Implementasi algoritma affine scale invariant feature transform untuk pengenalan wajah pada citra sketsa

IMPLEMENTASI ALGORITMA AFFINE SCALE
INVARIANT FEATURE TRANSFORM UNTUK
PENGENALAN WAJAH PADA CITRA SKETSA
SKRIPSI

Disusun Oleh :
Mukhlis
NIM : 108091000062

PROGRAM SARJANA (S1) KOMPUTER
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2015

IMPLEMENTASI ALGORITMA AFFINE SCALE
INVARIANT FEATURE TRANSFORM UNTUK
PENGENALAN WAJAH PADA CITRA SKETSA

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer
Pada Program Studi Teknik Informatika
Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta

Disusun Oleh :
Mukhlis
NIM : 108091000062

PROGRAM SARJANA (S1) KOMPUTER
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2015

i

ii

iii

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-BENAR
HASIL KARYA SENDIRI YANG BELUM PERNAH DIAJUKAN SEBAGAI SKRIPSI
ATAU KARYA ILMIAH PADA PERGURUAN TINGGI ATAU LEMBAGA
MANAPUN.

Jakarta, Juni 2015

Mukhlis

iv

Nama

: Mukhlis

Program Studi : Teknik Informatika
Judul

: Implementasi Algoritma Affine Scale Invarirant Feature
Transform Untuk Pengenalan Wajah Pada Citra Sketsa
ABSTRAK

Skripsi ini membahas penggunaan algoritma Affine Scale Invariant Feature
Transform dalam mengekstraksi ciri khusus (feature) yang terdapat dalam citra
sketsa dan foto. Dari ciri feature tersebut akan dicari kecocokkan antara citra
sketsa dan foto. Sehingga foto hasil identifikasi dapat memiliki wajah yang sama
atau setidaknya mirip dengan wajah pada citra sketsa. Hasil dari penelitian ini
menunjukkan bahwa metode Affine Scale Invariant Feature Transform dapat
mengidentifikasi feature dengan baik, ini terlihat dari banyaknya feature yang
dihasilkan. Hasil pencocokkan dari sample yang digunakan menunjukkan bahwa
metode Affine Scale Invariant Feature Transform dapat digunakan untuk
mengidentifikasi wajah pada citra sketsa.
Kata Kunci : Pengolahan Citra, Pengenalan Wajah, Citra Sketsa, Scale Invariant,
ASIFT

v

KATA PENGANTAR

Puji dan syukur kehadirat Allah SWT atas segala karunia, rahmat dan
kekuatan, juga segala petunjuk dan kemudahan sehingga penulis dapat
menyelesaikan penulisan skripsi ini. Shalawat serta salam selalu kita haturkan
kepada junjungan kita Nabi besar Muhammad SAW beserta keluarganya, para
sahabatnya, dan para pengikutnya.
Skripsi ini berjudul ”Implementasi Algoritma Affine Scale Invariant
Feature Transform Untuk Pengenalan Wajah Pada Citra Sketsa”, yang
disusun untuk memenuhi salah satu syarat dalam menyelesaikan program S1 pada
Program Studi Teknik Informatika di Universitas Islam Negeri Syarif
Hidayatullah Jakarta.
Pada kesempatan yang berbahagia ini, penulis mengucapkan terima kasih
kepada:
1.

Ibu A. Hanifa Setianingrum, M.Si. selaku Pembimbing I dan Bapak Victor
Amrizal, M.Kom selaku Pembimbing II, yang senantiasa meluangkan waktu

ditengah-tengah berbagai kesibukan dan aktifitasnya untuk membimbing
penulis dalam menyelesaikan skripsi ini.

2.

Ibu Arini, ST., MT. selaku Ketua Program Studi Teknik Informatika, Bapak
Feri Fahrianto, M.Sc. selaku Sekretaris Program Studi Teknik Informatika,
dan Bapak Dr. Agus Salim, M.Si., selaku Dekan Fakultas Sains dan
Teknologi, Universitas Islam Negeri Syarif Hidayatullah Jakarta.

vi

3.

Pimpinan Perpustakaan Utama dan Perpustakaan Fakultas Sains dan
Teknologi yang telah memberikan fasilitas untuk mengadakan studi
kepustakaan.

4.

Kepada semua dosen Program Studi Teknik Informatika yang telah
membimbing penulis untuk menambah wawasan mengenai pengetahuan di
bidang teknik informatika.

5.

Umi dan Abi yang selalu memberikan dukungan kepada penulis berupa moril,
materil, semangat, kasih sayang, dan doa yang tiada hentinya.

6.

Sanak Famili yang turut memberikan motivasinya kepada penulis.

7.

Teman-teman TI B 2008, TI Software Engineering 2008, dan TI UIN 2008
yang telah berjuang bersama dalam menempuh pendidikan di Prodi Teknik
Infomatika, Universitas Islam Negeri Syarif Hidayatullah Jakarta.

8.

Akhirnya, penulis berharap semoga skripsi ini dapat bermanfaat. Saran dan
kritik untuk kesempurnaan skripsi ini dapat disampaikan melalui email
layneca24@gmail.com.
Jakarta, 20 Mei 2015

Mukhlis
10809100006

vii

DAFTAR ISI

HALAMAN JUDUL ...................................................................................... i
LEMBAR PENGESAHAN SKRIPSI .......................................................... ii
LEMBAR PENGESAHAN UJIAN .............................................................. iii
LEMBAR PERNYATAAN ........................................................................... iv
ABSTRAK ...................................................................................................... v
KATA PENGANTAR .................................................................................... vi
DAFTAR ISI ................................................................................................... viii

DAFTAR GAMBAR ...................................................................................... xi
DAFTAR TABEL .......................................................................................... xiii
BAB I PENDAHULUAN ............................................................................... 1
1.1.

Latar Belakang................................................................................. 1

1.2.

Rumusan Permasalahan ................................................................... 2

1.3.

Batasan Masalah .............................................................................. 2

1.4.

Tujuan Penelitian ............................................................................. 3

1.5.

Manfaat Penelitian ........................................................................... 3

1.6.

Sistematika Peneliatian .................................................................... 4

BAB II LANDASAN TEORI ........................................................................ 5
2.1.

Pengolahan Citra Digital ...................................................................... 5

2.2.

Scale Infariant Feature Transform(SIFT) ........................................... 6

2.1.1. Pencarian Nilai Ekstrema pada Skala Ruang .................................. 7

viii

2.1.2. Penentuan Keypoint ......................................................................... 9
2.1.3. Penentuan Orientasi ......................................................................... 11
2.1.4. Deskriptor Keypoint ......................................................................... 12
2.3.

Affine Transformation .......................................................................... 13

2.4.

Affine Scale Invariant Feature Transform ........................................... 14

2.3.1. Algoritma ASIFT ............................................................................. 16
2.5.

Matlab .................................................................................................. 17

2.6.

Metode Prototyping ............................................................................. 19

2.7.

Falase Acceptance Rate(FAR), False Rejection Rate(FRR) dan
Equal Erorr Rate(EER) ........................................................................ 23

BAB III METODOLOGI PENELITIAN .................................................... 24
3.1.

Metode Pengumpulan Data .................................................................. 24

3.1.1. Studi Pustaka ................................................................................... 24
3.1.2. Penelitian Sejenis............................................................................. 25
3.2.

Metode Pengembangan Prototipe ........................................................ 26

3.2.1 Pengumpulan Kebutuhan................................................................. 27
3.2.1.1 Analisa Sistem ................................................................................ 27
3.2.1.2 Identifikasi Masalah ....................................................................... 27
3.2.1.3Usulan Penyelesaian Masalah ........................................................ 27
3.2.1.4Kebutuhan Perangkat Lunak dan Perangkat Keras ......................... 27
3.2.2 Membangun Prototype .................................................................... 28
3.2.2.1. Desain Image Processing ......................................................... 28
3.2.2.2. Desain Interface........................................................................ 29

ix

3.2.3 Mengkodekan System ..................................................................... 29
3.2.4 Pengujian aplikasi ............................................................................ 29
3.3.

Kerangka Berfikir................................................................................. 30

BAB IV PEMBAHASAN DAN HASIL ....................................................... 31
4.1.

Pengumpulan Kebutuhan ..................................................................... 31

4.1.1. Analisa Sistem ................................................................................. 31
4.1.2. Identifikasi Masalah ........................................................................ 32
4.1.3. Usulan Penyelesaian Masalah ......................................................... 32
4.1.4. Kebutuhan perangkat Lunak dan Perangkat Keras.......................... 32
4.2.

Membangun Prototype ......................................................................... 33

4.2.1. Desain Image Processing ................................................................ 33
4.2.2. Desain Interface............................................................................... 42
4.3.

Mengkodekan Sistem ........................................................................... 44

4.4.

Pengujian Prototipe .............................................................................. 62

BAB V PENUTUP .......................................................................................... 67
5.1.

Kesimpulan........................................................................................... 67

5.2.

Saran ..................................................................................................... 67

DAFTAR PUSTAKA .....................................................................................
LAMPIRAN ....................................................................................................

x

DAFTAR GAMBAR

Gambar 2.1 Diagram Difference-of-Gaussian ................................................. 8
Gambar 2.2 Ilustrasi pencarian maksimum atau minimum lokal dari citra
DoG .................................................................................................................. 9
Gambar 2.3 Deskriptor dari perhitungan besar gradien dan orientasi serta
gambar lingkaran Gaussian (kiri) dan gambar deskriptor keypoint (kanan) .... 12
Gambar 2.4 Keypoint yang diperoleh dari suatu citra menggunakan SIFT ..... 13
Gambar 2.5. Model kamera proyektif u = S1G1Au0. A adalah mengubah
sebuah proyektif planar (Homography). G1 adalah anti-aliasing Gaussian
filtering. S1 adalah sampling CCD .................................................................. 14
Gambar 3.1.1 Alur Kerangka Berpikir............................................................. 30
Gambar 4.1 Contoh citra hasil pengkaburan(blurring) 1S.jpg dengan
ukuran 828x1164, 414x582, 207x291,103x145............................................... 35
Gambar 4.2 Contoh citra hasil pengkaburan(blurring) 1F.jpg dengan
ukuran 2048x1536, 1024x768, 512x384, 256x192.......................................... 36
Gambar 4.3 Contoh citra blurring menjadi citra DoG ..................................... 37
Gambar 4.4 Contoh Mencari Ekstrema dalam citra DoG ................................ 38
Gambar 4.5 Contoh Histogram Orientasi......................................................... 39
Gambar 4.6 Contoh pemberian finger print pada keypoint .............................. 40
Gambar 4.7 Memasukkan orientasi pada hitogram lingkaran ......................... 40
Gambar 4.8 gradient orientasi yang mengalami pembobotan gaussian ........... 41
Gambar 4.9 Gambar Interface Halaman Utama .............................................. 43

xi

Gambar 4.9 Desain Interface Halaman Utama ................................................ 43
Gambar 4.10 Desain Interface Inisialisasi ....................................................... 43
Gambar 4.11 DesainInterface Identifikasi Sketsa ............................................ 44

xii

DAFTAR TABEL

Tabel 3.1. Tabel Perbandingan Studi Literatur Sejenis.................................... 25
Tabel 4.1. Tabel Spesifikasi Kebutuhan Perangkat Keras ............................... 32
Tabel 4.2. Perangkat Lunak Yang Digunakan ................................................. 33
Tabel 4.3 Hasil Matching Keypoint ................................................................. 42
Tabel 4.4 Jumlah Keypoint Citra Sketsa .......................................................... 62
Tabel 4.5 Jumlah Keypoint Citra Foto ............................................................. 64
Tabel 4.6 Hasil Pengujian FER dan FRR ........................................................ 65
Tabel 4.7 Jumlah Match Keypoint Citra Sketsa dan Foto ................................ 66

xiii

BAB I
PENDAHULUAN
1.1.

Latar Belakang
Dewasa ini banyak terjadi kejahatan, yang terkadang pelaku kriminal tidak

dapat ditangkap setelah kejadian terjadi. Polisi dapat mengidentifikasi pelaku
kejahatan dari keterangan saksi atau dari kamera pengawas. Wajah pelaku
kejahatan dapat dibuat sketsa wajahnya berdasarkan dari informasi tersebut.
Sketsa wajah tersebut dianalisa sehingga didapatkan foto wajah dari pelaku
kejahatan tersebut. Untuk mempermudah dalam menganalisa sketsa wajah
dibutuhkan sistem yang dapat mengidentifikasi sketsa sehingga didapatkan foto
wajah yang cocok.
Citra sketsa dan citra foto memiliki dua perbedaan yang terletak pada
tekstur dan bentuknya. Perbedaan tekstur antara citra sketsa dan citra foto terjadi
karena pembuatan citra sketsa secara manual yang biasanya menggunakan pensil
atau pulpen. Sedangkan perbedaan bentuk terjadi karena bentuk dari citra sketsa
yang dibuat merupakan penggambaran dari informasi deskriptif mengenai wajah
pelaku. Ada beberapa metode yang dapat digunakan untuk mengatasi masalah ini
salah

satunya

adalah

menggunakan

metode

Scale

Invariant

Feature

Ttransform(SIFT).
Dalam tugas akhir yang dibuat oleh saudara Yuwono dari Universitas
Kristen Maranatha, beliau menggunakan metode SIFT untuk menngenali wajah

1

2

dari citra input berupa sketsa. Dalam penelitiannya beliau mengungkapkan bahwa
metode SIFT dapat digunakan untuk mendeteksi wajah pada citra sketsa.
Penulis menemukan modifikasi dari metode SIFT yang bernama metode
Affine Scale Invariant Feature Transform (ASIFT).

Metode ASIFT ini

menambahkan factor sudut pandang yang mendefinisikan orientasi axis dari
kamera. Metode ini dapat mengidentifikasi fiture yang telah mengalami distorsi
affine yang besar dengan mengukurnya menggunakan parameter baru yaitu
transisi kemiringan. Metode ini diklaim lebih baik dalam proses ekstraksi fiture.
Oleh karena itu penulis ingin membuat protype aplikasi untuk menguji apa
metode ASIFT dapat menganalisa wajah pada citra sketsa.
1.2.

Rumusan Permasalahan
Masalah yang akan dibahas pada penelitian ini adalah sebagai berikut:
1.

Bagaimana cara identifikasi pengenalan ciri sketsa wajah dan foto
wajah?

2.

Bagaimana Hasil Identifikasi dan pencocokan sketsa wajah dan
foto wajah menggunakan ASIFT?

1.3.

Batasan Masalah
Dalam Tugas Akhir ini, terdapat batasan-batasan masalah yang dibahas
sebagai berikut :
1.

Input Sketsa wajah menggunakan tipe Viewed Sketch

2.

Dalam proses pencocokan wajah, hanya digunakan foto dan sketsa
yang memiliki pose wajah menghadap ke depan (frontal view),

3

tingkat pencahayaan normal, dan tidak menggunakan aksesoris
apapun.
3.

Menggunakan lima pasang citra dan sketsa wajah, karena running
time proccess analisa pengenalan wajah maka penulis hanya
menggunakan lima pasang sample citra.

4.

Format file citra yang digunakan adalah .jpg

5.

Pengenalan

wajah

ini

dilakukan

dalam

simulasi

dengan

menggunakan MATLAB
6.

Sketsa wajah dan foto wajah dimasukkan menggunakan scanner ke
dalam komputer.

1.4.

Tujuan Penelitian
1.

Melakukan identifikasi sketsa wajah dan foto wajah menggunakan
metode ASIFT.

2.
1.5.

Melakukan pencocokkan antara sketsa wajah dan foto wajah.

Manfaat Penelitian
1.

Menambah

pengetahuan penulis, terutama mengenai proses

pengenalan wajah.
2.

Dapat menjadi refrensi untuk membuat aplikasi pengenalan wajah
dari citra masukan berupa sketsa.

4

1.6.

Sistematika Penelitian
Penyusunan laporan tugas akhir terdiri dari lima bab sebagai berikut :
Bab I. Pendahuluan
Pada bab ini akan dibahas mengenai latar belakang, perumusan masalah,
identifikasi masalah, tujuan, pembatasan masalah, dan sistematika
penulisan dari tugas akhir ini.
Bab II. Landasan Teori
Pada bab ini akan dibahas mengenai teori-teori penunjang yang akan
digunakan

untuk

merancang

protipe

aplikasi

pengenalan

wajah

menggunakan metode Affine Scale Invariant Feature Transform dengan
citra masukan berupa citra sketsa wajah.
Bab III. Metodologi Penelitian
Pada bab ini akan dibahas penjelasan tentang desain perancangan protype
perangkat lunak untuk pengenalan wajah menggunakan metode Affine
Scale Invariant Feature Transform dengan citra masukan berupa citra
sketsa wajah.
Bab IV. Pembahasan dan Hasil
Bab ini berisi proses yang penulis lakukan dalam membuat protype
pengenalan wajah pada citra sketsa dan hasil pengujian dari dari sample
sketsa.
Bab V. Kesimpulan dan Saran
Bab ini berisi tentang kesimpulan dari hasil pengujian program dan saransaran yang diperlukan untuk pengembangan di masa mendatang.

BAB II
LANDASAN TEORI
2.1.

Pengolahan Citra Digital
Ada dua prinsip daerah aplikasi pengolahan citra digital, peningkatan

informasi piktoral untuk interpretasi manusia, dan pengolahan data citra digital
untuk

penyimpanan,

transmisi,

dan

representasi

bagi

peralatan

presepsi(preception).
Satu dari aplikasi citra digital yang pertama adalah industri surat kabar,
ketika citra pertama kali dikirim dengan kabel kapal selam antara London dan
New York. Pengenalan sistem transmisi kabel laut Bartlane pada awal tahun 1920
mengurangi waktu yang dibutuhkan untuk mentransmisikan citra melintasi
atlantik lebih dari satu minggu sampai kurang dari tiga jam. Awalnya sistem
Bartlane dapat mengkodekan citra dalam lima perbedaan level keabuan.
Kemampuan ini ditingkatkan menjadi 15 level pada tahun 1929 (Prasetyo, 2011).
Walaupun sistem Bartlane diliputi oleh citra digital, proses yang dilakukan
tidak dipandang sebagai hasil pengolahan citra digital karena komputer tidak
digunakan dalam pembuatannya.pengolahan citra digital erat kaitannya dengan
perkembangan komputer digital. Nyatanya, citra difital membutuhka banyak
tempat penyimpanan (storage) dan kekuatan komputasi (Prasetyo, 2011)

5

6

.Komputer

pertama

yang

cukup

kuat

untuk

melakukan

pekerjaanpengolahan cita digital muncul pada tahun 1960. Bekerja menggunakan
teknik komputer untuk meningkatkan citra dari sebuah tempat penelitian dimulai
oleh Jet Propulsion Laboratory(Pasadena, California) pada tahun 1964 ketika
gambar bulan ditransmisikan oleh Ranger 7 yang kemudian diproses oleh
komputer untuk menyempurnakan bermacam - macam jenis distorsi citranya
(Prasetyo, 2011).
2.2.

Scale Infariant Feature Transform(SIFT)
Pada tahun 1999, David G. Lowe seorang peneliti dari University of

British Columbia memperkenalkan suatu metode baru dalam ekstraksi fiture dari
suatu citra. Metode ekstraksi fiture ini disebut sebagai Scale Invariant Fiture
Transform(SIFT). Dengan menggunakn SIFT ini, suatu citra akan di ubah menjadi
vektor fiture lokal yang kemudian akan digunakan sebagai pendekatan dalam
mendeteksi objek yang dimaksud.
Sebagai metode ektraksi fiture pada pengenalan objek, SIFT ini memiliki
kelebihan – kelebihan sebagai berikut :
1.

Hasil ektraksi fiture bersifat invariant sebagian terhadap ukuran,
translasi dan rotasi dua dimensi.

2.

Hasil ekstraksi fiture bersifat invariant sebagian terhadap
perubahan iluminasi dan perubahan sudut pandang tiga dimensi.

3.

Mampu meng-ekstrak banyak keypoint dari citra yang tipikal

4.

Hasil ekstraksi fitur benar – benar mencirikan secara khusus
(distincsive)

7

Dengan kelebihan – kelebihan tersebut, penggunaan metode SIFT banyak
dikembangkan untuk aplikasi pengenalan objek.
Secara garis besar, alur proses yang berjalan pada metode SIFT terdiri
empat tahap, yaitu :
1.

Mencari Nilai Ekstrema Pada Skala Ruang

2.

Menentukan Keypoint

3.

Penentuan Orientasi

4.

Descriptor keypoint

Setelah melalui tahapan tersebut maka akan diperoleh fiture – fiture lokal
yang digunakan sebagai descriptor dari suatu objek.
2.1.1. Pencarian Nilai Ekstrema pada Skala Ruang
Pencarian nilai ekstrim maximum dan minimum pada skala ruang
merupakan tahap awal dalam penentuan

keypoint dari suatu citra. Dengan

menggunakan fungsi Gaussian, citra pada skala ruang dapat didefinisikan sebagai
fungsi L(x,y,σ), yang diperoleh dari hasil konvolusi skala – variable Gaussian,
G(x,y,σ), dengan citra masukan I(x,y), sehingga diperoleh (Lowe, 2004) :
L(x,y,σ) = G(x,y,σ) * I(x,y)................................................................... (2.1)
dimana * adalah operasi konvolusi antara x dan y dan G(x,y,σ) adalah skala
variable Gaussian (Lowe, 2004):
G(x,y,σ) =

(

)/

..................................................................(2.2)

Citra hasil Difference-of-Gaussian, D(x, y, σ), diperoleh dengan
melakukan operasi konvolusi pada citra masukan dengan filter Difference-ofGaussian, maka (Lowe, 2004):

8

D(x, y, σ) = G(x,y,kσ) - G(x,y,σ) * I(x,y)
= L(x,y,kσ) - L(x,y,σ)............................................................(2.3)
Dari persamaan (2.3) terlihat bahwa citra hasil Difference-of-Gaussian
sebenarnya merupakan selisih antara citra hasil pengkaburan Gaussian dengan
nilai skala k yang berbeda. Proses ini diilustrasikan sebagai berikut:

Gambar 2.1 Diagram Difference-of-Gaussian (Lowe, 2004)

Citra hasil konvolusi kemudian dikelompokan berdasarkan octave (satu
octave setara dengan penggandaan besarnya nilai σ), nilai k ditetapkan di awal
sehingga diperoleh jumlah citra kabur yang sama pada setiap octave serta
diperoleh citra hasil DoG yang sama untuk setiap octave.
Setelah diperoleh citra DoG pada setiap octave, maka langkah selanjutnya
ialah mencari kandidat keypoint. Kandidat keypoint dideteksi sebagai titik
maksimum dan minimum lokal dari citra hasil DoG. Untuk mencari nilai

9

maksimum atau minimum lokal maka masing – masing piksel pada citra hasil
DoG akan dibandingkan dengan 8 piksel disekitarnya yang berada pada skala
yang sama dengan 9 piksel yang bersesuaian dengannya pada skala yang berbeda.
Jika pixel tersebut merupakan maksimum atau minimum lokal, maka pixel
tersebut akan dijadikan sebagai kandidat keypoint.

Gambar 2.2 Ilustrasi pencarian maksimum atau minimum lokal dari citra DoG (Lowe, 2004)

2.1.2. Penentuan Keypoint
Setelah kandidat keypoint ditemukan melalui tahapan pencarian nilai
ekstrim, maka langkah selanjutnya adalah untuk menyeleksi keypoint. Dimana
setiap kandidat keypoint yang dianggap sangat rentan terhadap gangguan(noise)
akan dihilangkan, yaitu kandidat keypoint yang memiliki nilai kontras yang
rendah dan kandidat keypoint yang kurang jelas dan terletak sepanjang tepi.
Untuk menghilangkan keypoint dengan nilai kontras yang rendah, maka
digunakan langkah – langkah sebaga berikut :

10

1.

Dengan menggunakan deret taylor pada fungsi skala ruang D(x, y, σ) yang
kemudian digeser sehingga titik asal berada pada titik sample, berikut ini
adalah fungsi deret Tylor (Lowe, 2004):
D(x) = D+

x+ x

x ........................................................................(2.4)

Dimana D dan penurunannya dilihat dari titik sample, dan x = ( , , )

adalah offset dari titik ini.
2.

Lokasi dari nilai ekstrim x , diambil dengan menurunkan persamaan

sebelumnya terhadap x, sehingga didapatkan fungsi (Lowe, 2004):

3.

.......................................................................................(2.5)

x=−

Fungsi nilai ekstrim D(x), diperoleh dengan men-substitusikan persamaan
2.5 ke persamaan 2.4 sehingga menghasilkan persamaan berikut (Lowe,
2004) :
D(x) = D+

x .....................................................................................(2.6)

Pada SIFT ini, semua nilai ekstrim | D(x) | yang bernilai kurang dari 0,03 akan
dihilangkan.
Untuk menghilangkan keypoint yang kurang jelas pada tepi makan
digunakan persamaan berikut (Lowe, 2004) :
a

( )

( )

<

(

)

................................................................................... .(2.7)

dimana H merupakan matrix Hessian 2x2 dan r merupakan ambang batas dari
kecekungan inti yang diperbolehkan. Pada SIFT ini, semua keypoint yang
memiliki nilai r lebih besar dari 10 akan dihilangkan.

11

2.1.3. Penentuan Orientasi
Pada tahap ini, masing – masing keypoint yang diperoleh akan diberikan
suatu orientasi yang tetap berdasarkan sifat – sifat lokal pada citra. Dengan adanya
proses ini maka keypoint yang diperoleh dapat direpresentasikan relatif terhadap
orientasi ini sehingga keypoint yang dihasilkan tidak terpengaruh terhadap adanya
rotasi pada citra. Untuk menentukan orientasi dari masing – masing keypoint
maka dilakukan perhitungan terhadap besarnya gradient dan sudut arah orientasi.
Adapun perhitungan terhadap besar nilai gradient, m(x,y), dan arah orientasi
θ(x,y), dilakukan menggunakan persamaan berikut (Lowe, 2004) :
m(x,y) = ( ( + 1, ) − ( − 1, )) + ( ( , + 1) − ( , − 1))
θ(x,y) =

(2.8)

(( ( , + 1) − ( , − 1))⁄( ( + 1, ) − ( − 1, ))) (2.9)

2.1.4. Deskriptor Keypoint

Pada proses ini, masing – masing keypoint yang telah diorientasikan akan
diberikan pencirian khusus(descriptor). Proses ini bertujuan untuk mendapatkan
keypoint yang invariant terhadap perubahan itensitas cahaya atau perubahan sudut
padang tiga dimensi.
Descriptor akan diukur sebagai suatu histogram orientasi pada wilayah
pixel dengan ukuran 4x4. Nilai orientasi diperoleh dari citra Gaussian yang
memiliki skala terdekat dengan skala keypoint yang akan dihitung. Keypoint yang
diperoleh

invariant terhadap orientasi, maka koordinat dari descriptor dan

gradient orientasi akan di rotasi relatif terhadap orientasi dari keypoint.kemudian
fungsi pembebanan Gaussian, dengan besar nilai σ satu setengah kali dari besar

12

jendela deskriptor, akan digunakan sebagai pembebanan pada setiap besaran nilai
dari titik sample.

Gambar 2.3 Deskriptor dari perhitungan besar gradien dan orientasi serta gambar lingkaran
Gaussian (kiri) dan gambar deskriptor keypoint (kanan) (Lowe, 2004)

Descriptor keypoint pada gambar diatas menunjukan adanya 8 arah pada
masing – masing histogram orientasi dengan panjang masing- masing anak panah
sesuai dengan besar nilai dari histogram asal. Selanjutnya descriptor keypoint
yang telah diperoleh akan dinormalisasi untuk mengatasi pengaruh perubahan
cahayan.
Setelah melalui tahapan – tahapan tersebut, maka pada hasil akhir akan
diperoleh suatu citra dengan keypoint yang invariant terhadap berbagai macam
perubahan, seperti yang ditunjukan pada gambar berikut ini :

13

Gambar 2.4 Keypoint yang diperoleh dari suatu citra menggunakan SIFT (Lowe, 2004)

Keypoint ini yang kemudian menjadi fiture – fiture lokal pada suatu citra dan akan
di cocokan dengan keypoint – keypoint yang terdapat pada citra lain untuk
menyesuaikan dengan objek yang tersedia pada database image.
2.3.

Affine Transformation
Transformasi affine adalah semua transformasi yang mempertahankan

collinearity (semua titik yang berada pada letak tertentu tetap pada letaknya meski
telah ditransformasi) dan rasio dari jarak (misalnya, titik tengah pada bagian garis
tetap menjadi titik tengan setelah transformasi). Affine Transformation sering
disebut juga Affinity (Weisstein)
Geometric contraction, expansion, dilation, reflection, rotation, shear,
similarity transformations, spiral similarities, dan translation merupakan Affine
Transformation. Sebuah contoh tertentu menggabungkan rotasi dan ekspansi
transformasi rotasi-pembesaran (Weisstein):

14

=

−

=

( − 0) +
( − 0) +

−

− 0
− 0

( − 0)
( − 0)

Persamaan dipisahkan akan menjadi (Weisstein):
=(
= (−

) +(
) +(

=
=

+
+

) − ( 0
) + ( 0

+ 0
− 0

Persamaan diatas dapat diubah menjadi (Weisstein) :
−
+

dimana

)
)

=
=−

Faktor skala s didefinisikan sebagai berikut (Weisstein):
=

+

dan arah rotasi adalah (Weisstein):
=

2.4.

−

Affine Scale Invariant Feature Transform
Affine Scale Infariant Feature Transform atau yang biasa disebut ASIFT

ini adalah framework yang digunakan untuk mengektraksi fiture dari suatu citra.
ASIFT pertama kali dipublikasikan oleh Guoshen Yu dan Jean-Michel Morel
dalam jurnal yang berjudul ‘ASIFT: An Algorithm for Fully Affine Invariant
Comparison’ pada tahun 2011 (Guoshen & Morel, 2011).
ASIFT mensimulasikan tiga parameter: skala, sudut pandang dari
longitude kamera dan sudut pandang latitude (yang sejajar dengan tilt) dan
menormalkan sisanya (translasi dan rotasi). Skala dan perubahan orientasi sumbu
kamera adalah tiga parameter simulasi. Tiga lainnya, rotasi dan translasi, yang

15

dinormalisasi. Lebih detailnya, ASIFT mensimulasikan dua parameter kamera
sumbu, dan kemudian mengimplementasikan SIFT yang mensimulasikan skala
dan menormalkan rotasi dan translasi. Implementasi dua resolusi ASIFT akan
digunakan, karena memiliki sekitar dua kali kompleksitas rutin SIFT tunggal.
ASIFT menggunakan translation tilt untuk mengevaluasi performa dari
pengenalan affine. Translition tilt mengukur tingkat perubahan sudut pandang dari
satu sudut pandangan ke sudut pandang yang lain.

Gambar. 2.5. Model kamera proyektif u = S1G1Au0. A adalah mengubah sebuah proyektif planar
(Homography). G1 adalah anti-aliasing Gaussian filtering. S1 adalah sampling CCD (Guoshen &
Morel, 2011).

16

2.3.1. Algoritma ASIFT
Proses algoritma ASIFT dilakukan melalui langkah – langkah sebagai
berikut (Guoshen & Morel, 2011):
1.

Setiap gambar diubah dengan mensimulasikan semua distorsi
affine mungkin disebabkan oleh perubahan orientasi sumbu optik
kamera dari posisi frontal. Distorsi ini tergantung pada dua
parameter: longitude φ dan laitude θ. Gambar mengalami rotasi
dengan sudut φ dan tilts dengan parameter t = 1 / | cos θ | (tilt dari
paramater t yang mengikuti arah x adalah operasi u (x, y) → u (tx,
y)). Untuk gambar digital, tilts dilakukan oleh directional tsubsampling. Oleh karena itu dipererlukan sebuah aplikasi filter
antialiasing di arah sumbu x, yaitu konvolusi yang terdapat dalam
Gaussian dengan standar deviasi c√

− . Dengan nilai c = 0,8

adalah nilai yang ditunjukkan dalam untuk memastikan kesalahan

aliasing sangat kecil. Rotasi dan tilts ini dilakukan untuk jumlah
yang terbatas dan kecil dari sudut latitude dan longitude, langkahlangkah sampling parameter ini memastikan bahwa gambar
simulasi tetap sama dengan tampilan lain yang mungkin dihasilkan
oleh nilai-nilai lain dari φ dan θ .
2.

Semua gambar simulasi dibandingkan dengan algoritma Scale
Invariant Feature Transform(SIFT). SIFT dapat diganti dengan
metode matching invarian kesamaan lainnya. (Ada banyak varian
seperti SIFT).

17

3.

Metode SIFT memiliki kriteria eliminasi perbandingan yang salah.
Oleh karena itu, umumnya meninggalkan perbandingan yang salah,
bahkan dalam pasangan gambar yang tidak memiliki kesamaan
scene.

ASIFT,

dengan

membandingkan

banyak

kesamaan(matching), oleh karena itu dapat mengumpulkan banyak
kecocokan(match) yang salah. Hal ini penting untuk menyaring
perbandingan ini. Kriteria

yang digunakan

adalah bahwa

perbandingan harus sesuai dengan geometri epipolar. Digunakan
metode ORSA dengan tujuan penyesuaian perbandingan(matching)
sesuai dengan geometri epipolar, yang dianggap sebagai metode
yang paling dapat diandalkan, lebih baik dari prosedur RANSAC
klasik. ORSA hanya digunakan untuk menyaring perbandingan
yang diberikan oleh kedua SIFT dan ASIFT. Dengan demikian, hal
itu

mungkin

terjadi

bahwa

dua

gambar

tidak

memiliki

perbandingan yang tersisa sama sekali. Ini tidak berarti bahwa
tidak ada perbandingan ASIFT, mungkin semua perbandingan
dihilangkan karena bertentangan dengan geometri epipolar.
2.5.

Matlab
Cleve Moler, ketua departemen ilmu komputer di University of New

Mexico, mulai mengembangkan MATLAB pada akhir 1970-an (Cleve, 2004).
(Simarta, 2010) (Kristanto, 2014) (Silajaya, 2014) Ia dirancang untuk memberikan
murid-muridnya akses ke LINPACK dan EISPACK tanpa mereka harus belajar
Fortran. Segera menyebar ke universitas lain dan menemukan audiens yang kuat

18

dalam komunitas matematika yang diterapkan. Jack kecil, seorang insinyur, yang
terkena itu selama kunjungan Moler dibuat untuk Stanford University pada tahun
1983. Menyadari potensi komersialnya, ia bergabung dengan Moler dan Steve
Bangert. Mereka menulis ulang MATLAB di C dan mendirikan MathWorks pada
tahun 1984 untuk melanjutkan perkembangannya. Ini perpustakaan ditulis ulang
dikenal sebagai JACKPAC. Pada tahun 2000, MATLAB ditulis ulang untuk
menggunakan satu set baru dari perpustakaan untuk matriks manipulasi,
LAPACK.
MATLAB pertama kali diadopsi oleh para peneliti dan praktisi di bidang
teknik kontrol, Little khusus, tapi dengan cepat menyebar ke banyak domain
lainnya. Sekarang juga digunakan dalam pendidikan, khususnya pengajaran
aljabar linear, analisis numerik, dan populer di kalangan ilmuwan yang terlibat
dalam pengolahan citra (Cleve, 2004).
MATLAB (matrix laboratory) adalah multi-paradigma lingkungan
komputasi numerik dan bahasa pemrograman generasi keempat. Dikembangkan
oleh MathWorks, MATLAB memungkinkan manipulasi matriks, merencanakan
fungsi dan data, implementasi algoritma, pembuatan antarmuka pengguna, dan
berinteraksi dengan program yang ditulis dalam bahasa lain, termasuk C, C ++,
Java, Fortran dan Python.
Meskipun MATLAB ditujukan terutama untuk komputasi numerik, sebuah
kotak peralatan opsional menggunakan mesin simbolik MuPAD, memungkinkan
akses ke kemampuan komputasi simbolik. Paket tambahan, Simulink,

19

menambahkan simulasi multi-domain grafis dan Desain Model Berbasis untuk
sistem dinamis dan tertanam.
2.6.

Metode Prototyping
Prototyping adalah proses pembuatan model sederhana software yang

mengijinkan pengguna memiliki gambaran dasar tentang program serta
melakukan pengujian awal. Prototyping memberikan fasilitas bagi pengembang
dan pemakai untuk saling berinteraksi selama proses pembuatan, sehingga
pengembang dapat dengan mudah memodelkan perangkat lunak yang akan dibuat.
Prototyping merupakan salah satu metode pengembangan perangat lunak yang
banyak digunakan.
Kunci agar model Prototype ini berhasil dengan baik adalah dengan
mendefinisikan aturan-aturan main pada saat awal, yaitu user dan pengembang
harus setuju bahwa Prototype dibangun untuk mendefinisikan kebutuhan.

Gambar 2.6. Model Prototyping

20

Proses-proses tersebut dapat dijelaskan sebagai berikut:

1. Pengumpulan

kebutuhan: developer dan

klien

bertemu

dan

menentukan tujuan umum, kebutuhan yang diketahui dan
gambaran bagian-bagian yang akan dibutuhkan berikutnya;
2. Perancangan:

perancangan

dilakukan

cepat

dan

rancangan

mewakili semua aspek software yang diketahui, dan rancangan ini
menjadi dasar pembuatan Prototype;
3. Evaluasi Prototype: klien mengevaluasi Prototype yang dibuat dan
digunakan untuk memperjelas kebutuhan software.
Terdapat tiga pendekatan utama Prototyping, yaitu (Simarta, 2010):

1. THROW-AWAY
Prototype dibuat dan dites. Pengalaman yang diperoleh dari pembuatan
Prototype digunakan untuk membuat produk akhir (final), kemudian
Prototype tersebut dibuang (tak dipakai).
2. EVOLUTIONARY
Pada metode ini, prototype tidak dibuang tetapi digunakan untuk iterasi desain
berikutnya. Dalam hal ini, sistem atau produk yang sebenarnya dipandang
sebagai evolusi dari versi awal yang sangat terbatas menuju produk final atau
produk akhir..
Untuk memodelkan sebuah perangkat lunak, metode Prototyping memiliki
tahapan-tahapan di dalam proses pengembangannya. Tahapan inilah yang

21

menentukan keberhasilan dari sebuah software. Pengembang perangkat lunak
harus memperhatikan tahapan dalam metode Prototyping agar software finalnya
dapat diterima oleh pemakai. Dan tahapan-tahapan dalam Prototyping tersebut
adalah sebagai berikut :
1. Pengumpulan kebutuhan
Pemakai dan pengembang bersama-sama mendefinisikan format
seluruh perangkat lunak, mengidentifikasikan semua kebutuhan, dan
garis besar sistem yang akan dibuat.
2. Membangun Prototyping
Membangun Prototyping dengan membuat perancangan sementara
yang berfokus pada penyajian kepada pemakai (misalnya dengan
membuat input dan format output).
3. Evaluasi Protoptyping
Evaluasi ini dilakukan oleh user apakah Prototyping yang sudah
dibangun sudah sesuai dengan keinginan user. Jika sudah sesuai maka
langkah keempat akan diambil. Jika tidak, maka Prototyping direvisi
dengan mengulang langkah 1, 2 , dan 3.
4. Mengkodekan Sistem
Dalam tahap ini Prototyping yang sudah disepakati diterjemahkan ke
dalam bahasa pemrograman yang sesuai.
5. Menguji system

22

Setelah sistem sudah menjadi suatu perangkat lunak yang siap pakai,
harus dites dahulu sebelum digunakan. Pengujian ini dilakukan dengan
White Box, Black Box, Basis Path, pengujian arsitektur dan lain-lain.
6. Evaluasi Sistem
Pemakai mengevaluasi apakah sistem yang sudah jadi sudah sesuai
dengan yang diharapkan. Jika sudah, maka langkah ketujuh
dilakukan, jika belum maka mengulangi langkah 4 dan 5.
7. Menggunakan Sistem
Perangkat lunak yang telah diuji dan diterima pemakai siap untuk
digunakan.
Keunggulan dan Kelemahan Prototyping adalah sebagai berikut :

A. Keunggulan Prototyping :
1. Adanya komunikasi yang baik antara pengembang dan pemakai.
2. Pengembang dapat bekerja lebih baik dalam menentukan kebutuhan
user.
3. User berperan aktif dalam pengembangan system.
4. Lebih menghemat waktu dalam pengembangan sistem.
5. Penerapan menjadi lebih mudah karena user mengetahui apa yang
diharapkannya
B. Kelemahan Prototyping :
1. User terkadang tidak melihat atau menyadari bahwa perangkat lunak
yang ada belum mencantumkan kualitas perangkat lunak secara

23

keseluruhan dan juga belum memikirkan kemampuan pemeliharaan
untuk jangka waktu lama.
2. Pengembang biasanya ingin cepat menyelesaikan proyek. Sehingga
menggunakan algoritma dan bahasa pemrograman yang sederhana
untuk membuat Prototyping agar lebih cepat selesai tanpa memikirkan
lebih lanjut bahwa program tersebut hanya merupakan cetak biru
sistem .
Hubungan user dengan komputer yang disediakan mungkin tidak
mencerminkan teknik perancangan yang baik.
2.7.

Falase Acceptance Rate(FAR), False Rejection Rate(FRR) dan Equal
Erorr Rate(EER)
Sistem biometrik yang baik seharusnya dapat menghasilkan output yang

diharapkan dari input. Namun tidak dapat dipungkiri bahwa sistem yang dibuat
menghasilkan output tidak sesuai dengan yang diharapkan. Ini terjadi karena ada
kesalahan penerimaan kandidat hasil, karena ada data yang bukan seharusnya
menjadi output memiliki nilai kecocokan melebihi threshold. Dalam biometrik
terdapat suatu sistem penilaian untuk mengukur kesalahan penerimaan output
yang dinamakan dengan False Acceptance Rate. Selain itu terkadang sistem justru
menolak data yang seharusnya menjadi output, karena data tersebut memiliki nilai
kecocokan kurang dari threshold. Kesalahan ini diukur dengan False Rejection
Rate . Threshold terbaik dapat didapatkan dari nilai yang dimiliki oleh titik
keseimbangan antara FAR dan FRR, titik ini disebut Equal Erorr Rate(EER)
(Putri, Agung, & Sa'adah, 2014).

BAB III
METODOLOGI PENELITIAN
Pada bab ini peneliti akan menejelaskan mengenai metodologi penelitian
yang digunakan beserta tahap – tahap yang akan dilakukan didalam penelitian.
3.1.

Metode Pengumpulan Data
Pengumpulan data merupakan langkah yang penting untuk metode ilmiah,

karena pada umumnya data yang dikumpulkan digunakan untuk menguji hipotesis
yang telah dirumuskan. Teknik pengumpulan data yang sering digunakan antara
lain:
3.1.1. Studi Pustaka
Studi pustaka yang dilakukan oleh penulis dengan mencari dan
mempelajari teori-teori yang dapat dijadikan landasan atau kerangka berpikir
bagi penelitian yang akan dilakukan sehingga penyusunan laporan skripsi ini
dapat lebih terarah. Teori-teori tesebut diperoleh dari literatu tertulis, dimana
literatur tersebut perlu dicari sebanyak mungkin agar dapat dibandingkan satu
dengan yang lainnya.
Adapun sumber studi kepustakaan ini adalah buku-buku mengenai
image processing, metode pengembangan sistem, matlab sebagai dasar
bahasa pemprograman, jurnal tentang algoritma Affine Scale Invariant Fiture
Transpose(ASIFT) atau algoritma yang lain tetapi untuk identifikasi sketsa
seperti Scale Invariant Fiture Transpose(SIFT), Multiscale Markov Random
Field (MMRF), Modified Local Binary Patterns(MLBP), dan sumber-sumber
24

25

lainnya yang berhubungan erat dengan permasalahan yang diambil baik
berupa buku ataupun paper.
3.1.2.

Penelitian Sejenis
Penulis mencari penelitian – penelitian yang berkaitan mengenai

identifikasi wajah sebelumnya telah dilakukan oleh peneliti lain. Berikut
ini beberapa penjelasan singkat mengenai literature-literatur yang relevan
dengan topik yang diteliti oleh penulis :

Nama
Yuwono
jurusan
teknik elektro
Universitas
Kristen
Maranatha

Alvin
Silajaya
Jurusan
teknik
elektro,
Universitas
Kristen
Maranatha

Tabel 3.1. Tabel Perbandingan Studi Literatur Sejenis

Judul Penelitian
Kelebihan
Kekurangan
PERBANDINGAN 1. Hasil
1. Algoritma
TEKNIK SCALE
SIFT hanya
perbandingan
INVARIANT
menemukan
dapat
FEATURE
menunjukkan
sedikit
TRANSFORM
bahwa dengan
keypoint
(SIFT)
DAN
teknik
SIFT
pada sketsa
MULTISCALE
sketsa
dapat
maupun
LOCAL BINARY
diidentifikasi
foto
PATTERN
lebih
baik
(MLBP) DALAM
daripada
PENGENALAN
menggunakan
WAJAH
MLBP
DENGAN CITRA 2. Tingkat
MASUKAN
keakurasian
BERUPA
dalam
identifikasi
SKETSA
sketsa
mencapai
80,3%
PENGENALAN
1. Menggunakan 1. Tingkat
algoritma
keakurasian
WAJAH
DENGAN CITRA
reduksi
data
tertinggi
dalam
MASUKAN
Local
BERUPA CITRA
Discriminant
identifikasi
SKETSA WAJAH
Analysis
dan
sketsa hanya
SEBAGAI HASIL
Principal
60% dengan
SINTESIS
Component
menggunaka
DENGAN
Analysis
n
metode
TEKNIK
Principal

26

MULTISCALE
MARKOV RANDOM
FIELD (MRF)

3.2.

Component
Analysis
dalam
reduksi
datanya.

Metode Pengembangan Prototyping
Pada metode pengembangan simulasi ini penulis menggunakan metode

prototyping. Adapun alasan kenapa penulis menggunakan metode pengembangan
prototyping ini, sebagai berikut:
1. Sistem yang dibuat bukan berupa aplikasi namun masih berupa
prototype aplikasi untuk membuktikan penggunaan ASIFT dalam
identifikasi sketsa.
2. Ada tekanan untuk implementasi secepatnya, disini karena penulis
menginginkan program simulasi ini bisa jadi secepatnya sehingga tidak
terlalu menghabiskan banyak dana dan waktu.
Adapun langkah-langkah yang digunakan dalam pengembangan
prototyping yang akan dibuat, sebagai berikut:

3.2.1 Pengumpulan Kebutuhan
Tahap awal pengembangan prototyping diawali dengan pengumpulan
kebutuhan. Pada tahap ini penulis melakukan analisis kebutuhan dan
mengidentifikasi segala kebutuhan. Dari analisis tersebut dapat ditetapkan tujuan

27

perancangan, pengajuan usulan solusi yang dapat diterima. Tahapannya adalah
sebagai berikut :

3.2.1.1

Analisa Sistem
Pada tahap ini penulis akan membahas mengenai analisa sistem pada

identifikasi sketsa wajah yang dilukis dengan foto wajah yang telah disimpan
selama ini, yang dilakukan pada lembaga – lembaga terkait.

3.2.1.2

Identifikasi
Masalah
Pada tahap ini penulis menjelaskan masalah yang terjadi pada sistem.

3.2.1.3 Usulan Penyelesaian Masalah
Pada tahap ini penulis menjelaskan mengenai usulan penggunaan metode
Affine Scale Invaraiant Feature Transform untuk identifikasi sketsa wajah.

3.2.1.4 Kebutuhan Perangkat Lunak dan Perangkat Keras
Pada tahapan ini penulis membuat spesifikasi dari aplikasi simulasi yang
penulis buat dari kebutuhan hardware dan kebutuhan dari software yang penulis
gunakan untuk membuat prototype. Pembuatan spesifikasi ini bertujuan untuk
memudahkan dalam melakukan analisa kemampuan yang sesuai dengan
kebutuhan.

3.2.2 Membangun Prototype
Didalam prototyping melakukan perancangan sementara yg berupa format
input dan output berikut adalah tahapan yg akan dilakukan:

28

3.2.2.1

Desain Image Processing
Pada tahap ini penulis akan menjelaskan mengenai proses image

processing yang penulis terapkan dalam pengenalan wajah pada sketsa
menggunakan algoritma Affine Scale Invariant Feature Transform. Adapun
tahapan yang penulis lakukan adalah :
1.

Image Acquisition
Pada tahap ini penulis akan menjelaskan bagaimana penulis
memperoleh data citra yang di butuhkan dalam proses pengenalan
wajah pada citra sketsa.

2.

Feature Extraction
Pada tahap ini penulis akan menjelaskan mengenai proses dalam
mendapatkan ciri ciri khusus pada citra sketsa maupun pada citra
foto menggunakan algoritma Affine Scale Infariant Feature
Transform.

3.

Recognition
Pada tahap ini penulis akan menjelaskan mengenai proses dalam
mengenali citra sketsa untuk mendapatkan citra foto yang cocok,
dengan mencocokkan ciri ciri khusus pada citra sketsa dengan ciri
ciri khusus pada citra foto.

29

3.2.2.2

Desain Interface
Pada tahap ini, penulis melakukan perancangan terhadap user interface

dari prototype. Untuk tampilan antar muka, penulis melakukan perancangan GUI
(Graphical User Interface).

3.2.3 Mengkodekan Sistem
Pada tahap ini, semua rancangan yang sudah dirancang diatas akan
dikodekan kedalam program dengan menggunakan tools untuk membangun
simulasi ini. Tools yang dipakai adalah Matlab 8.03 untuk membangun prototype
ini.

3.2.4 Pengujian Prototype
Prototype aplikasi ini diuji apakah protype ini dapat menganalisa
wajah dari citra masukan berupa sketsa. Pada tahap ini akan didapatkan nilai
nilai keypoint dan kecocokan antara citra masukan dengan citra hasil
identifikasi.

30

3.3.

Kerangka
erfikir
B

Gambar 3.1. Alur Kerangka Berpikir
1

BAB IV
PEMBAHASAN DAN HASIL
Pada perancangan prototype aplikasi ini penulis melakukan perancangan
dengan menggunakan metode pengembangan Prototyping. Prototyping adalah
proses pembuatan model sederhana software yang mengijinkan pengembang
memiliki gambaran dasar tentang program serta melakukan pengujian awal.
Prototyping memberikan fasilitas bagi pengembang dan pemakai untuk saling
berinteraksi selama proses pembuatan, sehingga pengembang dapat dengan
mudah memodelkan perangkat lunak yang akan dibuat. Prototyping merupakan
salah satu metode pengembangan perangat lunak yang banyak digunakan. Berikut
ini adalah langkah-langkah yang penulis lakukan dalam melakukan prancangan
dengan menggunakan metode prototyping, sebagai berikut :
4.1.

Pengumpulan Kebutuhan
Pada tahapan penggumpulan kebutuhan peneliti melakukan dengan

beberapa tahapan seperti berikut ini:
4.1.1. Analisa Sistem
Data yang digunakan dibagi menjadi dua bagian. Pertama adalah
kumpulan citra foto yang telah ada didalam komputer. Kedua adalah citra sketsa
yang dibuat berdasarkan informasi yang didapatkan. Data citra sketsa akan
dicocokkan dengan data citra foto sampai ditemukan wajah yang sama atau
setidaknya mirip pada citra foto dengan wajah pada citra sketsa.

31

32

4.1.2. Identifikasi Masalah
Setelah melakukan analisa masalah yang ditemukan adalah sebagai
berikut :
1.

Sulitnya mengidentifikasi wajah dari citra sketsa yang telah dibuat
untuk mendapatkan wajah yang sama yang ada didalam komputer.
Terutama apabila citra yang akan dibandingkan banyak jumlahnya.

2.

Sketsa dan foto memiliki dua perbedaan yang mencolok yaitu,
tekstur dan bentuknya.

4.1.3. Usulan Penyelesaian Masalah
Dibuat sebuah sistem yang akan mengidentifikasi wajah pada citra sketsa
sehingga didapatkan foto yang sesuai dengan citra sketsa yang diidentifikasi.
Menggunakan metode Affine Scale Invariant Feature Transform untuk mengatasi
perbedaan tekstur dan bentuk pada sketsa dan foto.
4.1.4. Kebutuhan Perangkat Lunak dan Perangkat Keras
Perangkat

Keras

yang

akan

digunakan

untuk

membangun

prototype adalah sebagai berikut:
Tabel 4.1. Tabel Spesifikasi Kebutuhan Perangkat Keras

Jenis Laptop atau Komputer
Laptop Samsung 275E4E

Spesifikasi
AMD E2-2000 APU(1,8 GHz),
4GB RAM, 500 GB HDD, Amd
Radeon
HD
7340
Grapics,
Generic PnP Monitor, Synaptic
PS/2 Port TouchPad.

33

Kebutuhan

untuk

perangkat

lunak

yang

akan

penulis

gunakan

adalah :
Tabel 4.2. Perangkat Lunak Yang Digunakan

Nama Perangkat
Lunak
Sistem
Operasi
Windows 7 Ultimate
32bit
Matlab 8.03
Borlan C++ 5.02

4.2.

Fungsi

Sebagai interface antara pengguna dan
komputer.
Sebagai tools untuk membuat serta
menjalankan program simulasi yang
dibuat.
Sebagai tools untuk menganalisa
algoritma Affine Scale Invariant Feature
Transform(ASIFT).

Membangun Prototype
Pada tahapan ini akan dilakukan desain untuk prototype yang akan dibuat

dengan beberapa tahapan yaitu tahapan desain image processing dan desain
interface. Berikut ini adalah penjelasan tentang desain yang penulis lakukan,
sebagai berikut :
4.2.1. Desain Image Processing
Pada tahapan ini akan dilakukan desain untuk proses image processing
yang dibutuhkan untuk mengenali wajah pada sketsa. Berikut ini adalah tahapan
sampai recognition(pengenalan) beserta penjelasan untuk mempermudah dalam
membangun prototype yang akan dibuat :
1.

Image Acquisition
Pada image acquisition ini digunakan sepuluh citra, lima citra foto dan

lima citra sketsa berekstensi .jpeg. Citra digunakan sebagai input dalam proses

34

pengenalan. Citra foto telah ada di dalam komputer, citra sketsa dimasukka