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
Ide utama dari eigenface ini didapat dengan mengambil informasi yang terdapat pada citra muka, lalu memasukkan ke dalam perhitungan matematika yang mudah dan
membandingkannya dengan masing-masing muka dari muka yang diketahui yang diproses dengan perhitungan yang sama. Jika didapatkan hasil yang sama, maka
dapat disimpulkan bahwa citra yang diinputkan berupa muka dan diketahui.
Proses yang dilakukan oleh perhitungan eigenface ini menggunakan teknik PCA. Hasil yang diperoleh dari PCA ini berupa vektor eigen. Vektor eigen
selanjutnya diurutkan dari besar sampai ke kecil. Gunanya untuk mendapatkan nilai vektor yang paling menonjolkan cirinya. Dari nilai vektor ini selanjutnya akan bisa
Universitas Sumatera Utara
didapatkan nilai eigenface dengan mengalikan nilai vector yang sudah didapat dari PCA dengan nilai awal citra yang belum diproses PCA [7].
Vektor eigenface yang didapat akan mewakili wajah yang paling menggambarkan subyek. Seperti yang dituliskan di atas, nilai yang dihitung dengan
rumus yang sama akan mempunyai nilai yang sama dengan nilai yang mempunyai rumus yang sama juga. Karena itu, untuk melakukan pengenalan, nilai vektor input
yang mengandung data citra, akan diproses dengan menggunakan langkah yang sama, tetapi pada pengenalan ini tidak akan dilakukan perhitungan nilai eigenvektor baru.
Tetapi cukup dengan mencerminkan data input baru terhadap nilai rata-rata citra dan hasilnya dikalikan dengan nilai vektor eigen yang didapat dari proses pelatihan.
Eigenvector dari suatu transformasi adalah vektor-vektor yang tidak mengalami perubahan sedang eigenvalue dari suatu eigenvector adalah scale factor
dimana eigenvector dikalikan. Eigenvector juga dinyatakan sebagai karakteristik wajah oleh karena itu metoda ini disebut dengan eigenface. Setiap wajah
direpresentasikan dalam kombinasi linear eigenface. Kirbi dan Sirovich mengembangkan suatu teknik yang menunjukan wajah menggunakan analisis
komponen, teknik tersebut menghitung koordinat sistem wajah yang disebut dengan eigenpicture [1].
Hasil yang didapat dari perhitungan proses pengenalan, selanjutnya akan dibandingkan dengan masing-masing nilai eigenfaces yang paling mencerminkan
citra. Hasil perbedaan nilai yang paling kecil ini merupakan citra yang paling
mewakili citra yang diinputkan.
2.2.1. Perhitungan Eigenface
Perhitungan eigenface citra adalah sebagai berikut: a. Mengisi variabel S dengan seluruh citra wajah input.
b. Setiap citra ditranformasikan ke dalam vektor dengan ukuran N . c. Tentukan nilai tengah atau mean.
Universitas Sumatera Utara
d. Kemudian tentukan selisih antara citra input dengan citra mean. e.
Selanjutnya vektor orthonormal M, un, yang menunjukkan distribusi data. Vektor ke-k, uk: bernilai maksimum terhadap uk dan ul adalah eigenvector dan
eigenvalue. f. Nilai matriks C akan diperoleh.
g. Kemudian tentukan eigenvector, v1, u1.
Proses Perhitungan eigenface-nya adalah: a. Citra wajah baru yang akan ditransformasikan menjadi komponen eigenface,
dibandingkan dengan citra input yang telah diubah manjadi bentuk mean kemudian dikalikan dengan eigenvector.
b. Kemudian tentukan euclidean distance yang merepresentasikan citra wajah tersebut.
Gambar 2.2 Citra Hasil Proses Eigenfaces.
Keterangan :
1. Start
Universitas Sumatera Utara
2. Ambil citra input X .jpg yang akan dikenali dari database 3. Tentukan nilai mean berikut eigenvalue dari setiap citra
4. Ambil sebuah citra .jpg yang akan dicocokkan dengan citra input dari database 5. Tentukan nilai mean dan eigenvaluenya
6. Apakah eigenvalue dari citra random sama dengan citra input 7. Jika belum sama, maka ulangi lagi langkah ke-4
8. Jika sama, maka tampilkan ke dua citra. 9. Proses selesai.
2.3. Principal Component Analysis PCA
