d. Foto wajah pembanding disimpan dalam bentuk file yang ber-format .jpg dengan resolusi warna grayscale.
e. Data pemilik wajah disimpan dalam database. f. Aplikasi yang akan dibangun dengan menggunakan Framework Visual Studio
2010 bahasa pemrograman C. g. Penyimpanan data penunjang menggunakan SQL Server 2005.
1.4. Tujuan Penelitian
Tujuandari penelitian ini adalah untuk merancang suatu sistem pengenalan wajah dengan menggunakan webcam.
1.5. Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk mempermudah dan mempercepat mendapatkan hasil pengenalan wajah seseorang yang sedang dicari.
1.6. Metodologi Penelitian
Dalam penelitian ini, tahapan-tahapan yang akan dilalui adalah sebagai berikut:
a. Studi Literatur
Pengerjaan skripsi ini dimulai dengan mengumpulkan data yang diperlukan menggunakan metode Library Research. Penulis mengumpulkan data sebagai
referensi baik dari buku, paper, jurnal, makalah, forum, milis, dan sumber-sumber lain yang berkaitan dan beberapa referensi lainnya untuk menunjang pencapaian
penelitian ini.
b. Observasi
Metode ini dilakukan dengan melakukan pengamatan terhadap sistem pengenalan wajah yang sudah ada.
c. Analisis
Pada tahap ini, dilakukan analisis permasalahan yang ada, batasan yang dimiliki dan kebutuhan yang diperlukan untuk arsitektur hardware dan software.
Universitas Sumatera Utara
d. Perancangan dan Implementasi Algoritma
Pada tahap ini akan dilakukan perancangan aplikasi dan implementasi hasil analisis dalam bentuk hardware dan software.
1.7. Sistematika Penulisan
Agar penulisan menjadi lebih terstruktur, maka penulisan ini dibagi menjadi lima bab, antara lain sebagai berikut:
BAB 1 :Pendahuluan
Pada bab ini penulis menguraikan latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan
sistematika penulisan.
BAB 2 :Landasan Teori
Pada bab ini penulis menguraikan tentang dasar - dasar teoritis pencitraan, metode eigenface untuk melandasi pemecahan masalah dan teori-teori
sehubungan dengan pendeteksi wajah serta teknologi yang digunakan dalam pembuatan tugas akhir ini.
BAB 3 : Pembahasan Dan Perancangan
Pada bab ini penulis menguraikan tentang analisis masalah yang akan dibangun pada sistem pengenalan wajah ini, dan menganalisis apa saja
kebutuhan sistem yang akan dibangun kemudian tahapan selanjutnya adalah melakukan perancangan sistem yakni dengan membuat Data Flow Diagram
DFD atau Diagram Aliran Data DAD, Flowchart, basis data pengetahuan dan merancang antarmuka sistem.
BAB 4 : Implementasi Dan Pengujian Sistem
Pada bab ini penulis menyajikan tentang implementasi sistem berdasarkan tahapan perancangan dengan menggunakan metode eigenface dengan
framework Visual Studio 2010 bahasa pemograman C dan SQL Server 2005
Universitas Sumatera Utara
serta tahapan pengujian sistem untuk melihat apakah sistem sudah berjalan sesuai perancangan atau tidak.
BAB 5 : Kesimpulan Dan Saran
Bab ini berisi mengenai kesimpulan yang diperoleh selama penulisan dan saran yang diberikan untuk pengembangan lebih lanjut.
Universitas Sumatera Utara
BAB II
TINJAUAN PUSTAKA
2.1. Pengertian Citra
Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontiniu menjadi gambar diskrit melalui proses sampling. Citra digital dapat
didefinisikan sebagai fungsi dua variabel, fx,y, dimana x dan y adalah koordinat spasial sedangkan nilai fx,y adalah intensitas citra pada koordinat tersebut, hal
tersebut diilustrasikan pada gambar di bawah ini. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah
warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru Red, Green, Blue - RGB [6].
Citra digital merupakan citra yang diambil berdasarkan sampling dan kuantitas tertentu sehingga citra digital ini terbentuk dari piksel-piksel yang besarnya tergantung
pada besar kecilnya sampling dan nilainya besarnya derajat keabuan tergantung pada kuantitas. Berdasarkan pengertian ini maka model citra digital dinyatakan dalam
bentuk matriks yang nilainya berupa nilai derajat keabuan. Model ini menyatakan model dari citra grayscale yaitu citra yang terdiri dari derajat keabuan tertentu [3].
2.1.1. Pengolahan Citra
Pengolahan citra merupakan bidang studi yang mempelajari proses pengolahan gambar dimana baik masukan maupun keluarannya berbentuk berkas citra digital [2].
Pengolahan citra merupakan pengolahan dan analisis citra yang banyak melibatkan persepsi visual [2].
Universitas Sumatera Utara
Kebutuhan untuk memproses sebuah gambar dengan cepat dalam satu aplikasi yang melakukan pengolahan citra adalah salah satu masalah utamanya seperti yang
dikemuka kan oleh Chen, “Walau bagaimanapun, aplikasi yang bekerja secara
realtime lebih bergantung pada pemrosesan piksel signal yang cepat daripada metode optimisasi lain yang rumit dan mem
akan waktu” [4].
2.1.2. Mode Warna
Menampilkan sebuah citra pada layar monitor diperlukan lebih dari sekedar informasi tentang letak dari pixel-pixel pembentuk citra. Untuk memperoleh gambar yang tepat
dibutuhkan juga informasi tentang warna yang dipakai untuk menggambarkan sebuah citra digital. Beberapa mode warna yang sering digunakan adalah:
1. Bitmap mode memerlukan 1 bit data untuk menampilkan warna dan warna yang dapat ditampilkan hanya warna hitam dan putih monochrome.
2. Indexed Color Mode, mengurutkan warna dalam jangkauan 0-255 8 bit. 3. Grayscale Mode, menampilkan citra dalam 256 tingkat keabuan.
4. RGB Mode, menampilkan citra dalam kombinasi 3 warna dasar Red, Green, Blue tiap warna dasar memiliki intensitas warna 0-255 8 bit.
5. CMYK Mode, menampilkan citra dalam kombinasi 4 warna dasar cyan, magenta, yellow, black tiap warna dasar memiliki intensitas warna 0-255 8 bit.
Mode warna RGB menghasilkan warna menggunakan kombinasi dari tiga warna primer merah, hijau, biru. RGB adalah model warna penambahan, yang berarti
bahwa warna primer dikombinasikan pada jumlah tertentu untuk menghasilkan warna yang diinginkan. RGB dimulai dengan warna hitam ketiadaan semua warna dan
menambahkan merah, hijau, biru terang untuk membuat putih. Kuning diproduksi dengan mencampurkan merah, hijau; warna cyan dengan mencampurkan hijau dan
biru; warna magenta dari kombinasi merah dan biru. Monitor komputer dan televisi memakai RGB. Sorotan electron menghasilkan sinyal merah, hijau, biru yang
dikombinasikan untuk menghasilkan berbagai warna yang dilihat pada layar. Kombinasi warna RGB dapat dilihat pada Gambar 2.1.
Universitas Sumatera Utara
Gambar 2.1 Kombinasi Warna RGB
Warna campuran selain dari putih dihasilkan dengan menambahkan warna komponen RGB individual dengan berbagai tingkat saturasi, dengan tingkatan mulai
dari 0.0 hingga 1.0 0 berarti tidak menggunakan warna tersebut; 1 berarti menggunakan warna tersebut pada saturasi penuh
[6].
2.1.3. Pengenalan Pola
Pengenalan pola adalah suatu proses analisis gambar, dimana masukkan berupa sebuah citra dan hasil keluarannya berupa sebuah deskripsi citra tersebut. Proses ini
bertujuan untuk mengekstrak informasi yang disampaikan oleh citra. Pada pengenalan pola dibutuhkan obyek citra untuk diidentifikasikan. Hasil dari pengenalan pola ini
akan berupa kelas yang merupakan kelompok dari klasifikasinya [2].
FeatureExtraction adalah proses mengambil informasi yang relevan, berhubungan dengan klasifikasi data input dengan bantuan suatu alat. Biasanya
feature extraction dilakukan dengan bantuan piranti lunak. Pemrosesan ini akan mengubah pola data mentah dari gambar menjadi sebuah vector ciri. Penggunaaannya
akan mengurangi data yang berulang dalam sebuah pola gambar. Teknik feature extraction ini digunakan dalam proses, salah satunya face detection [9].
2.1.4. Pengenalan Wajah
Menurut Waring, usaha untuk mendeteksi muka membutuhkan fungsi diskriminasi efektif yang membedakan antara pola muka dan bukan muka [10]. Pendekatan dalam
face detection ini dibagi menjadi 4 kategori, yaitu:
Universitas Sumatera Utara
1. Metode berdasar pengetahuan Metode ini mencoba menggambarkan semua pola dari wajah dengan
menggunakan aturan syarat wajah manusia, seperti sebuah wajah memiliki 2 buah mata dan sebuah mulut.
2. Metode berdasar template Metode ini merepresentasikan wajah dengan template yang diubah-ubah
berdasarkan pada poin-poin fitur wajah. Akan tetapi poin-poin tersebut bisa menjadi rusak oleh pencahayaan, posisi wajah, tambahan benda pada wajah, atau
perubahan expresi bias saja gagal ditemukan. Namun jika batas anterlalu longgar, akan terjadi kesalahan deteksi.
3. Metode fitur yang serupa Metode ini sulit digunakan untuk mendeteksi wajah dalam citra nyata karena
adalah sulit untuk menemukan suatu fitur yang benar-benar serupa dengan adanya variasi pencahayaan, posisi, dan ekspresi wajah. Untuk mengatasi
kesulitan tersebut, metode berdasar penampilan memberikan keuntungan dan banyak digunakan dalam pendeteksian wajah. Karena kemampuannya untuk
belajar dari data hasil training, banyaknya variasi, ekspresi, dan posisi bisa digantikan dengan training menggunakan data awal yang banyak.
4. Metode berdasar tampilan Metode ini menggunakan spectralhistogram sebagai sebuah representasi dan
dukungan mesin vektor sebagi pemilahnya. Spectralhistogram mengeneralisasi dengan cara hanya mengelompokan citra yang mirip secara persepsi. Dan dengan
dukungan mesin vektor, memberikan sebuah fungsi yang memisahkan antara citra wajah dengan citra selain wajah, walaupun didalam berbagai macam
kondisi yang berbeda.
Universitas Sumatera Utara
Proses pengenalan wajah secara umum adalah terdiri dari: a. Acquisition module, merupakan blok input dari proses pengenalan wajah,
sumbernya dapat berasal dari kamera ataupun file citra. b. Pre-processing module, merupakan proses penyesuaian citra input yang meliputi,
normalisasi ukuran citra, histogram equalization untuk memperbaiki kualitas citra input agar memudahkan proses pengenalan tanpa menghilangkan informasi
utamanya, median filtering untuk menghilangkan noise akibat kamera atau pergeseran frame, high pass filtering untuk menunjukkan bagian tepi dari citra,
background removal untuk menghilangkan background sehingga hanya bagian wajah saja yang diproses dan normalisasi pencahayaan ketika mengambil citra
input. Bagian pre-processing ini untuk menghilangkan masalah yang akan timbul pada proses pengenalan wajah seperti yang dijelaskan sebelumnya.
c. Feature Extraction module, digunakan untuk mengutip bagian terpenting sebagai suatu vektor yang merepresentasikan wajah dan bersifat unik.
d. Classification module, pada modul ini, dengan bantuan pemisahan pola, fitur wajah yang dibandingkan dengan fitur yang telah tersimpan di database sehingga
dapat diketahui apakah citra wajah tersebut dikenali. e. Training set, modul ini digunakan selama proses pembelajaran proses pengenalan,
semakin kompleks dan sering, proses pengenalan wajah akan semakin baik. f. Database, berisi kumpulan citra wajah.
2.2. Eigenface
