Deteksi wajah menggunakan metode speed-up robust features (SURF)
RIWAYAT HIDUP
ii
Penulis dilahirkan di kota Cianjur Jawa Barat pada tanggal 22 Juli 1989 dari ayah bernama Surahmat dan ibu bernama Yati. Penulis merupakan anak pertama dari enam bersaudara. Penulis meyelesaikan pendidikan Sekolah Dasar di SDN Bunijaya Kab.Cianjur pada tahun1996 dan lulus pada tahun 2002. Kemudian penulis melanjutkan pendidikan MTs di pondok pesantren Al-Masthuriyah Sukabumi dan tamat pada tahun 2005. Penulis melanjutkan MA di pondok pesantren Al-Masthuriyah Sukabumi dan lulus pada tahun 2008. Setelah tamat MA, penulis hijrah ke kota Bandung dan diterima di Fakultas Teknik dan Ilmu Komputer Program Studi S1 Teknik Komputer Universitas Komputer Indonesia dan tamat pada tahun 2014.
(2)
DETEKSI WAJAH MENGGUNAKAN METODE SPEED-UP
ROBUST FEATURES (SURF)
TUGAS AKHIR
Disusun Untuk Memenuhi Syarat Kelulusan Pada
Program Studi Strata Satu Sistem Komputer di Jurusan Teknik Komputer
Oleh Febry Yansyah
10208041
Pembimbing
Taufik Nuzwir Nizar, M.Kom
JURUSAN TEKNIK KOMPUTER
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
BANDUNG
2014
(3)
V
KATA PENGANTAR
Segala puji bagi Allah SWT, pencipta dan pemelihara alam semesta. Shalawat serta salam semoga terlimpah bagi Nabi Muhammad SAW, keluarga, sahabat dan para pengikutnya hingga akhir zaman.
Atas rahmat dan hidayah dari Allah SWT akhirnya penulis dapat menyelesaikan Tugas Akhir ini, meskipun proses belajar sesungguhnya tak akan pernah berhenti. Tugas Akhir ini sesungguhnya bukanlah sebuah kerja individual dan akan sulit terlaksana tanpa bantuan banyak pihak yang tak mungkin penulis sebutkan satu persatu. Dengan segala kerendahan hati, penulis ingin mengucapkan terima kasih kepada:
1. Bapak Dr. Wendi Zarman, M.Si, selaku Ketua Jurusan Teknik Komputer yang telah banyak memberikan nasihat dan semangat selama penulis mengerjakan tugas akhir ini.
2. Bapak Taufiq Nuzwir Nizar, M.Kom, selaku pembimbing yang telah banyak meluangkan waktu untuk memberikan bimbingan dan nasihat hingga tugas akhir ini terselesaikan.
3. Ibu S. Indriani L., M.T, selaku dosen wali yang telah membimbing penulis dari mulai masuk Universitas sampai penulis menyelesaikan tugas akhir. 4. Ibunda dan Ayahanda tercinta, yang telah memberikan semangat, nasihat dan
juga doa selama penulis mengerjakan tugas akhir. 5. Bapak dan Ibu dosen Jurusan Teknik Komputer. 6. Staf Administrasi Jurusan Teknik Komputer.
Akhirnya, penulis berharap semoga penelitian ini menjadi sumbangsih yang bermanfaat bagi dunia sains dan teknologi di Indonesia, khususnya disiplin keilmuan yang penulis dalami.
Bandung, Februari 2014
(4)
vi
DAFTAR ISI
LEMBAR PERNYATAAN ... ii
ABSTRAK ... iii
ABSTRACT ... iv
KATA PENGANTAR ... v
DAFTAR ISI ... vi
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... ix
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Maksud dan Tujuan ... 3
1.3.1 Maksud... 3
1.3.2 Tujuan ... 3
1.4 Batasan Masalah ... 3
1.5 Metode Penelitian ... 3
1.6 Sistematika Penulisan ... 4
BAB II TEORI PENUNJANG ... 6
2.1 Perkembangan Pengolahan Citra ... 6
2.2 Sistem Deteksi Wajah ... 8
2.3 Metoda Speed-Up Robust Features (SURF) ... 9
2.3.1 Ruang Skala (scale Space) ... 9
2.3.2 Penempatan Lokasi Keypoint dengan Akurat ... 10
2.3.3 Deskriptor Keypoint dan Proses Matching ... 11
2.3.3.1 Pembuatan Orientasi ... 12
2.3.3.2 Deskriptor Berdasarkan Jumlah Respon Haar Wavelet ... 13
2.4Deteksi Interest Point ... 15
2.5 Region Of Interest (ROI) ... 15
2.6 Grayscaling Citra ... 16
(5)
vii
2.8 Perangkat Keras ... 17
2.9 Perangkat Lunak ... 17
2.9.1 Bahasa Pemrograman C++ ... 18
2.9.2 QT Creator ... 20
2.9.3 Open Source Computer Vision (Open CV)... 21
BAB III PERANCANGAN SISTEM ... 23
3.1 Diagram Blok... 23
3.2 Fitur SURF ... 25
3.3 Diagram Alir ... 25
3.3.1 Ekstraksi Citra Uji Menggunakan Metoda SURF ... 25
3.3.2 Ekstraksi Citra Data Awal Menggunakan Metoda SURF ... 26
3.3.3 MatchingInterest Point Menggunakan Teknik FLANN... 28
3.4 Perancangan Sistem ... 28
3.4.1 Konfigurasi OpenCV ... 28
3.4.2 Antarmuka Sistem ... 31
BAB IV PENGUJIAN DAN ANALISA ... 32
4.1 Pengujian Antarmuka Sistem ... 32
4.2 Proses Pengujian Pemotongan Area Wajah dengan Metode ROI ... 33
4.3 Proses Pengujian Ekstraksi Fitur SURF Pada Citra Uji ... 33
4.4 Proses Pengujian Ekstraksi Fitur SURF Pada Citra Data Awal ... 34
4.5 Proses Pengujian Matching Menggunakan FLANN ... 34
4.6 Pengujian Sistem Secara Keseluruhan ... 35
4.6.1 Citra Data Awal dan Citra Uji ... 35
4.6.2 Pengujian ... 36
4.6.2.1 Pengujian Perubahan Rotasi... 36
4.6.2.2 Pengujian Perubahan Skala ... 40
4.6.2.3 Pengujian Transformasi 3 Dimensi ... 42
4.7 Analisa ... 44
BAB V KESIMPULAN DAN SARAN ... 46
5.1 Kesimpulan ... 46
5.2 Saran ... 46
(6)
47
DAFTAR PUSTAKA
[1] Sandyprayogi, E.Puspita, R.Susetyoko .Sistem Deteksi Wajah Pada Sistem Pengamanan Lingkungan Berdasarkan Deteksi Objek Bergerak Menggunakan Kamera. Diakses 12 Juni 2013, dari http://www.eepis its.edu/uploadta/downloadmk.php?id=854
[2] Tania,D.K. (2010,07). Pengenalan Gambar Menggunakan Sebagian Data Gambar. Diakses 06 Juni 2013, dari
http://uppm.ilkom.unsri.ac.id/userfiles/JurnalVol_5_No_2_Juli_2010/3-.pdf
[3] BROWN,M,m and LOWE, D.G., “Invariant Features from Interest Point Groups”, British Machine Vision Conferense, Cardiff, Wales, page 656-665,2002.
[4] LOWE, D.G., “Distinctive Image Features from Scale-Invariant Keypoint”. Internasional Journal of Computer Vision”, 60(2):91-110,2004.
[5] BAY,H., FASEL,B., and VAN GOOL,L., “Interactive Museum Guide : Fast and Robust Recognition of Museum Object”. In Proceedings of the First International Workshop on Mobile Vision”, May 2006
[6] “QT Programing”. Diakses 06 Oktober 2013 http://eko-artikel.blogspot.com/2013/09/qt-programming.html (Qt)
[7] OpenCV 2 Computer Vision Application Programming Cookbook. Diakses 06 Juni 2013 http://www.laganiere.name/opencvCookbook/chap1s1_2.shtml (OpenCV)
[8] Hidayat, 2011, “Menyusun Skripsi & Tesis”, Informatika.
[9] Rahman, A. M., Wasista,S. Sistem Pengenalan Wajah Menggunakan Webcam Untuk Absensi Dengan Metoda Template Matching. Diakses 13 April 2013, dari http://www.eepis-its.edu/uploadta/downloadmk.php?id=949
(7)
48
[10] Kurniawan, A., Saleh,A., Ramadijanti,N. Aplikasi Absesni Kuliah Berbasis Identifikasi Wajah Menggunakan Metode Gabor Wavelet. Diakses 13 April 2013, dari http://www.eepis-its.edu/uploadta/downloadmk.php?id=1414
[11] Agustian,Indra. (2012,06). Deteksi Kedip Mata Berbasis Metode SURF. Diakses 06 Juni 2013 dari http://unib.ac.id/blog/jurnalamplifier/files/2013/01/3-83kv04g4o9qzyp0.pdf
[12] Geng Du., Fei SU., Anni Cai. (2009) Face Recognition Using SURF Features. Diakses 29 Mei 2013, dari
http://robotics.csie.ncku.edu.tw/HCI_Project_2009/Face_recognition_using_SURF_features. pdf
[13] “Real-time object detection in OpenCV using SURF”. Diakses 29 September 2013, dari http://robocv.blogspot.com/2012/02/real-time-object-detection-in-opencv.html
[14]” Face detection con OpenCV 2.4 (Haar-like Feature based)”. Diakses 29 September 2013, dari http://brainsnippets.org/2013/03/31/face-detection-con-opencv-2-4-haar-like-feature-based/
[15] ”SURF : Speed Up Robust Features”. Diakses 29 September 2013, dari
http://www.vision.ee.ethz.ch/~surf/index.html
[16] “Open CV”. Diakses Pada Tanggal 15 Juli 2013, dari http://opencv.org/
[17] “QT Creator”. Diakses Pada Tanggal 15 Juli 2013, dari http://qt-project.org/groups/qt_creator/forum
[18] Wijaya, Marvin CH., Prijono, Agus., 2007, “Pengolahan Citra Digital Menggunakan Matlab”, Informatika : Bandung.
(8)
49
[19] Gunawan, Krisna., “Perancangan Sistem Pengenalan Wajah Berbasis Algoritma Principal Component Analysis (PCA)”. Diakses Pada Tanggal 15 Juli 2013, dari http://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-krisnaguna-29990&q=Krisna%20PCA
[20] Munir, Rinaldi., 2004, “Pengolahan Citra Digital Dengan Pendeteksian Algoritmik”,Informatika : Bandung.
[21] “Interest Point Detection” Diakses Pada Tanggal 15 Juli 2013, dari http://en.wikipedia.org/wiki/Interest_point_detection
(9)
1
BAB I
PENDAHULUAN
Tujuan dari penulisan tugas akhir ini bukan hanya memberikan penjelasan mengenai alat yang akan dirancang dan implementasikan, namun memberikan gambaran mengenai latar belakang mengapa permasalahan yang diambil adalah mengenai deteksi wajah dengan metoda Speed-Up Robust Features (SURF),
menjelaskan masalah apa saja yang ingin dipecahkan dan tujuan yang ingin dicapai pada tugas akhir ini.
1.1 Latar Belakang
Seiring dengan berkembangnya teknologi, maka pengaplikasian deteksi wajah mengalami pengembangan yang sangat cepat dan semakin banyak digunakan, contohnya untuk sistem keamanan, absensi dan lainnya. Deteksi wajah (face detection) merupakan salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition)[1]. Sistem pengenalan wajah akan digunakan untuk membandingkan citra wajah masukan dengan suatu kumpulan wajah sehingga dapat mengenali mana wajah yang paling cocok dengan citra wajah tersebut.
Dari penelitian ini diharapkan dapat menguji perubahan transformasi pada suatu area wajah. Selanjutnya pengaplikasian deteksi wajah dapat digunakan untuk monitoring pada suatu ruangan. Telah di ketahui bersama bahwa sistem monitoring yang sekarang ini masih jarang digunakan. Untuk itu deteksi wajah dapat dimanfaatkan untuk monitoring keberadaan seseorang pada suatu ruangan, dimana monitoring ruangan dengan deteksi wajah dapat mempermudah manusia dalam hal mengetahui keberadaan seseorang didalam ruangan tanpa memasuki suatu ruangan. Dengan pemanfaatan deteksi wajah ini akan memonitoring setiap objek pada suatu ruangan dengan menggunakan kamera misalnya, yang selanjutnya akan diproses dengan metoda deteksi wajah yang telah ada untuk memberikan informasi apakah objek tersebut berada didalam ruangan atau tidak.
(10)
2
Untuk deteksi wajah itu sendiri telah banyak dikembangkan dengan beberapa metode yang telah ada, pada penelitian sebelumnya deteksi wajah berbasis metode template matching[9], dan metode Gabor Wavelet[10].
Akan tetapi berbeda dengan penelitian sebelumnya, pada penelitian ini akan menggunakan metode Speed-Up Robust Features (SURF). Metoda SURF merupakan sebuah metode deteksi fitur yang menggunakan keypoint dari sebuah gambar, keypoint itu sendiri adalah bagian-bagian dari sebuah gambar yang nilainya tetap ketika mengalami perubahan skala, rotasi, blurring, transformasi 3dimensi dan pencahayaan. Salah satu tujuan penelitian deteksi wajah dengan metoda SURF ini diharapkan agar dapat menganalisa wajah yang tidak utuh pada posisi derajat tertentu berdasarkan transformasi rotasi, skala, dan perubahan 3 dimensi dengan dilakukan kalibrasi posisi wajah terlebih dahulu.
1.2. Rumusan Masalah
Dalam pendeteksian wajah, kelemahan yang paling utama seperti yang telah dipaparkan pada latar belakang, bahwa tidak sempurnanya gambar yang dihasilkan ketika proses pengambilan gambar. Maka dari itu perlu digunakan suatu metode pendeteksi wajah yang dapat mendeteksi area wajah pada posisi derajat tertentu.
Dari hal diatas, maka dapat kita rumuskan suatu rumusan masalah sebagai berikut :
1. Bagaimana cara mendeteksi objek, dalam kasus ini adalah objek wajah, dengan memanfaatkan ciri-ciri yang terdapat pada suatu objek wajah menggunakan metode SURF.
2. Bagaimana cara menampilkan area wajah dengan menggunakan metoda
region of interest (ROI).
3. Bagaimana cara ekstraksi area wajah menggunakan metoda SURF.
4. Membuat aplikasi deteksi wajah menggunakan metode SURF, dengan memanfaatkan Open CV.
5. Menguji ketangguhan metode SURF berdasarkan transformasi rotasi, skala dan 3 dimensi pada kasus mendeteksi wajah.
(11)
3
1.3. Maksud dan Tujuan
Berdasarkan paparan mengenai latar belakang permasalahan serta masalah apa saja yang ingin penulis pecahkan, tidak terlepas dari maksud dan tujuan yang terkait dengan perancangan sistem ini.
1.3.1 Maksud
Maksud dari pembuatan tugas akhir ini adalah membuat suatu sistem deteksi area wajah dengan menggunakan metode SURF pada citra yang telah mengalami transformasi rotasi, skala dan 3 dimensi.
1.3.2 Tujuan
Tujuan dari pembuatan tugas akhir ini adalah untuk menciptakan efektifitas kerja dari sistem yang dirancang agar lebih banyak keuntungan yang dapat diperoleh.
1.4. Batasan Masalah
Pada perancangan sistem yang akan dibuat ini terdapat beberapa batasan masalah, yaitu:
1. Citra yang digunakan sebagai masukan menggunakan citra diam.
2. Pengujian yang dilakukan adalah objek citra wajah yang telah mengalami transformasi rotasi, skala dan 3 dimensi.
3. Sistem yang dibangun hanya mendeteksi area wajah, bukan pengenalan wajah.
1.5. Metodologi Penelitian
Metodologi penelitian yang akan digunakan untuk pengerjaan/penyusunan tugas akhir ini adalah:
1. Studi Literatur
Moteda ini digunakan untuk mendapatkan informasi dan pengetahuan dari literatur-literatur yang sudah ada, baik dari buku, jurnal dan internet.
2. Observasi
Metoda ini dilakukan untuk melakukan observasi terhadap tools yang digunakan untuk sistem deteksi wajah dengan berbekal informasi dan pengetahuan yang sudah di dapatkan dari studi literatur. Tools yang digunakan adalah OpenCV dan Qt Creator.
(12)
4 3. Perancangan Model Sistem
Metoda ini dilakukan untuk menerapkan informasi yang sudah didapatkan dari studi literatur dan pengalaman dalam observasi kedalam model sistem yang akan dirancang.
4. Pengujian dan Analisis Sistem
Untuk mengetahui kinerja dari sistem, maka model sistem yang telah dirancangan akan di uji apakah hasil yang dihasilkan telah sesuai seperti yang telah direncanakan, dan selanjutnya akan dianalisa untuk mengetahui performa sistem deteksi wajah yang telah dirancang.
1.6. Sistematika Penulisan
Berdasarkan struktur penulisan yang dibuat, terdapat penjelasan-penjelasan mengenai isi tiap bagian/bab yang ditulis.
BAB I PENDAHULUAN
Bagian pendahuluan berisikan latar belakang masalah, rumusan masalah, batasan masalah, metode penelitian dan sistematika penulisan
BAB II TEORI PENUNJANG
Bagian teori penunjang berisika teori penunjang/dasar yang menjelaskan hal-hal yang berhubungan dengan judul agar pembaca dapat memahami istilah-istilah/ teminologi dan maksud serta materi yang tertuang dalam buku tugas akhir.
BAB III PERANCANGAN SISTEM
Bagian perancangan sistem berisi blok/blok sistem yang disimulasikan /dirancang /diimplementasikan dengan penjelasannya. Parameter-parameter sistem, blok diagram, diagram alir sistem, diagram alir proses pekerjaan dan hal-hal yang berhubungan dengan hal tersebut.
BAB IV PENGUJIAN DAN ANALISA
Dalam pengujian dan analisa berisi mengenai keluaran yang didapat, misalnya grafik dan hasil simulasi, spesifikasi alat yang dibuat, nilai parameter yang sudah diukur atau disimulasikan dan lain sebagainya.
(13)
5
BAB V KESIMPULAN DAN SARAN
Bagian kesimpulan berisi hal-hal yang bisa disimpulkan dari hasil pengujian dan analisa yang dilakukan pada BAB IV, juga menjawab apa yang sudah dinyatakan dalam tujuan.
Saran berisi hal-hal yang mungkin dilakukan untuk pengembangan penelitian baik sebagai kelanjutan/pengembangan penelitian ataupun sebagai pembanding terhadap hasil yang sudah didapat.
(14)
6
BAB II
TEORI PENUNJANG
2.1 Perkembangan Pengolahan Citra
Data atau informasi tidak hanya disajikan dalam bentuk teks saja, akan tetapi dapat berupa sebuah gambar, audio (bunyi, suara, musik), dan video. Keempat macam data atau informasi tersebut sering disebut multimedia. Citra/gambar merupakan salah satu komponen multimedia yang memiliki peranan penting sebagai informasi visual. Citra memiliki karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi. Ada sebuah peribahasa yang berbunyi “a picture is more than a thousand word” (sebuah gambar bermakna lebih dari seribu kata), maksudnya adalah sebuah gambar dapat memberikan informasi yang lebih banyak daripada informasi tersebut dalam bentuk kata-kata.
Citra secara harafiah, citra (image) adalah gambar pada bidang dwiwarna (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwiwarna. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat optik, misalnya mata pada manusia, kamera, pemindai (scanner) dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam.
Pengolahan citra secara digital dimulai pada awal tahun 1921, yaitu pertama kalinya sebuah foto berhasil di transmisikan secara digital melalui kabel laut dari kota New York ke kota London (Bartlane Cable Picture Transmission System) dengan memakan waktu kurang dari 3 jam yang biasanya pengiriman suatu foto saat itu membutuhkan waktu sekitar satu minggu. Selanjutnya pada tahun 1960 tercatat perkembangan pesat dikarenakan munculnya teknologi komputer yang sanggup memenuhi suatu kecepatan proses dan kapasitas memori yang dibutuhkan oleh berbagai algoritma pengolahan citra.
(15)
7
Bidang ini sangat berhubungan erat dengan ilmu pengenalan pola, yang secara umum bertujuan mengenali suatu objek dengan cara mengekstrasi informasi penting yang terdapat pada suatu citra. Contoh aplikasi pengolahan citra pada berbagai disiplin ilmu :
1. Dalam bidang kedokteran terdapat sistem deteksi diagnosis suatu kelainan dalam tubuh manusia melalui citra yang dihasilkan oleh scanner.
Gambar 2.1 Hasil Pencitraan Menggunakan Scanner
1. Dalam bidang industri pengolahan citra di terapkan pada sistem pemeriksaan sauatu produk melalui kamera video.
2. Dalam bidang perdagangan pegolahan citra digunakan untuk sistem mengelani huruf / angka dalam suatu formulir secara otomatis oleh mesin pembaca.
3. Dalam bidang militer sistem ini diterapkan pada pengenalan target peluru kendali melalui sensor visual.
(16)
8
2.2 Sistem Deteksi Wajah
Deteksi wajah adalah salah satu tahap pra-proses yang sangat penting di dalam sistem pengenalan wajah yang di gunakan untuk sistem biometrik. Deteksi wajah juga dapat digunakan untuk pencarian dan pengindeksan citra atau video yang didalamnya terdapat wajah manusia dalam berbagai ukuran, posisi, dan latar belakang.
Pendeteksian wajah merupakan proses segmentasi area wajah dengan latar belakang dari suatu citra masukan. Proses ini bekerja dengan cara memeriksa citra yang dimasukan apakah memiliki ciri wajah atau tidak. Jika memiliki ciri wajah, maka akan dilakukan proses pemisahan citra wajah dengan latar belakang citra yang dimasukan. Berikut ini merupakan diagram blok proses pendeteksian wajah:
Gambar 2.2 Diagram Blok Proses Pendeteksian Wajah
Proses pendeteksian pada diagram blok diatas dimulai dengan masukan berupa citra yang selanjutnya citra akan di proses oleh komputer dengan menggunakan tools yang tersedia dengan memanfaatkan metoda-metoda yang telah ada. Selanjutnya akan ditampilkan hasil dari proses deteksi wajah apakah terdeteksi atau tidak.
Masukan dapat berupa video ataupun citra, apabila masukan berupa video biasanya sistem berjalan secara online atau real time dan proses yang dapat dilakukan adalah proses face tracking. Sementara jika masukan berupa citra, biasanya sistem berjalan offline, maka dapat dilakukan proses pendeteksian wajah [19].
Citra Komputer Hasil Deteksi
(17)
9
2.3 Metoda Speed-Up Robust Features (SURF)
Metoda Speed-Up Robust Features (SURF) merupakan sebuah metode deteksi fitur yang menggunakan keypoint dari sebuah citra/gambar. Keypoint itu sendiri adalah bagian-bagian dari sebuah citra/gambar yang nilainya kuat/tetap ketika mengalami perubahan skala, rotasi, blurring, transformasi 3 dimensi, pencahayaan dan juga perubahan bentuk.
Perubahan bentuk itu bisa terjadi karena bentuk citra data awal yang tidak utuh atau tidak sempurna gambar yang ada di dalam citra sampel tersebut. Citra uji yang tidak utuh mungkin karena ada objek lain yang menutupi, atau pengambilan gambar yang tidak sempurna, atau keadaan objek itu sendiri yang telah mengalami perubahan. Agar supaya invarian terhadap skala maka proses pertama yang dilakukan adalah membuat ruang sekala (scale space).
2.3.1 Ruang Skala (Scale Space)
Ruang skala di bagi kedalam bilangan octave, dimana satu octave
mempresentasikan respon filter yang melakukan proses konvolusi citra masukan dengan filter yang ukurannya bertambah tinggi. Dalam SURF, level paling rendah dalam scale space diperoleh dari output filter 9x9. Filter ini berhubungan dengan nilai Gaussian σ =1.2. Ketika membuat filter yang lebih besar, ada beberapa
faktor yang harus di perhitungkan terlebih dahulu. Kenaikan ukuran dibatasi oleh panjang lobe yang positif atau negatif dari turunan Gaussian orde kedua. Berikut ini presentasi dari turunan Gaussian orde kedua :
Gambar 2.3 (a) Turunan Orde Dua Gaussian (b) Scale Scale
Pada gambar 2.3(a) menunjukan Lobe positif yang mempresentasikan dengan warna kotak putih, sedangkan lobe negatif dipresentasikan dengan warna
(18)
10
kotak hitam. Gambar 2.3(a) menunjukan turunan orde dua Gaussian terhadap x,y dan xy.
Karena dalam proses ini kita membutuhkan posisi central pixel tetap, maka kenaikan ukuran pixel minimum 2 (satu pixel untuk setiap sisi), karena ada tiga lobe dimasing-masing filter adalah 6. Dengan demikian ukuran filter-filter untuk octave pertama adalah 9x9, 15x15, 21x21, 27x27. Sedangkan untuk setiap
octave yang baru, ukuran kenaikan filter adalah double (dari 6 menjadi 12, menjadi 24, dan menjadi 48), sehingga ukuran filter octave kedua adalah 15,27,39,51. Octave ketiga 27,51,75,99, dan jika gambar asli masih lebih besar dari ukuran filter, maka octave keempat dibuat yaitu dengan ukuran filter 51,99,147 dan 195. Pada gambar 2.3(b) menunjukan contoh scale space.
2.3.2 Penempatan Lokasi Keypoint dengan Akurat
Untuk mencari lokasi keypoint yang invariant terhadap rotasi, maka dilakukan proses yang terdiri dari tiga langkah seperti di bawah ini :
1. Langkah pertama : Menentukan nilai ambang penentuan lokasi apakah
keypoint atau tidak. Ketika nilai ambang dinaikan, jumlah keypoint yang terdeteksi lebiih kecil dan sebaliknya. Oleh karena itu, nilai ambang bisa disesuaikan untuk setiap aplikasi.
2. Langkah kedua : Sesudah proses penentuan ambang, selanjutnya proses non-maxima suppression dilakukan untuk mencari sekumpulan calon keypoint. Proses ini dilakukan dengan membandingkan masing-masing pixel gambar pada scale space dengan 26 tetangga, yang terdiri atas 8 titik di scale asli dan 9 di masing-masing scale diatas dan dibawahnya ( total keseluruhan 9+8+9= 26). Hasil dari non-maxima suppression adalah keypoint yang dihasilkan gambar.
3. Langkah ketiga : Proses ini adalah proses terakhir dimana dalam mencari
keypoint yaitu dengan menggunakan interpolasi dengan data yang dekat dengan keypoint. Ini dilakukan dengan mencocockan quadratic 3 dimensi
(19)
11
yang diajukan oleh Brown[3]. H(x, y, σ) menyatakan determinan Hessian, yang didefinisikan sebagai persamaan berikut ini :
Lokasi ekstrim yang diinterpolasi, , ditemukan dengan mencari turunan dari fungsi ini dan diberi nilai nol, yang dapat digambarkan dengan persamaan berikut ini :
Jika lebih besar dari 0.5 pada x,y atau arah σ, lokasi perlu disesuaikan lagi dengan melakukan interpolasi lagi. Prosedur ini diulang sampai nilai kurang dari 0.5. Bila interpolasi telah dilakukan beberapa kali tetapi hasilnya tidak memenuhi nilai di bawah 0.5, maka keypoint tersebut dihapus. Keypoint yang tersisa adalah yang stable.
Gambar 2.4 Non-Maxima Suppression
2.3.3 Deskriptor Keypoint dan Proses Matching
Deskriptor ditentukan berdasarkan daerah piksel sekitar keypoint. Deskriptor ini menggambarkan distribusi intensitas piksel tetangga disekitar
keypoint, sama halnya dengan informasi gradien yang di ekstrak oleh SIFT[4]. Pada SURF dihitung respon Wavelet Haar order pertama dalam arah x dan arah y
(20)
12
dan tidak menggunakan gradien seperti yang dilakukan pada metoda SIFT. Selain itu, SURF menggunakan integral gambar untuk meningkatkan kecepatan proses. Hal tersebut bertujuan untuk mengurangi waktu komputasi pada ekstraksi fitur dan pada proses matching fitur, yang juga telah terbukti meningkatkan robust[5].
Proses awal yang akan dilakukan adalah mencocokan orientasi yang dihasilkan berdasarkan informasi dari daerah yang berbentuk lingkaran disekitar piksel yang menjadi keypoint. Kemudian membuat daerah berbentuk kotak pada orintasi yang terpilih dan mengekstrak deskriptor SURF dari daerah tersebut. Pada proses selanjutnya, proses matching fitur antara dua gambar dilakukan. Berikut ini merupakan dua langkah penghitungan deskriptor keypoint yang akan dijelaskan secara mendetail.
2.3.3.1 Pembuatan Orientasi
Agar supaya keypoint invarian terhadap rotasi gambar, maka kita harus melakukan identifikasi orientasi yang dihasilkan disekitar keypoint. Untuk tujuan tersebut, langkah pertama yang dilakukan adalah dengan menghitung respon Haar Wavelet dalam arah x dan arah y pada daerah piksel tetangga disekitar keypoint
yang berbentuk lingkaran yang dengan jarak 6s, dimana s merupakan scale dari
keypoint yang terdeteksi. Ukuran wavelet ditentukan menjadi 4s. Filtering dipercepat prosesnya dengan integral gambar, dan keluaran yang dihasilkan direpresentasikan sebagai titik-titik dalam ruang dengan respon horizontal sepanjang sumbu axis dan respon vertikal sepanjang sumbu koordinat.
Orientasi dominan diperkirakan dengan menghitung jumlah semua respon dalam pergeseran orientasi dengan ukuran window π / 3 (seperti yang diunjukan pada gambar 2.5), dimana respon horizontal dan vertikal dalam window tersebut dijumlahkan. Dari kedua respon yang dijumlahkan akan menghasilkan sebuah vektor orientasi lokal. Vektor terpanjang mendefinisikan orientasi keypoint. Ukuran pergeseran window merupakan sebuah parameter yang harus dipilih secara hati-hati. Berikut ini merupakan gambar jendela pergeseran orientasi:
(21)
13
Gambar 2.5 Jendela Pergeseran Orientasi
2.3.3.2 Deskriptor Berdasarkan Jumlah Respon Haar Wavelet
Untuk proses ekstraksi deskriptor, langkah pertama yang dilakukan adalah membuat daerah kotak sekitar keypoint, dimana keypoint sebagai pusat dari daerah kotak tersebut, dan orientasinya di sekitar orientasi yang ditentukan. Berikut ini merupakan gambar jendela orienasi perhitungan deskriptor pada skala yang berbeda :
Gambar 2.6 Jendela Orientasi Perhitungan Deskriptor pada Skala yang Berbeda Pada gambar diatas menjelaskan bahwa ukuran window yang diambil 20s,
yaitu nilai terbaik yang diambil berdasarkan hasil eksperimen.
Pada tahap selanjutnya, respon wavelet dx dan dy dijumlahkan masing-masing sub-region. Selain memberikan informasi tentang polar dari perubahan intensitas, juga akan dihasilkan jumlah nilai absolut dari respon |dx| dan |dy|.
(22)
14
Masing-masing sub-region mempunyai empat dimensi deskriptor vertor v, yaitu
dx, dy, |dx| dan |dy|. Untuk 4x4 sub-region, maka panjang vektor deskriptornya adalah 64 sebagaimana di ilustrasikan pada gambar beikut ini :
Gambar 2.7 perhitungan Deskriptor
Sementara untuk mendapatkan hasil vektor v dapat dilihat pada persamaan berikut ini :
Respon Wafelet juga invariant terhadap pencahayaan, sedangkan sifat invarian terhadap kontras dicapai melalui pembentukan deskriptor ke dalam satuan vektor.
2.4 Deteksi Interest Point
Deteksi interest point merupakan sebuah terminologi baru dalam bidang
computer vision yang mengacu pada detection of interest point untuk proses selanjutnya. Sebuah interest point adalah titik pada sebuah gambar yang secara umum dapat di golongkan sebagai berikut :
1. Memiliki kejelasan, terutama memiliki cukup alasan yang matematis, dan terdefinisi.
(23)
15
2. Memiliki posisi yang dapat difenisikan dengan baik dalam ruang gambar. 3. Struktur gambar di sekitar titik interest point kaya akan informasi (misalnya
:tekstur 2D yang signifikan), sehingga penggunaan interest point dapat menyederhanakan/mempermudah sebuah proses pada vision system.
4. Titik ini stabil dibawah gangguan lokal dan global, dalam domain gambar sebagai variasi sedemikian rupa kecerahan(iluminasi). Sehingga, titik interest point dapat diandalkan untuk selanjutnya akan di hitung dengan reproduktifitas yang tinggi.
5. Opsional, pendapat tentang interest point harus menyertakan atribut skala, untuk memungkinkan menghitung interest point dari gambar/citra asli serta dibawah perubahan skala.
Gambar 2.8 Deteksi Interest Point
2.5 Region Of Interest (ROI)
Sebuah “region of interest” adalah bagian dari citra yang ingin disaring (filter) untuk membentuk beberapa operasi terhadapnya. Tujuan dari pemotongan ini adalah untuk mengambil citra wajah dan membuang citra lain yang tidak diperlukan. Dimensi citra yang dipotong disesuaikan dengan dimensi dari proses segmentasi atau pengkodean objek wajah yang dilakukan pada proses pendeteksian wajah.
ROI memungkinkan untuk mengakses bagian tertentu dari sebuah citra untuk diolah secara berbeda. Fitur ini menjadi sangat penting apabila terdapat bagian area tertentu dari citra yang dianggap lebih penting dari area lainnya.
(24)
16
2.5 Grayscaling Citra
Grayscaling citra merupakan tahapan pertama dari proses penyelarasan, pada ahap ini terjadi pengkonversian citra warna RGB menjadi citra berwarna keabu-abuan. Citra warna RGB terdiri dari 3 parameter warna yaitu merah (red), hijau (green) dan biru (blue), jika citra warna RGB ini dimasukan ke dalam proses ekstraksi, maka proses tersebut akan sulit untuk dilakukan karena citra RGB terdiri dari 3 parameter, oleh karena itu diperlukan penyamaan parameter yaitu dengan melakukan tahap grayscaling ini. Berikut ini adalah persamaan tahap
grayscaling citra :
X = 0.299r + 0.587g + 0.114b
Dimana, nilai citra RGB adalah (r,g,b) dengan nilai integer antara 0 sampai 255, dan x adalah nilai grayscale.
2.6 Modul Matching Fitur SURF Menggunakan Metode FLANN
Metode Fast Library Approximated Nearest Neighbor (FLANN) adalah sebuah library untuk melakukan pencarian cepat, perkiraan tetangga, yang terdapat pada space dimensi yang tinggi. Libarary ini merupakan kumpulan algoritma yang bekerja dengan baik untuk menemukan nilai tetangga terdekat, sementara untuk hasil parameter yang optimal, tergantung pada kumpulan data yang digunakan.
Metoda Fast Library Approximated Nearest Neighbor (FLANN)
digunakan untuk matching fitur SURF citra wajah data awal dengan fitur SURF citra wajah uji. Fitur SURF ini terdiri dari 3 komponen utama, yaitu: keypoint,
deskriptor dan vektor. Untuk satu gambar wajah citra uji terdapat cluster untuk fitur SURF. Cluster ini akan otomatis dengan menggunakan K- Nearest Neighbor
(KNN) dengan tipe indeks kd tree, dimana KNN ini akan mencari jarak yang paling kecil antara vector sampel dengan vector pada cluster.
Proses matching fitur citra wajah uji dan fitur citra wajah sampel, vektor
keypoint dan deskriptor pada citra wajah akan di cocokan nilainya dengan menggunakan KNN search. KNN search mencari cluster pada citra wajah uji yang nilai vektor deskriptornya paling dekat jaraknya dengan vektor deskriptor
(25)
17
pada citra wajah sampel. Setelah cluster diperoleh, akan dicari nilai vektor deskriptor citra uji pada cluster teresebut yang sama atau yang paling dekat dengan vektor deskriptor citra wajah sampel.
Jika terdapat yang sama, maka ada satu keypoint yang cocok antara kedua citra wajah tersebut. Selanjutnya, untuk masing-masing gambar akan ditarik suatu garis dari satu titik ke titik lainnya yang memiliki nilai keypoint yang cocok.
2.7 Perangkat Keras
Perangkat yang digunakan untuk pemrosesan adalah komputer / laptop, pemrosesan pendeteksian wajah pada penelitian ini memiliki spesifikasi sebagai berikut :
1. Jenis Laptop : Toshiba Satelite U-400
2. Sistem Operasi : Windows 7 64 Bit
3. Prosesor : Intel Core 2 Duo T6400 @2.00Ghz 2.00Ghz
4. Memori : 2GB DDR2
5. LCD : 13.3 inchi (Resolusi 1280 x 800)
2.8 Perangkat Lunak
Perangkat lunak yang digunakan pada penelitian ini merupakan perangkat lunak yang di gunakan untuk memproses citra masukan yang hasilnya merupakan dapat mempresentasikan apakah terdapat wajah atau tidak pada pendeteksian yang dihasilkannya.
(26)
18
2.8.1 Bahasa Pemrograman C++
Bahasa pemrograman C++ adalah suatu bahasa pemrograman komputer yang telah diperluas dengan kemampuan object oriented. Sejak tahun 1990, C++ merupakan bahasa pemrograman komersil yang paling populer. C++ dikembangkan oleh Bjarne Stroustrup pada tahun 1979 dari bahasa pendahulunya yaitu bahasa C.
Pada awal penciptaannya bahasa pemrograman C++ sering di sebut dengan istilah “C with Classes” dikarenakan terdapat sedikit perbedaan dengan bahas C, dimana perbedaan tersebut terletak pada penambahan kelas-kelas, fungsi virtual, operator overloading, multiple inheritance, template, penanganan eksepsi dan fitur-fitur lainnya. Telah banyak aplikasi-aplikasi yang dikembangkan, diantaranya perangkat lunak sistem, perangkat lunak aplikasi, dan lain-lain. Adapun kelebihan yang dimiliki bahas C++ ini adalah :
1. Bahasa C++ tersedia di semua jenis komputer.
2. Kode bahasa C/C++ sifatnya portable dan fleksibel untuk semua jenis komputer.
3. Proses eksekusi program bahasa C/C++ lebih cepat. 4. Dukungan pustaka yang tersedia sangat banyak. 5. Bahasanya terstruktur.
6. Sudah mendukung pemrograman berorientasi objek.
Adapun kekurangan yang dimiliki oleh bahasa pemrograman C++ adalah :
1. Banyaknya operator serta fleksibilitas penulisan program yang masih membuat bingung pemakai program.
2. Bagi pemula akan mengalami kesulitan ketika mencoba menggunakan pointer
(27)
19
Berikut ini merupakan contoh pemrograman C++ sederhana :
# include <iost r eam>
int main()
{
st d:: cout <<"Hello,new wor ld!\ n";
}
Keterangan:
1. # i nclude <iost ream>
Pernyataan #include memberitahukan pre-processor untuk menyertakan kode dari iostream. Berkas iostream berisi deklarasi untuk berbagai fungsi yang dibutuhkan oleh perangkat lunak atau kelas-kelas yang dibutuhkan. Pre-processor adalah suatu program yang dijalankan oleh kompiler C++, yang memiliki kemampuan untuk menambahkan dan menghapus kode dari sumber.
2. int main()
Pernyataan ini mendelekrasikan fungsi utama, fungsi adalah modul yang berisi kode-kode untuk menyelesaikan masalah-masalah tertentu.
3. {
Kurung kurawal buka menandakan awal program.
4. st d:: cout <<"Hello,new wor ld!\ n";
Cout adalah sebuah obyek dari library perangkat lunak standar C++ yang digunakan untuk mencetak string ke piranti output standar, biasanya layar komputer. Kompilator menghubungkan kode dari library perangkat lunak standar dengan kode yang telah ditulis untuk mendapatkan hasil yang dapat dieksekusi.
(28)
20
Bentuk modifier yang digunakan untuk berganti baris setelah menampilkan
string. 6. }
Kurung kurawal tutup menandakan akhir program.
2.8.2 Qt Creator
Qt Framework sudah sejak lama digunakan untuk mengembangkan aplikasi lintas platform. Qt sendiri dibuat pada tahuan 1996 oleh perusahaan asal Swedia yang bernama Troltech. Karena sifatnya yang lintas platform, kita dapat membuat aplikasi yang berjalan diatas platform Windows, Linux, dan Max. Qt
Framework sudah didesain sedemikian rupa sehingga mudah digunakan oleh depelover tanpa harus mengorbankan fleksibilitas dan efesiensi. Qt mendukung pengembangan dengan dua bahas utama yaitu Objek Oriented C++ dan Java.
Qt Framework memiliki koleksi class library yang lengkap dan konsisten didukung oleh dokumentasi yang komprehensif. Class library tersebut berisi semua function yang dibutuhkan untuk mengembangkan aplikasi. Qt Framework
membantu mengurangi pekerjaan developer dengan meningkatkan produktifitas penulisan kode untuk pengembangan yang bersifat Rapid Applicatiom Development (RAD).
Gambar 2.9 Qt Creator
Qt Creator adalah sebuah Cross-platform C++, yang memiliki Integrated Development Environment (IDE) yang merupakan sebagian dari Qt SDK. Qt
(29)
21
Creator sendiri merupakan sebuah Visual Debugger dengan mendukung tampilan
Grephical User Interface (GUI) dan form designer. Editornya juga memiliki fitur berupa higligting sintaks dan auto completion. Qt Creator menggunakan kompiler C++ dan GNU Compiler Collection on Linus dan FreeBSD. Pada Windows
kompilernya dapat menggunakan MingGW atau MSVC dengan pengaturan default
dan dapat juga menggunakan CDB dicompile dari sumbernya. Qt Creator merupakan aplikasi open source yang dapat digunakan secara free, sehingga banyak yang beralih ke penggunaan Qt Project, karena selain dasar pemrogramannya adalah C atau C++, Qt Creator merupakan multi platform, yang dapat digunakan di Windows ataupun di Linux.
2.8.3 Open Source Computer Vision (OpenCV)
Open Source Computer Vision adalah library open source multi-platform
yang berlisensi Berkeley Software Distribution (BSD) yang bersifat open source
sehingga bebas digunakan untuk hal-hal yang bersifat akademis dan penelitian.
Library ini berfungsi untuk mentransformasikan data dari citra diam atau kamera video ke salah satu keputusan atau representasi baru. Semua representasi tersebut dilakukan untuk mencapai beberapa tujuan tertentu.
Gambar 2.10 OpenCV
OpenCV dikembangkan oleh Visual Interactivity Group di Intel’s Microprocessor Research Lab pada tahun 1999. Tujuan dikembangkannya OpenCV adalah untuk membangun suatu komunitas open source dan
(30)
22
menyediakan situs yang mendistribusikan upaya dari komunitas sehingga dapat dikonsolidasi dan dioptimalkan dari segi kinerjanya.
Telah banyak penambahan kelas OpenCV, sehingga OpenCV sampai saat ini telah memiliki lebih dari 500 fungsi. Berikut ini beberapa fungsi yang dimiliki oleh OpenCV :
1. Metoda Geometrik 2. Pengenalan Objek 3. Pengukuran 4. Segmentasi
5. Utilitas
6. Fitur
7. Transformasi Citra 8. Piramida Citra 9. Tracking
10.Kalibrasi kamera 11.Pengolahan citra
Alasan penggunaan OpenCV karena kostumisasi yang dimiliki oleh OpenCV yang tinggi dan kinerja yang baik pada program berbasis bahasa native C/C++. Selain itu juga terdapat beberapa kelebihan OpenCV, diantaranya : 1. OpenCV gratis, karena open source library.
2. Memliki dokumen yang cukup banyak.
3. Dapat bekerja lebih cepat pada presesor berbasis Intel.
Selain kelebihan, OpenCV juga memiliki kekurangan, yaitu OpenCV kurang mendukung bahasa berbasis .NET seperti C#, Visual Basic dan lainnya,sehingga dibutuhkan wrappers mendukungnya. Pada penelitian ini menggunakan OpenCV, karena tools yang dimiliki oleh OpenCV dapat mendukung untuk penelitian deteksi wajah menggunakan metoda SURF ini.
(31)
23
BAB III
PERANCANGAN SISTEM
3.1 Diagram Blok
Sistem yang di rancang terdiri dari dua blok utama yaitu blok proses pemotongan area wajah dan proses ekstraksi fitur menggunakan metode SURF. Berikut ini merupakan diagram blok sistem pemotongan area wajah :
Gambar 3.1 Diagram Blok Keseluruhan Sistem
Blok pemotongan area wajah menggunakan metode region of interest
(ROI), hal ini dilakukan untuk memudahkan proses ekstraksi fitur SURF hanya pada area wajah saja. Blok proses ekstraksi fitur citra dilakukan dengan memanfaatkan metoda Speed-Up Robust Features (SURF). Dimana citra yang diekstraksi adalah citra uji maupun citra data awal. Untuk selanjutnya hasil
(32)
24
ekstraksi citra uji dan citra data awalakan di bandingkan nilainya dengan metode FLANN. Berikut ini merupakan diagram blok secara keseluruhan sistem yang akan dirancang :
Citra Uji
Merubah Citra Uji ke Grayscale
Ekstraksi Fitur SURF
Hasil Ekstraksi Fitur SURF Teknik FLANN Hasil Ekstraksi Fitur SURF
Citra Data Awal
Merubah Citra Sampel ke Grayscale
Ekstraksi Fitur SURF
Ya/Tidak
Mulai Mulai
Selesai
Gambar 3.2 Diagram Blok Sistem Deteksi Wajah Menggunakan Metode SURF Fitur SURF ini digunakan untuk menentukan keypoint pada objek dalam citra. Setiap objek citra uji atau citra sdata awal akan di ekstrak oleh fitur SURF yang dimiliknya. Pada proses pencocokan (matching) fitur SURF dengan menggunakan teknik FLANN, yang akan di cocokan hanyalah fitur keypoint yang berada pada wajah saja dari bagian gambar yang menjadi latar belakangnya. Dengan demikian fitur yang ekstrak hanya keypoint yang ada pada area wajah saja
(33)
25
3.2 Fitur SURF
Fitur SURF memiliki nilai yang konstan atau stabil (invariant) terhadap perubahan skala, rotasi, blurring, pencahayaan dan transformasi 3 dimensi. Oleh karena itu dapat digunakan untuk proses pendeteksian wajah. Deteksi wajah menggunakan metoda SURF pada intinya adalah mencari interest point pada suatu lokasi objek wajah yang terdeteksi. Terdapat dua langkah yang dapat kita lakukan untuk mendeteksi wajah menggunakan metoda SURF :
1. Langkah pertama : Membandingkan ada atau tidaknya interst point pada keadaan tersebut yang dapat dijadikan parameter yang cukup kuat untuk mendefinisikan suatu wajah. Pada langkah ini dapat diperkuat dengan membuat nilai minimal hessian yang bisa dikalibrasi sebelum mengakftifasi proses deteksi.
2. Langkah kedua : Jika parameter yang didapatkan dari langkah pertama cukup kuat, maka tahap selanjutnya adalah proses pencocokan (matching) setiap
interest point pada keadaan yang diketahui sebagai suatu objek wajah. Proses pencocokan dapat dilakukan dengan menggunakan metoda Flann matcher dan diperbaiki unuk mengeliminasi pasangan-pasangan interest point yang kurang tepat dengan menggunakan jarak encludian. Untuk melakukan pencocokan, maka diperlukan citra sampel wajah yang diambil sebelum proses deteksi wajah.
3.3 Diagram Alir
Berikut ini adalah diagram alir yang akan digunakan dalam membuat algoritma program untuk mendukung sistem pendeteksian wajah menggunakan metoda SURF ini :
3.3.1 Ekstraksi Citra Uji Menggunakan Metoda SURF
Pada proses ini dilakukan ekstraksi SURF pada data uji dengan berbagai posisi. Ekstraksi ini dilakukan untuk mempermudah pada tahap perbandingan. Berikut ini merupakan tahap ekstraksi citra uji :
(34)
26
Gambar 3.3 Diagram Ekstraksi Citra Uji Menggunakan Metoda SURF
3.3.2 Ekstraksi Citra Data Uji Menggunakan Metoda SURF
Ekstraksi citra data awal tidak berbeda jauh dengan ekstraksi citra uji. Ekstraksi ini dilakukan agar mendapatkan hasil ekstraksi SURF yang selanjutnya akan digunakan sebagai citra pembanding pada proses matching. Berikut ini diagram blok ekstraksi citra sampel :
(35)
27
Gambar 3.4 Diagram Ekstraksi Citra Data Awal Menggunakan Metoda SURF
3.3.3 Matching Interest Point Menggunakan Teknik FLANN
Perbandingan (matching) dengan teknik FLANN dilakukan untuk mencari nilai interest point yang dianggap sama pada masing-masing citra, baik itu interest point citra uji ataupun interest point citra data awal. Berikut ini merupakan diagram blok proses perbandingan :
Mulai
Teknik FLANN Hasil Ekstraksi Fitur SURF Citra Data
Awal Hasil Ekstraksi Fitur SURF Citra
Uji
Titik Yang sama/Tidak
Selesai
(36)
28
3.4 Perancangan Sistem
Pada proses perancangan sistem ini menjelaskan tentang bagaimana cara konfigurasi library terhadap IDE yang digunakan dan antarmuka sistem yang akan dilakukan.
3.4.1 Konfigurasi OpenCV
OpenCV adalah library tambahan yang digunakan pada penelitian ini, sehingga tidak otomatis terhubung dengan IDE yang digunakan. Maka dari itu perlu dilakukan konfigurasi tertentu untuk menghubungkan library dengan IDE yang digunakan agar sistem pendeteksian wajah ini dapat berjalan. Pada penelitian ini library yang digunakan adalah OpenCV. OpenCV dianggap cukup mendukung pada proses pendeteksian wajah menggunakan metoda SURF ini, karena library
yang digunakan sudah tersedia. Sementara untuk IDE menggunakan QT Creator Berikut ini merupakan tahapan konfigurasi library OpenCVdengan IDE
QT Creator:
1. Install IDE Qt Creator secara default, setalah itu kita akan dapat menggunakannya. Berikut ini merupakan tampilan IDE QT Creator setelah sukses di install :
(37)
29
2. Selanjutnya jalankan dan ekstrak OpenCV 2.3.1 pada folder yang berada pada
directori C:/
Gambar 3.7 Ekstraksi OpenCV
3. Setelah di ekstrak, selanjutnya adalah compilelibrary menggunakan compiler
dasar mingw/g++ yang dimiliki default oleh Qt Creator. Akan tetapi sebelum itu dilakukan, kita harus membuat path pada environment variable pada komputer kita. Berikut ini tampilan konfigurasi pada environment variable :
Gambar 3.8 Konfigurasi Environment Variable
4. Setelah tahap konfigurasi environment variable selesai, selanjunya kita akan membangun library yang dimiliki OpenCV menggunakan sofware Cmake. Cmake ini merupakan cross-platform dan open source untuk membangun
library packages. Ini merupakan gambar dimana sedang dilakukan build library menggunakan Cmake :
(38)
30
Gambar 3.9 Build Library OpenCV Menggunakan Cmake
Setelah prose build ini selesai, QT Creator sudah dapat menggunakan library
yang dimiliki oleh OpenCV.
5. Penyertaan library OpenCV pada sistem yang akan dirancang dengan cara menambahkan library file kedalam linker input properties dari project prorerties yang akan dirancang :
INCLUDEPATH+=C:\\OpenCV\\opencv\\binary\\opencv2.3.1\\install\\includ e
LIBS += -LC:\\OpenCV\\opencv\\binary\\opencv2.3.1\\install\\lib\ -lopencv_core231.dll \
-lopencv_highgui231.dll \ -lopencv_imgproc231.dll \ -lopencv_features2d231.dll \ -lopencv_calib3d231.dll\ -lopencv_contrib231.dll\ -lopencv_flann231.dll\
(39)
31
-lopencv_gpu231.dll\ -lopencv_legacy231.dll\ -lopencv_ml231.dll\ -lopencv_objdetect231.dll\ -lopencv_video231.dll
3.4.2 Antarmuka Sistem
Antarmuka sistem yang akan dibangun berupa frame command prompt
dan frame window yang terpisah, hal ini didasari karena keterbatasan library yang tidak mendukung manage code, yang menyebabkan terjadi error pada perancangan dengan antarmuka berbasis windows form application. Rancangan antarmuka yang akan dirancang terdiri dari :
1. Hasil ekstraksi fitur SURF pada data uji. 2. Hasil ekstraksi fitur SURF pada data sampel.
3. Hasil perbandingan (matcher) interest point menggunakan teknik FLANN. 4. Hasil jumlah interest point yang terdeteksi dari citra uji.
5. Hasil jumlah interest point yang terdeteksi dari citra sampel.
6. Hasil jumlah interest point yang terdeteksi pada hasil perbandingan dengan teknik FLANN.
(40)
32
BAB IV
PENGUJIAN DAN ANALISA
4.1 Pengujian Antarmuka Sistem
Pada pengujian ini dilakukan pengujian antarmuka sistem pendeteksian wajah yang terdiri dari command prompt dan frame window.
Gambar 4.1 Tampilan Antarmuka Command Prompt
Pada gambar diatas menunjukan tampilan antarmuka command prompt
yang berfungsi untuk menampilkan nilai interst point data awal, interest point
data uji, dan nilai interest point yang sama (match) dengan menggunakan teknik FLANN. Selain itu, untuk melakukan proses penghentian program, serta sebagai tempat informasi proses yang sedang berlangsung pada sistem.
(41)
33
Gambar 4.2 menunjukan tampilan window frame yang berfungsi menampilkan hasil ekstraksi SURF citra data awal, citra uji, dan juga window frame hasil matching dengan metode FLANN.
4.2 Pengujian Pemotongan Area Wajah dengan Metode ROI
Pada proses pengujian pemotongan area wajah masukan ini dilakukan dengan cara memotong area wajah yang terdeteksi menggunakan metode region of interest (ROI). Dengan menggunakan metode ROI, kita dapat memilih area wajah yang akan kita proses. Hal ini dilakukan supaya mempermudah dalam pendeteksian area wajah menggunakan metode SURF. Berikut ini merupakan gambar dari area wajah yang telah melalui proses pemotongan area wajah menggukan ROI :
Gambar 4.3 Pengujian Proses Pemotongan Area Wajah ROI
4.3 Proses Pengujian Ekstraksi Fitur SURF Pada Citra Uji
Berikut ini merupakan hasil ekstraksi fitur SURF pada citra uji dengan menampilkan interest point yang berada pada area wajah citra uji :
(42)
34
Pada gambar 4.4 dapat kita amati terdapat titik-titik interest point pada area wajah data uji dapat terdeteksi setelah melalui proses ekstraksi SURF. Data uji yang dimasukan berasal dari 5 citra wajah orang. Dimana masing-masing wajah telah mengalami transformasi rotasi, skala dan transformasi 3 dimensi.
4.4 Proses Pengujian Ekstraksi Fitur SURF Pada Citra Data Awal
Berikut ini merupakan hasil ekstraksi fitur SURF pada citra data awal dengan menampilkan interest point yang berada pada area wajah citra data awal:
Gambar 4.5 Pengujian Proses Ekstraksi Fitur SURF Pada Citra Data Awal. Pada gambar 4.5 dapat kita amati terdapat titik-titik interest point pada area wajah data awal dapat terdeteksi setelah melalui proses ekstraksi SURF. Citra data awal yang digunakan masing-masing 1 buah citra data awal untuk satu wajah. Karena yang digunakan adalah 5 wajah orang, maka dalam proses pengujian terdapat 5 citra data awal.
4.5 Proses Pengujian Matching Menggunakan FLANN
Setelah tahap ekstraksi selesai, tahap selanjutnya adalah membandingkan (matching) interes point yang sama menggunakan metode FLANN. Mengacu pada metode untuk matching fitur SURF, yaitu salah satunya metode fast library approximated nearest neighbor (FLANN). Diamana fitur FLANN ini mencari nilai interest point yang paling terdekat dan banyak cocok. Berikut ini merupakan hasil dari proses matching menggunakan metode FLANN :
(43)
35
Gambar 4.6 Proses Pengujian Matching Menggunakan FLANN
Jika nilai interest point pada citra uji dan citra data awal dianggap sama dan dianggap paling banyak cocok, maka akan ditarik suatu garis dari masing-masing citra uji dan citra data awal tersebut. Dari gambar diatas dapat kita lihat penarikan titik-titik interest point yang nilainya sama.
4.6 Pengujian Sistem Secara Keseluruhan
Pengujian ini dilakukan dengan membandingkan citra uji dengan citra sampel.
4.6.1 Citra Data Awal dan Citra Uji
Berikut ini 5 citra wajah data awal yang digunakan : 1. Citra wajah Ardi
2. Citra wajah Dadi 3. Citra wajah Febry 4. Citra wajah Irvan 5. Citra wajah Prengki.
(44)
36
Data data awal digunakan untuk membandingkan citra uji yang telah mengalami transformasi rotasi, skala dan 3 dimensi. Adapun citra uji yang telah mengalami transfomasi rotasi, skala dan 3 dimensi berjumlah 125 citra uji dengan masing-masing wajah orang yang digunakan mempunya 25 citra uji. Berikut ini merupakan rincian citra uji :
1. Citra uji mengalami transformasi rotasi dengan cara memutar citra dengan memutar per-300 hingga 3600. Maka didapatkan 12 citra uji dengan posisi citra wajah sebagai berikut : 300, 600, 900, 1200, 1500, 1800, 2100, 2400, 2700, 3000, 3300, 3600.
2. Citra uji mengalami transformasi skala dengan cara diperkecil (zoom out) dan diperbesar (zoom in) posisi wajah citra uji, anggap jarak untuk masing-masing skala 25cm. Jumlah citra yang di transformasi skala citra diperkecil adalah 3 citra, yaitu diperkecil : 75%, 50%, 25%. Untuk citra yang diperbesar berjumlah 4 citra, yaitu diperbesar : 125%, 150%, 175% dan 200%.
3. Citra uji mengalami transformasi 3dimensi, hal ini dilakukan dengan memutar posisi wajah ke kanan dan ke kiri. Jumlah citra uji yang transformasi 3 dimensi adalah 6, berikut adalah citra uji yang digunakan : wajah menghadap kanan 300, 600, 900 dan wajah menghadap kiri 300, 600, 900.
4.6.2 Pengujian
Berikut ini merupakan hasil pengujian sistem deteksi wajah menggunakan metoda SURF dengan menghitung nilai interest point yang didapatkan pada citra uji dan citra data awal :
4.6.2.1 Pengujian Perubahan Rotasi
Berikut ini merupakan hasil pengujian citra uji yang telah mengalami transformasi rotasi. Pada tabel 4.1 dibawah ini merupakan citra uji yang digunakan untuk pengujian transformasi rotasi:
(45)
37
Tabel 4.1 Citra Uji Hasil Perubahan Rotasi
Nama Orang Citra Uji
Ardi
Dadi
Febry
Irvan
Prengki
(46)
38
Tabel 4.2 Hasil Pengujian Kondisi Perubahan Rotasi
Nama Citra Interest Point
Data Uji
Interest Point
Data Awal
Match Interest Point
ARDI 300 .Jpg 119 123 24
ARDI 600 .Jpg 115 123 12
ARDI 900 .Jpg 127 123 20
ARDI 1200 .Jpg 109 123 15
ARDI 1500 .Jpg 119 123 9
ARDI 1800 .Jpg 128 123 27
ARDI 2100 .Jpg 118 123 5
ARDI 2400 .Jpg 117 123 10
ARDI 2700 .Jpg 131 123 19
ARDI 3000 .Jpg 119 123 11
ARDI 3300 .Jpg 124 123 11
ARDI 3600 .Jpg 123 123 123
DADI 300 .Jpg 93 104 10
DADI 600 .Jpg 99 104 2
DADI 900 .Jpg 111 104 27
DADI 1200 .Jpg 112 104 7
DADI 1500 .Jpg 90 104 3
DADI 1800 .Jpg 97 104 21
DADI 2100 .Jpg 91 104 19
DADI 2400 .Jpg 95 104 4
DADI 2700 .Jpg 96 104 7
DADI 3000 .Jpg 108 104 8
DADI 3300 .Jpg 97 104 4
DADI 3600 .Jpg 104 104 104
FEBRY 300 .Jpg 63 57 2
FEBRY 600 .Jpg 55 57 1
FEBRY 900 .Jpg 80 57 5
(47)
39
Nama Citra Interest Point
Data Uji
Interest Point
Data Awal
Match Interest Point
FEBRY 1500 .Jpg 61 57 5
FEBRY 1800 .Jpg 50 57 6
FEBRY 2100 .Jpg 56 57 4
FEBRY 2400 .Jpg 48 57 7
FEBRY 2700 .Jpg 84 57 12
FEBRY 3000 .Jpg 55 57 6
FEBRY 3300 .Jpg 62 57 1
FEBRY 3600 .Jpg 57 57 57
IRVAN 300 .Jpg 104 93 6
IRVAN 600 .Jpg 112 93 4
IRVAN 900 .Jpg 12 93 13
IRVAN 1200 .Jpg 102 93 3
IRVAN 1500 .Jpg 117 93 7
IRVAN 1800 .Jpg 91 93 51
IRVAN 2100 .Jpg 100 93 2
IRVAN 2400 .Jpg 119 93 1
IRVAN 2700 .Jpg 120 93 19
IRVAN 3000 .Jpg 114 93 10
IRVAN 3300 .Jpg 113 93 4
IRVAN 3600 .Jpg 93 93 93
PRENGKI 300 .Jpg 73 71 3
PRENGKI 600 .Jpg 82 71 6
PRENGKI 900 .Jpg 75 71 15
PRENGKI 1200 .Jpg 94 71 8
PRENGKI 1500 .Jpg 74 71 6
PRENGKI 1800 .Jpg 73 71 28
PRENGKI 2100 .Jpg 88 71 8
PRENGKI 2400 .Jpg 86 71 12
(48)
40
Nama Citra Interest Point
Data Uji
Interest Point
Data Awal
Match Interest Point
PRENGKI 3000 .Jpg 90 71 10
PRENGKI 3300 .Jpg 86 71 14
PRENGKI 3600 .Jpg 71 71 71
4.6.2.2 Pengujian Perubahan Skala
Berikut ini merupakan hasil pengujian citra uji yang telah mengalami transformasi skala. Akan ditampilkan nilai interest point yang didapatkan pada tabel dibawah ini :
Tabel 4.3 Citra Uji Hasil Perubahan Skala
Nama Orang Skala Diperkecil Skala Diperbesar
Ardi
Dadi
Febry
Irvan
(49)
41
Berikut ini tabel nilai interest point yang didapatkan pada pengujian transformasi skala :
Tabel 4.4 Hasil Pengujian Kondisi Perubahan Skala
Nama Citra Interest Point
Data Uji
Interest Point
Data Awal
Match Interest Point
ARDI SKALA OUT 75.Jpg 154 123 5
ARDI SKALA OUT 50.Jpg 201 123 10
ARDI SKALA OUT 25.Jpg 235 123 8
ARDI SKALA IN 125.Jpg 114 123 16
ARDI SKALA IN 150.Jpg 114 123 9
ARDI SKALA IN 175.Jpg 127 123 2
ARDI SKALA IN 200.Jpg 133 123 6
DADI SKALA OUT 75.Jpg 113 104 7
DADI SKALA OUT 50 .Jpg 133 104 3
DADI SKALA OUT 25.Jpg 144 104 10
DADI SKALA IN 125 .Jpg 99 104 4
DADI SKALA IN 150 .Jpg 86 104 11
DADI SKALA IN 175 .Jpg 88 104 6
DADI SKALA IN 200 .Jpg 81 104 5
FEBRY SKALA OUT 75 .Jpg 67 57 5
FEBRY SKALA OUT 50 .Jpg 123 57 5
FEBRY SKALA OUT 25 .Jpg 164 57 5
FEBRY SKALA IN 125.Jpg 49 57 1
FEBRY SKALA IN 150 .Jpg 43 57 8
FEBRY SKALA IN 175 .Jpg 49 57 7
FEBRY SKALA IN 200 .Jpg 44 57 4
IRVAN SKALA OUT 75 .Jpg 108 93 16
IRVAN SKALA OUT 50 .Jpg 165 93 4
IRVAN SKALA OUT 25 .Jpg 175 93 7
(50)
42
Nama Citra Interest Point
Data Uji
Interest Point
Data Awal
Match Interest Point
IRVAN SKALA IN 150 .Jpg 91 93 8
IRVAN SKALA IN 175 .Jpg 79 93 3
IRVAN SKALA IN 200 .Jpg 75 93 3
PRENGKI SKALA OUT 75 .Jpg 107 71 7
PRENGKI SKALA OUT 50 .Jpg 151 71 10
PRENGKI SKALA OUT 25 .Jpg 156 71 10
PRENGKI SKALA IN 125 .Jpg 72 71 16
PRENGKI SKALA IN 150 .Jpg 65 71 5
PRENGKI SKALA IN 175 .Jpg 49 71 1
PRENGKI SKALA IN 200.Jpg 52 71 7
4.6.2.3 Pengujian Perubahan 3 Dimensi
Berikut ini merupakan hasil pengujian citra uji yang telah mengalami transformasi 3 dimensi. Akan ditampilkan nilai interest point yang didapatkan pada tabel dibawah ini :
Tabel 4.5 Citra Uji Hasil Perubahan 3 Dimensi
Nama Orang Posisi Rotasi Kiri Posisi Rotasi Kanan
Ardi
Dadi
Febry
(51)
43
Nama Orang Posisi Rotasi Kiri Posisi Rotasi Kanan
Prengki
Berikut ini tabel nilai interest point yang didapatkan pada pengujian transformasi 3 dimensi :
Tabel 4.6 Hasil Pengujian Kondisi Perubahan 3 Dimensi
Nama Citra Interest
Point Data Uji Interest Point Data Awal Match Interest Point Match Interest Point Hitung Manual
ARDI 3D KANAN 30 .Jpg 179 123 26 7
ARDI 3D KANAN 60 .Jpg 162 123 57 5
ARDI 3D KANAN 90 .Jpg 211 123 62 4
ARDI 3D KIRI 30 .Jpg 136 123 77 9
ARDI 3D KIRI 60 .Jpg 144 123 64 3
ARDI 3D KIRI 90 .Jpg 143 123 21 1
DADI 3D KANAN 30 .Jpg 84 104 52 10
DADI 3D KANAN 60 .Jpg 82 104 46 5
DADI 3D KANAN 90 .Jpg 80 104 70 1
DADI 3D KIRI 30 .Jpg 67 104 99 4
DADI 3D KIRI 60 .Jpg 56 104 45 1
DADI 3D KIRI 90 .Jpg 81 104 46 1
FEBRY 3D KANAN 30 .Jpg 76 57 18 5
FEBRY 3D KANAN 60 .Jpg 71 57 31 4
FEBRY 3D KANAN 90 .Jpg 63 57 48 7
FEBRY 3D KIRI 30 .Jpg 66 57 28 4
(52)
44
Nama Citra Interest
Point Data Uji Interest Point Data Awal Match Interest Point Match Interest Point Hitung Manual
FEBRY 3D KIRI 90 .Jpg 61 57 57 2
IRVAN 3D KANAN 30 .Jpg 87 93 51 14
IRVAN 3D KANAN 60 .Jpg 92 93 52 5
IRVAN 3D KANAN 90 .Jpg 107 93 71 3
IRVAN 3D KIRI 30 .Jpg 105 93 72 11
IRVAN 3D KIRI 60 .Jpg 100 93 51 10
IRVAN 3D KIRI 90 .Jpg 109 93 31 4
PRENGKI 3D KANAN 30 .Jpg 49 71 67 6
PRENGKI 3D KANAN 60 .Jpg 60 71 39 1
PRENGKI 3D KANAN 90 .Jpg 105 71 23 2
PRENGKI 3D KIRI 30 .Jpg 74 71 58 5
PRENGKI 3D KIRI 60 .Jpg 82 71 5 2
PRENGKI 3D KIRI 90.Jpg 114 71 22 1
4.7 Analisa
Dari hasil pengujian, dapat dilihat pada tahap pengujian telah berhasil ekstraksi citra wajah menggunakan SURF. Selain itu, dapat ditampilkan jumlah nilai interest point pada masing-masing citra, baik itu citra data awal atau citra uji. Dengan menggunakan teknik matching FLANN, maka kita dapat menampilkan jumlah interest point yang nilai sama menurut perhitungan FLANN. Untuk analisa dari masing-masing hasil pengujian adalah :
1. Perubahan Rotasi
Jumlah citra uji yang digunakan berjumlah 60 citra uji yang telah mengalami perubahan rotasi. Dengan asumsi bahwa posisi citra yang digunakan berada pada rotasi yang telah di tentukan yaitu : 300, 600, 900, 1200, 1500, 1800, 2100,
(53)
45
2400, 2700, 3000, 3300, 3600 untuk masing-masing wajah yang digunakan. Untuk hasil nilai interest point yang didapatkan, dapat dianalisa bahwa nilai
interest point untuk data sampel bernilai tetap untuk masing-masing sampel. 2. Perubahan skala
Untuk pengujian perubahan skala berjumlah 35 citra uji. Jumlah citra yang di transformasi skala citra diperkecil adalah 3 citra, yaitu diperkecil : 75%, 50%, 25%. Untuk citra yang diperbesar berjumlah 4 citra, yaitu diperbesar : 125%, 150%, 175% dan 200%.. Nilai interest point dapat ekstraksi dengan baik dan setelah di match dengan metoda FLANN, maka titik pada area wajah yang dibandingkan benar posisinya.
3. Perubahan 3 Dimensi
Perubahan 3 dimensi pada citra uji ini dilakukan dengan menguji citra wajah yang berada, berikut parameter yang di ujikan : 3D Kiri 300, 600, 900. 3D Kanan 300, 600, 900. Interest point dapat diekstraksi dengan baik dengan menggunakan metoda SURF, akan tetapi untuk tahap matcing menggunakan metoda FLANN, penarikan titik yang sama tidak sesuai posisinya. Maka dari itu dibutuhkan perhitungan secara manual untuk memperkirakan jumlah titik
(54)
46
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan tahap pengujian dan analisa pada bab pengujian dan analisa, maka kita mendapatkan suatu kesimpulan yaitu :
1. Ekstraksi menggunakan metode speed-up robust features (SURF) yang digunakan dapat mengekstraksi nilai interest point dengan baik.
2. Pada proses matching interest point menggunakan metoda FLANN, hasil pengujian citra perubahan rotasi dan skala nilai interest point yang didapatkan sangat kuat terhadap perubahan. Sementara untuk pengujian citra hasil perubahan 3 dimensi terdapat nilai interest point posisinya tidak sama, hal ini dapat diakibatkan karena jumlah sampel yang sedikit.
5.2 Saran
Dari hasil pengujian dan analisa, maka saran yang dapat dipertimbangkan untuk membuat sistem ini lebih baik, yaitu :
1. Untuk citra sampel diperbanyak untuk menguji ketangguhan transformasi 3 dimensi.
2. Penggunaan machine learning lain dapat digunakan untuk proses perbandingan interest point.
3. Penentuan area wajah yang akan digunakan sebagai parameter pendeteksian suatu wajah. Hal ini dapat dilakukan dengan mendeteksi nilai
interest point pada area tertentu, misalnya pada mata, hidung atau bibir. 4. Pembuatan database image baik menggunakan database xml, dan lain-lain.
Hal ini dimaksudkan untuk mempermudah pengaksesan dan otomatisasi pada sistem deteksi wajah menggunakan metoda SURF.
5. Hasil dari deteksi wajah ini dapat dikembangkan untuk sistem deteksi absensi pada suatu ruangan, misal perkantoran,kelas, dan lain-lain.
(1)
41
Berikut ini tabel nilai interest point yang didapatkan pada pengujian transformasi skala :
Tabel 4.4 Hasil Pengujian Kondisi Perubahan Skala Nama Citra Interest Point
Data Uji
Interest Point Data Awal
Match Interest Point
ARDI SKALA OUT 75.Jpg 154 123 5
ARDI SKALA OUT 50.Jpg 201 123 10
ARDI SKALA OUT 25.Jpg 235 123 8
ARDI SKALA IN 125.Jpg 114 123 16
ARDI SKALA IN 150.Jpg 114 123 9
ARDI SKALA IN 175.Jpg 127 123 2
ARDI SKALA IN 200.Jpg 133 123 6
DADI SKALA OUT 75.Jpg 113 104 7
DADI SKALA OUT 50 .Jpg 133 104 3
DADI SKALA OUT 25.Jpg 144 104 10
DADI SKALA IN 125 .Jpg 99 104 4
DADI SKALA IN 150 .Jpg 86 104 11
DADI SKALA IN 175 .Jpg 88 104 6
DADI SKALA IN 200 .Jpg 81 104 5
FEBRY SKALA OUT 75 .Jpg 67 57 5
FEBRY SKALA OUT 50 .Jpg 123 57 5
FEBRY SKALA OUT 25 .Jpg 164 57 5
FEBRY SKALA IN 125.Jpg 49 57 1
FEBRY SKALA IN 150 .Jpg 43 57 8
FEBRY SKALA IN 175 .Jpg 49 57 7
FEBRY SKALA IN 200 .Jpg 44 57 4
IRVAN SKALA OUT 75 .Jpg 108 93 16
IRVAN SKALA OUT 50 .Jpg 165 93 4
IRVAN SKALA OUT 25 .Jpg 175 93 7
(2)
42 Nama Citra Interest Point
Data Uji
Interest Point Data Awal
Match Interest Point
IRVAN SKALA IN 150 .Jpg 91 93 8
IRVAN SKALA IN 175 .Jpg 79 93 3
IRVAN SKALA IN 200 .Jpg 75 93 3
PRENGKI SKALA OUT 75 .Jpg 107 71 7
PRENGKI SKALA OUT 50 .Jpg 151 71 10
PRENGKI SKALA OUT 25 .Jpg 156 71 10
PRENGKI SKALA IN 125 .Jpg 72 71 16
PRENGKI SKALA IN 150 .Jpg 65 71 5
PRENGKI SKALA IN 175 .Jpg 49 71 1
PRENGKI SKALA IN 200.Jpg 52 71 7
4.6.2.3 Pengujian Perubahan 3 Dimensi
Berikut ini merupakan hasil pengujian citra uji yang telah mengalami transformasi 3 dimensi. Akan ditampilkan nilai interest point yang didapatkan pada tabel dibawah ini :
Tabel 4.5 Citra Uji Hasil Perubahan 3 Dimensi
Nama Orang Posisi Rotasi Kiri Posisi Rotasi Kanan Ardi
Dadi
Febry
(3)
43
Nama Orang Posisi Rotasi Kiri Posisi Rotasi Kanan Prengki
Berikut ini tabel nilai interest point yang didapatkan pada pengujian transformasi 3 dimensi :
Tabel 4.6 Hasil Pengujian Kondisi Perubahan 3 Dimensi Nama Citra Interest
Point Data Uji
Interest Point
Data Awal
Match Interest
Point
Match Interest
Point Hitung Manual
ARDI 3D KANAN 30 .Jpg 179 123 26 7
ARDI 3D KANAN 60 .Jpg 162 123 57 5
ARDI 3D KANAN 90 .Jpg 211 123 62 4
ARDI 3D KIRI 30 .Jpg 136 123 77 9
ARDI 3D KIRI 60 .Jpg 144 123 64 3
ARDI 3D KIRI 90 .Jpg 143 123 21 1
DADI 3D KANAN 30 .Jpg 84 104 52 10
DADI 3D KANAN 60 .Jpg 82 104 46 5
DADI 3D KANAN 90 .Jpg 80 104 70 1
DADI 3D KIRI 30 .Jpg 67 104 99 4
DADI 3D KIRI 60 .Jpg 56 104 45 1
DADI 3D KIRI 90 .Jpg 81 104 46 1
FEBRY 3D KANAN 30 .Jpg 76 57 18 5
FEBRY 3D KANAN 60 .Jpg 71 57 31 4
FEBRY 3D KANAN 90 .Jpg 63 57 48 7
FEBRY 3D KIRI 30 .Jpg 66 57 28 4
(4)
44 Nama Citra Interest
Point Data Uji
Interest Point
Data Awal
Match Interest
Point
Match Interest
Point Hitung Manual
FEBRY 3D KIRI 90 .Jpg 61 57 57 2
IRVAN 3D KANAN 30 .Jpg 87 93 51 14
IRVAN 3D KANAN 60 .Jpg 92 93 52 5
IRVAN 3D KANAN 90 .Jpg 107 93 71 3
IRVAN 3D KIRI 30 .Jpg 105 93 72 11
IRVAN 3D KIRI 60 .Jpg 100 93 51 10
IRVAN 3D KIRI 90 .Jpg 109 93 31 4
PRENGKI 3D KANAN 30 .Jpg 49 71 67 6
PRENGKI 3D KANAN 60 .Jpg 60 71 39 1
PRENGKI 3D KANAN 90 .Jpg 105 71 23 2
PRENGKI 3D KIRI 30 .Jpg 74 71 58 5
PRENGKI 3D KIRI 60 .Jpg 82 71 5 2
PRENGKI 3D KIRI 90.Jpg 114 71 22 1
4.7 Analisa
Dari hasil pengujian, dapat dilihat pada tahap pengujian telah berhasil ekstraksi citra wajah menggunakan SURF. Selain itu, dapat ditampilkan jumlah nilai interest point pada masing-masing citra, baik itu citra data awal atau citra uji. Dengan menggunakan teknik matching FLANN, maka kita dapat menampilkan jumlah interest point yang nilai sama menurut perhitungan FLANN. Untuk analisa dari masing-masing hasil pengujian adalah :
1. Perubahan Rotasi
Jumlah citra uji yang digunakan berjumlah 60 citra uji yang telah mengalami perubahan rotasi. Dengan asumsi bahwa posisi citra yang digunakan berada pada rotasi yang telah di tentukan yaitu : 300, 600, 900, 1200, 1500, 1800, 2100,
(5)
45
2400, 2700, 3000, 3300, 3600 untuk masing-masing wajah yang digunakan. Untuk hasil nilai interest point yang didapatkan, dapat dianalisa bahwa nilai interest point untuk data sampel bernilai tetap untuk masing-masing sampel. 2. Perubahan skala
Untuk pengujian perubahan skala berjumlah 35 citra uji. Jumlah citra yang di transformasi skala citra diperkecil adalah 3 citra, yaitu diperkecil : 75%, 50%, 25%. Untuk citra yang diperbesar berjumlah 4 citra, yaitu diperbesar : 125%, 150%, 175% dan 200%.. Nilai interest point dapat ekstraksi dengan baik dan setelah di match dengan metoda FLANN, maka titik pada area wajah yang dibandingkan benar posisinya.
3. Perubahan 3 Dimensi
Perubahan 3 dimensi pada citra uji ini dilakukan dengan menguji citra wajah yang berada, berikut parameter yang di ujikan : 3D Kiri 300, 600, 900. 3D Kanan 300, 600, 900. Interest point dapat diekstraksi dengan baik dengan menggunakan metoda SURF, akan tetapi untuk tahap matcing menggunakan metoda FLANN, penarikan titik yang sama tidak sesuai posisinya. Maka dari itu dibutuhkan perhitungan secara manual untuk memperkirakan jumlah titik interest point yang sama.
(6)
46
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan tahap pengujian dan analisa pada bab pengujian dan analisa, maka kita mendapatkan suatu kesimpulan yaitu :
1. Ekstraksi menggunakan metode speed-up robust features (SURF) yang digunakan dapat mengekstraksi nilai interest point dengan baik.
2. Pada proses matching interest point menggunakan metoda FLANN, hasil pengujian citra perubahan rotasi dan skala nilai interest point yang didapatkan sangat kuat terhadap perubahan. Sementara untuk pengujian citra hasil perubahan 3 dimensi terdapat nilai interest point posisinya tidak sama, hal ini dapat diakibatkan karena jumlah sampel yang sedikit.
5.2 Saran
Dari hasil pengujian dan analisa, maka saran yang dapat dipertimbangkan untuk membuat sistem ini lebih baik, yaitu :
1. Untuk citra sampel diperbanyak untuk menguji ketangguhan transformasi 3 dimensi.
2. Penggunaan machine learning lain dapat digunakan untuk proses perbandingan interest point.
3. Penentuan area wajah yang akan digunakan sebagai parameter pendeteksian suatu wajah. Hal ini dapat dilakukan dengan mendeteksi nilai interest point pada area tertentu, misalnya pada mata, hidung atau bibir. 4. Pembuatan database image baik menggunakan database xml, dan lain-lain.
Hal ini dimaksudkan untuk mempermudah pengaksesan dan otomatisasi pada sistem deteksi wajah menggunakan metoda SURF.
5. Hasil dari deteksi wajah ini dapat dikembangkan untuk sistem deteksi absensi pada suatu ruangan, misal perkantoran,kelas, dan lain-lain.