TINJAUAN PUSTAKA DAN LANDASAN TEORI PENGARUH DEKOMPOSISI CITRA MENGGUNAKAN WAVELET PADA PENGENALAN WAJAH DI APLIKASI MOBILE.
BAB II
PUSTAKA
TINJAUAN PUST
TAKA DAN
DAN LANDASAN TEORI
Padaa bbab
ab ini akan dibahas
dibah
has literatur dan landasan
lan
a dasan teori yang
yaang
n relevan dengan
peneli
iti
tian.
penelitian.
2.1
Tinjauan
Pustaka
Tinj
Ti
njauan
nj
nP
ustaka
us
Wajah
merupakan
kompleks
Waja
jah
ja
h merupaka
kan
n sebuah model
mod
odel visual multidimensional
mult
ltid
idimensionnal yang
g ko
komp
m lekss
dan
da
n un
ntuk
tu menggambar
rka
kan penge
enaalan waj
ajah
ah secara komputasi
komput
uttas
a i itu
ittu sulit
su
untuk
menggambarkan
pengenalan
wajah
(Kshirsagar,
Menurut
sebuah
((K
shir
irrsagar, et
et al.,
a ., 2011). Me
al
Men
nurut penelitian
penelitiian Georgescu (2011),
pe
(20
2011
11), seb
buah ssistem
ist
steem
dapa
at secara real-timee m
enggenal
en
ali wa
waj
jah
h da
dala
am vide
deo
o st
str
ream yang disedi
diiakan oleh
h
dapat
mengenali
wajah
dalam
video
stream
disediakan
kam
mera yang dilaksanakan ddan
an memiliki dete
tek
ksi wajah real time. Seb
buah vi
vid
deo
kamera
deteksi
Sebuah
video
berisii iinformasi
nfor
nf
orma
masi
si ssementara
em
ementara
serta
ta bbeberapa
eberapa contoh
cont
co
ntoh dari waja
jah,
ja
h, ssehingga
ehingg
eh
ggaa di
ddiharapkan
harapkan
an
wajah,
dapat mengarah pada kinerja pengen
enal
en
alan wajah yang lebih baik dibanding
al
gka
kan
n
pengenalan
dibandingkan
de
d
ng
gan masih mengh
g adap
pi gambar (Gajame & Chandrakar,, 2013)
2013)
013) ddan
an
dengan
menghadapi
mempercepat kecepatan
me
kece
cepa
ce
pata
pa
tan pemrosesan
ta
pemroses
esan
es
an sistem
sis
iste
tem deteksii wajah
te
waja
wa
jah
ja
h (Mankar & Bhoyar,
Bhoy
Bh
oyar,
oy
2012
12).
12
). Kelebih
ihan
ih
an ddari
ari penelitian iini
n adalah m
ni
ampu melakuka
kan
ka
n de
deteksi wa
waja
jah secara
ja
2012).
Kelebihan
mampu
melakukan
wajah
2004),
real time (Viola & Jones, 2004
4), pengenalan
pengenalaan wajah dan dapat memberikan info
kepada lembaga-lembaga yang berkepenti
tingan. Kelemahan dari penelitian ini
ti
berkepentingan.
adalah diperlukan banyak subyekk dalam
m sistem pengenalan wajah agar dapat
mengenali subyek dengan kecepatan
kecepataan yang diharapkan. Sedangkan menurut
penelitian dari Wang, et al. (2005), memperkenalkan mekanisme seleksi fitur yang
dapat diterapkan untuk memecahkan masalah identifikasi subjek ketika hanya satu
10
sampel wajah per subyek yang tersedia. Pemilih fitur yang diusulkan menentukan
ruang fitur dimensi rendah di mana variasi
varia
arriasi intersubyek dimaksimalkan sementara
variasi intrasubject ddiminimalkan.
imiinimalkan. Kelebihan dari
im
ri ppenelitian
enelitian ini adalah dapat
mengalahkan
meningkatkan
n kkinerja
inerja dalam
m pengenalan, bahkan meng
gal
a ahkan pendekatan
eigenface
Kekurangan
eigenfac
ce standar. Ke
Keku
kurangan
ku
an
n ddari
ari penelitian
ar
peene
nellitiian ini
ini
n adalah kurangnya
kuraang
ngnya sampel
pelatihan
pencahayaan
pela
lattihan dan
la
n cu
ccukup
kup vvariasi
ariasi pada ggambar
amba
am
barr ak
ba
akibat penuaan,
penuaaan
an, penc
cah
a ayaan da
dan
n variasi
membuat
pengenalan
merupakan
yang
menantang.
pose, me
memb
mbua
mb
u t peng
ua
ngeenalan
ng
en
wajah mer
rupakan tugas yan
ng me
m
nant
ntan
tan
ang.
g.
Pendekatan
Eigenface
salah
metode
paling
P
endek
ekatan Eige
ek
genface adalah sa
sala
l h satu metod
de paling ssederhana
ederhaana ddan
ed
an palin
an
ng
Dalam
pendekatan
efisien un
ef
untuk pengenalan
an wajah. Da
Dala
l m pendek
ekaatan eigenfacee memilih
mem
mil
ilih
ih nnilai
i ai
il
threshold
faktor
perfomance
thresh
th
hold
d yyang
ang
an
g merupakan fa
fakt
ktor yang
g ssangat
angat ppenting
enting bagi perfom
en
oman
ancee pengenalan
penge
gena
ge
nala
na
l n
wajah.
ruang
wajah
pada
waja
ah. Selain itu, ppengurangan
engu
en
g rangaan ddimensi
im
men
nsi rua
uang waj
ajah
ah ttergantung
ergantung pa
ada
d jumlah
eigenfaces
(2010).
eige
enf
n aces yang diambil. Penelitian
Pen
enellit
itia
ian
n diatas ppernah
ernaah diteliti
diteliti oleh Gupta, et aal.
l. (201
10).
Kelebihan
diatas
dapat
meningkatkan
performance
Kele
Ke
leb
le
biha
h n ddari
arii ppenelitian
enel
en
elit
el
itia
it
ian
ia
n di
diat
a as adalah dapa
patt me
pa
meni
ning
ni
ngka
ng
katk
tkaan perf
form
man
ancce padaa
pengenalan wajah ketika kedua faktor
fakt
fa
k orr tersebut
kt
tersebut dikombinasikan yaitu 15% dari
dar
arii
eigenfaces
dipilih
0,8
eige
ei
genfaces dengan nilai eigen terbesar dipilih dan nilai thresholdd yang di
ge
ipi
pillih
h 0,
,8
maksimum
jarak
Euclidean
minimum
kali
ka
li m
aksi
ak
simu
si
mum
m jara
ja
ara
rak
k Eu
Eucl
clid
cl
idea
id
ea
an m
inim
in
i um setiap
set
etia
iap
ia
p gambar
gamb
ga
mbar
mb
ar dari
dar
arii semua
semu
se
mu
ua gambar
gamb
ga
mbar
mb
arr yyang
ang
an
lain.
Sedangkan
kekurangan
adalah
dilakukan
penambahan
lain
la
in. Se
in
Seda
dang
da
ngka
ng
kan ke
ka
keku
kurangan ddari
ku
a i penelitian
ar
an ini adala
lah
la
h di
ila
laku
kuka
ku
kan
ka
n pe
pena
namb
mbahan
mb
proses pada preprocessing yaitu th
threshold.
menggunakan
algoritma
Pengenalan wajah mengg
gunakan alg
goritma Principal Component Analysis
(PCA) merupakan metode di mana
na satu se
set kecil fitur yang signifikan digunakan
untuk menggambarkan variasi antaraa ggambar
ambar - gambar wajah (Slavkovic & Jevtic,
2012). Dalam metode ini, menyederhanakan data dengan transformasi linear dan
terbentuk koordinat baru dengan varians yang maksimum sebagai ciri khasnya (Roy
11
& Bandyopadhyay, 2013). Hasil eksperimen untuk nomor yang berbeda dari
eigenfaces ditunjukkan untuk memverifikasi
mem
emve
verifikasi dari metode yang diusulkan
ve
peningkatan
selanjutnya. Kelebihan
n ddari
ari penelitian ini adalah pe
eni
ning
n katan tingkat pengenalan
bahwa
dengan jumlahh ggambar
ambar pelatihan
an per orang. Hal ini jelas bahw
wa ji
jjika
ka jarak minimum
pengujian
gambar
training
adalah
antara ggambar
ambar peng
am
gujia
ian
ia
n dan ga
amb
mbar
ar tra
rain
nin
ing
g ad
adal
alah
al
ah nol makan gambar
gam
mba
b r pengujian
sepenuhnya
gambar
dasar
pelatihan.
sepe
penuhnya sesuai
pe
ses
e uai ga
amb
bar dari da
dasa
sarr pe
sa
pela
lati
la
tihan. Kekurangannya
Kekur
uraangannnya
ur
ya adalah ji
jika
k jarak
mengenali
lebih besar
besa
be
saar da
dari nol
ol tetapi
tet
etapi kurang darii batas tertentu, ma
maka
k tidak
ak aakan
kan
ka
n meng
gen
e ali
wajah
wa
aja
jah
h ya
yyang
ng ddiujikan.
iujjikan.
iu
Teknologi
biometrik
menjadi
dalam
Tek
Te
knologi biomet
tri
rikk telah me
enjjadi suatu teknologi
tek
te
knologi yang luar
lua
uar biasa
ua
biias
asaa da
dala
l m
la
aplikasi
jenis
aplikaasi
ap
si keamanan
kea
eama
m nan yang tinggi.
tin
ingg
ggi. Berbagai
Berrbaagai je
eni
niss biometrik yang
yang sudah
sud
udah bbanyak
ud
any
an
yak
digunakan
Berbagai
statistik
telah
digun
nakan sampaii hhari
arii ini. Berba
ar
b ga
gai mo
modell st
tatistik te
ela
lah
h di
dikembangkan
n sejauh ini
denggan berbeda-beda akur
ras
a i da
dan
n efisiensi.
efisiens
nsii. D
ilakukan pendekatan ba
il
aru unt
nttuk
dengan
akurasi
Dilakukan
baru
untuk
memanfaatkan
metodologi
fisherface
menggunakan
meemanf
ma faatkan
k eeigenface
igen
ig
enfa
face
fa
ce ddan
an m
etodologi fisher
erfa
er
face
fa
ce ddengan
enga
en
g nm
ga
enggunaka
kan
ka
n medoid
d
lit
itia
ian in
ia
ni ad
adalah dengan menggunakan metode iini,
n,
ni
(Bhat, 2013). Kelebihan dari penel
penelitian
ini
tida
ti
d k hanya membutuhkan pelatihan yang lebih rendah tetapi juga menu
da
unj
njuk
ukka
uk
kan
ka
n
tidak
menunjukkan
efis
ef
isie
is
iens
ie
nsii wa
ns
w
ktu
kt
u ya
yang
ng llebih
ebih
eb
ih bbaik
aik
ai
k da
dan ki
kine
nerj
ne
rjan
rj
anya
an
ya ddibandingkan
iban
ib
andi
an
ding
di
ngk
ng
kan de
kan
deng
ngan
ng
an m
etod
et
ode
od
efisiensi
waktu
kinerjanya
dengan
metode
konv
ko
nven
ensi
en
sion
si
onal
on
all yang
yang
gm
enggunaka
kan
ka
n rata-rata. D
alam penelitian
penel
elit
el
itia
it
i n in
inii be
belu
lum
lu
m dite
dditemukan
iteemukan
konvensional
menggunakan
Dalam
belum
dalaam peneliti
ian ini. Menurut penelitian dari Kumar,
kelemahan atau kekurangan dalam
penelitian
mbahas arsite
mb
ektur client server melalui penggunaan
et al. (2010), penelitian ini memb
membahas
arsitektur
teknologi bluetooth melalui fase deteksii wajah yang dapat diimplementasikan.
ah
h ddalam
alam CSAB (Client Server Architecture
Kelebihan dari penelitian ini adalah
menggunakan Bluetooth) komunikasi antara klien dan server tanpa ketergantungan
pada pihak ketiga mana seperti di CSAH (Client Server Architecture menggunakan
12
HTTP) komunikasi antara klien dan server tergantung pada ketersediaan serta
Kelemahan
keandalan GPRS penyedia layanan.
n. K
elemahan dari penelitian ini CSAB dan
el
CSAH belum dapat dikombinasikan
dik
kom
ombinasikan bersama-sama ddalam
alam
al
a sebuah aplikasi sehingga
ketersediaan
kinerja dan ke
ete
terrsediaan belum
m maksimal.
Yawale
penelitiannya
Menurut
M
e
Yawa
Ya
waale (2013),
(20133), pada
pad
adaa pe
pene
neliti
ne
tian
ti
nny
nya membahas kerangka
ker
e angka kerja
umum
dihadapi
um
mum untuk
k sistem
m pengenalann wajah,
waj
ajah
ah,, da
ah
dan varian yyang
ang se
sering dihad
ad
dap
a i oleh
recognizer
recogn
niz
izer
er wajah.
waj
a ah. Hal
Hal ini juga membahas
memba
b has persyaratann sistem
s stem ppengenalan
si
enge
en
gena
ge
n lan wa
wajah
yang
ng kkuat
uat berdasarkan
berdasarka
be
kan
n segmentasi analog mata ddan
an alg
gor
o itmaa ppengenalan
engenalaan
en
algoritma
berdasark
be
ka ruang eigen ya
kan
yang telah ddikembangkan.
ik
kembangkaan. Kelebihan dar
arri pene
neli
ne
liti
li
tian
ti
an ini
berdasarkan
dari
penelitian
adalah
ad
h ddengan
en
nga
gan menggunakan
nm
etode ini,
inii, tingka
kat kkeakuratannya
eakuratannya be
bert
rtam
mba
b h me
menj
njadi
nj
metode
tingkat
bertambah
menjadi
90%,
%,, sedangkan kkelemahannya
elem
el
emahannyaa ad
adala
ah ken
nai
aik
kan ting
gka
kat ke
keakuratannyaa meskipun
n
adalah
kenaikan
tingkat
berta
ambah tetapi masih bbelum
elum
el
um ssignifikan.
ignifikan
ig
n. Se
Sela
ain itu pengenalan waja
ah bany
ny
yak
bertambah
Selain
wajah
banyak
digu
di
gun
gu
naka
k n untu
tuk
k te
tekn
knol
kn
olog
ol
ogii pe
og
pengenalan biolo
ogi
gi. Di
Diba
band
ba
ndin
ingk
gkan ddengan
enga
gaan metodee
digunakan
untuk
teknologi
biologi.
Dibandingkan
identifikasi lain, jenis ini memilik
ki ffitur
i ur ppengenalan
it
engenalan langsung, ramah dan nyam
man
an..
memiliki
nyaman.
Sist
Si
s em pengenalan wajah tertanam didasarkan pada platform LPC ARM
M 21
2148
48
8,
Sistem
2148,
me
m
nggu
ng
guna
gu
nak
na
kan si
kan
ssistem
ist
stem
st
em ooperasi
pera
pe
rasi
ra
si W
indo
in
dows,, mendeteksi
do
mend
me
ndet
nd
etek
eksi
ek
s w
si
ajah
aj
ah ddengan
enga
en
g n menggunakan
ga
meng
me
ngguuna
ng
naka
kan
ka
menggunakan
Windows,
wajah
fitu
fi
t r HA
tu
HAAR
AR, da
AR
dan ke
emudian men
nge
g nali wajah
h ddengan
engan meng
nggu
ng
g naaka
kan
n fitur
fitu
fi
turr LBP
tu
LBP (Rao,
fitur
HAAR,
kemudian
mengenali
menggunakan
et al., 2013). Kelebihan dari penelitian
pen
nelitian inii adalah dapat menyediakan keamanan
yang lengkap untuk menjaga kan
an
ntor, rumah,
rumah
h, bank, dll. Kelemahan dari penelitian
kantor,
ini adalah masih belum diketahuii secara lebih
lebih rinci seberapa akurat pengenalan
wajah
ini
ni.
i. Penelitian tentang pengenalan wajah
menggunakan metode ini.
menggunakan fitur Haar juga dikemukakan oleh Mankar & Bhoyar (2012), tetapi
perbedaanya dalam penelitiannya ini menjelaskan tentang desain teknik termasuk
13
skala gambar, integral generasi gambar, pengolahan pipelined serta classifier, dan
beberapa pegklasifikasipemrosesann paralel
pa
untuk mempercepat kecepatan
pemrosesan sistem deteksi
deete
tek
ksi wajah. Kelebihan darii pe
penelitian ini adalah adanya
melalui
yang
peningkatan kinerja
kiinerja
ne sistem mel
ellal
a ui implementasi software ya
ang setara. Tetapi ada
kekurangannya,
yaitu
penggunaan
menggunakan
pula kek
kurangannya
ya, ya
ya
yait
itu peng
it
ggu
una
naan
an m
en
ngg
ggun
unak
un
akan
ak
a metode ini, ssangatlah
a gatlah tidak
an
mudah,
dilakukan.
mu
udah, dan tergolong
ter
ergolong
ng
g metode yang
y ng ccukup
ya
ukup
uk
up ssulit
ulit utnuk
k di
dilakuka
kan.
ka
Adapun
penelitian
pengenalan
berbeda,
Adap
Ad
apu
ap
un pen
nel
eliiti
itian tentang peng
genalan wajah dengan
den
nga
gan metode
meto
tode
to
de yyang
a g berb
an
bed
e a,
yakni
metode
yakn
knii metode
kn
de tentang
ng sebuah meto
tode ekstraksi ffitur
itur sangat
san
an
nga
g t ba
baik
ik efisien,
efisien
n,
menggabungkan
syaraf
probabilistik
menggabu
me
bungkan dengan
bu
n jjaringan
aringan sy
yaraf proba
abi
billistik (PNN) uuntuk
n uk rreal-time
nt
ealea
l tiime
m
pengenalan
diusulkan
wajah
ORL.
pengen
pe
nalan
lan wajah.
wajah. Metode yyang
ang dius
an
sullkan dievaluasi
diiev
evaaluasi pada database
dataaba
base w
ajah
ah O
RL
RL.
Kelebihan
penelitian
otentifikasi
pengenalan
Kele
ebihan dari pen
enel
elit
itian inii adalah
adalaah ote
ad
ent
ntif
ifikasi pe
peng
ngeenalan wajah
h ini dapatt
diim
mplementasikan dengan ttingkat
i gk
in
gkat
at pengena
nala
lan te
terb
rbaik, yakni 100%. Pen
nelitian iini
ni
diimplementasikan
pengenalan
terbaik,
Penelitian
pernah
pe
ern
rnaah dditeliti
itelit
litii ol
oleh
eh ((Chu
Chu
Ch
u & Ch
Chen, 2005).
Selain itu menurut Alwak
kee
eell & Sh
Shaaban (2010), sistem pengenalan wa
aja
jah
h
Alwakeel
wajah
baru
ba
r berdasarkan Haar Wavelet Transform (HWT) dan Principal Comp
mpon
mp
onen
on
nt
Component
Anal
An
alys
al
ysis
ys
is ((PCA)
PCA)
PC
A) m
engg
en
ggun
gg
unak
un
akan
an Le
Leve
venber
ve
erg
er
g Marquardt-backpropagation
Marq
Ma
rqqua
uard
rdtdtt-ba
back
ba
ckpr
prop
pr
oppag
agat
atio
at
ion
io
n ((LMBP)
LMBP
LM
BP)
BP
Analysis
menggunakan
Levenberg
jari
ja
r ng
gan ssaraf
araf
ar
af ddisajikan.
isaj
ajik
aj
ikaan. Gambar
ik
ar wajah
h yangg preprocessed
preprocesssed ddan
an
n terdeteksi.
ter
erde
dete
de
teks
te
ksii. W
ks
avelet
jaringan
Wavelet
Haarr digunakan untuk membentuk
membenttuk matrikss koefisien wajah yang terdeteksi. Fitur
gambar vektor diperoleh dengan
n menghitung
menghitunng PCA untuk matriks koefisien DWT.
Perbandingan antara sistem pengenalan
pengeena
n lan diusulkan
di
menggunakan DWT, PCA dan
Discrete Cosine Transform (DCT) jjuga
uga dibuat. Hasil percobaan menunjukkan
ug
bahwa wajah gambar dapat dikenali oleh sistem pengenalan wajah yang diusulkan
secara efektif. Dari penelitian diatas dapat menghasilkan persentase dalam
14
mengenali wajah rata – rata 90% keatas, tergantung dari jumlah wajah yang
wajah
tersimpan. Semakin banyak jumlah w
ajah
aj
ah di dalam database, maka akan semakin
persentasi
mengenali
besar pula dalam perse
ent
ntaasi keakuratan
k
dalam menge
geena
n li wajah.
Menurut
Wankhade
dekomposisi
Menuru
ru
ut Wadkar & Wan
ankhade (2012), berbagai deko
an
omp
mposisi wavelett telah
dilaksanakan
untuk
menyelidiki
kinerja
Dan
dilaksan
nak
akan dalam
m rrangka
angk
an
g a un
ntuk
tuk me
meny
nyeelid
ny
idik
id
ki ki
kine
nerja terbaik. D
ne
an dari sekian
banyaknya
wavelet
digunakan
menyelidiki
kinerja
terbaik,
ba
any
nyaknya wa
w
velet yyang
ang digunak
akan
ak
an uuntuk
ntuk
nt
uk menyeli
liidi
diki kin
nerja
j terba
aik
ik, maka
diambil
kesimpulan
Haar
merupakan
wavelet
mempunyai
diambi
il ke
kesi
s mp
si
m ulan
n bbahwa
ahwa Wavelet Ha
ah
aar 9/7
7 merupak
kan
n wa
w
veleet yyang
ang
an
g mempun
unyai
un
kinerjasebagai
karena
kesederhanaan
kine
nerj
ne
rjas
rj
asebag
as
gai bbagian
agian da
dari algoritma yyang
ang diusulkan ka
an
kar
rena kes
sed
ederhaana
naan
an mereka,
a,
kesesuaian
wajah
menggunakan
kesesuaia
ke
an dan keteraturan
an
keterattur
uran
a untuk ppengenalan
engenalan
n w
ajah dengan meng
nggu
ng
guna
gu
naka
na
k n
pendekatan
multiresolusi.
pendek
pe
katan
an m
ultiresolusi.
dekomposisi
pada
wajah
Danti,
Proses deko
komp
mpos
o isi pad
da w
ajaah juga
ga diteliti
dit
iteliti oleh
eh D
anti, et al. (2011),
(20011
1 ), proses
wajah.
Dalam
skema
ini dilakukan
di
untuk mendeteksi
mendet
etek
eksii bbeberapa
eberapa wa
waja
jah.. D
alam penelitian ini, sk
kema bbaru
aru
untuk
mendeteksi
wajah
menggunakan
dekomposisi
wavelet
un
ntu
tuk
k me
ndet
d tek
eksi
si bbeberapa
eb
ber
erap
apaa wa
ap
waja
j h menggunaka
kaan de
deko
komp
ko
mpos
mp
osiisii ppaket
aket
k wa
ave
vele
let Haarr
le
yang
berdasarkan terkuantisasi penggabungan
penggabu
bun
bu
ngan
n wilayah
wilayah warna kulit dalam kondisi yan
ang
an
g
disa
di
s ji
j kan secara tidak terbatas. Pengelompokan warna dan penya
yaring
ya
ngan
ng
an
disajikan
penyaringan
menggunakan
warna
YCbCr
diterapkan
me
m
nggu
ng
guna
gu
nak
na
kan perkiraan
kan
perk
perk
rkir
iraa
ir
aan dari
aa
dari ssubruang
ubru
ub
ruan
ru
a g wa
warn
rnaa kulit
rn
kuuli
litt YC
YCbC
bCrr da
bC
dan
n HS
HSV
V di
dit
tera
rapk
ra
pkaan
pk
menyediakan
terkuantisasi
daerah
warna
Sistem
pada
pa
da ggambar
amba
am
barr aasli
ba
slli dengan
dengan
en
meny
yed
e iakan terk
rk
kuantisasi da
daer
e ah
er
hw
arna
ar
na kkulit.
uliit.. S
ul
istem
yang diusulkan mengarah ke tingkat
ting
gk deteksi
gkat
detek
ksi
s keberhasilan 99% untuk single face,
hewan dan gambar nonfaced. Jika gamba
ar terdiri dari beberapa wajah, latar
gambar
belakang yang lebih kompleks dan
daan kondisi
kondi
disi pencahayaan yang ekstrim, efisiensi
di
berkurang hingga 85% karena pene
eri
r maan palsu dan penolakan palsu terutama
penerimaan
dalam adegan dengan banyak wajah sebagian tersumbat atau di bawah kondisi
15
pencahayaan yang ekstrim atau dengan berpose. Jika wajah berorientasi lebih dari
150 sistem kami gagal untuk mendeteksi
mendet
etek
eksi
ek
si wajah tersebut.
perbandingan
Berikut pada tabel
taabe
bell 2.1 merupakan hasil perb
rban
rb
andingan dari penelitian yang
an
dilakukan dengan
deng
ngaan keempat penelitian
ng
pen
nel
e itian yang sudah ada.
Tabel
Tabe
el 2.1
2..1 Tabel
T be
Ta
b l Perbandingan
Perb
Pe
rban
rb
a di
ding
ngan
ng
Wadka
Wadk
ka Harjoseputro
Harjos
ossep
e utro
, Yulius
r&
Yuliius
u
(2014))
Wankh
W nkh
Wa
h
ade
ade
(2012)
2)
Peng
gar
aruh
uh
Jeni
Jenis
niis
Pengenalan
Pe
Penge
P nge Penge
Pe
Peng
ge Pengen Pengaruh
alan
Peenelitian
Waja
Wa
jah
naalan
nala
lan
n
Penelitian
Wajah
nalan
nalan
Dekomposisi
Dekomp
mpos
mp
osis
os
issi
Wajah
Wajah Ekspre
Eksspre Wajah
Ek
Citra
Ciitr
ta
sii
Menggunakan
Men
Me
ngguna
naka
na
kan
ka
Wajah
Wavelet
Wajah
Wave
velet Pa
ve
Pada
d
da
Topen
Pengenalan
n
Peng
genalan
g
Wajah
h
dii
Aplikasi
Aplika
kaasi
Mobile
Mobille
Metode
d yyang
ang
an
g Pendekatan
Pend
Pe
ndek
nd
ekat
ek
a an Kombi Mengg
Meng
Me
ngg
ng
g Perban
P rb
Pe
rban Dekomposisi
Deko
omp
mposisi
unaka
nasi
Diguna
Di
naka
na
kan
ka
n
Eige
Ei
genf
ge
nfac
nf
ace
ac
unak
un
akaa dingan
ak
ding
di
ngan
ng
an citra
Digunakan
Eigenface
i
menggunakaan
menggu menggunakan
k metod
meeto
tod
d n
menggunak
wavelet haa
hhaar
aar
ar
metod nakan
nilai e
an
metode dan
threshold
eigenf e
pengen
pe
nal
alan
anny
an
ny
Eigenf
ace
Eige
Ei
genf
nf wavelet
wave
wa
vele
ve
lett pengenalanny
le
a
haar
ace
dan
daan
acee
ac
haar
menggunakan
meng
ng
ggu
gun
naka
naka
kan
dengan
JST
JST
deng
de
ngan
ng
a
an
eige
ei
genf
ge
nfac
nf
acce
biortho
bior
bi
o th
ho eigenface
gonall
9/7
Akura Akura Akurasi Akurasi
Hasil
Dengan
pengen pengenalanny
si
si
Penelitian
nilai
tingkat
threshold
tingkaat penge alannya a sebesar :
yang dipilih
h penge
pengge nalann menggu 80% dengan
waktu
nakan
nalann
0,8
nala
lann ya
la
pengenalanny
sebesa haar
maksimum ya
sebesar
sebesa
jarak
s besa r 70% sebesar a
se
89.42% 1041, 4 ms
r 97,
Euclidian
dan
menghasilk 018%
menggu
an akurasi
nakan
pengenalan
No. Pembanding
No
Pemb
bandingg
1
2
3
Gupta,, et
al. (20
al
((2010)
2010)
Agar
Agar
wal,
w l, et
wa
al.
(2010)
2
Sopac
ua,
ua et
al.
(2013)
16
sebesar
97%
2.2
biortho
gonal
77.14%
Landasan
n Teori
Teori
2.2.1 Pengolahan
Peng
ngolahan Citra
ng
merupakan
teknik
untuk
Pengolahan citra
cittra m
erupak
kan suatu tekni
nik
ni
k yang
yang ddigunakan
ig
igunakan
uk mengolah
visual
Pengolahan
digital
data visua
da
uall menjadi
ua
menj
me
njadi dataa yang
nj
yang
an informatif.
informattif. Pengol
lah
ahan
an citra dig
git
ital
al memiliki
mem
e iliki ba
banyak
kelebihan
pengolahan
Pada
kele
lebi
le
biiha
han
n dibandingkan
diband
ndin
nd
ingk
gkan dengan peng
golahan gambar an
analog
ogg ((Gupta,
Gupt
ptaa, 22011).
pt
011)). Pa
01
ada
d
citra
matriks
citr
ci
traa digital
tr
digita
tall yang memiliki
ta
mem
mil
i iki R x C piksel direpresentasikan
direp
eprresentasikan ddengan
enga
gan
ga
n ma
m
triks
berukuran
bernilai
sampai
beru
be
r kurran
ra R x C. Indeks n bernilai
bern
be
r ilai 0 ssampai
am
mpai C-1
1 dan
da indeks m bernila
ai 0 sa
amp
mpaai RMatriks
representasi
berikut:
11.. Ma
at
atriks
repre
rese
sent
n asi dari sebuah
seebu
buah
a citra
ciitraa adalah
adala
lah
h sebagai beri
riku
kutt:
f (m, n)
0,0)
ª f ((0
« f ((1
1,0
, 0)
«
«
«
¬ f ( R 11,,00))
f (0,11))
f (1,11))
f ( R 1,,1
1)
f (0, C 1) º
f (1, C 1) »»
»
»
f ( R 1, C 11))¼
Gambar 2.1 Representasi matriks berukuran RxC
f(r,c)
merupakan
intensitas
atau
derajat
keabuan
Nilai f(r
(r,c
(r
,c)) m
,c
eru
upa
paka
kan
ka
n nilai in
inte
tens
te
nsit
ns
itas ata
it
taau de
dera
r ja
ra
j t ke
keab
abua
ab
u n pada ppiksel
ikse
ik
sel (r
se
(r,c).
yang
Pada pengolahan
pen
engo
gollah
go
lahan citra terdapat bbeberapa
e erapa manipulasi objek yan
eb
ng bi
bisa
sa dilakukan,
rotasi,
diantaranya manipulasi skala, rot
tasi, tingkat kecerahan (Hasan & Misra, 2011) dan
manipulasi kecerahan (Kabir, et al.,
al 2010), ttingkat
ingkat ketajaman gambar (Padmapriya
kontras
& Vigneshnarthi, 2012), peningkatan
peningkata
tan ko
ta
ontras gambar, atau kombinasi dari salah
(Bayram, et al
al., 22006).
satu operasi tersebut (Bayram
006)
17
2.2.2 Pengenalan Wajah (Face Recognition)
Pengenalan wajah adalah suatu
suaatu
su
atu kegiatan
k giatan yang aktif di bidang biometric
ke
ag
gia
ian terpenting dalam pengenalan
pengenaala
lan
n wajah adalah pendeteksian
(Gan, et al., 2005). Bag
Bagian
iaan dari wajah (Sa
Saudagare & Chaudhari, 2012
Sa
2). Teknik pengenalan
bagian – bagia
bagian
(Saudagare
2012).
ecara garis bbesar
essar dapat ddibagi
ib
bag
agii menjadi
men
me
njad
adi 3 ka
ad
kate
tegori berdasark
te
rkkan
a metodologi
wajah se
secara
kategori
berdasarkan
ak
kui
uisisi data wa
w
jah (J
Jaf
afri & Arabn
bnia
ia,, 20
ia
2009
09),
09
) diantaranya:
),
diantaranya
ya:
ya
akuisisi
wajah
(Jafri
Arabnia,
2009),
Met
to yang
tode
yan
ang beroperasi padaa intensitas
a. Me
Metode
b. Urutan
Urrutan
ut dalam
m pengambilan
pengambilan ggambar
ambar
b.
au ci
ccitra
tra infraa m
erah
c. Informasi 3D ata
atau
merah
Pengeenalan
en
waj
ajah
ah ini, pada ddasarnya
a ar
as
arnya dig
gunaakan
n untuk meng
ngid
iden
entifikasi
sii orang
ng ddari
ari
Pengenalan
wajah
digunakan
mengidentifikasi
gamb
mbar
b atau video (W
Win
inarrno
no, et aal.,
l., 2014).
2014
4).
gambar
(Winarno,
Algo
gori
ritm
ri
tma
tm
a Ei
Eige
genf
nffac
ace
2.2.3 Al
Algoritma
Eigenface
etod
et
o e pengenalan awal berbasis bentuk wa
waja
jah
ja
h
Eigenface adalah salah satu m
metode
wajah
(Sejjan
(S
ni, et
et al.,
al.,.,, 2013)
al
201
013)
3)) dan
dan merupakan
mer
eruppakan suatu metodee ya
yang
ngg paling
pal
alin
ing
g sederhana
sede
se
derh
de
rhan
rh
ana dan
an
dan yang
yang
(Sejani,
pali
pa
ling
li
n efisien (Gu
Gupt
Gu
ptaa, et al.,, 2010).
pt
2010)). Dalam
Dala
Da
lam
la
m metode eigenface,
eige
g nf
nfac
acee, seri gambarr (t
ac
(tra
rain
ra
ning
paling
(Gupta,
(training
ang
an
g di
dire
repr
re
presentasikan sebagai
pr
sebaga
gaai vektor
r. Ide dari eigen itu
u ssendiri
endi
en
diri
di
ri aadalah
dallah untuk
da
set)) yyang
direpresentasikan
vektor.
yan
ng lebih rendah
ren
ndah di mana vektor pendek akan
mengetahui ruang-dimensi yang
et al., 2013
3). Metode eigenface telah diterapkan
mencerminkan wajah (Sopacua, et
2013).
gam
mbar wajah
waajah manusia (Chu, et al., 2006). Untuk
untuk mengekstrak wajah dasar gambar
akan teknik yang sering digunakan yaitu
mengekstrak wajah manusia, diguna
digunakan
Principal Component Analysis (PCA) (Satone & Kharate, 2012). Prinsip utama dari
metode ini adalah skor dari komponen utama yang diregresikan dengan variable tak
18
bebas terhadap komponen utama yang saling tak berkorelasi (Geng & Zhou, 2006).
menguraikan
Cara kerja teknik ini adalah dengan meng
m
eng
ngur
u aikan citra wajah ke dalam satu set kecil
karakteristik gambar ((Pattanasethanon
Patttanasethanon
Pa
tt
& Savithi, 22012)
012)
01
2 dan dilakukan pengenalan
2)
wajah
eigenspace
dengan memproyeksikan
mempr
pro
pr
oyeksikan waja
jah baru ke sebuah eigensp
ja
pac
a e dimensi rendah
(Kittusamy
Chakrapani,
2012)
perhitungan
(Kittusa
amy & Cha
akr
k ap
apan
ani, 2012
an
2) llalu
alu
al
u di
ddilakukan
laku
la
kuukaan pe
perh
r itungan jarak
rh
k an
aantara
tara gambar
yang
dihasilkan
eigenspace
dengan
tersimpan
(Dhanda,
ya
ang
ng dihasilka
kan di ei
ka
igenspace den
enga
gan
ga
n data
data yang
yang sudah
h te
tersimpa
pan (Dhand
pa
da, 2012).
besar
untuk
membangun
Pada
Pa
da aalgoritma
lgoritma
lg
ma ei
eigenface ini terdapat
terdaapat 2 langkah be
besa
sarr yaitu un
sa
untu
tuk
tu
k me
m
mban
ngu
g n
basis
data
pengenalannya
(Orczyk
Algoritma
eigenface
basi
siss da
si
dat
ta dan
an
n untuk
untuk pen
engenalannya (Or
Orczyk & Porwik,
k, 2010). Algori
A
l itm
tmaa ei
eigenfac
ce
membangun
untuk me
un
embangun basis da
data terdiri ddari
arri langkah-langkah
langkah-la
lan
ngkah berikut:
Siapkan
(training)
set
semua
memiliki
aa.. Si
Siap
apkan referensi (t
(tra
raining) se
et - sem
mua gambar haruss me
memi
miili
l ki rresolusi
esol
es
olusi
ol
yang
wajah.
pixel yang
ng ssama
ama dan kkeselarasan
am
ese
selarrasaan ya
yan
ng sama da
dari
ri w
ajah.
b. Mengubah gamba
gambar
menjadi
vektor
vektor
barr me
enj
njad
a i vekt
tor ddan
an
n membangun matriks ddari
ari vekt
ktor
kt
merupakan
gambar
iini,
nii, ddii ma
mana
naa setiap
set
etia
iap
ia
p baris
ba matriks meru
upa
paka
kan
ka
n ga
gamb
mbar
ar ttunggal.
unggal.
l
c. Hitung rata- rata gambar ((rata-rata
rata-r
ra
-rrat
ata wajah).
d. Kurangi rata-rata gambar dari masing-masing gambar dalam m
matriks
atrriks
at
ks
(mean
matriks
(mea
(m
ean
n da
dari
ri bbaris
a iss m
ar
attri
riks
ks aakan
kan sa
ka
sama
ma 00).
).
e.
Hitung
vektor
(Saudagare
nilai
eigen
e. Hi
Hitu
tun
tu
ng vek
ekto
ek
tor eigen (S
to
Sau
a dagare & Chaudhari,
Chaudhari, 2012)
2012
20
1 ) dan
dan ni
nila
laii ei
la
eige
en ((Lata,
Lata,
kovariansi.
et al., 2009) dari matrikss kovarians
si.
i Setiap vektor eigen memiliki dimensi
yang sama (jumlah komponen)
koomp
m onen) sebagai
seebagai gambar asli. Vektor eigen dari
disebut
eigenfaces.
matriks kovariansi ini dis
seb
e ut eig
genfaces.
f. Cari himpunan vektor ortonormal,
ortonnor
o mal, yang paling menggambarkan distribusi
data.
19
g. Pilih subset dari vektor orthonormal ini yang berhubungan dengan
matriks
eigenvalues tertinggi dari m
attri
atri
riks
k kovariansi.
h. Mengurutkan
vektor
mereka
n ve
vek
ktor eigen ini dalam urutan
n - me
m
reka akan disebut sebagai
eigenfaces.
eigenf
nfaaces.
nf
Algoritma
pengenalan
Algoritm
ma untuk pe
eng
ngen
enal
en
a an wajah
waj
ajah
aj
ah
h ddijalankan
ijal
alan
al
nkaan sebagai
s ba
se
baga
gai berikut:
ga
a. Hitu
Hitung
tung
tu
n komponen
kom
mponen eigenface
eigenf
nfac
nf
acee dari
ac
dar
arii foto
f to baru.
fo
Hitung
b. H
itu
tung perbedaan
tu
per
erbe
er
bed
be
daan antara rata-rata
rataa-rata muka dan wajah
waj
ajah
a baru.
u.
c. Kali
lik
li
ka perb
kan
bed
edaan dengan m
asing-masing vvektor
ektor eige
ek
geen.
n
Kalikan
perbedaan
masing-masing
eigen.
embangun bobot
bo
obo
bot vektor bar
aru
u.
d. M
Membangun
baru.
e. Pi
Pili
lih wajah terbaik
k co
ocok atas
ataas dasar bobot
bob
obot jarak Euclidian
Euclid
dia
ian
n ((Manjhi,
Manjhi
hi,, et al.,
hi
e.
Pilih
cocok
2013).
f. Tentukan apakahh wajah
waaja
jah
h diakuii m
ilik
ik dikenal kelas wajah
h (deng
nggan
milik
(dengan
membandingkan
kesamaan
dengan
memb
mban
andi
ding
ngka
ng
kan
ka
n ke
kesa
samaan ukuran de
sa
eng
ngan
an ddua
ua aambang
mbang batas).
mb
batas)).
2.2.4
2 2.
2.
2 4 Transformasi Wavelet
Wave
Wa
vellet
let merupakan
meru
me
rupa
ru
paka
pa
kann su
ka
uat
atu
u ge
gelo
l mb
mban
ang
an
g mi
m
ini
ni ((small
sm
mal
alll wave)
wave
wa
v ) ya
ve
yang
ng m
empu
puny
pu
nyai
ny
Wavelet
suatu
gelombang
mini
mempunyai
kema
ke
maamp
mpua
uan
ua
n mengelompokan
me gel
meng
elo
ompokan en
ner
e gi cit
i ra dann terkonsentrasi
terkonsentr
tras
tr
asi pa
as
ada ssekelompok
ekel
ek
elom
el
ompo
om
pok
po
k kecil
kemampuan
energi
citra
pada
laiinya hanyaa me
m
ngandung sedikit energi yang dapay
koefisien, sedangkan koefisien lainya
mengandung
niilai informasinya
informassinya (Sutarno, 2010). Wavelett berasal
dihilangkan tanpa mengurangi nilai
ungsi te
ersebut diperoleh sebuah mother wavelet.
dari sebuah scaling function. Dari ffungsi
tersebut
h da
ari nilai skala yang berbeda untuk fungsi
Berbagai macam wavelet diperoleh
dari
scaling. Meskipun berasal dari teori aproksimasi dan pengolahan sinyal, wavelet
20
banyak diaplikasikan ke dalam permasalahan bidang grafika komputer, contohnya
kompresi citra dan watermarking.
Tranformasi Wavelet
Wavvelett merupakan salah satu me
Wa
metode yang dapat digunakan
untuk mengan
menganalisis
nal
aliisis sinyal-sinyal
sinyal-sinyyal
a non-stasioner (Chu & Chen
Chen,
n, 2005). Tranformasi
Wavelett m
mentransformasi
entransfoorm
mas
asii signall ddalam
a am ddomain
al
om
mai
ain waktu
wakt
wa
ktu
kt
u menjadi signal
al ddalam
alam domain
waktu
wa
aktu
kt dan fr
frekuensi
rek
ekuensii (y
(yang dalam ha
hall in
inii di
dibentuk men
menjadi
nja
jadi domain
dom
omain transl
om
translation
lat
a ion and
d
scale) ((Kathirvalavakumar
Kath
Ka
thir
th
irvalava
ir
vaku
aku
kumar & Vasanthi,
Vasanthii, 2013).
2.2.4.1
Wavelet
2.2.
2.4.
2.
4.1
4.
1W
aveelet
le Haarr
Salah
Sal
Sa
lah satu keluagaa wa
wavelet
w
velett diantaranya
diaanttaranya adalah
adaala
lah wavelet Haar
Haar.
r. Wave
Wavelet
vele
ve
lett Ha
le
Haarr
merupakan
m
me
rupa
paka
pa
kan
n wa
w
wavelet
velett yang pali
paling
ling
ng seder
sederhana
rha
hana diban
dibanding
and
ding dengan jeni
jenis
niss w
wavelet
ave
velett llainnya.
ve
ainn
ai
nnya
nn
y .
Caraa kerja dari wavelet
waave
v le
lett Haarr ddengan
en
nga
gan
n ssinyal
inyyal bberdimensi
erdimeens
nsii ssatu
atu ini dapatt dijelaskan
sebagai
seba
aga
g i berikut, sebuah sinyal
siny
yal
a digital
dig
igit
ital berdimensi
berdim
mensi ssayu
ayu yang mempunyai resolusinya
reesolusin
nya
sebesar
se
ebe
bessar 4 pik
piksel,
iksel,
l memiliki
memi
me
mili
mi
liki
li
ki eelemen
leme
le
m n misalnya [E1
1E
E2
2 E3 E
E4].
4]. Da
4]
Dari
rii ci
citra
itra terse
tersebut
sebu
se
but dapa
bu
dapat
at
direpresentasikan menjadi sebuah
h deret
der
eret Ha
Haarr yang setiap pasang elemen dari ci
citra
itr
traa
tersebut
ters
te
r ebut dihitung nilai rata-ratanya, sehi
rs
sehingga
ngga diperoleh suatu citra baru
u ddengan
eng
ngan
ng
an
rresolusi
re
soolu
lusi
si yang
yan
ang
g le
lebih
ebi
bih
h re
rrendah
ndah
nd
ah m
misalnya
isal
is
alny
al
nya [(
ny
[(E1
[(E1+E2)/2
E1+E
E1
+E2)
+E
2)/2
2)
/2 ((E3+E4)/2].
E3+E
E3
+E4)
+E
4)/2
4)
/2].
/2
]. D
Dari
arii seba
ar
sebagian
bagi
ba
giaan
gi
informasi
info
in
form
fo
rmas
rm
asii citra
as
citr
ci
traa tersebut
tr
ters
rseb
rs
ebut yang hilang
eb
h lang dalam
hi
m proses per
perhitungan
erhi
er
hitung
ngan
ng
an rrata-rata,
ataat
a-rrataa, maka
akoefisien detail perlu disimpan agar
agar dapat
at dikembalikan kembali menjadi citraa
awal. Koefisien detail berisi dari
darri selisih ant
antara
nttara nilai rata-rata dengan kedua nilai
yang dirata-rata, yaitu [(E1-((E1+E
[(E1-((E1+E2)/2)
E2)/2) E3-((E3+E4)/2)].
E3-((E3+E4)/2)].
Trasformasi Wavelet Haarr dalam
daalam mengubah nilai-nilai piksel pada citra 2
dimensi ini dapat dilakukan dengan 2 cara, diantaranya adalah menggunakan
metode dekomposisi tidak standar dan metode dekomposisi standar (Sutarno, 2010).
21
Dekomposisi standar dimulai dengan melakukan transformasi wavelet 1 dimensi
untuk setiap baris dari setiap nilai ppiksel
ikse
ik
sell sebuah
se
se
citra hingga level yang diinginkan.
Setelah itu kemudian melakukan
melakukan transformasi wavelet
waave
velett 1 dimensi untuk setiap
kolomnya. Seda
Sedangkan
dangkan pada deko
da
dekomposisi
komposisii tidak standar, prosess dekomposisi
ko
d komposisi berjalan
de
dengan melakukan
melakukan
n transformasi
traans
nsfo
f rmassi 1 dimensi
dime
di
menssi un
me
untu
untuk
tuk
tu
k ti
tiap
ap baris dilanjutk
dilanjutkan
tkan untuk tiap
tk
kolomnya.
ko
olo
lomnya. Pr
Pros
Proses
o es ini
ni akan berlan
berlangsing
angs
an
gsin
gs
ing
in
g se
secara terus-m
terus-menerus
-m
meneruss sampai le
level
eve
v l yang
diinginkan.
diingink
nkan
nk
an..
an
22
PUSTAKA
TINJAUAN PUST
TAKA DAN
DAN LANDASAN TEORI
Padaa bbab
ab ini akan dibahas
dibah
has literatur dan landasan
lan
a dasan teori yang
yaang
n relevan dengan
peneli
iti
tian.
penelitian.
2.1
Tinjauan
Pustaka
Tinj
Ti
njauan
nj
nP
ustaka
us
Wajah
merupakan
kompleks
Waja
jah
ja
h merupaka
kan
n sebuah model
mod
odel visual multidimensional
mult
ltid
idimensionnal yang
g ko
komp
m lekss
dan
da
n un
ntuk
tu menggambar
rka
kan penge
enaalan waj
ajah
ah secara komputasi
komput
uttas
a i itu
ittu sulit
su
untuk
menggambarkan
pengenalan
wajah
(Kshirsagar,
Menurut
sebuah
((K
shir
irrsagar, et
et al.,
a ., 2011). Me
al
Men
nurut penelitian
penelitiian Georgescu (2011),
pe
(20
2011
11), seb
buah ssistem
ist
steem
dapa
at secara real-timee m
enggenal
en
ali wa
waj
jah
h da
dala
am vide
deo
o st
str
ream yang disedi
diiakan oleh
h
dapat
mengenali
wajah
dalam
video
stream
disediakan
kam
mera yang dilaksanakan ddan
an memiliki dete
tek
ksi wajah real time. Seb
buah vi
vid
deo
kamera
deteksi
Sebuah
video
berisii iinformasi
nfor
nf
orma
masi
si ssementara
em
ementara
serta
ta bbeberapa
eberapa contoh
cont
co
ntoh dari waja
jah,
ja
h, ssehingga
ehingg
eh
ggaa di
ddiharapkan
harapkan
an
wajah,
dapat mengarah pada kinerja pengen
enal
en
alan wajah yang lebih baik dibanding
al
gka
kan
n
pengenalan
dibandingkan
de
d
ng
gan masih mengh
g adap
pi gambar (Gajame & Chandrakar,, 2013)
2013)
013) ddan
an
dengan
menghadapi
mempercepat kecepatan
me
kece
cepa
ce
pata
pa
tan pemrosesan
ta
pemroses
esan
es
an sistem
sis
iste
tem deteksii wajah
te
waja
wa
jah
ja
h (Mankar & Bhoyar,
Bhoy
Bh
oyar,
oy
2012
12).
12
). Kelebih
ihan
ih
an ddari
ari penelitian iini
n adalah m
ni
ampu melakuka
kan
ka
n de
deteksi wa
waja
jah secara
ja
2012).
Kelebihan
mampu
melakukan
wajah
2004),
real time (Viola & Jones, 2004
4), pengenalan
pengenalaan wajah dan dapat memberikan info
kepada lembaga-lembaga yang berkepenti
tingan. Kelemahan dari penelitian ini
ti
berkepentingan.
adalah diperlukan banyak subyekk dalam
m sistem pengenalan wajah agar dapat
mengenali subyek dengan kecepatan
kecepataan yang diharapkan. Sedangkan menurut
penelitian dari Wang, et al. (2005), memperkenalkan mekanisme seleksi fitur yang
dapat diterapkan untuk memecahkan masalah identifikasi subjek ketika hanya satu
10
sampel wajah per subyek yang tersedia. Pemilih fitur yang diusulkan menentukan
ruang fitur dimensi rendah di mana variasi
varia
arriasi intersubyek dimaksimalkan sementara
variasi intrasubject ddiminimalkan.
imiinimalkan. Kelebihan dari
im
ri ppenelitian
enelitian ini adalah dapat
mengalahkan
meningkatkan
n kkinerja
inerja dalam
m pengenalan, bahkan meng
gal
a ahkan pendekatan
eigenface
Kekurangan
eigenfac
ce standar. Ke
Keku
kurangan
ku
an
n ddari
ari penelitian
ar
peene
nellitiian ini
ini
n adalah kurangnya
kuraang
ngnya sampel
pelatihan
pencahayaan
pela
lattihan dan
la
n cu
ccukup
kup vvariasi
ariasi pada ggambar
amba
am
barr ak
ba
akibat penuaan,
penuaaan
an, penc
cah
a ayaan da
dan
n variasi
membuat
pengenalan
merupakan
yang
menantang.
pose, me
memb
mbua
mb
u t peng
ua
ngeenalan
ng
en
wajah mer
rupakan tugas yan
ng me
m
nant
ntan
tan
ang.
g.
Pendekatan
Eigenface
salah
metode
paling
P
endek
ekatan Eige
ek
genface adalah sa
sala
l h satu metod
de paling ssederhana
ederhaana ddan
ed
an palin
an
ng
Dalam
pendekatan
efisien un
ef
untuk pengenalan
an wajah. Da
Dala
l m pendek
ekaatan eigenfacee memilih
mem
mil
ilih
ih nnilai
i ai
il
threshold
faktor
perfomance
thresh
th
hold
d yyang
ang
an
g merupakan fa
fakt
ktor yang
g ssangat
angat ppenting
enting bagi perfom
en
oman
ancee pengenalan
penge
gena
ge
nala
na
l n
wajah.
ruang
wajah
pada
waja
ah. Selain itu, ppengurangan
engu
en
g rangaan ddimensi
im
men
nsi rua
uang waj
ajah
ah ttergantung
ergantung pa
ada
d jumlah
eigenfaces
(2010).
eige
enf
n aces yang diambil. Penelitian
Pen
enellit
itia
ian
n diatas ppernah
ernaah diteliti
diteliti oleh Gupta, et aal.
l. (201
10).
Kelebihan
diatas
dapat
meningkatkan
performance
Kele
Ke
leb
le
biha
h n ddari
arii ppenelitian
enel
en
elit
el
itia
it
ian
ia
n di
diat
a as adalah dapa
patt me
pa
meni
ning
ni
ngka
ng
katk
tkaan perf
form
man
ancce padaa
pengenalan wajah ketika kedua faktor
fakt
fa
k orr tersebut
kt
tersebut dikombinasikan yaitu 15% dari
dar
arii
eigenfaces
dipilih
0,8
eige
ei
genfaces dengan nilai eigen terbesar dipilih dan nilai thresholdd yang di
ge
ipi
pillih
h 0,
,8
maksimum
jarak
Euclidean
minimum
kali
ka
li m
aksi
ak
simu
si
mum
m jara
ja
ara
rak
k Eu
Eucl
clid
cl
idea
id
ea
an m
inim
in
i um setiap
set
etia
iap
ia
p gambar
gamb
ga
mbar
mb
ar dari
dar
arii semua
semu
se
mu
ua gambar
gamb
ga
mbar
mb
arr yyang
ang
an
lain.
Sedangkan
kekurangan
adalah
dilakukan
penambahan
lain
la
in. Se
in
Seda
dang
da
ngka
ng
kan ke
ka
keku
kurangan ddari
ku
a i penelitian
ar
an ini adala
lah
la
h di
ila
laku
kuka
ku
kan
ka
n pe
pena
namb
mbahan
mb
proses pada preprocessing yaitu th
threshold.
menggunakan
algoritma
Pengenalan wajah mengg
gunakan alg
goritma Principal Component Analysis
(PCA) merupakan metode di mana
na satu se
set kecil fitur yang signifikan digunakan
untuk menggambarkan variasi antaraa ggambar
ambar - gambar wajah (Slavkovic & Jevtic,
2012). Dalam metode ini, menyederhanakan data dengan transformasi linear dan
terbentuk koordinat baru dengan varians yang maksimum sebagai ciri khasnya (Roy
11
& Bandyopadhyay, 2013). Hasil eksperimen untuk nomor yang berbeda dari
eigenfaces ditunjukkan untuk memverifikasi
mem
emve
verifikasi dari metode yang diusulkan
ve
peningkatan
selanjutnya. Kelebihan
n ddari
ari penelitian ini adalah pe
eni
ning
n katan tingkat pengenalan
bahwa
dengan jumlahh ggambar
ambar pelatihan
an per orang. Hal ini jelas bahw
wa ji
jjika
ka jarak minimum
pengujian
gambar
training
adalah
antara ggambar
ambar peng
am
gujia
ian
ia
n dan ga
amb
mbar
ar tra
rain
nin
ing
g ad
adal
alah
al
ah nol makan gambar
gam
mba
b r pengujian
sepenuhnya
gambar
dasar
pelatihan.
sepe
penuhnya sesuai
pe
ses
e uai ga
amb
bar dari da
dasa
sarr pe
sa
pela
lati
la
tihan. Kekurangannya
Kekur
uraangannnya
ur
ya adalah ji
jika
k jarak
mengenali
lebih besar
besa
be
saar da
dari nol
ol tetapi
tet
etapi kurang darii batas tertentu, ma
maka
k tidak
ak aakan
kan
ka
n meng
gen
e ali
wajah
wa
aja
jah
h ya
yyang
ng ddiujikan.
iujjikan.
iu
Teknologi
biometrik
menjadi
dalam
Tek
Te
knologi biomet
tri
rikk telah me
enjjadi suatu teknologi
tek
te
knologi yang luar
lua
uar biasa
ua
biias
asaa da
dala
l m
la
aplikasi
jenis
aplikaasi
ap
si keamanan
kea
eama
m nan yang tinggi.
tin
ingg
ggi. Berbagai
Berrbaagai je
eni
niss biometrik yang
yang sudah
sud
udah bbanyak
ud
any
an
yak
digunakan
Berbagai
statistik
telah
digun
nakan sampaii hhari
arii ini. Berba
ar
b ga
gai mo
modell st
tatistik te
ela
lah
h di
dikembangkan
n sejauh ini
denggan berbeda-beda akur
ras
a i da
dan
n efisiensi.
efisiens
nsii. D
ilakukan pendekatan ba
il
aru unt
nttuk
dengan
akurasi
Dilakukan
baru
untuk
memanfaatkan
metodologi
fisherface
menggunakan
meemanf
ma faatkan
k eeigenface
igen
ig
enfa
face
fa
ce ddan
an m
etodologi fisher
erfa
er
face
fa
ce ddengan
enga
en
g nm
ga
enggunaka
kan
ka
n medoid
d
lit
itia
ian in
ia
ni ad
adalah dengan menggunakan metode iini,
n,
ni
(Bhat, 2013). Kelebihan dari penel
penelitian
ini
tida
ti
d k hanya membutuhkan pelatihan yang lebih rendah tetapi juga menu
da
unj
njuk
ukka
uk
kan
ka
n
tidak
menunjukkan
efis
ef
isie
is
iens
ie
nsii wa
ns
w
ktu
kt
u ya
yang
ng llebih
ebih
eb
ih bbaik
aik
ai
k da
dan ki
kine
nerj
ne
rjan
rj
anya
an
ya ddibandingkan
iban
ib
andi
an
ding
di
ngk
ng
kan de
kan
deng
ngan
ng
an m
etod
et
ode
od
efisiensi
waktu
kinerjanya
dengan
metode
konv
ko
nven
ensi
en
sion
si
onal
on
all yang
yang
gm
enggunaka
kan
ka
n rata-rata. D
alam penelitian
penel
elit
el
itia
it
i n in
inii be
belu
lum
lu
m dite
dditemukan
iteemukan
konvensional
menggunakan
Dalam
belum
dalaam peneliti
ian ini. Menurut penelitian dari Kumar,
kelemahan atau kekurangan dalam
penelitian
mbahas arsite
mb
ektur client server melalui penggunaan
et al. (2010), penelitian ini memb
membahas
arsitektur
teknologi bluetooth melalui fase deteksii wajah yang dapat diimplementasikan.
ah
h ddalam
alam CSAB (Client Server Architecture
Kelebihan dari penelitian ini adalah
menggunakan Bluetooth) komunikasi antara klien dan server tanpa ketergantungan
pada pihak ketiga mana seperti di CSAH (Client Server Architecture menggunakan
12
HTTP) komunikasi antara klien dan server tergantung pada ketersediaan serta
Kelemahan
keandalan GPRS penyedia layanan.
n. K
elemahan dari penelitian ini CSAB dan
el
CSAH belum dapat dikombinasikan
dik
kom
ombinasikan bersama-sama ddalam
alam
al
a sebuah aplikasi sehingga
ketersediaan
kinerja dan ke
ete
terrsediaan belum
m maksimal.
Yawale
penelitiannya
Menurut
M
e
Yawa
Ya
waale (2013),
(20133), pada
pad
adaa pe
pene
neliti
ne
tian
ti
nny
nya membahas kerangka
ker
e angka kerja
umum
dihadapi
um
mum untuk
k sistem
m pengenalann wajah,
waj
ajah
ah,, da
ah
dan varian yyang
ang se
sering dihad
ad
dap
a i oleh
recognizer
recogn
niz
izer
er wajah.
waj
a ah. Hal
Hal ini juga membahas
memba
b has persyaratann sistem
s stem ppengenalan
si
enge
en
gena
ge
n lan wa
wajah
yang
ng kkuat
uat berdasarkan
berdasarka
be
kan
n segmentasi analog mata ddan
an alg
gor
o itmaa ppengenalan
engenalaan
en
algoritma
berdasark
be
ka ruang eigen ya
kan
yang telah ddikembangkan.
ik
kembangkaan. Kelebihan dar
arri pene
neli
ne
liti
li
tian
ti
an ini
berdasarkan
dari
penelitian
adalah
ad
h ddengan
en
nga
gan menggunakan
nm
etode ini,
inii, tingka
kat kkeakuratannya
eakuratannya be
bert
rtam
mba
b h me
menj
njadi
nj
metode
tingkat
bertambah
menjadi
90%,
%,, sedangkan kkelemahannya
elem
el
emahannyaa ad
adala
ah ken
nai
aik
kan ting
gka
kat ke
keakuratannyaa meskipun
n
adalah
kenaikan
tingkat
berta
ambah tetapi masih bbelum
elum
el
um ssignifikan.
ignifikan
ig
n. Se
Sela
ain itu pengenalan waja
ah bany
ny
yak
bertambah
Selain
wajah
banyak
digu
di
gun
gu
naka
k n untu
tuk
k te
tekn
knol
kn
olog
ol
ogii pe
og
pengenalan biolo
ogi
gi. Di
Diba
band
ba
ndin
ingk
gkan ddengan
enga
gaan metodee
digunakan
untuk
teknologi
biologi.
Dibandingkan
identifikasi lain, jenis ini memilik
ki ffitur
i ur ppengenalan
it
engenalan langsung, ramah dan nyam
man
an..
memiliki
nyaman.
Sist
Si
s em pengenalan wajah tertanam didasarkan pada platform LPC ARM
M 21
2148
48
8,
Sistem
2148,
me
m
nggu
ng
guna
gu
nak
na
kan si
kan
ssistem
ist
stem
st
em ooperasi
pera
pe
rasi
ra
si W
indo
in
dows,, mendeteksi
do
mend
me
ndet
nd
etek
eksi
ek
s w
si
ajah
aj
ah ddengan
enga
en
g n menggunakan
ga
meng
me
ngguuna
ng
naka
kan
ka
menggunakan
Windows,
wajah
fitu
fi
t r HA
tu
HAAR
AR, da
AR
dan ke
emudian men
nge
g nali wajah
h ddengan
engan meng
nggu
ng
g naaka
kan
n fitur
fitu
fi
turr LBP
tu
LBP (Rao,
fitur
HAAR,
kemudian
mengenali
menggunakan
et al., 2013). Kelebihan dari penelitian
pen
nelitian inii adalah dapat menyediakan keamanan
yang lengkap untuk menjaga kan
an
ntor, rumah,
rumah
h, bank, dll. Kelemahan dari penelitian
kantor,
ini adalah masih belum diketahuii secara lebih
lebih rinci seberapa akurat pengenalan
wajah
ini
ni.
i. Penelitian tentang pengenalan wajah
menggunakan metode ini.
menggunakan fitur Haar juga dikemukakan oleh Mankar & Bhoyar (2012), tetapi
perbedaanya dalam penelitiannya ini menjelaskan tentang desain teknik termasuk
13
skala gambar, integral generasi gambar, pengolahan pipelined serta classifier, dan
beberapa pegklasifikasipemrosesann paralel
pa
untuk mempercepat kecepatan
pemrosesan sistem deteksi
deete
tek
ksi wajah. Kelebihan darii pe
penelitian ini adalah adanya
melalui
yang
peningkatan kinerja
kiinerja
ne sistem mel
ellal
a ui implementasi software ya
ang setara. Tetapi ada
kekurangannya,
yaitu
penggunaan
menggunakan
pula kek
kurangannya
ya, ya
ya
yait
itu peng
it
ggu
una
naan
an m
en
ngg
ggun
unak
un
akan
ak
a metode ini, ssangatlah
a gatlah tidak
an
mudah,
dilakukan.
mu
udah, dan tergolong
ter
ergolong
ng
g metode yang
y ng ccukup
ya
ukup
uk
up ssulit
ulit utnuk
k di
dilakuka
kan.
ka
Adapun
penelitian
pengenalan
berbeda,
Adap
Ad
apu
ap
un pen
nel
eliiti
itian tentang peng
genalan wajah dengan
den
nga
gan metode
meto
tode
to
de yyang
a g berb
an
bed
e a,
yakni
metode
yakn
knii metode
kn
de tentang
ng sebuah meto
tode ekstraksi ffitur
itur sangat
san
an
nga
g t ba
baik
ik efisien,
efisien
n,
menggabungkan
syaraf
probabilistik
menggabu
me
bungkan dengan
bu
n jjaringan
aringan sy
yaraf proba
abi
billistik (PNN) uuntuk
n uk rreal-time
nt
ealea
l tiime
m
pengenalan
diusulkan
wajah
ORL.
pengen
pe
nalan
lan wajah.
wajah. Metode yyang
ang dius
an
sullkan dievaluasi
diiev
evaaluasi pada database
dataaba
base w
ajah
ah O
RL
RL.
Kelebihan
penelitian
otentifikasi
pengenalan
Kele
ebihan dari pen
enel
elit
itian inii adalah
adalaah ote
ad
ent
ntif
ifikasi pe
peng
ngeenalan wajah
h ini dapatt
diim
mplementasikan dengan ttingkat
i gk
in
gkat
at pengena
nala
lan te
terb
rbaik, yakni 100%. Pen
nelitian iini
ni
diimplementasikan
pengenalan
terbaik,
Penelitian
pernah
pe
ern
rnaah dditeliti
itelit
litii ol
oleh
eh ((Chu
Chu
Ch
u & Ch
Chen, 2005).
Selain itu menurut Alwak
kee
eell & Sh
Shaaban (2010), sistem pengenalan wa
aja
jah
h
Alwakeel
wajah
baru
ba
r berdasarkan Haar Wavelet Transform (HWT) dan Principal Comp
mpon
mp
onen
on
nt
Component
Anal
An
alys
al
ysis
ys
is ((PCA)
PCA)
PC
A) m
engg
en
ggun
gg
unak
un
akan
an Le
Leve
venber
ve
erg
er
g Marquardt-backpropagation
Marq
Ma
rqqua
uard
rdtdtt-ba
back
ba
ckpr
prop
pr
oppag
agat
atio
at
ion
io
n ((LMBP)
LMBP
LM
BP)
BP
Analysis
menggunakan
Levenberg
jari
ja
r ng
gan ssaraf
araf
ar
af ddisajikan.
isaj
ajik
aj
ikaan. Gambar
ik
ar wajah
h yangg preprocessed
preprocesssed ddan
an
n terdeteksi.
ter
erde
dete
de
teks
te
ksii. W
ks
avelet
jaringan
Wavelet
Haarr digunakan untuk membentuk
membenttuk matrikss koefisien wajah yang terdeteksi. Fitur
gambar vektor diperoleh dengan
n menghitung
menghitunng PCA untuk matriks koefisien DWT.
Perbandingan antara sistem pengenalan
pengeena
n lan diusulkan
di
menggunakan DWT, PCA dan
Discrete Cosine Transform (DCT) jjuga
uga dibuat. Hasil percobaan menunjukkan
ug
bahwa wajah gambar dapat dikenali oleh sistem pengenalan wajah yang diusulkan
secara efektif. Dari penelitian diatas dapat menghasilkan persentase dalam
14
mengenali wajah rata – rata 90% keatas, tergantung dari jumlah wajah yang
wajah
tersimpan. Semakin banyak jumlah w
ajah
aj
ah di dalam database, maka akan semakin
persentasi
mengenali
besar pula dalam perse
ent
ntaasi keakuratan
k
dalam menge
geena
n li wajah.
Menurut
Wankhade
dekomposisi
Menuru
ru
ut Wadkar & Wan
ankhade (2012), berbagai deko
an
omp
mposisi wavelett telah
dilaksanakan
untuk
menyelidiki
kinerja
Dan
dilaksan
nak
akan dalam
m rrangka
angk
an
g a un
ntuk
tuk me
meny
nyeelid
ny
idik
id
ki ki
kine
nerja terbaik. D
ne
an dari sekian
banyaknya
wavelet
digunakan
menyelidiki
kinerja
terbaik,
ba
any
nyaknya wa
w
velet yyang
ang digunak
akan
ak
an uuntuk
ntuk
nt
uk menyeli
liidi
diki kin
nerja
j terba
aik
ik, maka
diambil
kesimpulan
Haar
merupakan
wavelet
mempunyai
diambi
il ke
kesi
s mp
si
m ulan
n bbahwa
ahwa Wavelet Ha
ah
aar 9/7
7 merupak
kan
n wa
w
veleet yyang
ang
an
g mempun
unyai
un
kinerjasebagai
karena
kesederhanaan
kine
nerj
ne
rjas
rj
asebag
as
gai bbagian
agian da
dari algoritma yyang
ang diusulkan ka
an
kar
rena kes
sed
ederhaana
naan
an mereka,
a,
kesesuaian
wajah
menggunakan
kesesuaia
ke
an dan keteraturan
an
keterattur
uran
a untuk ppengenalan
engenalan
n w
ajah dengan meng
nggu
ng
guna
gu
naka
na
k n
pendekatan
multiresolusi.
pendek
pe
katan
an m
ultiresolusi.
dekomposisi
pada
wajah
Danti,
Proses deko
komp
mpos
o isi pad
da w
ajaah juga
ga diteliti
dit
iteliti oleh
eh D
anti, et al. (2011),
(20011
1 ), proses
wajah.
Dalam
skema
ini dilakukan
di
untuk mendeteksi
mendet
etek
eksii bbeberapa
eberapa wa
waja
jah.. D
alam penelitian ini, sk
kema bbaru
aru
untuk
mendeteksi
wajah
menggunakan
dekomposisi
wavelet
un
ntu
tuk
k me
ndet
d tek
eksi
si bbeberapa
eb
ber
erap
apaa wa
ap
waja
j h menggunaka
kaan de
deko
komp
ko
mpos
mp
osiisii ppaket
aket
k wa
ave
vele
let Haarr
le
yang
berdasarkan terkuantisasi penggabungan
penggabu
bun
bu
ngan
n wilayah
wilayah warna kulit dalam kondisi yan
ang
an
g
disa
di
s ji
j kan secara tidak terbatas. Pengelompokan warna dan penya
yaring
ya
ngan
ng
an
disajikan
penyaringan
menggunakan
warna
YCbCr
diterapkan
me
m
nggu
ng
guna
gu
nak
na
kan perkiraan
kan
perk
perk
rkir
iraa
ir
aan dari
aa
dari ssubruang
ubru
ub
ruan
ru
a g wa
warn
rnaa kulit
rn
kuuli
litt YC
YCbC
bCrr da
bC
dan
n HS
HSV
V di
dit
tera
rapk
ra
pkaan
pk
menyediakan
terkuantisasi
daerah
warna
Sistem
pada
pa
da ggambar
amba
am
barr aasli
ba
slli dengan
dengan
en
meny
yed
e iakan terk
rk
kuantisasi da
daer
e ah
er
hw
arna
ar
na kkulit.
uliit.. S
ul
istem
yang diusulkan mengarah ke tingkat
ting
gk deteksi
gkat
detek
ksi
s keberhasilan 99% untuk single face,
hewan dan gambar nonfaced. Jika gamba
ar terdiri dari beberapa wajah, latar
gambar
belakang yang lebih kompleks dan
daan kondisi
kondi
disi pencahayaan yang ekstrim, efisiensi
di
berkurang hingga 85% karena pene
eri
r maan palsu dan penolakan palsu terutama
penerimaan
dalam adegan dengan banyak wajah sebagian tersumbat atau di bawah kondisi
15
pencahayaan yang ekstrim atau dengan berpose. Jika wajah berorientasi lebih dari
150 sistem kami gagal untuk mendeteksi
mendet
etek
eksi
ek
si wajah tersebut.
perbandingan
Berikut pada tabel
taabe
bell 2.1 merupakan hasil perb
rban
rb
andingan dari penelitian yang
an
dilakukan dengan
deng
ngaan keempat penelitian
ng
pen
nel
e itian yang sudah ada.
Tabel
Tabe
el 2.1
2..1 Tabel
T be
Ta
b l Perbandingan
Perb
Pe
rban
rb
a di
ding
ngan
ng
Wadka
Wadk
ka Harjoseputro
Harjos
ossep
e utro
, Yulius
r&
Yuliius
u
(2014))
Wankh
W nkh
Wa
h
ade
ade
(2012)
2)
Peng
gar
aruh
uh
Jeni
Jenis
niis
Pengenalan
Pe
Penge
P nge Penge
Pe
Peng
ge Pengen Pengaruh
alan
Peenelitian
Waja
Wa
jah
naalan
nala
lan
n
Penelitian
Wajah
nalan
nalan
Dekomposisi
Dekomp
mpos
mp
osis
os
issi
Wajah
Wajah Ekspre
Eksspre Wajah
Ek
Citra
Ciitr
ta
sii
Menggunakan
Men
Me
ngguna
naka
na
kan
ka
Wajah
Wavelet
Wajah
Wave
velet Pa
ve
Pada
d
da
Topen
Pengenalan
n
Peng
genalan
g
Wajah
h
dii
Aplikasi
Aplika
kaasi
Mobile
Mobille
Metode
d yyang
ang
an
g Pendekatan
Pend
Pe
ndek
nd
ekat
ek
a an Kombi Mengg
Meng
Me
ngg
ng
g Perban
P rb
Pe
rban Dekomposisi
Deko
omp
mposisi
unaka
nasi
Diguna
Di
naka
na
kan
ka
n
Eige
Ei
genf
ge
nfac
nf
ace
ac
unak
un
akaa dingan
ak
ding
di
ngan
ng
an citra
Digunakan
Eigenface
i
menggunakaan
menggu menggunakan
k metod
meeto
tod
d n
menggunak
wavelet haa
hhaar
aar
ar
metod nakan
nilai e
an
metode dan
threshold
eigenf e
pengen
pe
nal
alan
anny
an
ny
Eigenf
ace
Eige
Ei
genf
nf wavelet
wave
wa
vele
ve
lett pengenalanny
le
a
haar
ace
dan
daan
acee
ac
haar
menggunakan
meng
ng
ggu
gun
naka
naka
kan
dengan
JST
JST
deng
de
ngan
ng
a
an
eige
ei
genf
ge
nfac
nf
acce
biortho
bior
bi
o th
ho eigenface
gonall
9/7
Akura Akura Akurasi Akurasi
Hasil
Dengan
pengen pengenalanny
si
si
Penelitian
nilai
tingkat
threshold
tingkaat penge alannya a sebesar :
yang dipilih
h penge
pengge nalann menggu 80% dengan
waktu
nakan
nalann
0,8
nala
lann ya
la
pengenalanny
sebesa haar
maksimum ya
sebesar
sebesa
jarak
s besa r 70% sebesar a
se
89.42% 1041, 4 ms
r 97,
Euclidian
dan
menghasilk 018%
menggu
an akurasi
nakan
pengenalan
No. Pembanding
No
Pemb
bandingg
1
2
3
Gupta,, et
al. (20
al
((2010)
2010)
Agar
Agar
wal,
w l, et
wa
al.
(2010)
2
Sopac
ua,
ua et
al.
(2013)
16
sebesar
97%
2.2
biortho
gonal
77.14%
Landasan
n Teori
Teori
2.2.1 Pengolahan
Peng
ngolahan Citra
ng
merupakan
teknik
untuk
Pengolahan citra
cittra m
erupak
kan suatu tekni
nik
ni
k yang
yang ddigunakan
ig
igunakan
uk mengolah
visual
Pengolahan
digital
data visua
da
uall menjadi
ua
menj
me
njadi dataa yang
nj
yang
an informatif.
informattif. Pengol
lah
ahan
an citra dig
git
ital
al memiliki
mem
e iliki ba
banyak
kelebihan
pengolahan
Pada
kele
lebi
le
biiha
han
n dibandingkan
diband
ndin
nd
ingk
gkan dengan peng
golahan gambar an
analog
ogg ((Gupta,
Gupt
ptaa, 22011).
pt
011)). Pa
01
ada
d
citra
matriks
citr
ci
traa digital
tr
digita
tall yang memiliki
ta
mem
mil
i iki R x C piksel direpresentasikan
direp
eprresentasikan ddengan
enga
gan
ga
n ma
m
triks
berukuran
bernilai
sampai
beru
be
r kurran
ra R x C. Indeks n bernilai
bern
be
r ilai 0 ssampai
am
mpai C-1
1 dan
da indeks m bernila
ai 0 sa
amp
mpaai RMatriks
representasi
berikut:
11.. Ma
at
atriks
repre
rese
sent
n asi dari sebuah
seebu
buah
a citra
ciitraa adalah
adala
lah
h sebagai beri
riku
kutt:
f (m, n)
0,0)
ª f ((0
« f ((1
1,0
, 0)
«
«
«
¬ f ( R 11,,00))
f (0,11))
f (1,11))
f ( R 1,,1
1)
f (0, C 1) º
f (1, C 1) »»
»
»
f ( R 1, C 11))¼
Gambar 2.1 Representasi matriks berukuran RxC
f(r,c)
merupakan
intensitas
atau
derajat
keabuan
Nilai f(r
(r,c
(r
,c)) m
,c
eru
upa
paka
kan
ka
n nilai in
inte
tens
te
nsit
ns
itas ata
it
taau de
dera
r ja
ra
j t ke
keab
abua
ab
u n pada ppiksel
ikse
ik
sel (r
se
(r,c).
yang
Pada pengolahan
pen
engo
gollah
go
lahan citra terdapat bbeberapa
e erapa manipulasi objek yan
eb
ng bi
bisa
sa dilakukan,
rotasi,
diantaranya manipulasi skala, rot
tasi, tingkat kecerahan (Hasan & Misra, 2011) dan
manipulasi kecerahan (Kabir, et al.,
al 2010), ttingkat
ingkat ketajaman gambar (Padmapriya
kontras
& Vigneshnarthi, 2012), peningkatan
peningkata
tan ko
ta
ontras gambar, atau kombinasi dari salah
(Bayram, et al
al., 22006).
satu operasi tersebut (Bayram
006)
17
2.2.2 Pengenalan Wajah (Face Recognition)
Pengenalan wajah adalah suatu
suaatu
su
atu kegiatan
k giatan yang aktif di bidang biometric
ke
ag
gia
ian terpenting dalam pengenalan
pengenaala
lan
n wajah adalah pendeteksian
(Gan, et al., 2005). Bag
Bagian
iaan dari wajah (Sa
Saudagare & Chaudhari, 2012
Sa
2). Teknik pengenalan
bagian – bagia
bagian
(Saudagare
2012).
ecara garis bbesar
essar dapat ddibagi
ib
bag
agii menjadi
men
me
njad
adi 3 ka
ad
kate
tegori berdasark
te
rkkan
a metodologi
wajah se
secara
kategori
berdasarkan
ak
kui
uisisi data wa
w
jah (J
Jaf
afri & Arabn
bnia
ia,, 20
ia
2009
09),
09
) diantaranya:
),
diantaranya
ya:
ya
akuisisi
wajah
(Jafri
Arabnia,
2009),
Met
to yang
tode
yan
ang beroperasi padaa intensitas
a. Me
Metode
b. Urutan
Urrutan
ut dalam
m pengambilan
pengambilan ggambar
ambar
b.
au ci
ccitra
tra infraa m
erah
c. Informasi 3D ata
atau
merah
Pengeenalan
en
waj
ajah
ah ini, pada ddasarnya
a ar
as
arnya dig
gunaakan
n untuk meng
ngid
iden
entifikasi
sii orang
ng ddari
ari
Pengenalan
wajah
digunakan
mengidentifikasi
gamb
mbar
b atau video (W
Win
inarrno
no, et aal.,
l., 2014).
2014
4).
gambar
(Winarno,
Algo
gori
ritm
ri
tma
tm
a Ei
Eige
genf
nffac
ace
2.2.3 Al
Algoritma
Eigenface
etod
et
o e pengenalan awal berbasis bentuk wa
waja
jah
ja
h
Eigenface adalah salah satu m
metode
wajah
(Sejjan
(S
ni, et
et al.,
al.,.,, 2013)
al
201
013)
3)) dan
dan merupakan
mer
eruppakan suatu metodee ya
yang
ngg paling
pal
alin
ing
g sederhana
sede
se
derh
de
rhan
rh
ana dan
an
dan yang
yang
(Sejani,
pali
pa
ling
li
n efisien (Gu
Gupt
Gu
ptaa, et al.,, 2010).
pt
2010)). Dalam
Dala
Da
lam
la
m metode eigenface,
eige
g nf
nfac
acee, seri gambarr (t
ac
(tra
rain
ra
ning
paling
(Gupta,
(training
ang
an
g di
dire
repr
re
presentasikan sebagai
pr
sebaga
gaai vektor
r. Ide dari eigen itu
u ssendiri
endi
en
diri
di
ri aadalah
dallah untuk
da
set)) yyang
direpresentasikan
vektor.
yan
ng lebih rendah
ren
ndah di mana vektor pendek akan
mengetahui ruang-dimensi yang
et al., 2013
3). Metode eigenface telah diterapkan
mencerminkan wajah (Sopacua, et
2013).
gam
mbar wajah
waajah manusia (Chu, et al., 2006). Untuk
untuk mengekstrak wajah dasar gambar
akan teknik yang sering digunakan yaitu
mengekstrak wajah manusia, diguna
digunakan
Principal Component Analysis (PCA) (Satone & Kharate, 2012). Prinsip utama dari
metode ini adalah skor dari komponen utama yang diregresikan dengan variable tak
18
bebas terhadap komponen utama yang saling tak berkorelasi (Geng & Zhou, 2006).
menguraikan
Cara kerja teknik ini adalah dengan meng
m
eng
ngur
u aikan citra wajah ke dalam satu set kecil
karakteristik gambar ((Pattanasethanon
Patttanasethanon
Pa
tt
& Savithi, 22012)
012)
01
2 dan dilakukan pengenalan
2)
wajah
eigenspace
dengan memproyeksikan
mempr
pro
pr
oyeksikan waja
jah baru ke sebuah eigensp
ja
pac
a e dimensi rendah
(Kittusamy
Chakrapani,
2012)
perhitungan
(Kittusa
amy & Cha
akr
k ap
apan
ani, 2012
an
2) llalu
alu
al
u di
ddilakukan
laku
la
kuukaan pe
perh
r itungan jarak
rh
k an
aantara
tara gambar
yang
dihasilkan
eigenspace
dengan
tersimpan
(Dhanda,
ya
ang
ng dihasilka
kan di ei
ka
igenspace den
enga
gan
ga
n data
data yang
yang sudah
h te
tersimpa
pan (Dhand
pa
da, 2012).
besar
untuk
membangun
Pada
Pa
da aalgoritma
lgoritma
lg
ma ei
eigenface ini terdapat
terdaapat 2 langkah be
besa
sarr yaitu un
sa
untu
tuk
tu
k me
m
mban
ngu
g n
basis
data
pengenalannya
(Orczyk
Algoritma
eigenface
basi
siss da
si
dat
ta dan
an
n untuk
untuk pen
engenalannya (Or
Orczyk & Porwik,
k, 2010). Algori
A
l itm
tmaa ei
eigenfac
ce
membangun
untuk me
un
embangun basis da
data terdiri ddari
arri langkah-langkah
langkah-la
lan
ngkah berikut:
Siapkan
(training)
set
semua
memiliki
aa.. Si
Siap
apkan referensi (t
(tra
raining) se
et - sem
mua gambar haruss me
memi
miili
l ki rresolusi
esol
es
olusi
ol
yang
wajah.
pixel yang
ng ssama
ama dan kkeselarasan
am
ese
selarrasaan ya
yan
ng sama da
dari
ri w
ajah.
b. Mengubah gamba
gambar
menjadi
vektor
vektor
barr me
enj
njad
a i vekt
tor ddan
an
n membangun matriks ddari
ari vekt
ktor
kt
merupakan
gambar
iini,
nii, ddii ma
mana
naa setiap
set
etia
iap
ia
p baris
ba matriks meru
upa
paka
kan
ka
n ga
gamb
mbar
ar ttunggal.
unggal.
l
c. Hitung rata- rata gambar ((rata-rata
rata-r
ra
-rrat
ata wajah).
d. Kurangi rata-rata gambar dari masing-masing gambar dalam m
matriks
atrriks
at
ks
(mean
matriks
(mea
(m
ean
n da
dari
ri bbaris
a iss m
ar
attri
riks
ks aakan
kan sa
ka
sama
ma 00).
).
e.
Hitung
vektor
(Saudagare
nilai
eigen
e. Hi
Hitu
tun
tu
ng vek
ekto
ek
tor eigen (S
to
Sau
a dagare & Chaudhari,
Chaudhari, 2012)
2012
20
1 ) dan
dan ni
nila
laii ei
la
eige
en ((Lata,
Lata,
kovariansi.
et al., 2009) dari matrikss kovarians
si.
i Setiap vektor eigen memiliki dimensi
yang sama (jumlah komponen)
koomp
m onen) sebagai
seebagai gambar asli. Vektor eigen dari
disebut
eigenfaces.
matriks kovariansi ini dis
seb
e ut eig
genfaces.
f. Cari himpunan vektor ortonormal,
ortonnor
o mal, yang paling menggambarkan distribusi
data.
19
g. Pilih subset dari vektor orthonormal ini yang berhubungan dengan
matriks
eigenvalues tertinggi dari m
attri
atri
riks
k kovariansi.
h. Mengurutkan
vektor
mereka
n ve
vek
ktor eigen ini dalam urutan
n - me
m
reka akan disebut sebagai
eigenfaces.
eigenf
nfaaces.
nf
Algoritma
pengenalan
Algoritm
ma untuk pe
eng
ngen
enal
en
a an wajah
waj
ajah
aj
ah
h ddijalankan
ijal
alan
al
nkaan sebagai
s ba
se
baga
gai berikut:
ga
a. Hitu
Hitung
tung
tu
n komponen
kom
mponen eigenface
eigenf
nfac
nf
acee dari
ac
dar
arii foto
f to baru.
fo
Hitung
b. H
itu
tung perbedaan
tu
per
erbe
er
bed
be
daan antara rata-rata
rataa-rata muka dan wajah
waj
ajah
a baru.
u.
c. Kali
lik
li
ka perb
kan
bed
edaan dengan m
asing-masing vvektor
ektor eige
ek
geen.
n
Kalikan
perbedaan
masing-masing
eigen.
embangun bobot
bo
obo
bot vektor bar
aru
u.
d. M
Membangun
baru.
e. Pi
Pili
lih wajah terbaik
k co
ocok atas
ataas dasar bobot
bob
obot jarak Euclidian
Euclid
dia
ian
n ((Manjhi,
Manjhi
hi,, et al.,
hi
e.
Pilih
cocok
2013).
f. Tentukan apakahh wajah
waaja
jah
h diakuii m
ilik
ik dikenal kelas wajah
h (deng
nggan
milik
(dengan
membandingkan
kesamaan
dengan
memb
mban
andi
ding
ngka
ng
kan
ka
n ke
kesa
samaan ukuran de
sa
eng
ngan
an ddua
ua aambang
mbang batas).
mb
batas)).
2.2.4
2 2.
2.
2 4 Transformasi Wavelet
Wave
Wa
vellet
let merupakan
meru
me
rupa
ru
paka
pa
kann su
ka
uat
atu
u ge
gelo
l mb
mban
ang
an
g mi
m
ini
ni ((small
sm
mal
alll wave)
wave
wa
v ) ya
ve
yang
ng m
empu
puny
pu
nyai
ny
Wavelet
suatu
gelombang
mini
mempunyai
kema
ke
maamp
mpua
uan
ua
n mengelompokan
me gel
meng
elo
ompokan en
ner
e gi cit
i ra dann terkonsentrasi
terkonsentr
tras
tr
asi pa
as
ada ssekelompok
ekel
ek
elom
el
ompo
om
pok
po
k kecil
kemampuan
energi
citra
pada
laiinya hanyaa me
m
ngandung sedikit energi yang dapay
koefisien, sedangkan koefisien lainya
mengandung
niilai informasinya
informassinya (Sutarno, 2010). Wavelett berasal
dihilangkan tanpa mengurangi nilai
ungsi te
ersebut diperoleh sebuah mother wavelet.
dari sebuah scaling function. Dari ffungsi
tersebut
h da
ari nilai skala yang berbeda untuk fungsi
Berbagai macam wavelet diperoleh
dari
scaling. Meskipun berasal dari teori aproksimasi dan pengolahan sinyal, wavelet
20
banyak diaplikasikan ke dalam permasalahan bidang grafika komputer, contohnya
kompresi citra dan watermarking.
Tranformasi Wavelet
Wavvelett merupakan salah satu me
Wa
metode yang dapat digunakan
untuk mengan
menganalisis
nal
aliisis sinyal-sinyal
sinyal-sinyyal
a non-stasioner (Chu & Chen
Chen,
n, 2005). Tranformasi
Wavelett m
mentransformasi
entransfoorm
mas
asii signall ddalam
a am ddomain
al
om
mai
ain waktu
wakt
wa
ktu
kt
u menjadi signal
al ddalam
alam domain
waktu
wa
aktu
kt dan fr
frekuensi
rek
ekuensii (y
(yang dalam ha
hall in
inii di
dibentuk men
menjadi
nja
jadi domain
dom
omain transl
om
translation
lat
a ion and
d
scale) ((Kathirvalavakumar
Kath
Ka
thir
th
irvalava
ir
vaku
aku
kumar & Vasanthi,
Vasanthii, 2013).
2.2.4.1
Wavelet
2.2.
2.4.
2.
4.1
4.
1W
aveelet
le Haarr
Salah
Sal
Sa
lah satu keluagaa wa
wavelet
w
velett diantaranya
diaanttaranya adalah
adaala
lah wavelet Haar
Haar.
r. Wave
Wavelet
vele
ve
lett Ha
le
Haarr
merupakan
m
me
rupa
paka
pa
kan
n wa
w
wavelet
velett yang pali
paling
ling
ng seder
sederhana
rha
hana diban
dibanding
and
ding dengan jeni
jenis
niss w
wavelet
ave
velett llainnya.
ve
ainn
ai
nnya
nn
y .
Caraa kerja dari wavelet
waave
v le
lett Haarr ddengan
en
nga
gan
n ssinyal
inyyal bberdimensi
erdimeens
nsii ssatu
atu ini dapatt dijelaskan
sebagai
seba
aga
g i berikut, sebuah sinyal
siny
yal
a digital
dig
igit
ital berdimensi
berdim
mensi ssayu
ayu yang mempunyai resolusinya
reesolusin
nya
sebesar
se
ebe
bessar 4 pik
piksel,
iksel,
l memiliki
memi
me
mili
mi
liki
li
ki eelemen
leme
le
m n misalnya [E1
1E
E2
2 E3 E
E4].
4]. Da
4]
Dari
rii ci
citra
itra terse
tersebut
sebu
se
but dapa
bu
dapat
at
direpresentasikan menjadi sebuah
h deret
der
eret Ha
Haarr yang setiap pasang elemen dari ci
citra
itr
traa
tersebut
ters
te
r ebut dihitung nilai rata-ratanya, sehi
rs
sehingga
ngga diperoleh suatu citra baru
u ddengan
eng
ngan
ng
an
rresolusi
re
soolu
lusi
si yang
yan
ang
g le
lebih
ebi
bih
h re
rrendah
ndah
nd
ah m
misalnya
isal
is
alny
al
nya [(
ny
[(E1
[(E1+E2)/2
E1+E
E1
+E2)
+E
2)/2
2)
/2 ((E3+E4)/2].
E3+E
E3
+E4)
+E
4)/2
4)
/2].
/2
]. D
Dari
arii seba
ar
sebagian
bagi
ba
giaan
gi
informasi
info
in
form
fo
rmas
rm
asii citra
as
citr
ci
traa tersebut
tr
ters
rseb
rs
ebut yang hilang
eb
h lang dalam
hi
m proses per
perhitungan
erhi
er
hitung
ngan
ng
an rrata-rata,
ataat
a-rrataa, maka
akoefisien detail perlu disimpan agar
agar dapat
at dikembalikan kembali menjadi citraa
awal. Koefisien detail berisi dari
darri selisih ant
antara
nttara nilai rata-rata dengan kedua nilai
yang dirata-rata, yaitu [(E1-((E1+E
[(E1-((E1+E2)/2)
E2)/2) E3-((E3+E4)/2)].
E3-((E3+E4)/2)].
Trasformasi Wavelet Haarr dalam
daalam mengubah nilai-nilai piksel pada citra 2
dimensi ini dapat dilakukan dengan 2 cara, diantaranya adalah menggunakan
metode dekomposisi tidak standar dan metode dekomposisi standar (Sutarno, 2010).
21
Dekomposisi standar dimulai dengan melakukan transformasi wavelet 1 dimensi
untuk setiap baris dari setiap nilai ppiksel
ikse
ik
sell sebuah
se
se
citra hingga level yang diinginkan.
Setelah itu kemudian melakukan
melakukan transformasi wavelet
waave
velett 1 dimensi untuk setiap
kolomnya. Seda
Sedangkan
dangkan pada deko
da
dekomposisi
komposisii tidak standar, prosess dekomposisi
ko
d komposisi berjalan
de
dengan melakukan
melakukan
n transformasi
traans
nsfo
f rmassi 1 dimensi
dime
di
menssi un
me
untu
untuk
tuk
tu
k ti
tiap
ap baris dilanjutk
dilanjutkan
tkan untuk tiap
tk
kolomnya.
ko
olo
lomnya. Pr
Pros
Proses
o es ini
ni akan berlan
berlangsing
angs
an
gsin
gs
ing
in
g se
secara terus-m
terus-menerus
-m
meneruss sampai le
level
eve
v l yang
diinginkan.
diingink
nkan
nk
an..
an
22