salah satu fitur saja atau sekaligus menggunakan ketiga fitur secara bersamaan. Blok diagram proses temu-kembali citra wajah diperlihatkan pada Gambar 3.3.
Gambar 3.3 Blok Diagram Proses Temu-Kembali Citra Wajah dan Citra Sumber Wajah
3.3 Proses Ekstraksi Fitur Citra
Tahap awal yang dilakukan setelah citra wajah diperoleh adalah ekstraksi fitur. Tahap ini harus dilakukan sebelum pembangunan indeks fitur. Tujuan dari ekstrasi fitur
adalah memperoleh vektor fitur citra wajah. Secara umum, ukuran vektor atau banyaknya elemen vektor fitur disebut bin. Di dalam penelitian ini, terdapat tiga fitur
yang diekstraksi dari citra wajah, yaitu fitur warna, fitur bentuk dan fitur tekstur. Ketiga fitur tersebut adalah fitur yang dimiliki oleh citra secara umum. Dengan kata
lain, proses ekstraksi fitur tidak memperhatikan secara spesifik fitur sesuai dengan objek yang terdapat di dalam citra. Proses ekstraksi untuk setiap fitur mempunyai
algoritma yang berbeda. Citra Wajah
Query Ekstraksi
Fitur Pembangunan
Indeks Fitur
Database Fitur
Pengukuran Kemiripan
Fitur dengan
Jaringan Bayesian
Pencarian Citra Sumber
Wajah Database
Relasi File Citra Wajah
Hasil Temu-Kembali
Citra Sumber Wajah
Universita Sumatera Utara
3.3.1 Ekstraksi fitur warna Ekstraksi fitur warna dilakukan dengan menggunakan histogram warna konvensional
conventional color histogram CCH. Ruang warna yang digunakan dalam ekstraksi fitur adalah ruang warna HSI hue, saturation, intentsity. Pemilihan ruang warna ini
didasarkan pada saran dan pengalaman dari beberapa peneliti sebelumnya, yang menyatakan komponen-komponen ruang warna ini berkontribusi langsung pada
persepsi visual manusia. Algoritma ekstraksi fitur warna adalah sebagai berikut:
1. Baca data warna RGB citra wajah.
2. Konversikan warna RGB ke warna HSI dengan menggunakan Persamaan 2.4
sampai 2.7. 3.
Tentukan ukuran kuantisasi masing-masing komponen warna. Pada penelitian ini, Komponen Hhue dikuantisasi menjadi 18 bagian, Ssaturation dikuantisasi
menjadi 3 bagian, sedangkan Iintensity dikuantisasi menjadi 3 bagian, sehingga kombinasi dari seluruh komponen warna HSI diperoleh sebanyak 18 x 3 x 3 =162
bagian. Setiap kombinasi kuantisasi warna disimpan sebagai elemen vektor fitur. Setiap elemen vektor fitur juga disebut bin.
4. Susunlah histogram warna HSI sesuai dengan kuantisasi yang ditetapkan. Hasil
kuantisasi dinormalisasi dalam rentang nilai 0 sampai 1. Histogram yang diperoleh disebut histogram HSI-162 bin. Nilai setiap elemen histogram menyatakan
normalisasi jumlah piksel citra yang masuk ke dalam bin yang sesuai. Histogram HSI-162 bin merepresentasikan vektor fitur warna citra.
5. Simpanlah vektor fitur warna ke dalam database fitur warna.
3.3.2 Ekstraksi fitur bentuk Ekstraksi fitur bentuk dilakukan dengan menggunakan edge direction histogram.
Ekstraksi fitur bentuk setiap citra direpresentasikan dengan vektor yang terdiri dari 72 bin. Hal ini dimaksudkan untuk dapat mengantisipasi perputaran objek setiap 5
Algoritma ekstraksi fitur bentuk adalah sebagai berikut: Operator yang digunakan untuk mendeteksi tepi adalah Sobel edge detector.
1. Baca warna RGB citra wajah.
2. Konversikan warna RGB ke warna grayscale.
Universita Sumatera Utara
3. Tentukan nilai threshold.
4. Telusuri bentuk dengan menggunakan deteksi tepi sobel sesuai dengan nilai
threshold. 5.
Tentukan besar sudut arah tepi edge direction dengan menggunakan Persamaan 2.17.
6. Susunlah histogram arah tepi edge direction histogram berdasarkan setiap
perubahan sudut sisi sebesar 5
7. Simpanlah vektor fitur bentuk ke dalam database fitur bentuk.
. Dengan pengukuran ini akan diperoleh edge direction histogram 72-bin. Langkah selanjutnya adalah menghitung jumlah pixel
yang bersesuaian arahnya dengan setiap bin. Edge direction histogram-72 bin ini dinormalisasi dengan cara membagi nilai setiap bin dengan jumlah piksel. Tujuan
normalisasi adalah agar vektor bentuk yang didapatkan tidak dipengaruhi oleh perubahan skala citra scale invariant. Edge direction histogram 72-bin
merepresentasikan vektor fitur bentuk.
3.3.3 Ekstraksi fitur tekstur Ekstraksi fitur tekstur dilakukan dengan bantuan co-occurrence matrix. Representasi
co-occurrence matrix dapat digunakan untuk menghitung energy, moment, entropy, maximum probability, contrast, correlation dan homogenity. Nilai dari energy,
moment, entropy, maximum probability, contrast, correlation dan homogenity disusun untuk membentuk vektor fitur tekstur.
Langkah awal yang dilakukan untuk mendapatkan informasi tekstur dari sebuah citra adalah dengan menentukan co-occurrence matrix. Co-occurrence matrix
dihitung dalam empat arah yaitu 0 , 45
, 90 , dan 135
. Dengan demikian, setiap citra memiliki empat buah matriks co-occurrence. Setelah itu, nilai energy, moment,
entropy, maximum probability, contrast, correlation, dan homogeneity dihitung untuk setiap matriks co-occurrence, sehingga untuk setiap komponen akan diperoleh empat
nilai, masing-masing untuk arah 0 , 45
, 90 , dan 135
. Nilai dari setiap fitur diperoleh dengan menghitung rata-rata dari keempat arah. Hal ini dilakukan agar informasi
tekstur yang diperoleh tidak peka terhadap rotasi rotation-invariant. Informasi tekstur untuk setiap citra akan direpresentasikan dengan sebuah vektor yang memiliki
tujuh elemen.
Universita Sumatera Utara
Jumlah level keabuan yang akan digunakan adalah 16 untuk mengoptimalkan ketelitian temu kembali berdasarkan informasi tekstur. Algoritma ekstraksi fitur
tekstur adalah sebagai berikut: 1.
Baca warna RGB dari citra wajah. 2.
Konversikan warna RGB ke warna grayscale. 3.
Tentukan level keabuan untuk penyusunan matrik co-occurence. Level keabuan yang digunakan adalah 16.
4. Susun matrik co-occurence dalam empat arah yaitu 0
, 45 , 90
, dan 135
5. Berdasarkan matrik co-occurence untuk setiap arah, hitunglah energy, moment,
entropy, maximum probability, contrast, correlation dan homogenity dengan menggunakan Persamaan 2.18 sampai dengan 2.24.
, sesuai dengan level keabuan.
6. Hitunglah nilai rata-rata dari energy, moment, entropy, maximum probability,
contrast, correlation dan homogenity. 7.
Susunlah nilai rata-rata dari energy, moment, entropy, maximum probability, contrast, correlation dan homogenity dalam sebuah vektor. Vektor inilah yang
merepresentasikan vektor fitur tekstur. 8.
Simpan vektor fitur tekstur ke dalam database tekstur.
3.3.4 Model jaringan bayesian Model jaringan bayesian bayesian network model yang digunakan dalam penelitian
ini adalah model jaringan bayesian umum yang dimodifikasi sesuai dengan kebutuhan penelitian ini. Model bayesian network digunakan pada proses penemuan kembali
citra diperlihatkan pada Gambar 3.4.
Universita Sumatera Utara
Gambar 3.4 Model Jaringan Bayesian
Dimana Q adalah citra query, W
1
..W
p,
menyatakan fitur warna citra yang terdiri dari p-bin, B
1
..B
q,
menyatakan fitur bentuk citra yang terdiri dari q-bin, T
1
..T
r,
menyatakan fitur bentuk citra yang terdiri dari r-bin, C
1
..C
n
menyatakan citra yang terdapat di dalam database. I
1
..I
n,
merupakan citra hasil temu-kembali yang telah diranking.
3.3.5 Evaluasi hasil temu kembali Pada tahap evaluasi dilakukan penilaian kinerja sistem dengan melakukan
pengukuran recall dan precision untuk menentukan tingkat keefektifan proses temu kembali. Setiap citra dijadikan sebagai citra query dan citra yang relevan ditentukan
secara manual dengan menghitung jumlah citra yang satu kelas dengan citra query.
3.4 PERANCANGAN SISTEM
