2012 Proceeding Seminar Nasional Teknologi Informasi Aplikasinya
Jurusan Ilmu Komputer, FMIPA, Universitas Udayana 2
................................ …………………………………………………. 2.1
.........................
………………………………………………… 2.2 .............................. ………………………………………………… 2.3
4. Pada citra hanya terdapat satu wajah.
5. Data citra yang digunakan adalah data citra dengan format .bmp.
6. Ekspresi yang dikenali adalah ekspresi tersenyum dan netral.
1.5 Manfaaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah aplikasi ini nantinya dapat dijadikan sebagai sub aplikasi dalam membangun suatu sistem yang memanfaatkan teknik pengenalan ekspresi wajah dalam
prosesnya seperti pengenalan wajah untuk sekuritas sebagai pengganti tanda tangan atau sidik jari.
2. TINJAUAN PUSTAKA
Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua
label kelas, yaitu wajah dan nonwajah Sung, 1996. 2.1 Citra
Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang mewakili orang tersebut, foto sinar
X-thorax yang mewakili gambar bagian tubuh seseorang dan lain sebagainya Hestiningsih, 2008. a.
Citra Digital Citra digital adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada
citra tersebut dan elemen matriksnya yang disebut sebagai elemen gambar atau piksel menyatakan tingkat keabuan pada titik tersebut.
b. Citra Biner
Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang hanya direpresentasikan nilai tiap pikselnya
dalam satu bit satu nilai binary.
2.2 Metode Principal Component Analysis PCA
PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA adalah sebuah teknik statistika yang berguna pada bidang pengenalan, klasifikasi dan kompresi data citra.
Algoritma PCA adalah sebagai berikut Zayuman, 2011: 1.
Sebelum PCA dapat dilakukan, dilakukan lexicographical ordering untuk setiap wajah yang akan dilatihkan dimana kolom yang satu diletakkan disamping kolom yang lain sehingga membentuk
vektor wajah yang merupakan vector kolom. Vektor-vektor wajah tersebut disusun sedemikian rupa sehingga membentuk suatu matriks X dengan orde n x m, dimana n adalah banyaknya jumlah piksel
w h dan m adalah banyaknya gambar wajah. Matriks inilah yang akan digunakan sebagai masukan bagi PCA.
2. Hitung rata-rata mean setiap baris dari matriks besar tersebut, lalu kurangi semua nilai di setiap
baris dengan rata-rata tersebut. 3.
Membuat matriks kovarian L, L = X
t
X 4.
Mencari nilai eigen E dan vektor eigen C dari matriks kovarian L. 5.
Mencari eigenfaces P. P = CX
6. Menghitung komponen utama citra-citra latih Y,
Y = P
t
X Hasil transformasi ini merupakan gambar wajah yang telah di reduksi menjadi beberapa variabel yang
diperlukan saja yang akan dimasukkan ke jaringan syaraf tiruan.
2.3. Algoritma Learning Vector Quantization LVQ
Algoritma pada jaringan syaraf LVQ bertujuan untuk menemukan unit output yang terdekat dengan vektor input Ming Leung, 2009.
Adapun algoritma dari LVQ adalah: 1.
Tetapkan bobot w, Maksimum epoh MaxEpoh, error minimum yang diharapkan Eps, Learning rate
2. Tentukan
a Input : x m,n
b Target : T 1,n
3. Tetapkan kondisi awal epoh =0
4. Kerjakan jika: epoh MaxEpoh atau eps
a epoh = epoh + 1
b Kerjakan untuk i =1 sampai n
i. Tentukan j sedemikian hingga ||x-w
j
|| minimum sebut sebagai c
j
ii. Perbaiki w
j
dengan ketentuan
Jika T = c
j
maka w
j
baru = w
j
lama+ [x-w
j
lama]
