig enf ace s  d eng an  nilai terting g i .  Citra untu k   peng ujian b e r upa  citra wa ja h   dan b u kan  wajah  yan g  se bagia n  m e ru pakan d a ta ci tra pelatih an,  jum l ah data  uji se ban ya k  40   citra  yang  te rdiri   d a ri  3 5  cit r a  waj a h da n 5  cit r a bu ka n  waj ah. Pen guku r an  jarak eu clid   (Eucli dea n Distan ce)  aka n  m enghasil kan nil a i m a ksim u m  dan  m i nim u m ,   sehi ngg a da pat  diperoleh o u tput berupa  wajah yang di kenali da n tida k dikenali. Da ri ha sil pen eli t ian didap atkan   bah wa pe rse n tase  ketep a t an peng ena lan waj ah p ada konfigu r asi optim um  dari p r in cip l e   com pone nt anal ysi s (P CA), m enunju k kan ha sil  yang m e m uaskan. Fal s e  positive rat enya   m enunjukka n  angka ya ng  ke cil, ya kni sebe sar 0.1 2 5 % .      Kata kunci :  Eigenfaces,  Princi pal Co m ponent Ana l ysi s (P CA), Pengen alan  Waja h.      1. PEN D AHULU AN  Pengen alan waja h  (fa c e  recognitio n )  t e lah me njadi  suatu a p lika s i kh usus  di antara   banya k  bi da ng p enelitia n yang  ad a  pad a  Com puter Vi sio n . Penge nala n  wajah  ya itu   memba nding kan  citra  waj ah masukan  deng an suat u databa se  waja h dan m enemu k a n  wajah  yang paling  se suai d eng an citra m a sukkan terse b u t. Pengenal an waj ah m e rup a kan su atu   pekerja an ya ng kom p le ks hal ini diseb abkan ba ny ak kem ung kin an varia s i un tuk su byek y ang   sama  p ada  kondi si yan g  b e rbe da,  se pe rti lumin a n s i  dan  eksp re si  muka  ( fa cial  exp r e ssi on ), dan   bentu k  ke pal a se cara tiga-dimen s i [1].             Pengen alan  waja h   me ru pakan  suatu  peng enala n  pola  (patte rn recognitio n )  yang   khu s u s  u n tu k kasus  waj ah. Ini dap at dide sk rip s ikan  seba gai peng kla s ifika s ian su atu  waja h   apa kah di ke n a li  (k no wn)   atau  tidak  dike nali  (u nkno wn) , diman a  se telah diba ndi ngkan kemu d i an   disimp an se cara tersen d i ri. Bebera p a  pende katan  untuk pen g enala n  obye k  dan g r afika   komp uter  di d a sa rkan se ca ra  lan g sung pada ci tra - cit r a tanp a pen ggun aan m o del 3D. Bany ak  dari te kni k  ini  terga n tung  p ada  suatu  re pre s enta s i  cit r a yan g  mem bentu k  suatu  stru ktu r  ru an g  vektor, dan d a lam pri n si p ini memerl uka n  korespon de nsi yang p a d a t.                Salah  satu  algoritm a  pe ngen alan  wajah yan g   banya k  dig u nakan a dala h  teknik  eigenfa c e s  [2 ]. Eigenvecto r yang p e rta m a (komp o n en utama )  di perol eh d a ri  suatu  kum pul an  bentu k  citra  pelatihan  repr esenta s i da sa r d a lam pe nde katan te rse but. Eigenfa c e s ,    memproyeksi k an   cit r a ke   d a lam eigenve c tor, digu na kan u n tuk pe n g kla s ifikasi a n  fitur-fitur. P a da   tahap p eng ujian, citra ta k berla bel  (probe)   dip r oye ksi ka n ke d a lam ba si s  eigenve c tor  dan   diban ding kan  deng an  citra  terlatih d a la m rua ng  citra  yang ba ru.  PCA digu na kan untu k  m o del  peng enala n   ekspresi  waj ah [3]. Tekni k  eige nfac es klasi k  me ru pakan s uatu conto h   yang baik  dari  su atu al goritma  umu m ( holi s tic ). P engg unaa n  repre s e n tasi   eigenfa c e s  i n i memu ng kin k an  untuk m enu runkan juml ah  dimen s i yan g  berkaita n  d enga n citra wajah da n hal i n i mampu  un tuk   mene kan bi a y a komp utasi  secara sig n ifikan. P enyim pana n citra  wajah ini jug a  dapat dila ku kan  Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  177  - 184   178 setah ap dem i setaha p de ngan me ngg abun gkan cit r a obje k  waj ah baru ke d a lam ru ang  eigen  yang telah di bentu k  berda sarka n  se ku mpulan  citra  waja h awal.  Proyeksi ru a ng  ei gen  (ei gen spa c e )  ju ga di ke nal  sebag ai  Ka rh unen -Lo e ve (KL)  ata u   juga din a m a ka n den ga n  Prin cipal  Com pone n t  Analysi s  (PCA) . Algoritma  eige nface   me ma n f aa tk an   Princip a l Com pone nt Analysis (P CA)  untu k  mere du ksi d i mensi n ya g una   menem ukan  vector-vekto r yang me mp unyai nilai te rbai k u n tuk  d i stribu si  citra  waja h di dal am  ruan g  citra  masu ka n. Ve ktor i n i me nd efinsi kan  su b r uan g d a ri  cit r a-citra  waja h dan  subru ang   terse but dina maka n ru ang  waja h. Semu a waja h- waja h dalam him p unan p e latiha n diproye k sikan  ke d a lam  rua ng wajah  unt uk m enem ukan suatu  him puna n bo bot-bobot yan g   mende skri psi k an   kontri bu si da ri tiap vector  dalam ruan g waja h.  Untu k identifika s i suatu citra uji, membutuh kan  proye ksi  su atu citra ke dal am ru ang  wa jah unt u k  m e nentu k an  ko resp ond en si kumpula n  bo b o t- bobot. De ng an memb and ingkan kump ulan bo bot-b obot waj ah d a lam traini ng  set, Penguji an  citra  da pat di identifika s i. P r osedu r  ku nc i dala m  PCA  dida sa rkan   pada  tra n formasi   Karhum en- Loe ve . Jika elemen -ele m en citra dia n ggap seba ga i variable-va riabel ra ndom , citra mung kin  dilihat seb a g a i sampl e  su atu pro s e s  st oka s tik. Cont oh 2D PCA  ditampilkan d a lam Gam b a r  1 .   Princi ple Co m ponent  pert a ma menyedi aka n  suatu redu ksi di m e n s i se ca ra line r  optimal dari  2D  k e  1D.        Gamba r  1. PCA Kumpula n  Titik Dua  Di mensi     Ide utama  p r i n cip a l com p o nent anal ysis  adalah  mene muka n vekto r  denga n nilai  terbai k  untuk di stri bu si citra waj ah  dalam  selu ru h rua ng citra. Vektor-vekto r ini mendefini s ikan sub r ua ng  citra  waja h a t au biasa di sebut den gan  nama  ruan g  wajah. Ti ap  vektor d eng an panj ang  N 2 ,  mend sikrip si kan cit r a d eng an u k u r an  N  x N, yang m e rup a kan  su atu ko mbina s i linier  dari  ci tra  wajah as li [4, 5].    Pada pe neliti an ini a k an  d i baha s me ng enai pe nge n a lan  wajah  d enga n men g guna kan   suatu rep r e s e n tasi ru ang v e ktor yan g  di nama k an d e n gan  Prin cip a l Com pone nt Analysi s  (PCA ).        2. METODE PENELITIAN   Subjek p ene litian ini ada lah memb ua t aplika s i un tuk pen gen alan waj ah m anu sia  mengg una ka n metode   p r inci pal com pone nt  anal ysi s (PCA) .  Data d a la m penelitia n  ini  mengg una ka n data citra  sampel wajah  manu sia be r upa file citra  bere k sten si *.bmp, *.jpg dan    yang telah  diolah te rlebi h dah ulu un tuk me n gha silkan citra yang  lebih baik dan  u n t uk  mempe r mu d ah pemb a caa n  data dalam  aplikasi p eng enala n  waja h .   Metode ya ng digu na kan untu k  merub a h  citra terseb ut adal ah den gan  mere pre s e n tasi kan  waja h ke dalam  bentu k  pi ksel ( pi xel - b a se d m odel s ). Metode ini  mentra nsfo rmasi citra wajah kedal a m   piksel -pi k sel [6]. Karen a  dimen s i h a sil tra m sfo r masi  terse but b e ru kuran  be sar  kemu dian  dil a ku ka n redu ksi d e men s i  d enga n me ng guna ka n an al isis   komp one n utama ( p r in cip a l com ponen t analysi s ) [7]. Selanjutnya hasilnya di guna ka n untuk  peng enala n  d a lam hal ini a dalah p enge n a lan wajah.   Diag ram  kon t eks i n i men ggamb a rka n  selu ruh  sist em yang a k an dibu at d an akan  diimplem enta s ikan  d a lam seb uah pro g ram,  tetapi  di agra m  konte ks ya ng  dibu at masi h be rsifat  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930  ■     Penerapan Metode Principl e  Com ponent Analysi s (P CA ) Untuk ........(Murinto)  179 umum da n belum me ng amba rkan prose s  pe nge n a lan wajah  deng an jela s. Maka dia g ram  terse but p e rl u dide ko mp osi s i lagi  u n tuk m end a patka n ga m bara n   siste m  den gan j e las.  Peran c a nga n  diagra m  ko nteks dap at dilihat pada G a mbar 2.         Gamba r  2. Di agra m  Konte ks Pen gen ala n  Waja h           Gamba r  3. DFD Level 0       Peran c a nga n  DF D me ngg amba rkan ali r an data  yang  terjadi  dala m  si stem (Gam bar  3).  Pada  sistem  peng enal an  waja h ini te rdap at be berapa ali r an  d a ta ma su k yang b e rasal   dari   peng guna ( use r )  sert a terja d i kelu ara n  h a sil proses  ke pada p eng gu na itu sen d iri.    Proses dal a m  pen erapa n metod e  P C A untu k   p enge nalan  wajah m anu si a yang  digamb a rkan pada DFD  m e liputi:  a.  Input data  citra. Pro s e s  ini  pertam a  kali   dike na kan p ada  citra yan g  su dah  diprose s   se cara   manual  sebel umnya u n tuk digun akan  s ebag ai data   kump ulan  pel atihan  ( traini ng d a ta set ).   Setiap citra p e latihan yan g  dimasu kkan  diproye k sikan  ke dalam  rua ng eige n ( eig enspa ce ).   b. Hitung  ei gen face s . Kemu dian men ghi tung  eige nfa c e s  da ri ku mpulan  citra  pelatihan   terse but. Pro s e s  ini dituru nka n  lagi ked a lam beb erap a sub p r o s e s  meliputi:  1). Meng hitun g  rata-rata da ri citra p e latih a n     Procedure Hitu ng_ratar ata_citr a_pelatihan   {menghitung rat a -rata citra pela t ihan}   Dek l aras i    I : integer  {inde k  baris}    i  :  integer {inde k kolom/in dek ban yaknya citra    pelatihan}     n  :  integer {banyak nya piks el}     M  :  integer {banyak nya citra pelat ih an}    m  :  integer {rata-rata citra pelatih an }  tmp  :  integer {peubah  untuk menamp ung jum l ah piks el       per  baris}    x  :  integer  {citra}    Hasil Pengujian dan Pengenalan Hasil Pelatihan Citra Pengujian Citra Wajah Pelatihan Pengguna 1 Software  Pengenalan  Wajah + Data Eigenfaces Data Eigenfaces Hasil Hitung Eigenfaces Hasil Pelatihan [Hasil Pengujian] Hasil Pelatihan Training Data Set Bobot Akhir [Citra Pengujian] [Hasil Pelatihan] Data Citra [Citra Wajah Pelatihan] Pengguna Pengguna Pengguna Pengguna 1.1 Input Citra Training Data Set Hasil Pelatihan 1.2 Hitung  Eigenfaces + 1.3 Pelatihan 1.4 Pengujian + Data Eigenfaces Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  177  - 184   180 Deskr ips i    for  I   1 to n do      for  i    1 to  M do      t m p   m    tmp +   xi [I,i ]       endfor     m[I,j ]   tmp/ M   endfor    2). Selisih a n tara cit r a pel atihan da n rata -rata     Procedure Hitu ng_se lis ih_c itra _pelat ihan   {setiap citra pelatihan diku rang i rata-rata citra}  Dek l aras i    I : integer  {inde k  baris}    i  :  integer {inde k kolom/in dek ban yaknya citra    pelatihan}     n  :  integer {banyak nya piks el}     M  :  integer {banyak nya citra pelat ih an}    m  :  integer {rata-rata citra pelatih an }  tmp  :  integer {peubah  untuk menamp ung jum l ah piks el      per  baris}    xi  :  integer {citra}    X :integer {matriks kombin asi/has il}  Deskr ips i    for  I   1 to n do     f o r   i    1 to  M do      X [I,i ]   xi [I ,i ] - m  [ I,1]        endfor   endfor    3). Matrik s  K o varians    Procedure Hitu ng_Ko v aria ns  (input X :  selis ih cit r a;   input  T X : tranpose dari selis i h citra; output :  C : matriks kova rians)   {mengalikan ma triks  X  dan  T X meng hasilkan matriks  C}  Dek l aras i    I : integer  {inde k  baris}    i  :  integer {inde k kolom/in dek ban yaknya citra    pelatihan}     n  :  integer {banyak nya piks el}     M  :  integer {banyak nya citra pelat ih an}    k  :  integer {inde k baris matriks  T X }    X :integer {matriks kombin asi/has il}    T X :  integer {tranpos e matriks kombinasi/has il}   Deskr ips i    for  I   1 to n do     f o r   i    1 to  M do        for  k    1 to M  do           C [I,i ]  C[ I, i]  +  X [I,k ]*  T X [k,i ]         endfor    endfor   endfor    c.  Proses  pelati han. Dari p r ose s  hitu ng  eigenfa c e s  a k an  dila ku ka n pro s e s  p e l a tihan u n tuk  menda patkan  himpuna n d a ta pelatihan  dari ber bag a i  citra yang b e rvari a si. Berikut adal ah  algoritm a  dari  proses p e lati han:       Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930  ■     Penerapan Metode Principl e  Com ponent Analysi s (P CA ) Untuk ........(Murinto)  181 Prosedure Pelatihan_ citra   {Pemroyeks ian  citra pelatihan k e  dalam eigens pace}   Dek l aras i  m  :  integer (banya k nya nilai e i genv ektor)  n  :  integer (banya k nya kolom (p iks e l)/baris x i )  x ~   :  integer (eige n sp ace x)  Deskr ips i     Tranpos e (V : matriks, V T  : matri ks)  for I   1 to m do    f o r   i    1 to n do         x ~ [I,i ]    0           for  k   1  to n  do                x ~ [I,i ]   x ~ [I,i ] +  V T  [I,k]*  xi  [k,i ]            endfor    endfor   endfor    d.  Proses  pen gujian  citra  masuka n. Pada p r o s es ini  citra  waja h yan g  akan di uj i  ditran sform a sikan ke dal am komp on en-kom pon en   eigenfaces .  Prose s  ini  kemudi an  diturun k a n  l agi me njadi  Pro s e s  M e mban ding ka n  m ean im age  den gan   sal ah sat u   eigenve k tor, dan pro s e s  mencari   eu cli dean  dist ance . Da ri Proses M e mb and ingkan  me an  im age  den ga n salah  satu  eigenve k tor,  diperoleh  bo b o t untu k  tiap -t iap  citra   traini ng set  yang  kemu dian  a k an dig una ka n pa da p r o s es m e n c a r i  Euclud ean  Di stan ce   u n t uk me nc ar i n ilai   minimum e u c lidean di stan ce .    Prosedure Pen gujian_c itra   {Pemroksian citr a pelatih an ke d a lam eigensp a c e }  Dek l aras i  m  :  integer (banya k nya nilai e i genv ektor)  n  :  integer (banya k nya kolom (p iks e l)/baris y i )  y ~   :  integer (eige n sp ace y)  Deskr ips i     Tranpos e (V : matriks, V T  : matri ks)  for I   1 to m do    f o r   i    1 to n do         y ~  [I ,i ]   0           for  k   1  to n  do                y ~  [I,i ]   y ~  [I,i ] + V T  [I ,k]* yi  [k , i ]           endfor    endfor   endfor      3. H A S IL DAN  PEMB AHASA N   Aplika s i a k a n  mene rima  m a su ka n b e ru pa  citra  sa m pel  wajah  da n bu ka n waja h. Untu k  input  data pe latihan yang  digun akan da lam aplikasi i n i diperoleh  dari  trai ning set  waj ah ya ng   telah  di konve r si ke dalam  matriks,  kem udian diola h  deng an  meto de  eig enfa c e s , se su ai d e n gan  variabel -vari a bel yang dit entukan seb e lumnya. Un tuk pen gujia n diambil d a ri file-file ci tra  pelatiha n  dan  ditambah citra yang bukan  dari pel atih a n . Jumlah  citra untuk pel atihan adal ah 3 2   citra,  sed ang kan  citra uji n ya (yan g tida k  terma s u k  d a l a m cit r a  pelat ihan) seba nyak   8  bua h  citra.   Ha sil kum pul an citra p e lati hannya ditu nj ukkan p ada  Gamba r  4.   Pada lang ka h awal, a k an  diinputkan ci tra waja h yang su dah di olah de ngan  ukura n   40x50 pi ksel  dan tingkat kea bua n 256  ( gra y scale ).  Setelah citra  diambil, ke mudian la njut kan  deng an  pem bentu k an  him puna n p e latih an ( t r aini ng set ) da ri  i nput  citra.  Rata -Rata citra  waja h   pelatiha n  ke mudian  dite muka n. Beri kut ini  adala h   hasil dari  i n putan suatu citra,  yang d apat  dilihat pada  Gamba r  5.     Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  177  - 184   182                      Gamba r  4. Kumpula n  Citra Pelatihan d a n Citra  Uji         Gamba r  5.  Input  Citra Uji       Perbe daa n a n tara m a si ng -ma s ing  da ri  citra  pelatih an da n rata-rata  waja h d i hitung.  Perbe daa n i n i kemu dian  ditemp atka n  ke  d a lam   matriks ya ng  terdi r i  atas  vektor kolom  da ri  perb eda an y ang  dihitun g .   E i gen ve ct o r  d an  eige n v alu e   dari matriks   ini ditemukan. Citra   pelatiha n  ya ng suda h di olah d eng an  metode  ei genfa ce  dapat dilihat pada Gambar 6.  Sedang ka n h a sil rata -rata citra dip e rli h a t kan pa da Ga mbar 7.   Data  citra  yang  disim p a n  dal am  se buah  file a k an di pro s e s  pad a p r o s e s  hitu ng  eigenfa c e s , kemudia n  ha si l akan  dibe rikan ke pad a pe nggu na be ru pa data h a sil  eigenfa c e s  da n  disimp an unt uk dilatih d a n  diujikan. Dari pros es p e latihan a k a n  diperoleh  nilai bob ot akhir  sehi ngg a pad a pro s e s  p e n gujian a k a n   didap at ha sil peng ujian ata u  pen genal a n  berupa  waj a h   yang di ken a li  ( know n )  dan  tidak di ke nal i ( un kno w n ).  Citra  ha sil re kon s tru k si da ri citra uji,  se rta  nilai ja ra k  eu clide annya   d i perlih atka n d a lam  Gamb ar 8. Kem u dian  nilai  da ri b o bot cit r a  uji d a n   jara k eu clide annya secara  grafik dip e rli hatka n dalam  Gamba r  9.    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930  ■     Penerapan Metode Principl e  Com ponent Analysi s (P CA ) Untuk ........(Murinto)  183     Gamba r  6.   Eigenfa c e s  Citra pelatiha n                                                   Gamb ar 7. Rata -rat a                 Gambar 8. Cit r a  hasil a k hi r re kon s tru k si citra pelatiha n           Gamba r  9. Bobot citra uji  dan jarak   Eu clidean      Sistem p eng enala n  wajah  telah di uji  mengg una ka n satu kump ulan  citra  wa jah yan g   diambil  da ri  beb erapa   sumb er. S e mua  data  citra p e latiha n da n d a ta  citra p eng ujian   berinte nsita s  warna  gr ay sca le  den gan u k uran pi ksel  40x50 da n b e re kste n si .b mp. Kumpula n   pelatiha n  ( tra i ning data  se t ) wajah te rdi r i dari 3 2  citra waja h (M =32). Setelah  citra pel atiha n   diolah m a ka  aka n  di ca ri ni lai rata -ratan ya. Deng an p enghitu ngan   dari  sam pel  t r ainin g  set  aka n   diperoleh  ei g enfaces  d eng an nilai tertin ggi. Nilai eig en men entu k an ke gun aan  dari  eig enfa c e s .  Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  177  - 184   184 Eigenfaces  di tampung den gan  nilai eige n  non -zero   karen a  u k uran  dari  training set  kecil.  Citra  untuk  peng uj ian be rup a  citra waj ah da n bu kan  waj ah yang  seb agian m e ru p a ka n data  citra   pelatiha n , jadi jumlah data  uji sebanya k  40 citra  yang terdiri  da ri 35 citra wa jah dan 5 cit r a  bukan wajah.  Pengukuran  jara k eu clid ( Euclide an Di stance ) a k an  mengh asil ka n nilai maksi m um  dan minim u m ,  sehing ga d apat dipe role h  output  be ru pa waj ah yan g  dike nali da n tidak di ke n a li.  Persenta s e ketepatan p e n genal an waja h pada  konfi gura s i o p timum dari  ei ge nface s  dihitu ng   deng an m e n ggun akan  d e t ection rate  dan  fals e pos i tiv e   rate . Jumlah waj a h   yang  b e rh a s il  didete ksi  ada lah 3 2  da ri  3 5  wajah, ja di  detectio n  rate -nya a dala h  9 1 ,43%.  Fals e pos i tif rate -n y a   adala h  5 dari  non -waj ah ya ng terdete k si seb agai  waja h atau 0,125 %.    4. SIMPULAN    Dari h a sil p enelitian d a n  pembah asa n   yang tela h dilakukan  menunj ukka n  bahwa   prin ciple com pone nt  analysis  d apat di manfaa kan u n tuk mela ku kan peng enal an waja h pa da   citra  digital  deng an le bih  se derhan a  dan  cep a t. Dari  ha sil p enelitian  did apatkan b a h w a   persenta s e  ketepatan p e n genal an waj a h pada  konfi gura s i optim um dari  ei ge nface s  de ng an   mengg una ka n  dete c tion  rate  da n  false pos i tive  rate .  Juml ah wajah  ya ng b e rha s il didet eksi  adala h  3 2  d a r i 3 5   waja h, j adi  detec t ion rate -nya a dal ah 9 1 ,43%.  Fals e pos i tif rate -nya adala h   5   dari  no n -waj ah yang te rd eteksi sebag ai waja h ata u   0,125%. Dari ha sil ini d apat di simpul ka n   bah wa meto de prin ciple  comp one nt analysi s  dap at dijadika n seb agai sala h satu meto de  peng enala n  waja h manu sia yang bag u s . Hal ini da p a t dilihat dari  hasil ketepat an pen gen alan  waja h yang tinggi.       DAF TA R PU STAK A    [1].  Jian ke, Z., Mang, V., and Peng, U.M.,  “Fac e Reco gnition Usin g 2D DCT  With PCA” ,  University of Maca u, Maca u, 2002.   [2].   Turk , M., and Pentland,  “Eigenfac es for  Re cognition ” ,  Jo urn a l of  Co gnitive   Neu r o sci en ce  3: 71-86, 19 91.  [3].  Cald er, A.J., Burton, A.M, Mille r, P., Young, A.W., and A k a m atsu, S.,  “A  Principle  Compon en Analy s is of Facial Expre ssions ” , Visi on Re se arch  41: 1179 -12 0 8 ., 2001.  [4].  Atalay,  I. ,  “Face Recog n ition Using E i genfa ces ” , Is tambul Technic a l  Univers i ty, Turk i,  1996.   [5].   Sax, J . D., and Dillon,  O.W.,  “T he Si mulation o f   Radia t ion” ,  Radi ation Jo urnal,   No.  2,  Addiso n-Wi sl ey, San Fran sisco, 17 3-1 7 9 , 1963.   [6]. Xiaogua ng  L u ,  ”Image  Analy s is for Face  Rec ogni tion” , Dept. of  Com puter Scien c e and  Enginee ring,  Michig an State University, 2000.   [7].  Zanna, Y., and Robe rto , M.C.,  “Fac e Rec ogniti on Bas e d  on Polar Frequen c y   Features ” , University of Sao Paolo, Bra z il, 2000.   Evaluation Warning : The document was created with Spire.PDF for Python.