2 2 2 2 2 2
2 2 2 2 2 2 2 2 2 2 2 2
3.2 Proses PCA Principal Component Analysis
Principal Component Analysis dapat dilihat pada gambar 3.5 dibawah ini.
Start
Someface inisialisasi = seluruh
data wajah Matrikkov = ubah someface ke
image kovarian
Mean = rata-rata matrikkov
Data adjust = matrikkov - mean Eigenvalue = eigenvalue dari evd
Eigenvektor = eigenvektor dari evd
End
Evd = eigen value decomposition dari data adjust
Urutkan data eigenvektor
Final data = data adjust eigenvektor
Proses PCA atau Principal Component Analysis memiliki langkah-langkah sebagai berikut :
1. Someface adalah variable yang berfungsi untuk menginisialisasikan wajah terhadap seluruh data wajah yang ada.
2. Seluruh data wajah yang ada dirubah ke dalam bentuk matrik kovarian.
Gambar 3.4
Reshape Image 2D ke vektor 1D
Gambar 3.5 Proses PCA
Universitas Sumatera Utara
3. Matrik kovarian ini kemudian dihitung nilai rata - ratanya mean. 4. Data adjust atau data nomal diperoleh selanjutnya dari pengurangan matrik
kovarian terhadap mean. 5. Setelah itu didapatkan eigenvalue decomposition dari data adjust,
6. Setelah itu mendapatkan eigenvektor dari eigenvalue decomposition. 7. Eigenvektor kemudian diurutkan.
8. Final data diperoleh sebagai hasil akhir dari data adjust eigenvektor.
3.3 Proses Eigenface
Proses Eigenface dapat dilihat pada gambar 3.6 berikut ini:
Start
Inisialisasi data capture wajah
Rata-rata = ambil rata-rata data set wajah
End Hasil = wajah
inputan – rata-rata
Proses eigenface memiliki langkah-langkah sebagai berikut: 1. Menginisialisasikan data wajah capture sebagai wajah inputan.
2. Kemudian hitung rata-rata dari data set wajah. 3. Kurangi semua vektor wajah dan vektor wajah input dengan nilai rata
– rata dari data set.
Gambar 3.6 Proses eigenface
Universitas Sumatera Utara
3.4 Proses Euclidean Distance
Proses Euclidean Distance memiliki langkah-langkah sebagai berikut : 1. Inisialisasi vektor wajah input dan vektor data wajah yang telah proses eigenface-
nya. 2. Inisialisasi nilai ambang dan i=0
3. Selama I banyaknya vektor data lakukan langkah ke 4 4. Hitung Euclidean Distance dengan rumus:
5. Cari nilai minimum dari Euclidean Distance, data dengan nilai minimum terendah dan tidak lebih besar dari nilai ambang maka vektor tersebutlah yang
sama dengan wajah inputan.
Start Vektor wajah
input, vektor data Inisialisasi nilai ambang
i=0,min=-1 Minimal total=1000
ivektor data.length
i+=1 j=0,
Total=0
jvektor wajah input.length
Total + = vektor wajah input ke j-vektor data ke i,j
2
j+=1 Min=j
Minimal total=total Totalminimal
total Minimal
totalnilai ambang
Login diterima
Login ditolak
End Total =
√total N
Y N
Y N
Y
Y N
Gambar 3.7 Proses euclidean distance
Universitas Sumatera Utara
3.5 Perancangan Sistem
