2012 Proceeding Seminar Nasional Teknologi Informasi Aplikasinya
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana 2
................................ …………………………………………………. 2.1
.........................
………………………………………………… 2.2 .............................. ………………………………………………… 2.3
4. Pada citra hanya terdapat satu wajah.
5. Data citra yang digunakan adalah data citra dengan format .bmp.
6. Ekspresi yang dikenali adalah ekspresi tersenyum dan netral.
1.5 Manfaaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah aplikasi ini nantinya dapat dijadikan sebagai sub aplikasi dalam membangun suatu sistem yang memanfaatkan teknik pengenalan ekspresi wajah dalam
prosesnya seperti pengenalan wajah untuk sekuritas sebagai pengganti tanda tangan atau sidik jari.
2. TINJAUAN PUSTAKA
Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua
label kelas, yaitu wajah dan nonwajah Sung, 1996. 2.1 Citra
Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang mewakili orang tersebut, foto sinar
X-thorax yang mewakili gambar bagian tubuh seseorang dan lain sebagainya Hestiningsih, 2008. a.
Citra Digital Citra digital adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada
citra tersebut dan elemen matriksnya yang disebut sebagai elemen gambar atau piksel menyatakan tingkat keabuan pada titik tersebut.
b. Citra Biner
Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang hanya direpresentasikan nilai tiap pikselnya
dalam satu bit satu nilai binary.
2.2 Metode Principal Component Analysis PCA
PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA adalah sebuah teknik statistika yang berguna pada bidang pengenalan, klasifikasi dan kompresi data citra.
Algoritma PCA adalah sebagai berikut Zayuman, 2011: 1.
Sebelum PCA dapat dilakukan, dilakukan lexicographical ordering untuk setiap wajah yang akan dilatihkan dimana kolom yang satu diletakkan disamping kolom yang lain sehingga membentuk
vektor wajah yang merupakan vector kolom. Vektor-vektor wajah tersebut disusun sedemikian rupa sehingga membentuk suatu matriks X dengan orde n x m, dimana n adalah banyaknya jumlah piksel
w h dan m adalah banyaknya gambar wajah. Matriks inilah yang akan digunakan sebagai masukan bagi PCA.
2. Hitung rata-rata mean setiap baris dari matriks besar tersebut, lalu kurangi semua nilai di setiap
baris dengan rata-rata tersebut. 3.
Membuat matriks kovarian L, L = X
t
X 4.
Mencari nilai eigen E dan vektor eigen C dari matriks kovarian L. 5.
Mencari eigenfaces P. P = CX
6. Menghitung komponen utama citra-citra latih Y,
Y = P
t
X Hasil transformasi ini merupakan gambar wajah yang telah di reduksi menjadi beberapa variabel yang
diperlukan saja yang akan dimasukkan ke jaringan syaraf tiruan.
2.3. Algoritma Learning Vector Quantization LVQ
Algoritma pada jaringan syaraf LVQ bertujuan untuk menemukan unit output yang terdekat dengan vektor input Ming Leung, 2009.
Adapun algoritma dari LVQ adalah: 1.
Tetapkan bobot w, Maksimum epoh MaxEpoh, error minimum yang diharapkan Eps, Learning rate
2. Tentukan
a Input : x m,n
b Target : T 1,n
3. Tetapkan kondisi awal epoh =0
4. Kerjakan jika: epoh MaxEpoh atau eps
a epoh = epoh + 1
b Kerjakan untuk i =1 sampai n
i. Tentukan j sedemikian hingga ||x-w
j
|| minimum sebut sebagai c
j
ii. Perbaiki w
j
dengan ketentuan
Jika T = c
j
maka w
j
baru = w
j
lama+ [x-w
j
lama]
Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2012
3 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
jika T c
j
maka w
j
baru = w
j
lama- [x-w
j
lama] 5.
Kurangi learning rate 6.
Tes kondisi berhenti, yaitu kondisi yang mungkin menetapkan sebuah jumlah tetap dari iterasi atau rating pembelajaran mencapai nilai kecil yang cukup.
3. METODOLOGI PENELITIAN
3.1 Data Penelitian
Data penelitian yang digunakan dalam penelitian ini terdiri dari 20 citra wajah manusia yang berbeda-beda dengan 2 ekspresi yaitu ekspresi tersenyum dan ekpresi netral. Dimana menggunakan 5 sudut
pengambilan yang berbeda yaitu 30 , 45
,60 , 90
, dan 120 . Dari seluruh data citra, 70 digunakan sebagai
data training serta 30 sebagai data testing Inisialisasi variabel-variabel awal pelatihan dengan LVQ Sutarno, 2010:
• Bobot referensi w
: vektor input pertama di masing-masing kelas. •
Learning rate : 0,1 dengan pengurangan sebesar 0,01
• Maksimum epoh : 1000
• Error minimum Eps: 0,00001.
3.2 Desain sistem Desain sistem yang akan dibuat dapat dilihat pada usecase pada gambar 3.1. Berdasarkan usecase yang telah
dibuat, sistem pengenalan ekspresi wajah memiliki tiga proses utama yaitu ekstraksi ciri, pelatihan, dan pengenalan ekspresi wajah menggunakan algoritma LVQ.
Gambar 3.1 Diagram Usecase Sistem Pengenalan Ekspresi Wajah
4. HASIL DAN PEMBAHASAN
4.1 Implementasi Sistem 4.1.1
Proses Ekstraksi Ciri Citra Latih dengan Metode PCA
Dalam proses ekstraksi ciri diawali dengan mentransformasikan citra-citra pelatihan ke dalam vektor kolom sehingga membentuk sebuah matriks. Kemudian menghitung rata-rata tiap baris dari matriks
kumpulan citra latih. Selanjutnya menghitung selisis vektor citra pelatihan dengan rata-rata vektor citra pelatihan.
Setelah mtriks selisih citra pelatihan diperoleh, kemudian dihitung covarian dari matriks selisih citra
pelatihan tersebut dengan cara mengalikan matriks selisih citra pelatihan yang telah ditranspose dengan matriks citra pelatihan. Selanjutnya menghitung nilai eigen serta vektor eigen untuk memperoleh eigenfaces.
Komponen utama dari citra pelatihan dicari dengan mengalikan matriks eigenface yang sudah ditranspose terlebih dahulu dengan matriks selisih citra pelatihan.
4.1.2 Proses Pelatihan dengan Algoritma LVQ
Pada proses pelatihan, vektor citra pelatihan hasil ektraksi dengan metode PCA masuk kedalam jaringan LVQ. Kemudian sistem akan melakukan pelatihan training sampai memenuhi maximum epoh atau
learning rate kurang dari eror minimum yang sudah ditentukan dalam sistem. 4.1.3
Proses Klasifikasi dengan Algoritma LVQ
Tahap klasifikasi citra uji dimulai dengan mentransformasikan citra uji ke dalam vektor satu dimensi
kemudian vektor citra uji tersebut dikurangi dengan matriks rata-rata citra pelatihan. Hasilnya kemudian direduksi menggunakan eigenfaces dengan cara mengalikan eigenfaces transpose dengan vektor citra uji
yang sudah dikurangi rata-rata matriks citra pelatihan. Sehingga dieroleh vektor citra uji yang memiliki dimensi lebih kecil atau sama dengan dimensi vektor citra pelatihan yang kemudian masuk kedalam jaringan
LVQ untuk dikenali.
