PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS.
PENGENALAN WAJ AH MENGGUNAKAN METODE
DIAGONAL PRINCIPAL COMPONENT ANALYSIS
Skr ipsi
Di susun oleh :
M. RIDHO MAJIDI
(0934010056)
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVESITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2014
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Judul
: Pengenalan Wajah Menggunakan Metode Diagonal Principal
Component Analysis
Pembimbing I
Penyusun
: Fetty Anggraeny, S.Kom, M.Kom.
: M. Ridho Majidi
ABSTRAK
Wajah adalah bagian dari tubuh yang memiliki karakteriktis yang unik, maka dapat
membedakan dan mengenal hanya dengan melihat bagian wajah, karena alasan tersebut ,
dibutuhkan sebuah penelitian untuk menyelesaikan dan membuat sebuah sistem pengenalan
dengan hasil dari sistem tersebut. Dalam kasus ini sebuah computer mengenal atau
mengidentifikasi seseorang dengan gambar wajah seperti manusia.
Ada beberapa metode untuk proses pengenalan wajah. Pada penelitihan ini
menggunakan metode Diagonal Principal Component Analysis (DiaPCA). Metode DiaPCA
berfungsi untuk mendiagonalkan citra awal, kemudian dilakukan proses principal component
analysis (PCA). Principal component analysis berfungsi untuk menghitung nilai eigen value
dan nilai eigen vector yang akan digunakan sebagai fitur dalam melakukan pengenalan.
Metode Euclidean distance digunakan untuk mencari jarak dengan data fitur yang telah
didapatkan dan jarak terkecil adalah hasilnya.
Dari percobaan dan pengujian yang dilakukan, aplikasi dapat mengenali citra wajah
dengan tingkat keberhasilan sampai 92.5%. melalui 37 percobaan yang berhasil dan 3
diantaranya gagal.
Keywords : Citra Diagonal; Principal Component Analysis (PCA);Diagonal PCA; Face
Recognition
i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
Syukur Alhamdulillah atas segala limpahan karunia dan kasing
saying Allah SWT, sehingga dengan segala keterbatasan waktu, tenaga dan
pikiran
yang
dimiliki
oleh
penulis,
akhirnya
skripsi
yang
berjudul
“PENGENALAN WAJ AH MENGGUNAKAN METODE DIAGONAL
PRINCIPAL COMPONET ANALYSIS” dapat terselesaikan sesuai dengan
waktu yang telah ditetapkan.
Skripsi dengan beban 4 SKS ini disusun sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN “Veteran” Jawa Timur.
Penulis menyadari bahwa penulisan skripsi ini masih jauh dari
kesempurnaan dikarenakan pengetahuan dan pengalaman yang dimiliki oleh
penulis masih sangat terbatas dan masih perlu diperbaiki baik dari segi penyajian
maupun isinya. Oleh karena itu, penulis mengharapkan kritik dan saran yang
bersifat membangun dari semua pihak yang membaca skripsi ini. Semoga skripsi
ini bermanfaat bagi semua pembaca pada umumnya dan bagi penulis pada
khususnya. Amiin.
Pada penyusunan skripsi ini, banyak pihak yang memberikan bantuan baik
materiil maupun spiritual ini, sehingga pada kesempatan ini penulis mengucapkan
rasa terimah kasih sebesar-besarnya kepada :
ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
1. ALLAH SWT dan RASUL-Nya. Alhamdulillah atas segala
kelancaran dan kemudahan yang engkau limpahkan kepada
penulis.
2. Bapak Budi Nugroho, S.kom, M.kom. selaku ketua jurusan Teknik
Informatika, UPN “Veteran” Jawa Timur.
3. Ibu
Fetty Tri
Anggraeni,
S.kom,
M.Kom
selaku
dosen
pembimbing. Terimakasih banyak telah sabar membimbing dan
member saran yang sangat bermanfaat kepada penulis.
4. Teman-teman MENOER 09’, terimakasih selalu meramaikan dan
member hiburan serta membantu memberikan motivasi untuk
menyelesaikan skripsi dan penyusunan laporan.
5. Bapak Rully, S.Kom yang selalu menasehati dan membimbing
penulis kearah yang benar. Penulis tidak akan melupakan jasa-jasa
beliau.
6. The last and the best, terimakasih kepada ibu, ayah, adek yang
menjadi motivasi untuk lulus kuliah.
iii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Serta pihak-pihak lain yang ikut memberikan informasi dan data-data di
dalam menyelesaikan laporan skripsi ini, penulis mengucapkan terima kasih.
Akhir kata penulis harap agar skripsi yang disusun sesuai dengan
kemampuan dan pengetahuan yang sangat terbatas ini dapat bermanfaat bagi
semua pihak yang membutuhkan .
Wassalamu’alaikum Wr.Wb
Surabaya, Januari 2015
Penulis
iv
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
DAFTAR ISI
Halaman
LEMBAR PENGESAHAN
ABSTRAK ………………………………………………………………
i
KATA PENGANTAR ………………………………………………….
ii
UCAPAN TERIMA KASIH …………………………………………...
iii
DAFTAR ISI ……………………………………………………………
v
DAFTAR GAMBAR …………………………………………………...
viii
DAFTAR TABEL ………………………………………………………
ix
BAB I PENDAHULUAN ………………………………………….......
1
1.1
Latar Belakang …………………………………………...
1
1.2
Rumusan Masalah ………………………………………...
3
1.3
Batasan Masalah …………………………………………
3
1.4
Tujuan …………………………………………................
4
1.5
Manfaat …………………………………………..............
4
1.6
Metodelogi Penelitian ……………………………………
4
1.7
Sistematika Penulisan ……………………………………
6
BAB II TINJ AUAN PUSTAKA ……………………………………….
8
2.1 Landasan Teori ……………………………………………
8
2.1.1 Artificial Intelligence…...………………………….
8
2.1.2 Computer Vision…………………………………..
9
v
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vi
2.1.3 Image…………………………..…………………
10
2.1.4 Warna…………………………………………….
12
2.1.5 Citra Digital……………………………………………
14
2.2 Pengolahan Citra Digital………………………………….
15
2.2.1 Grayscaling……………………………………………….
17
2.3 Pendekatan PCA……………………………………….
17
2.3.1 Diaginal Princial Component Analysis …………….
19
2.3.2 Algoritma Diagonal PCA……………………………….
19
2.4 Euclidean distance……………………………………………..
26
BAB III METODOLOGI PENELITIAN …………………………….
27
3.1 Analisa Sistem……………………………………………..
27
3.1.1
Feature Extraction………………………………..
29
3.1.2
Recognition Process…………………………………..
30
3.2 Perancangan Tampilan Antarmuka ……........................
31
BAB IV HASIL DAN PEMBAHASAN ................................................
33
4.1 Kebutuhan Hardware dan Software ……………………...
33
4.2 Implementasi Data …………………….............................
34
4.3 Implementasi Antarmuka ……………………...................
34
4.4 Implementasi Proses ……………………..........................
35
4.4.1 Proses Input Images …………………………………
35
4.4.2 Proses Diagonal Image …………………................
36
4.4.3 Proses Pengenalan Citra Wajah…………………….
36
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vii
4.5 Uji Coba Program …………………….............................
38
4.5.1 Skenario Uji Coba …………………….................
38
4.5.2 Pelaksana Uji Coba ……………………...............
38
4.6 Evaluasi Aplikasi ……………………..............................
42
4.6.1 Tabel Hasil Analisa Uji Coba Aplikasi …………..
42
BAB V KESIMPULAN DAN SARAN ……………………………….
50
5.1 Kesimpulan ……………………........................................
50
5.2 Saran ……………………..................................................
50
DAFTAR PUSTAKA ……………………............................................
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
51
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dewasa ini banyak kita lihat ataupun dengar tentang penerapan
pengenalan pola di banyak negara maju maupun negara yang berkembang,
hal ini membuktikan bahwa pengenalan pola sangatlah penting terutama
dalam bidang keamanan, salah satunya adalah pengenalan wajah (face
recognition). Pengenalan wajah ini dalam bidang keamanan banyak dipakai
untuk keperluan seperti mencari pelaku kriminal yang wajahnya telah
berubah baik yang disengaja ataupun tidak disengaja. Yang disengaja seperti
penambahan kacamata sedangkan yang tidak disengaja adalah perubahan
karena usia. Dengan teknologi yang sudah ada, pengenalan citra wajah
diproses melalui sistem digital, artinya citra–citra wajah diolah oleh sistem
komputer dengan menggunakan
teknologi kecerdasan buatan untuk
memperoleh segala bentuk perubahan pada wajah tersebut yang mungkin
terjadi.
Pengenalan pola wajah merupakan salah satu bidang yang sangat
menarik untuk diteliti karena sampai sekarang masih belum ditemukan suatu
metode yang benar-benar sempurna dalam mengenal suatu wajah. Hal ini
dikarenakan
wajah
manusia
terlalu
kompleks,
sehingga
mengembangkan suatu perhitungan yang ideal adalah hal yang sulit.
1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
untuk
2
Di dalam setiap penelitian tentang pengenalan pola, pasti akan kita
temukan sesuatu yang berhubungan dengan image processing dan computer
vision. Image Processing adalah salah satu jenis teknologi untuk
menyelesaikan masalah mengenai pemrosesan gambar. Dalam Image
Processing, gambar yang ada diolah sedemikian rupa sehingga gambar
tersebut lebih mudah diproses, sedangkan Computer Vision mempunyai
tujuan utama yaitu untuk membuat suatu keputusan yang berguna tentang
obyek fisik nyata yang didapat dari perangkat atau sensor.
Banyak orang telah mencoba dan berhasil membangun program
aplikasi pengenalan wajah dengan berbagai macam metode yang masingmasing memiliki kelebihan dan kekurangannya. Ada metode yang cepat
dalam mengenali citra wajah tetapi mengorbankan keakuratan dalam
pengenalan, begitupula sebaliknya. Tujuan penelitian ini adalah untuk
merancang dan membangun sebuah program aplikasi pengenalan wajah bagi
komputer dengan memanfaatkan metode Diagonal Principal Componen
Analysis (DiaPCA).
Aplikasi yang akan dibuat menerima input berupa foto manusia yang
memiliki karakteristik wajah manusia, yang diperoleh dari kamera digital,
yang kemudian akan ditransfer menjadi digital image dengan format JPEG ke
komputer untuk diproses. Output dari sistem adalah foto wajah manusia yang
sudah terpotong dari foto asal. Foto wajah manusia tersebut akan disimpan
ke dalam data base untuk keperluan pendataan.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3
Untuk itu penulis membuat sebuah aplikasi pengenal karakteristik
wajah manusia secara otomatis dengan menggunakan metode Diagonal
Principal Components Analysis, dengan bahasa pemrograman Matlab 2012.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas maka dapat dirumuskan
masalah yaitu :
1. Bagaimana melakukan proses klasifikasi citra wajah menggunakan metode
Diagonal Principal Components Analysis (DiaPCA).
2. Bagaimana mengukur tinggkat pengenalan wajah menggunakan metode
Diagonal Principal Components Analysis (DiaPCA).
1.3 Batasan Masalah
Untuk menjaga fokus dari penelitian ini, maka beberapa batasan yang
diberikan adalah sebagai berikut :
1. Bahasa pemrograman yang digunakan adalah bahasa pemrograman
Matlab
2. Database yang digunakan dalam percobaan Tugas Akhir ini adalah
database Olivetty Research laboratory (ORL), yang telah mengalami
proses grayscale
3. Ukuran wajah pada database ORL adalah 92 x 112, dari 40 subyek
citra, masing-masing memiliki 10 ekspresi dan bentuk wajah yang
berbeda.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4
1.4 Tujuan
Tujuan dari tugas akhir ini adalah mengenali wajah menggunakan
metode Diagonal Principal Components Analysis (DiaPCA).
1.5 Manfaat
Manfaat dari penulisan tugas akhir ini adalah :
1. Aplikasi pengenalan wajah yang berguna untuk mengenali wajah manusia
dengan tingkat akurasi yang tinggi, cepat, dan hasil yang konsisten dalam
pengujiannya
2. Dapat mengetahui secara lebih detail teknik pengenalan karakteristik
wajah manusia oleh komputer, dengan menggunakan metode DiaPCA.
3. Dapat dipergunakan sebagai dasar penelitian selanjutnya untuk sistem
karakteristik pengenal wajah manusia secara otomatis dan dapat
dipergunakan untuk berbagai keperluan.
1.6 Metodologi Penelitian
Beberapa metode dan teknik yang dipergunakan dalam pengumpulan dan
pengolahan data skripsi ini antara lain :
1. Metode Pengumpulan Data
Metode pengumpulan data dalam penulisan ini menggunakan studi
kepustakaan guna menunjang pembuatan tugas akhir dengan membaca dan
mempelajari buku-buku literatur, jurnal, artikel yang berhubungan dengan
pengenalan citra berbasis komputer khususnya deteksi wajah manusia.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5
2. Metode Analisa
Metode analisa dalam penulisan ini mencakup bagaimana menganalisa
cara kerja algoritma untuk mendeteksi citra wajah manusia secara
sistematis.
3. Perancangan dan Pembuatan Aplikasi
Melakukan perancangan algoritma yang digunakan, perancangan struktur
data,diagram alur serta interface yang akan digunakan untuk implementasi
dalam perangkat
lunak yang akan dibuat. Kemudian dilakukan
pengimplementasian ke dalam bahasa pemrogramanyang untukaplikasi.
4. Pengujian dan Evaluasi Aplikasi
Melakukan pengujian pada aplikasi yang telah dibuat serta mengevaluasi
hasil yang diperoleh untuk perbaikan aplikasi sehingga dapat mengetahui
apakah aplikasi sesuai dengan tujuan yang diharapkan.
5. Pembuatan Naskah Skripsi
Melakukan dokumentasi dari semua tahap agar dapat dipelajari untuk
pengembangan lebih lanjut. Memaparkan dasar-dasar teori dan metode
yang terlibat di dalamnya, diantaranya desain perangkat lunak dan
implementasinya, hasil pengujian aplikasi termasuk juga perbaikan.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
6
1.7 Sistematika Penulisan
Pada penyusunan tugas akhir, sistematika pembahasan diatur dan
disusun dalam enam bab, dan tiap-tiap bab terdiri dari sub-sub bab. Untuk
memberikan gambaran yang lebih jelas, maka diuraikan secara singkat
mengenai materi dari bab-bab dalam penulisan tugas akhir ini sebagai berikut:
BAB I
PENDAHULUAN :
Pada bab ini berisi latar belakang, perumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, dan sistematika
penulisan pembuatan tugas akhir ini.
BABII
TINJAUAN PUSTAKA :
Pada bab ini menjelaskan mengenai landasan teori-teori
pendukung pembuatan tugas akhir ini.
BABIII ANALISIS DAN PERANCANGAN SISTEM:
Pada bab ini berisi tentang analisis dan perancangan aplikasi
dalam pembuatan Tugas Akhir Deteksi Wajah Manusia
Menggunakan Algoritma Diagonal
Principal Component
Analysis
BAB IV HASIL DAN PEMBAHASAN:
Pada bab ini akan membahas tentang kerja dari aplikasi secara
keseluruhantentang pelaksanaan uji coba dan evaluasi dari
pelaksanaan uji coba dari program yang dibuat. Uji coba dapat
dilakukan pada akhir dari tahap-tahap analisis aplikasi, desain
aplikasi dan tahap penerapan aplikasi atau implementasi.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
7
Sasaran dari ujicoba program adalah untuk menemukan
kesalahan-kesalahan dari program yang mungkin terjadi
sehingga dapat diperbaiki
BAB V
KESIMPULAN DAN SARAN:
Pada bab ini berisi kesimpulan dan saran dari penulis untuk
pengembangan aplikasi.
DAFTAR PUSTAKA :
Pada bagian ini akan dipaparkan tentang sumber-sumber
literatur yang digunakan dalam pembuatan laporan tugas akhir
ini.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB II
TINJ AUAN PUSTAKA
2.1.
Peneliti Pendahulu
Sebelumnya telah dilakukan penelitian dengan judul Diagonal
principal component analysis for face recognition. Dalam papernya
mengakatan metode baru yang disebut diagonal principal component
analysis (DiaPCA) dimaksutkan untuk pengenalan wajah. Berbeda dengan
PCA standart, DiaPCA langsung mencari vector proyektif optimal dari citra
wajah diagonal tanpa perubahan image-to-vektor. Sementara berbeda
dengan 2DPCA, DiaPCA menyediakan hubungan antara variasi-variasi dari
beberapa baris dan beberapa kolom dari suatu gambar. Percobaan
menunjukkan bahwa DiaPCA lebih akurat daripada PCA dan 2DPCA (ZhiHua Zhou, Daoqiang Zhang ,2006).
2.2.
Landasan Teori
2.2.1 Artificial Intelligence
Kecerdasan buatan (Artificial Intelligence) merupakan salah satu
bagian ilmu komputer yang membuat agar mesin (komputer) dapat
melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia (Sri
Kusumadewi, 2003).
Artificial Intelligence AI dapat dipandang
dalam berbagai
perspektif.
8
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
•
Dari perspektif Kecerdasan (Intellgence)
AI adalah bagaimana membuat mesin yang “cerdas” dan
dapat melakukan hal-hal yang sebelumnya dapat dilakukan
oleh manusia.
•
Dari perspektif bisnis, AI adalah sekelompok alat bantu
(tools)
yang
berdaya
guna,
dan
menggunakan tool toll tersebut
metodologi
guna
yang
menyelesaikan
masalah-masalah bisnis.
•
Dari perspektif pemrograman (Programming), AI termasuk
didalahmnya adalah studi tentang pemrograman simbolik,
pemecahan masalah, proses pencarian (search).
Komputer pada awal diciptakan hanya sebatas alat hitung saja,
namun
dengan
perkembangan
zaman,
peran
komputer
semakin
mendominasi kehidupan manusia.Komputer tidak handa digunakan sebagai
alat hitung, lebih dari itu, komputer diharapkan dapat diberdayakan untuk
mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.Maka
komputer diberi bekal pengetahuan dan kemampuan untuk menalar atau
Artificial Intelligence agar komputer bisa menjadi mesin yang pintar. Al
Fatta Hanif, (2009).
2.2.2. Computer Vision
Computer Vision (dapat disebut juga dengan Machine Vision) adalah
ilmu pengetahuan yang mengembangkan teori-teori dan algoritma dimana
informasi yang berguna mengenai dunia dapat secara otomatis diekstraksi
9
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dan dianalisis dari sebuah citra penelitian sekumpulan citra, atau citra yang
berurutan
dari
sebuah
komputasi
yang
dibuat
oleh
(http://www.personal.umd.umich.edu/~mpastoer/sights.html).
computer
Computer
vision berhubungan dengan otomatisasi interpretasi citra untuk membuat
berbagai macam pengukuran yang objektif atau untuk meningkatkan
visibilitas
ketelitian.Computer
vision
merupakan
kombinasi
antara
pengolahan citra (image processing) dan pengenalan pola (pattern
recognition).
Tujuan dari computer vision adalah membuat model dari objek yang
ada/nyata dari gambar. Berdasarkan pendapat Jain, Kasturi dan Schunk
(1995,p1), sistem computer vision mengambil informasi yang berguna
tentan sebuah objek yang didapat dari proyeksi dua dimensi objek tersebut.
Artificial Intelligence digunakan untuk menganalisis keadaan dengan
memproses representasi simbolik dari isi lingkungan setelah image telah
diproses untuk diambil fiturnya. Banyak teknik dari Artificial Intelligence
berperan
dasarnya
penting
didalam seluruh aspek
Computer
Vision
merupakan
Computer
cabang
Vision.
Pada
dari Artificial
Intelligence. (Jain, Kasturi dan Schunck, 1995, p5).
2.2.3. Image
Secara harfiah image (citra) adalah gambar pada bidang dua
dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada bidang dua dimensi.
(Sitorusdkk, 2006)
10
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Citra didefinisikan sebagai fungsi intensitas cahaya dua dimensi
f(x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu
titik (x,y) sebanding dengan tingkat kecerahan (gray level) dari citra di titik
tersebut.(Purwanto Ari, 2009)
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam
(still images) dan citra bergerak (moving images).Citra diam adalah citra
tunggal yang tidak bergerak. Sedang citra bergerak adalah rangkaian citra
diam yang ditampilkan secara beruntun (sekuensial), sehingga memberi
kesan pada mata sebagai gambar yang bergerak.(Sitorus dkk, 2006)
Citra
digital
adalah
citra
dengan
f(x,y)
yang
nilainya
didigitalisasikan baik dalam koordinat spasial maupun dalam gray level.
Digitalisasi dari koordinat spasial citra disebut dengan image sampling.
Sedangkan digitalisasi dari gray level citra disebut dengan gray-level
quantization. Citra digital dapat dibayangkan sebagai suatu matriks dimana
baris dan kolomnya merepresentasikan suatu titik di dalam citra, dan nilai
elemen matriks tersebut menunjukkan gray level di titik tersebut.(Purwanto
Ari, 2009)
11
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hal tersebut dapat diilustrasikan pada Gambar 2.1.
Gambar 2.1. Citra Digital
2.2.4. Warna
Format data citra digital berhubungan erat dengan warna.Warna
adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna
(berwarna putih).Nilai warna ditentukan oleh tingkat kecerahan maupun
kesuraman warna.Nilai ini dipengaruhi oleh penambahan putih ataupun
hitam.
Untuk keperluan penampilan secara visual, nilai data digital
merepresentasikan warna dari citra yang diolah. Format citra digital yang
banyak dipakai adalah :
•
Citra Biner (binary image)
Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai
derajat keabuan yaitu hitam dan putih.Pixel-pixel objek bernilai 1 dan pixelpixel latar belakang bernilai 0.Pada waktu menampilkan citra, 0 adalah
putih dan 1 adalah hitam.
12
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hal tersebut dapat diilustrasikan pada Gambar 2.2.berikut ini.
Gambar 2.2. Citra Biner
•
Cita Grayscale (skala keabuan)
Citra grayscale adalah citra digital yang setiap pixel-nya merupakan sampel
tunggal, yaitu informasi intensitas.Citra jenis ini terbentuk hanya dari warna
abu-abu pada tingkatan yang berbeda-beda, mulai dari warna hitam pada
tingkat intensitas terendah hingga warna putih pada tingkat intensitas
tertinggi.
Hal tersebut dapat diilustrasikan pada Gambar 2.3.berikut ini.
Gambar 2.3. Citra Grayscale
13
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
•
Citra Warna (true color)
Setiap pixel pada citra warna mewakili warna yang merupakan kombinasi
tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red, Green, Blue).
Setiap warna pokok mempunyai intensitas sendiri dengan nilai maksimum
255.
RGB disebut juga ruang warna yang dapat diilustrasikan sebagai sebuah
kubus seperti gambar 2.4., dengan tiga sumbunya yang mewakili komponen
warna merah (red) R, hijau (green) G, biru (blue) B.
Gambar 2.4 Citra RGB
2.2.5. Citra Digital
Menurut Shapiro dan Stockman (2001, p29), digital image adalah
image 2D I[r,c] yang direpresentasikan oleh array diskrit 2D dari
intensitas sampel, dimana masing-masing titik direpresentasikan dengan
ketelitian terbatas.
14
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Digital image juga didefinisikan sebagai representasi dari gambar
dua dimensi sebagai
himpunan terbatas dari nilai digital yang disebut
picture elements atau pixel. Umumnya pixel disimpan dalam komputer
sebagai gambar raster, yaitu array dua dimensi dari integer. Nilai ini
kadang disimpan dalam bentuk terkompresi. Digital image dapat diperoleh
dari berbagai macam alat dan teknik pengambil gambar, seperti kamera
digital, scanner, radar, dan sebagainya. Dapat pula disintesis dari data
seperti fungsi matematika dan lain lain. (Anonim, 2005a). Menurut Jain,
Kasturi dan Schunck (1995, p12), pixel adalah sampel dari intensitas
image yang terkuantisasi ke dalam nilai integer. Sementara Image
merupakan array dua dimensi dari pixel-pixel tersebut. Image inilah yang
akan menjadi input awal dalam Computer Vision.Beberapa bentuk digital
image yang sering digunakan dalam Computer Vision (Shapiro dan
Stockman, 2001, p30):
•
Binary image, yaitu digital image dengan nilai pixel 1 atau 0.
•
Gray scale image, yaitu digital imagemonochrom dengan satu nilai
intensitas tiap pixel.
•
Multispectral image, adalah image 2D yang memiliki vektor nilai pada tiap
pixel, jika image berwarna maka vektornya memiliki 3 elemen.
•
Labeled image, adalah digital image dimana nilai pixel adalah simbol dari
alfabet terbatas.
15
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.3. Pengolahan Citra Digital (Image Processing)
Pengolahan citra merupakan proses pengolahan dan analisis citra
yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data
masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan
citra digital secara umum didefinisikan sebagai pemrosesan citra dua
dimensi dengan komputer.Dalam definisi yang lebih luas, pengolahan citra
digital juga mencakup semua data dua dimensi.Citra digital adalah barisan
bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.
digital berbentuk persegi panjang atau bujur sangkar (pada beberapa
sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar
dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik
atau piksel sehingga ukuran citra selalu bernilai bulat.Setiap titik memiliki
koordinat sesuai posisinya dalam citra.Koordinat ini biasanya dinyatakan
dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung
pada sistem yang digunakan.Setiap titik juga memiliki nilai berupa angka
digital yang merepresentasikan informasi yang diwakili oleh titik tersebut.
Format data citra digital berhubungan erat dengan warna.Pada
kebanyakan kasus, terutama untuk keperluan penampilan secara visual,
nilai data digital merepresentasikan warna dari citra yang diolah. Format
citra digital yang banyak dipakai adalah Citra Biner (monokrom), Citra
Skala Keabuan ( gray scale ), Citra Warna ( true color ), dan Citra Warna
Berindeks.
16
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.3.1. Grayscaling
Citra digital yang telah melalui proses resizing kemudian diubah
menjadi citra dua warna dengan proses grayscaling. Proses perubahan
warna ini dilakukan karena citra dalam bentuk grayscale lebih mudah
dianalisis apabila dibandingkan dengan citra berwarna. Sistem warna RGB
terdiri dari 24 bit, masing-masing bit untuk merah, hijau dan biru. Nilai
grayscale didapat dengan merata-ratakan ketiga nilai RGB tersebut.
Rumus untuk mengkonversi nilai RGB ke grayscale pada
umumnya adalah sebagai berikut :
(2.1)
W=
W = nilai grayscale
R = nilai warna merah
G = nilai warna hijau
B = nilai warna biru
2.4. Pendekatan PCA
Metode Principal Component Analysis (PCA) dibuat pertama kali
oleh ahli statistic.Metode PCA pertama kali ditemukan oleh Karl Pearson
pada tahun 1901. Meskipun pertama kali oleh karl Pearson , sebenarnya
prosedur umumnya seperti yang diketahui sekarang ini ditemukan oleh
Harold Hotelling dimana paper yang menjadi pioneer ini muncul pada
17
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
tahun 1933 yang membahas pada bidang psychometry. Kemudian tidak
ada perkembangan baru pada teknik ini, dan perkembangannya baru
mulai pesat pada akhir tahun 1930 dan awal 1940.Setelah itu
perkembangannya berkurang sebentar sampai computer telah berhasil
didesain sehingga dapat mengaplikasikan teknik ini pada masalah –
masalah yang masuk akal.Pada tahun 1947 teori ini muncul kembali dan
cukup independen sebagai teori probabilitas yang ditemukan oleh
Karhunen, dan juga dikembangkan oleh Loeve pada tahun 1963.
Sehingga teori ini juga dinamakan Karhunen-Loeve transform pada
bidang ilmu telekomunukasi.
Principal Componen Analysis (PCA) adalah teknik reduksi dimensi
yang umum digunakan pada aplikasi pemrosesan citra.PCA adalah suatu
ekstraksi fitur dan teknik reduksi dimensi yang optimal jika dipandang
dari sudut pandang teori informasi.Ide dasarnya adalah menentukan
komponen utama dari serangkaian citra yang mengumpul membentuk
suatu arah menurut varian maksimumnya.Maka dimensi-dimensi yang
berkontribusi tersebutlah yang dipertahankan dan sisanya disingkirkan
untuk pemrosesan berikutnya.
18
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.4.1. Diagonal Principal Component Analysis
Diagonal
Principal
component
analysis
(DiaPCA)
adalah
pengembangan dari metode (PCA). Diagonal PCA langsung mencari
nilai proyektif vektor optimal dari diagonal citra wajah tanpa mengubah
citra ke transformasi vektor. Diagonal Principal Component Analysis
mengubah hubungan antara variasi baris dan kolom dari citra wajah.
2.4.2. Algoritma DiaPCA
Langkah-langkah untuk proses DiaPCA, yaitu:
1. Misalkan ada M sebagai data training citra wajah, dinotasikan oleh matrikm
dan n ,Ak (k =1,2,…, M). yang mana data training dari citra di definisikan
berkorespondensi diagonal citra wajah sebagai berikut:
1) Jika tinggi m sama dengan atau lebih kecil dari pada lebar n (
≤ ) ,
maka dapat menggunakan metode ilustrasi pada Gambar 2.5(a) , untuk
menghasilkan citra diagonal B untuk keaslian citra A
2) Jika tinggi m lebih besar dari pada lebar n (
menggunakan
metode
ilustrasi
pada
> ) , maka dapat
Gambar
2.5(b)
menghasilkan citra diagonal B untuk keaslian citra A.
19
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
,
untuk
Gambar 2.5 Ilustrasi untuk menurunkan diagonal dari citra wajah
Tanpa menghilangkan generalisasi , diasumsikan dengan lebar n
tidak lebih kecil dari pada tinggi m, sedangkan untuk training citra
wajah A , dengan turunan diagonal wajah B menggunakan ilustrasi
gambar (2.5a). dengan catatan ukuran B sama dengan A .
2. Mencari rata-rata vektor citra
Setelah dilakukan proses diagonal kemudian menghitung rata-rata
atrik untuk mendapatkan matrik center dengan menggunakan persamaan
(2.2)
20
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
μ
∑
=
x , + x , + x , ………+ x
m
=
,
x,
m
= [μ
,μ
,μ
, ………, μ
]
(2.2)
m atau N adalah banyaknya data wajah yang akan mengalami pelatihan.
3. Menghitung Zeromaean
Yaitu untuk setiap nilai pada data sampel dikurangi nilai rata-rata
tiap parameter yang terkait (Zero Mean), menggunakan persamaan (2.3)
=
,
−
Menyimpan
( ∗
)
(2.3)
dalam matriks A, sehingga A=[
;
; …;
]
(N*n)
Keterangan :
,
= nilai per pixel matrik wajah ID
= rata-rata masing-masing parameter
4. Menbangun Matrik Kovarian
Matrik kovarian adalah matrik simetris yang memiliki ordo sama
dan merupakan sebuah pengukuran yang tidak hanya variasi tetapi kovariasi
dari vektor-vektor kolom. Bentuk matrik kovarian kita bias dapatkan dari
21
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
mengalikan nilai matrik zeromean dengan matrik zeromean transpose itu
sendiri lalu di bagi dengan banyaknya parameter x-1 atau kolom.
Persamaan diagonal wajah, di definisikan pada diagonal kovarian
matrik seperti persamaan 3.4
∑
(
−
Dimana
=
Σ
=
) (
−
)
(2.4)
adalah rata-rata diagonal wajah.Menurut
persamaan 3.4. Vektor proyektif X , …, X , dapat diperoleh dengan
perhitungan d eigenvector yang bersesuaian pada d lebih besar dari
eigenvalue pada G. perhitungan eigenvector dapat lebih efisien pada saat
ukuran G hanya pada matrik
Perolehan X = [
.
, …,
] melambangkan matrix proyektif,
proyektif citra training A ke X, menghasilkan m oleh d fitur matrix.
(2.5)
C = A X
5. Eigen Value dan Eigen Vector
Dengan menggunakan basis yang dibentuk oleh ruang eigen dapat
dilakukan reduksi dimensi dengan melakukan transformasi linier dari suatu
ruang dimensi tinggi kedalam ruang dimensi yang lebih rendah. Untuk
menentukan dimensi yang lebih rendah dengan error atau information loss
yang minimum dapat dilakukan dengan memilih sejumlah nilai eigen yang
terbesar dari ruang berdimensi tinggi tersebut. Untuk menghitung nilai
eigen pada penilitian ini kami menggunakan algoritma QR.
22
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Misalnya matrik A adalah matrik square dengan dimensi
.
Sedangkan eigen vector dari matrik A adalah ̅ sedemikian rupa ̅ adalah
matrik bukan 0 berukuran n x 1 sehingga A ̅ =
̅ . sedangkan dinamakan
eigen value dari A yang bersesuaian dengan ̅ . Eigen vector dan Eigen
Value dapat di ekspresikan secara matematis sebagai berikut :
A ̅=
̅
(2.6)
Dimana :
A = Square matrik ( )
̅ = Eigen vector
= Skalar / Eigen value
Hal ini member petunjuk dalam mendapatkan eigen vektor dan
eigen value. Tetapi apabila matrik A berukuran besar maka cara diatas
akan menjadi lebih rumit dan tidak efisien. Sehingga untuk mendapatkan
eigen value dan eigen vektor digunakan metode Faktorisasi QR.
Algoritma QR adalah suatu metode iterative yang melibatkan
transformasi-transformasi
orthogonal.Ada
banyak
keuntungan
menggunakan algoritma ini. Metode ini akan tetap konvergen apakah A
mempunyai atau tidak nilai eigen dominan dan metode ini menghitung
semua nilai eigen pada saat yang bersamaan.
Diberikan matrik m x m. faktorkan matrik tersebut ke dalam hasil kali
dimana
adalah matrik tersebut ke dalam hasil segitiga atas. Sehingga
didefinisikan sebagai.
A = A=
dan A =
A
= R
23
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Faktorkan A ke dalam hasil kali
dimana
adalah matrik ortogonal
dan R adalah matrik segitiga atas, Sehingga didefinisikan sebagai :
−
=
Perhatikan bahwa A dan A . Keduanya adalah serupa A. dengan cara ini
kita dapat melanjutkan untuk memperoleh suatu barisan dari matrik-matrik
yang serupa. Secara umum jika :
A =
R
didefinisikan sebagai
Maka A
R . Dapat diperlihatkan bahwa pada
kondisi yang sangat umum, barisan matrik-matrik yang didefinisikan
dengan cara ini akan konvergen ke suatu matrik.
Misalkan A adalah sebuah matrik n x n. sebuah matrik bukan nol, matrik C
yang berukuran n x l sedemikian rupa sehingga [ . ] =
vektor eigen (eigen vector) bagi eig. Sedangkan skalar
( ) dinamakan
dinamakan nilai
eigen (eigen value ) bagi A yang bersesuaian dengan C.
Persamaan 3.8 pendefisiannya yaitu :
[ . ]=
( )
Keterangan :
= eigen vector
= eigen value
6. Mengurutkan Eigen Value dan Eigen Vector
V adalah matriks eigen vector , adalah eigen value. Urutkan nilai
eigen dari yang terbesar sesuai dengan persamaan 2.9
24
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
= [
>
>
…
…
…
…
…
…
.
=
.
>
…
…
…
…
]
0
.
…
…
=
.
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
(2.9)
7. Proyeksi Diagonal PCA
Proyeksi Diagonal Principal Componen dengan persamaan 2.10
(2.10)
=
Dimana :
= Proyeksi Principal Componen
= Eigen vektor
= Zeromean Transpose
8. Matrik Bobot
Nilai matrik bobot ini yang akan digunakan pada proses identifikasi.
Mencari matrik bobot dapat menggunakan persamaan 2.11
(2.11)
=
Keterangan :
= Matrik bobot
= Matrik wajah hasil diagonal.
= Proyeksi principal component
25
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.5. Euclidean Distance
Euclidean distance pertama kali dijabarkan oleh Euclid (323-283
SM), seorang pemikir asal yunani.Dalam matematika, Euclidean Distance
adalah jarak antara dua titik yang dapat diukur dan dihasilkan oleh formula
pytagoras.Euclidean vector atau sering hanya disebut vector adalah obyek
geometri yang memiliki panjang (magnitude) dan arah (direction).
Euclidean Distance (Jarak Euclidean) adalah metrika yang paling
sering digunakan untuk menghitung kesamaan 2 vector.Euclidean Distance
menghitung akar dari kuadrat perbedaan 2 vector (root of square
differences between 2 vector).
Euclidean Distance antara titik p dan q adalah panjang dari segmen
garis,
= (
. Dalam koordinat Cartesian, jika
,
, …,
)
= (
,
, …,
dan
adalah dua poin pada n-ruang Euclidean, maka jarak
dari p ke q diberikan oleh persamaan 2.12
( , )=
=
)
+ (
−
∑
(
−
−
) +
)
+ (
)
−
(2.12)
Keterangan :
= Euclidean Distance
= ekstraksi fitur citra pelatihan
= ekstraksi fitur citra ujicoba
= jumlah data citra inputan
26
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
27
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB III
METODOLOGI PENELITIAN
Pada bab ini kan dijelaskan mengenai proses pembuatan aplikasi pengenalan citra
wajah manusia menggunakan metode DiaPCA (Diagonal Principal Component
Analysis. Proses perancangan aplikasi dalam sub-bab ini akan dibagi menjadi
beberapa tahap anatara lain : analisis sistem, gambaran aplikasi secara umum,
perancangan aplikasi.
3.1.
Analisis Sistem
Secara garis besar proses perancangan aplikasi akan dibagi menjadi beberapa
diantaranya Pre-prosesing, Feature Extraction dan recognition Proses. tahap seperti
pada Gambar 3.1.
Gambar 3.1 merupakan desain tahapan dari pengembangan pengenalan wajah
menggunakan metode Diagonal Principal Component analysis. Pada aplikasi
pengenalan wajah ini menggunakan citra gambar yang di load dari dalam komputer
(citra testing), kemudian merubah citra testing menjadi citra diagonal dan kemudian
dilakukan proses ekstraksi fitur PCA.
27
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
28
Gambar 3.1 Tahap pengenalan citra wajah menggunakan DiaPCA
Kemudian citra diagonal tersebut akan diproses dalam feature extraction untuk
mendapatkan nilai eigenface. Kemudian nilai dari eigenface dari citra wajah tes
tersebut dibandingkan dengan nilai eigenface yang terdapat pada citra training dalam
database dengan menggunakan perhitungan Euclidean distance. Distance hasil
perhitungan tersebut kemudian dibandingkan, dan eigenface yang memiliki distance
terkecil akan dipilih sebagai yang mewakili objek tersebut.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
29
3.1.1. Feature Extraction Principal Component Analysis
Mulai
Data image
diagonal
Tampilkan nilai citra,
hitung nilai matrik pada
citra
Hitung nilai
(zeromean)
Hitung nilai matrik
kovarian
Hitung nilai eigen
vektor dan eigen
value
Ubah bentuk hasil
matrik kedalam matrik
baris atau matrik kolom
Selesai
Hitung rata-rata
matrik seluruh citra
Gambar 3.2 Proses feature ekstraction PCA
Pengambilan feature extraction principal Component Analysis, mula-mula
setelah didapat nilai diagonal kemudian dihitung nilai matriknya, selanjutnya
dibentuk menjadi matrik baris atau matrik kolom. Setelah dibentuk matrik kolom atau
matrik baris kemudian dihitung matrik rata-rata seluruh citra. Selanjutnya menghitung
zeromean untuk setiap nilai pada data data sampel dikurangi nilai rata-rata tiap
parameter yang terkait (zeromean). Selanjutnya menghitung matrik kovarian. Matrik
kovarian bisa kita dapat dari mengalikan nilai matrik zeromean transpose dengan
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
30
matrik zeromean itu sendiri. Selanjutnya dari nilai nilai tersebut dihitung nilai eigen
vector dan eigen value-nya. Kemudian dilanjutkan pada proses euclidean distance.
3.2.2. Recognition Process
Gambar 3.3 Proses Pengenalan Citra Gambar
Proses seperti pada Gambar 3.3 di atas nilai eigen vector dan value dari
masing-masing citra gambar di database training picture dan eigen vector dan value
dari test face dihitung perbedaan kesamaan jaraknya menggunakan perhitungan
euclidean distance.
Nilai terkecil dari perhitungan euclidean distance merupakan nilai yang
diambil sebagai hasil dari citra wajah yang dikenali. Untuk proses pengenalan citra
yang meliputi perhitungan euclidean distance serta pencarian citra wajah pada
database training picture yang sesuai dengan citra testing.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
31
3.2.
Perancangan Tampilan Antarmuka
Pada perancangan antarmuka yang akan dibuat nantinya merupakan suatu
halaman untuk berinteraksi bagi pemakai atau pengguna program dan diharapkan
dapat memahami jalan kerja program dengan mudah. Dalam membuat program
pengenalan wajah menggunakan metode Diagonal Principal Component Analysis
akan dirancang tampilan GUI maka akan menghasilkan 2 file yaitu namafile.fig
dimana GUI disimpan dan manafile.m dimana eksekusi program terkumpul. Masingmasing fig-file ini menghasilkan m-file dengan nama yang sama.
Table 3.1 berisi obyek-obyek yang dibutuhkan dalam perancangan atau
tampilan antar muka pada pembuatan program pengenalan wajah menggunakan
metode Diagonal Principal Component Analysis.
Table 3.1 Perancangan Program
Fig-file
TAwajah
Komponen
Text1
Panel1
Panel 2
Axes1
Axes2
Nama
Pengenalan wajah …
Panel input
Panel proses
Input
Citra diagonal
Axes3
Citra hasil
pengenalan
Input
Proses
Keluar
Pushbutton1
Pushbutton 2
Pushbutton 3
Fungsi
Judul
Background dari input
Background dari proses
Menampilkan input
Menampilkan citra
diagonal
Menampilkan citra hasil
pengenalan
Mengakses file inputan
Memproses file inputan
Keluar dari program
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
32
Tampilan antar muka tersebut diharapkan dapat memudahkan pengguna dalam
memahami dan menggunakan setiap fungsi-fungsi tombol yang tersedia. Pada Gambar
3.4 adalah rancangan tampilan awal antar muka dimana didalamnya ada isi tabel 3.1
Gambar 3.4 Tampilan GUI
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB IV
HASIL DAN PEMBAHASAN
Pada bab IV ini akan dijelaskan mengenai implementasi, hasil uji coba dan
evaluasi dari rancangan program yang telah dibuat pada bab III. Bagian
implementasi aplikasi kali ini meliputi: lingkungan implementasi, implementasi
data, implementasi antarmuka dan implementasi proses.
4.1.
Kebutuhan Hardwar e dan Software
Pada bagian ini akan dijelaskan mengenai perangkat keras dan perangkat
lunak yang digunakan pada implementasi aplikasi ini.
Kebutuhan Hardwar e :
a) Komputer dengan processor AMD A8-4500M APU – 1,9 GHz
b) RAM (4096MB)
c) VGA Card share memory up to 2000 MegaByte AMD Radeon HD 7640G
d) Monitor 14”
e) Hard Disk 500 GigaByte
Kebutuhan Software :
a) Sistem OperasiWindows 7.
b) Matlab 2012
c) File image PGM.
33
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
34
4.2.
Implementasi Data
Seperti yang telah dijelaskan secara konseptual pada Bab 3, maka data
yang akan diimplementasikan pada aplikasi pengenalan wajah manusaia dengan
menggunakan metode Diagonal Principal Component Analysis ialah dengan
menggunakan sumber data dari ORL database (format PGM) kemudian diambil
sebagian gambar untuk dijadikan dataset.
Dari input-an gambar dari dataset tersebut nantinya akan diperoses melalui
beberapa tahapan proses , dimana output dari proses ini adalah gambar dikenali
atau gagal dikenali.
4.3.
Implementasi Antarmuka
Pada implementasi antarmuka ini merupakan interaksi antara pemakai
(user) dengan sistem. Halaman form utama ini merupakan tampilan awal saat
program dijalankan. Pada form utama ini terdapat program secara keseluruhan
beserta dengan prosedur-prosedur programnya. Pada masing – masing menu
memiliki fungsi yang berbeda – beda pada aplikasi ini. Berikut penjelasan dari
setiap form pada menu utamaini :
a. Input : untuk memilih input gambar yang akan diproses.
b. Proses : untuk melakukan proses eksekusi inputan gambar.
c. Keluar : untuk keluar dari program.
Pada tampilan form utama terdapat 7 kolom yang mempunyai fungsi yang
berbeda beda. Kolom pertama dan ke dua berfungsi menampilkan citra testing dan
menampilkan citra yang telah diubah menjadi citra diagonal. Dan kolom ketiga
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
35
menampilkan hasil dari principal component analysis berupa citra yang telah
dikenali.
4.4.
Implementasi Proses
Bagian implementasi proses ini menjelaskan mengenai implementasi
proses-proses sesuai dengan konsep yang telah dibuat pada bab 3. Seperti yang
telah digambarkan dalam flowchart.
4.4.1. Proses Input Images
Proses Input Images merupakan proses yang bertujuan untuk memilih
inputan berupa gambar yang akan ditampilkan pada form utama. (Kode program
4.1)
proyek=guidata(gcbo);
[namafile,direktori]=uigetfile(...
{'*.pgm';...
'*.bmp'},'Buka Gambar');
if isequal(namafile,0)
return;
end
eval(['cd ''' direktori ''';']);
I=imread(namafile); %membaca file gambar
set(proyek.figure1,'CurrentAxes',proyek.axes1);
set(imshow(I)); %menampilkan file gambar
set(proyek.figure1,'Userdata',I);
set(proyek.axes1,'Userdata',I);
Kode program 4.1. Proses Input Image
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
36
4.4.2. Proses Diagonal Image
Kemudian dari image yang telah di inputkan, akan dirubah ke diagonal
image dengan cara melakukan duplikasi image kebawah, kemudian diambil nilai
diagonal dari duplikasi image tersebut. Setelah nilai didapat, kemudian image
ditampilkan. (kode program 4.2).
I=im2double(I); %merubah gambar binary ke double
[a,b]= size(I); %ukuran I dari nilai a,b
x=[I;I];
%nilai x = 2 nilai I
y=zeros(a,b);
for kolom=1:b
y(:,kolom)=(x(kolom:(a+kolom-1),kolom));
end
set(proyek.figure1,'CurrentAxes',proyek.axes2);
set(imshow(y));
set(proyek.axes2,'Userdata',y);
Kode program 4.2. Proses Diagonal Image
4.4.3. Proses Pengenalan Citra Wajah
Proses pengenalan citra wajah ini adalah proses dimana diawali dari nilai
diagonal matrik dibentuk menjadi matrik baris atau matrik kolom. Kemudian
dihitung matrik rata – rata nya, selanjutnya setiap nilai pada data tes dikurangi
nilai rata – rata tiap parameter untuk menghitung nilai zeromean. Selanjutnya
menghitung matrik kovarian. Matirik kovarian kita bisa dapat dari mengalikan
nilai matrik zeromean transpose dengan matrik zeromean. Selanjutnya dari nilai
tersebut dihitung nilai eigen vector dan nilai eigen value nya. Nilai eigen dari
image testing kemudian dihitung perbedaan kesamaan dari database training
image menggunakan perhitungan Euclidean distance. Nilai terkecil dari
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
37
perhitungan Euclidean distance merupakan hasil dari citra gambar yang dikenali.
(Source code 4.3).
proyek=guidata(gcbo);
w=load_database();
y=get(
DIAGONAL PRINCIPAL COMPONENT ANALYSIS
Skr ipsi
Di susun oleh :
M. RIDHO MAJIDI
(0934010056)
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVESITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2014
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Judul
: Pengenalan Wajah Menggunakan Metode Diagonal Principal
Component Analysis
Pembimbing I
Penyusun
: Fetty Anggraeny, S.Kom, M.Kom.
: M. Ridho Majidi
ABSTRAK
Wajah adalah bagian dari tubuh yang memiliki karakteriktis yang unik, maka dapat
membedakan dan mengenal hanya dengan melihat bagian wajah, karena alasan tersebut ,
dibutuhkan sebuah penelitian untuk menyelesaikan dan membuat sebuah sistem pengenalan
dengan hasil dari sistem tersebut. Dalam kasus ini sebuah computer mengenal atau
mengidentifikasi seseorang dengan gambar wajah seperti manusia.
Ada beberapa metode untuk proses pengenalan wajah. Pada penelitihan ini
menggunakan metode Diagonal Principal Component Analysis (DiaPCA). Metode DiaPCA
berfungsi untuk mendiagonalkan citra awal, kemudian dilakukan proses principal component
analysis (PCA). Principal component analysis berfungsi untuk menghitung nilai eigen value
dan nilai eigen vector yang akan digunakan sebagai fitur dalam melakukan pengenalan.
Metode Euclidean distance digunakan untuk mencari jarak dengan data fitur yang telah
didapatkan dan jarak terkecil adalah hasilnya.
Dari percobaan dan pengujian yang dilakukan, aplikasi dapat mengenali citra wajah
dengan tingkat keberhasilan sampai 92.5%. melalui 37 percobaan yang berhasil dan 3
diantaranya gagal.
Keywords : Citra Diagonal; Principal Component Analysis (PCA);Diagonal PCA; Face
Recognition
i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.
Syukur Alhamdulillah atas segala limpahan karunia dan kasing
saying Allah SWT, sehingga dengan segala keterbatasan waktu, tenaga dan
pikiran
yang
dimiliki
oleh
penulis,
akhirnya
skripsi
yang
berjudul
“PENGENALAN WAJ AH MENGGUNAKAN METODE DIAGONAL
PRINCIPAL COMPONET ANALYSIS” dapat terselesaikan sesuai dengan
waktu yang telah ditetapkan.
Skripsi dengan beban 4 SKS ini disusun sebagai salah satu syarat untuk
menyelesaikan program Strata Satu (S1) pada jurusan Teknik Informatika,
Fakultas Teknologi Industri, UPN “Veteran” Jawa Timur.
Penulis menyadari bahwa penulisan skripsi ini masih jauh dari
kesempurnaan dikarenakan pengetahuan dan pengalaman yang dimiliki oleh
penulis masih sangat terbatas dan masih perlu diperbaiki baik dari segi penyajian
maupun isinya. Oleh karena itu, penulis mengharapkan kritik dan saran yang
bersifat membangun dari semua pihak yang membaca skripsi ini. Semoga skripsi
ini bermanfaat bagi semua pembaca pada umumnya dan bagi penulis pada
khususnya. Amiin.
Pada penyusunan skripsi ini, banyak pihak yang memberikan bantuan baik
materiil maupun spiritual ini, sehingga pada kesempatan ini penulis mengucapkan
rasa terimah kasih sebesar-besarnya kepada :
ii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
1. ALLAH SWT dan RASUL-Nya. Alhamdulillah atas segala
kelancaran dan kemudahan yang engkau limpahkan kepada
penulis.
2. Bapak Budi Nugroho, S.kom, M.kom. selaku ketua jurusan Teknik
Informatika, UPN “Veteran” Jawa Timur.
3. Ibu
Fetty Tri
Anggraeni,
S.kom,
M.Kom
selaku
dosen
pembimbing. Terimakasih banyak telah sabar membimbing dan
member saran yang sangat bermanfaat kepada penulis.
4. Teman-teman MENOER 09’, terimakasih selalu meramaikan dan
member hiburan serta membantu memberikan motivasi untuk
menyelesaikan skripsi dan penyusunan laporan.
5. Bapak Rully, S.Kom yang selalu menasehati dan membimbing
penulis kearah yang benar. Penulis tidak akan melupakan jasa-jasa
beliau.
6. The last and the best, terimakasih kepada ibu, ayah, adek yang
menjadi motivasi untuk lulus kuliah.
iii
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Serta pihak-pihak lain yang ikut memberikan informasi dan data-data di
dalam menyelesaikan laporan skripsi ini, penulis mengucapkan terima kasih.
Akhir kata penulis harap agar skripsi yang disusun sesuai dengan
kemampuan dan pengetahuan yang sangat terbatas ini dapat bermanfaat bagi
semua pihak yang membutuhkan .
Wassalamu’alaikum Wr.Wb
Surabaya, Januari 2015
Penulis
iv
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
DAFTAR ISI
Halaman
LEMBAR PENGESAHAN
ABSTRAK ………………………………………………………………
i
KATA PENGANTAR ………………………………………………….
ii
UCAPAN TERIMA KASIH …………………………………………...
iii
DAFTAR ISI ……………………………………………………………
v
DAFTAR GAMBAR …………………………………………………...
viii
DAFTAR TABEL ………………………………………………………
ix
BAB I PENDAHULUAN ………………………………………….......
1
1.1
Latar Belakang …………………………………………...
1
1.2
Rumusan Masalah ………………………………………...
3
1.3
Batasan Masalah …………………………………………
3
1.4
Tujuan …………………………………………................
4
1.5
Manfaat …………………………………………..............
4
1.6
Metodelogi Penelitian ……………………………………
4
1.7
Sistematika Penulisan ……………………………………
6
BAB II TINJ AUAN PUSTAKA ……………………………………….
8
2.1 Landasan Teori ……………………………………………
8
2.1.1 Artificial Intelligence…...………………………….
8
2.1.2 Computer Vision…………………………………..
9
v
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vi
2.1.3 Image…………………………..…………………
10
2.1.4 Warna…………………………………………….
12
2.1.5 Citra Digital……………………………………………
14
2.2 Pengolahan Citra Digital………………………………….
15
2.2.1 Grayscaling……………………………………………….
17
2.3 Pendekatan PCA……………………………………….
17
2.3.1 Diaginal Princial Component Analysis …………….
19
2.3.2 Algoritma Diagonal PCA……………………………….
19
2.4 Euclidean distance……………………………………………..
26
BAB III METODOLOGI PENELITIAN …………………………….
27
3.1 Analisa Sistem……………………………………………..
27
3.1.1
Feature Extraction………………………………..
29
3.1.2
Recognition Process…………………………………..
30
3.2 Perancangan Tampilan Antarmuka ……........................
31
BAB IV HASIL DAN PEMBAHASAN ................................................
33
4.1 Kebutuhan Hardware dan Software ……………………...
33
4.2 Implementasi Data …………………….............................
34
4.3 Implementasi Antarmuka ……………………...................
34
4.4 Implementasi Proses ……………………..........................
35
4.4.1 Proses Input Images …………………………………
35
4.4.2 Proses Diagonal Image …………………................
36
4.4.3 Proses Pengenalan Citra Wajah…………………….
36
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
vii
4.5 Uji Coba Program …………………….............................
38
4.5.1 Skenario Uji Coba …………………….................
38
4.5.2 Pelaksana Uji Coba ……………………...............
38
4.6 Evaluasi Aplikasi ……………………..............................
42
4.6.1 Tabel Hasil Analisa Uji Coba Aplikasi …………..
42
BAB V KESIMPULAN DAN SARAN ……………………………….
50
5.1 Kesimpulan ……………………........................................
50
5.2 Saran ……………………..................................................
50
DAFTAR PUSTAKA ……………………............................................
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
51
BAB I
PENDAHULUAN
1.1 Latar Belakang
Dewasa ini banyak kita lihat ataupun dengar tentang penerapan
pengenalan pola di banyak negara maju maupun negara yang berkembang,
hal ini membuktikan bahwa pengenalan pola sangatlah penting terutama
dalam bidang keamanan, salah satunya adalah pengenalan wajah (face
recognition). Pengenalan wajah ini dalam bidang keamanan banyak dipakai
untuk keperluan seperti mencari pelaku kriminal yang wajahnya telah
berubah baik yang disengaja ataupun tidak disengaja. Yang disengaja seperti
penambahan kacamata sedangkan yang tidak disengaja adalah perubahan
karena usia. Dengan teknologi yang sudah ada, pengenalan citra wajah
diproses melalui sistem digital, artinya citra–citra wajah diolah oleh sistem
komputer dengan menggunakan
teknologi kecerdasan buatan untuk
memperoleh segala bentuk perubahan pada wajah tersebut yang mungkin
terjadi.
Pengenalan pola wajah merupakan salah satu bidang yang sangat
menarik untuk diteliti karena sampai sekarang masih belum ditemukan suatu
metode yang benar-benar sempurna dalam mengenal suatu wajah. Hal ini
dikarenakan
wajah
manusia
terlalu
kompleks,
sehingga
mengembangkan suatu perhitungan yang ideal adalah hal yang sulit.
1
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
untuk
2
Di dalam setiap penelitian tentang pengenalan pola, pasti akan kita
temukan sesuatu yang berhubungan dengan image processing dan computer
vision. Image Processing adalah salah satu jenis teknologi untuk
menyelesaikan masalah mengenai pemrosesan gambar. Dalam Image
Processing, gambar yang ada diolah sedemikian rupa sehingga gambar
tersebut lebih mudah diproses, sedangkan Computer Vision mempunyai
tujuan utama yaitu untuk membuat suatu keputusan yang berguna tentang
obyek fisik nyata yang didapat dari perangkat atau sensor.
Banyak orang telah mencoba dan berhasil membangun program
aplikasi pengenalan wajah dengan berbagai macam metode yang masingmasing memiliki kelebihan dan kekurangannya. Ada metode yang cepat
dalam mengenali citra wajah tetapi mengorbankan keakuratan dalam
pengenalan, begitupula sebaliknya. Tujuan penelitian ini adalah untuk
merancang dan membangun sebuah program aplikasi pengenalan wajah bagi
komputer dengan memanfaatkan metode Diagonal Principal Componen
Analysis (DiaPCA).
Aplikasi yang akan dibuat menerima input berupa foto manusia yang
memiliki karakteristik wajah manusia, yang diperoleh dari kamera digital,
yang kemudian akan ditransfer menjadi digital image dengan format JPEG ke
komputer untuk diproses. Output dari sistem adalah foto wajah manusia yang
sudah terpotong dari foto asal. Foto wajah manusia tersebut akan disimpan
ke dalam data base untuk keperluan pendataan.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
3
Untuk itu penulis membuat sebuah aplikasi pengenal karakteristik
wajah manusia secara otomatis dengan menggunakan metode Diagonal
Principal Components Analysis, dengan bahasa pemrograman Matlab 2012.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas maka dapat dirumuskan
masalah yaitu :
1. Bagaimana melakukan proses klasifikasi citra wajah menggunakan metode
Diagonal Principal Components Analysis (DiaPCA).
2. Bagaimana mengukur tinggkat pengenalan wajah menggunakan metode
Diagonal Principal Components Analysis (DiaPCA).
1.3 Batasan Masalah
Untuk menjaga fokus dari penelitian ini, maka beberapa batasan yang
diberikan adalah sebagai berikut :
1. Bahasa pemrograman yang digunakan adalah bahasa pemrograman
Matlab
2. Database yang digunakan dalam percobaan Tugas Akhir ini adalah
database Olivetty Research laboratory (ORL), yang telah mengalami
proses grayscale
3. Ukuran wajah pada database ORL adalah 92 x 112, dari 40 subyek
citra, masing-masing memiliki 10 ekspresi dan bentuk wajah yang
berbeda.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
4
1.4 Tujuan
Tujuan dari tugas akhir ini adalah mengenali wajah menggunakan
metode Diagonal Principal Components Analysis (DiaPCA).
1.5 Manfaat
Manfaat dari penulisan tugas akhir ini adalah :
1. Aplikasi pengenalan wajah yang berguna untuk mengenali wajah manusia
dengan tingkat akurasi yang tinggi, cepat, dan hasil yang konsisten dalam
pengujiannya
2. Dapat mengetahui secara lebih detail teknik pengenalan karakteristik
wajah manusia oleh komputer, dengan menggunakan metode DiaPCA.
3. Dapat dipergunakan sebagai dasar penelitian selanjutnya untuk sistem
karakteristik pengenal wajah manusia secara otomatis dan dapat
dipergunakan untuk berbagai keperluan.
1.6 Metodologi Penelitian
Beberapa metode dan teknik yang dipergunakan dalam pengumpulan dan
pengolahan data skripsi ini antara lain :
1. Metode Pengumpulan Data
Metode pengumpulan data dalam penulisan ini menggunakan studi
kepustakaan guna menunjang pembuatan tugas akhir dengan membaca dan
mempelajari buku-buku literatur, jurnal, artikel yang berhubungan dengan
pengenalan citra berbasis komputer khususnya deteksi wajah manusia.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
5
2. Metode Analisa
Metode analisa dalam penulisan ini mencakup bagaimana menganalisa
cara kerja algoritma untuk mendeteksi citra wajah manusia secara
sistematis.
3. Perancangan dan Pembuatan Aplikasi
Melakukan perancangan algoritma yang digunakan, perancangan struktur
data,diagram alur serta interface yang akan digunakan untuk implementasi
dalam perangkat
lunak yang akan dibuat. Kemudian dilakukan
pengimplementasian ke dalam bahasa pemrogramanyang untukaplikasi.
4. Pengujian dan Evaluasi Aplikasi
Melakukan pengujian pada aplikasi yang telah dibuat serta mengevaluasi
hasil yang diperoleh untuk perbaikan aplikasi sehingga dapat mengetahui
apakah aplikasi sesuai dengan tujuan yang diharapkan.
5. Pembuatan Naskah Skripsi
Melakukan dokumentasi dari semua tahap agar dapat dipelajari untuk
pengembangan lebih lanjut. Memaparkan dasar-dasar teori dan metode
yang terlibat di dalamnya, diantaranya desain perangkat lunak dan
implementasinya, hasil pengujian aplikasi termasuk juga perbaikan.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
6
1.7 Sistematika Penulisan
Pada penyusunan tugas akhir, sistematika pembahasan diatur dan
disusun dalam enam bab, dan tiap-tiap bab terdiri dari sub-sub bab. Untuk
memberikan gambaran yang lebih jelas, maka diuraikan secara singkat
mengenai materi dari bab-bab dalam penulisan tugas akhir ini sebagai berikut:
BAB I
PENDAHULUAN :
Pada bab ini berisi latar belakang, perumusan masalah, batasan
masalah, tujuan penelitian, manfaat penelitian, dan sistematika
penulisan pembuatan tugas akhir ini.
BABII
TINJAUAN PUSTAKA :
Pada bab ini menjelaskan mengenai landasan teori-teori
pendukung pembuatan tugas akhir ini.
BABIII ANALISIS DAN PERANCANGAN SISTEM:
Pada bab ini berisi tentang analisis dan perancangan aplikasi
dalam pembuatan Tugas Akhir Deteksi Wajah Manusia
Menggunakan Algoritma Diagonal
Principal Component
Analysis
BAB IV HASIL DAN PEMBAHASAN:
Pada bab ini akan membahas tentang kerja dari aplikasi secara
keseluruhantentang pelaksanaan uji coba dan evaluasi dari
pelaksanaan uji coba dari program yang dibuat. Uji coba dapat
dilakukan pada akhir dari tahap-tahap analisis aplikasi, desain
aplikasi dan tahap penerapan aplikasi atau implementasi.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
7
Sasaran dari ujicoba program adalah untuk menemukan
kesalahan-kesalahan dari program yang mungkin terjadi
sehingga dapat diperbaiki
BAB V
KESIMPULAN DAN SARAN:
Pada bab ini berisi kesimpulan dan saran dari penulis untuk
pengembangan aplikasi.
DAFTAR PUSTAKA :
Pada bagian ini akan dipaparkan tentang sumber-sumber
literatur yang digunakan dalam pembuatan laporan tugas akhir
ini.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB II
TINJ AUAN PUSTAKA
2.1.
Peneliti Pendahulu
Sebelumnya telah dilakukan penelitian dengan judul Diagonal
principal component analysis for face recognition. Dalam papernya
mengakatan metode baru yang disebut diagonal principal component
analysis (DiaPCA) dimaksutkan untuk pengenalan wajah. Berbeda dengan
PCA standart, DiaPCA langsung mencari vector proyektif optimal dari citra
wajah diagonal tanpa perubahan image-to-vektor. Sementara berbeda
dengan 2DPCA, DiaPCA menyediakan hubungan antara variasi-variasi dari
beberapa baris dan beberapa kolom dari suatu gambar. Percobaan
menunjukkan bahwa DiaPCA lebih akurat daripada PCA dan 2DPCA (ZhiHua Zhou, Daoqiang Zhang ,2006).
2.2.
Landasan Teori
2.2.1 Artificial Intelligence
Kecerdasan buatan (Artificial Intelligence) merupakan salah satu
bagian ilmu komputer yang membuat agar mesin (komputer) dapat
melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia (Sri
Kusumadewi, 2003).
Artificial Intelligence AI dapat dipandang
dalam berbagai
perspektif.
8
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
•
Dari perspektif Kecerdasan (Intellgence)
AI adalah bagaimana membuat mesin yang “cerdas” dan
dapat melakukan hal-hal yang sebelumnya dapat dilakukan
oleh manusia.
•
Dari perspektif bisnis, AI adalah sekelompok alat bantu
(tools)
yang
berdaya
guna,
dan
menggunakan tool toll tersebut
metodologi
guna
yang
menyelesaikan
masalah-masalah bisnis.
•
Dari perspektif pemrograman (Programming), AI termasuk
didalahmnya adalah studi tentang pemrograman simbolik,
pemecahan masalah, proses pencarian (search).
Komputer pada awal diciptakan hanya sebatas alat hitung saja,
namun
dengan
perkembangan
zaman,
peran
komputer
semakin
mendominasi kehidupan manusia.Komputer tidak handa digunakan sebagai
alat hitung, lebih dari itu, komputer diharapkan dapat diberdayakan untuk
mengerjakan segala sesuatu yang bisa dikerjakan oleh manusia.Maka
komputer diberi bekal pengetahuan dan kemampuan untuk menalar atau
Artificial Intelligence agar komputer bisa menjadi mesin yang pintar. Al
Fatta Hanif, (2009).
2.2.2. Computer Vision
Computer Vision (dapat disebut juga dengan Machine Vision) adalah
ilmu pengetahuan yang mengembangkan teori-teori dan algoritma dimana
informasi yang berguna mengenai dunia dapat secara otomatis diekstraksi
9
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
dan dianalisis dari sebuah citra penelitian sekumpulan citra, atau citra yang
berurutan
dari
sebuah
komputasi
yang
dibuat
oleh
(http://www.personal.umd.umich.edu/~mpastoer/sights.html).
computer
Computer
vision berhubungan dengan otomatisasi interpretasi citra untuk membuat
berbagai macam pengukuran yang objektif atau untuk meningkatkan
visibilitas
ketelitian.Computer
vision
merupakan
kombinasi
antara
pengolahan citra (image processing) dan pengenalan pola (pattern
recognition).
Tujuan dari computer vision adalah membuat model dari objek yang
ada/nyata dari gambar. Berdasarkan pendapat Jain, Kasturi dan Schunk
(1995,p1), sistem computer vision mengambil informasi yang berguna
tentan sebuah objek yang didapat dari proyeksi dua dimensi objek tersebut.
Artificial Intelligence digunakan untuk menganalisis keadaan dengan
memproses representasi simbolik dari isi lingkungan setelah image telah
diproses untuk diambil fiturnya. Banyak teknik dari Artificial Intelligence
berperan
dasarnya
penting
didalam seluruh aspek
Computer
Vision
merupakan
Computer
cabang
Vision.
Pada
dari Artificial
Intelligence. (Jain, Kasturi dan Schunck, 1995, p5).
2.2.3. Image
Secara harfiah image (citra) adalah gambar pada bidang dua
dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada bidang dua dimensi.
(Sitorusdkk, 2006)
10
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Citra didefinisikan sebagai fungsi intensitas cahaya dua dimensi
f(x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu
titik (x,y) sebanding dengan tingkat kecerahan (gray level) dari citra di titik
tersebut.(Purwanto Ari, 2009)
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam
(still images) dan citra bergerak (moving images).Citra diam adalah citra
tunggal yang tidak bergerak. Sedang citra bergerak adalah rangkaian citra
diam yang ditampilkan secara beruntun (sekuensial), sehingga memberi
kesan pada mata sebagai gambar yang bergerak.(Sitorus dkk, 2006)
Citra
digital
adalah
citra
dengan
f(x,y)
yang
nilainya
didigitalisasikan baik dalam koordinat spasial maupun dalam gray level.
Digitalisasi dari koordinat spasial citra disebut dengan image sampling.
Sedangkan digitalisasi dari gray level citra disebut dengan gray-level
quantization. Citra digital dapat dibayangkan sebagai suatu matriks dimana
baris dan kolomnya merepresentasikan suatu titik di dalam citra, dan nilai
elemen matriks tersebut menunjukkan gray level di titik tersebut.(Purwanto
Ari, 2009)
11
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hal tersebut dapat diilustrasikan pada Gambar 2.1.
Gambar 2.1. Citra Digital
2.2.4. Warna
Format data citra digital berhubungan erat dengan warna.Warna
adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna
(berwarna putih).Nilai warna ditentukan oleh tingkat kecerahan maupun
kesuraman warna.Nilai ini dipengaruhi oleh penambahan putih ataupun
hitam.
Untuk keperluan penampilan secara visual, nilai data digital
merepresentasikan warna dari citra yang diolah. Format citra digital yang
banyak dipakai adalah :
•
Citra Biner (binary image)
Citra biner (binary image) adalah citra yang hanya mempunyai dua nilai
derajat keabuan yaitu hitam dan putih.Pixel-pixel objek bernilai 1 dan pixelpixel latar belakang bernilai 0.Pada waktu menampilkan citra, 0 adalah
putih dan 1 adalah hitam.
12
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Hal tersebut dapat diilustrasikan pada Gambar 2.2.berikut ini.
Gambar 2.2. Citra Biner
•
Cita Grayscale (skala keabuan)
Citra grayscale adalah citra digital yang setiap pixel-nya merupakan sampel
tunggal, yaitu informasi intensitas.Citra jenis ini terbentuk hanya dari warna
abu-abu pada tingkatan yang berbeda-beda, mulai dari warna hitam pada
tingkat intensitas terendah hingga warna putih pada tingkat intensitas
tertinggi.
Hal tersebut dapat diilustrasikan pada Gambar 2.3.berikut ini.
Gambar 2.3. Citra Grayscale
13
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
•
Citra Warna (true color)
Setiap pixel pada citra warna mewakili warna yang merupakan kombinasi
tiga warna dasar, yaitu merah, hijau, dan biru (RGB = Red, Green, Blue).
Setiap warna pokok mempunyai intensitas sendiri dengan nilai maksimum
255.
RGB disebut juga ruang warna yang dapat diilustrasikan sebagai sebuah
kubus seperti gambar 2.4., dengan tiga sumbunya yang mewakili komponen
warna merah (red) R, hijau (green) G, biru (blue) B.
Gambar 2.4 Citra RGB
2.2.5. Citra Digital
Menurut Shapiro dan Stockman (2001, p29), digital image adalah
image 2D I[r,c] yang direpresentasikan oleh array diskrit 2D dari
intensitas sampel, dimana masing-masing titik direpresentasikan dengan
ketelitian terbatas.
14
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Digital image juga didefinisikan sebagai representasi dari gambar
dua dimensi sebagai
himpunan terbatas dari nilai digital yang disebut
picture elements atau pixel. Umumnya pixel disimpan dalam komputer
sebagai gambar raster, yaitu array dua dimensi dari integer. Nilai ini
kadang disimpan dalam bentuk terkompresi. Digital image dapat diperoleh
dari berbagai macam alat dan teknik pengambil gambar, seperti kamera
digital, scanner, radar, dan sebagainya. Dapat pula disintesis dari data
seperti fungsi matematika dan lain lain. (Anonim, 2005a). Menurut Jain,
Kasturi dan Schunck (1995, p12), pixel adalah sampel dari intensitas
image yang terkuantisasi ke dalam nilai integer. Sementara Image
merupakan array dua dimensi dari pixel-pixel tersebut. Image inilah yang
akan menjadi input awal dalam Computer Vision.Beberapa bentuk digital
image yang sering digunakan dalam Computer Vision (Shapiro dan
Stockman, 2001, p30):
•
Binary image, yaitu digital image dengan nilai pixel 1 atau 0.
•
Gray scale image, yaitu digital imagemonochrom dengan satu nilai
intensitas tiap pixel.
•
Multispectral image, adalah image 2D yang memiliki vektor nilai pada tiap
pixel, jika image berwarna maka vektornya memiliki 3 elemen.
•
Labeled image, adalah digital image dimana nilai pixel adalah simbol dari
alfabet terbatas.
15
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.3. Pengolahan Citra Digital (Image Processing)
Pengolahan citra merupakan proses pengolahan dan analisis citra
yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data
masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan
citra digital secara umum didefinisikan sebagai pemrosesan citra dua
dimensi dengan komputer.Dalam definisi yang lebih luas, pengolahan citra
digital juga mencakup semua data dua dimensi.Citra digital adalah barisan
bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.
digital berbentuk persegi panjang atau bujur sangkar (pada beberapa
sistem pencitraan ada pula yang berbentuk segienam) yang memiliki lebar
dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik
atau piksel sehingga ukuran citra selalu bernilai bulat.Setiap titik memiliki
koordinat sesuai posisinya dalam citra.Koordinat ini biasanya dinyatakan
dalam bilangan bulat positif, yang dapat dimulai dari 0 atau 1 tergantung
pada sistem yang digunakan.Setiap titik juga memiliki nilai berupa angka
digital yang merepresentasikan informasi yang diwakili oleh titik tersebut.
Format data citra digital berhubungan erat dengan warna.Pada
kebanyakan kasus, terutama untuk keperluan penampilan secara visual,
nilai data digital merepresentasikan warna dari citra yang diolah. Format
citra digital yang banyak dipakai adalah Citra Biner (monokrom), Citra
Skala Keabuan ( gray scale ), Citra Warna ( true color ), dan Citra Warna
Berindeks.
16
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.3.1. Grayscaling
Citra digital yang telah melalui proses resizing kemudian diubah
menjadi citra dua warna dengan proses grayscaling. Proses perubahan
warna ini dilakukan karena citra dalam bentuk grayscale lebih mudah
dianalisis apabila dibandingkan dengan citra berwarna. Sistem warna RGB
terdiri dari 24 bit, masing-masing bit untuk merah, hijau dan biru. Nilai
grayscale didapat dengan merata-ratakan ketiga nilai RGB tersebut.
Rumus untuk mengkonversi nilai RGB ke grayscale pada
umumnya adalah sebagai berikut :
(2.1)
W=
W = nilai grayscale
R = nilai warna merah
G = nilai warna hijau
B = nilai warna biru
2.4. Pendekatan PCA
Metode Principal Component Analysis (PCA) dibuat pertama kali
oleh ahli statistic.Metode PCA pertama kali ditemukan oleh Karl Pearson
pada tahun 1901. Meskipun pertama kali oleh karl Pearson , sebenarnya
prosedur umumnya seperti yang diketahui sekarang ini ditemukan oleh
Harold Hotelling dimana paper yang menjadi pioneer ini muncul pada
17
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
tahun 1933 yang membahas pada bidang psychometry. Kemudian tidak
ada perkembangan baru pada teknik ini, dan perkembangannya baru
mulai pesat pada akhir tahun 1930 dan awal 1940.Setelah itu
perkembangannya berkurang sebentar sampai computer telah berhasil
didesain sehingga dapat mengaplikasikan teknik ini pada masalah –
masalah yang masuk akal.Pada tahun 1947 teori ini muncul kembali dan
cukup independen sebagai teori probabilitas yang ditemukan oleh
Karhunen, dan juga dikembangkan oleh Loeve pada tahun 1963.
Sehingga teori ini juga dinamakan Karhunen-Loeve transform pada
bidang ilmu telekomunukasi.
Principal Componen Analysis (PCA) adalah teknik reduksi dimensi
yang umum digunakan pada aplikasi pemrosesan citra.PCA adalah suatu
ekstraksi fitur dan teknik reduksi dimensi yang optimal jika dipandang
dari sudut pandang teori informasi.Ide dasarnya adalah menentukan
komponen utama dari serangkaian citra yang mengumpul membentuk
suatu arah menurut varian maksimumnya.Maka dimensi-dimensi yang
berkontribusi tersebutlah yang dipertahankan dan sisanya disingkirkan
untuk pemrosesan berikutnya.
18
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.4.1. Diagonal Principal Component Analysis
Diagonal
Principal
component
analysis
(DiaPCA)
adalah
pengembangan dari metode (PCA). Diagonal PCA langsung mencari
nilai proyektif vektor optimal dari diagonal citra wajah tanpa mengubah
citra ke transformasi vektor. Diagonal Principal Component Analysis
mengubah hubungan antara variasi baris dan kolom dari citra wajah.
2.4.2. Algoritma DiaPCA
Langkah-langkah untuk proses DiaPCA, yaitu:
1. Misalkan ada M sebagai data training citra wajah, dinotasikan oleh matrikm
dan n ,Ak (k =1,2,…, M). yang mana data training dari citra di definisikan
berkorespondensi diagonal citra wajah sebagai berikut:
1) Jika tinggi m sama dengan atau lebih kecil dari pada lebar n (
≤ ) ,
maka dapat menggunakan metode ilustrasi pada Gambar 2.5(a) , untuk
menghasilkan citra diagonal B untuk keaslian citra A
2) Jika tinggi m lebih besar dari pada lebar n (
menggunakan
metode
ilustrasi
pada
> ) , maka dapat
Gambar
2.5(b)
menghasilkan citra diagonal B untuk keaslian citra A.
19
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
,
untuk
Gambar 2.5 Ilustrasi untuk menurunkan diagonal dari citra wajah
Tanpa menghilangkan generalisasi , diasumsikan dengan lebar n
tidak lebih kecil dari pada tinggi m, sedangkan untuk training citra
wajah A , dengan turunan diagonal wajah B menggunakan ilustrasi
gambar (2.5a). dengan catatan ukuran B sama dengan A .
2. Mencari rata-rata vektor citra
Setelah dilakukan proses diagonal kemudian menghitung rata-rata
atrik untuk mendapatkan matrik center dengan menggunakan persamaan
(2.2)
20
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
μ
∑
=
x , + x , + x , ………+ x
m
=
,
x,
m
= [μ
,μ
,μ
, ………, μ
]
(2.2)
m atau N adalah banyaknya data wajah yang akan mengalami pelatihan.
3. Menghitung Zeromaean
Yaitu untuk setiap nilai pada data sampel dikurangi nilai rata-rata
tiap parameter yang terkait (Zero Mean), menggunakan persamaan (2.3)
=
,
−
Menyimpan
( ∗
)
(2.3)
dalam matriks A, sehingga A=[
;
; …;
]
(N*n)
Keterangan :
,
= nilai per pixel matrik wajah ID
= rata-rata masing-masing parameter
4. Menbangun Matrik Kovarian
Matrik kovarian adalah matrik simetris yang memiliki ordo sama
dan merupakan sebuah pengukuran yang tidak hanya variasi tetapi kovariasi
dari vektor-vektor kolom. Bentuk matrik kovarian kita bias dapatkan dari
21
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
mengalikan nilai matrik zeromean dengan matrik zeromean transpose itu
sendiri lalu di bagi dengan banyaknya parameter x-1 atau kolom.
Persamaan diagonal wajah, di definisikan pada diagonal kovarian
matrik seperti persamaan 3.4
∑
(
−
Dimana
=
Σ
=
) (
−
)
(2.4)
adalah rata-rata diagonal wajah.Menurut
persamaan 3.4. Vektor proyektif X , …, X , dapat diperoleh dengan
perhitungan d eigenvector yang bersesuaian pada d lebih besar dari
eigenvalue pada G. perhitungan eigenvector dapat lebih efisien pada saat
ukuran G hanya pada matrik
Perolehan X = [
.
, …,
] melambangkan matrix proyektif,
proyektif citra training A ke X, menghasilkan m oleh d fitur matrix.
(2.5)
C = A X
5. Eigen Value dan Eigen Vector
Dengan menggunakan basis yang dibentuk oleh ruang eigen dapat
dilakukan reduksi dimensi dengan melakukan transformasi linier dari suatu
ruang dimensi tinggi kedalam ruang dimensi yang lebih rendah. Untuk
menentukan dimensi yang lebih rendah dengan error atau information loss
yang minimum dapat dilakukan dengan memilih sejumlah nilai eigen yang
terbesar dari ruang berdimensi tinggi tersebut. Untuk menghitung nilai
eigen pada penilitian ini kami menggunakan algoritma QR.
22
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Misalnya matrik A adalah matrik square dengan dimensi
.
Sedangkan eigen vector dari matrik A adalah ̅ sedemikian rupa ̅ adalah
matrik bukan 0 berukuran n x 1 sehingga A ̅ =
̅ . sedangkan dinamakan
eigen value dari A yang bersesuaian dengan ̅ . Eigen vector dan Eigen
Value dapat di ekspresikan secara matematis sebagai berikut :
A ̅=
̅
(2.6)
Dimana :
A = Square matrik ( )
̅ = Eigen vector
= Skalar / Eigen value
Hal ini member petunjuk dalam mendapatkan eigen vektor dan
eigen value. Tetapi apabila matrik A berukuran besar maka cara diatas
akan menjadi lebih rumit dan tidak efisien. Sehingga untuk mendapatkan
eigen value dan eigen vektor digunakan metode Faktorisasi QR.
Algoritma QR adalah suatu metode iterative yang melibatkan
transformasi-transformasi
orthogonal.Ada
banyak
keuntungan
menggunakan algoritma ini. Metode ini akan tetap konvergen apakah A
mempunyai atau tidak nilai eigen dominan dan metode ini menghitung
semua nilai eigen pada saat yang bersamaan.
Diberikan matrik m x m. faktorkan matrik tersebut ke dalam hasil kali
dimana
adalah matrik tersebut ke dalam hasil segitiga atas. Sehingga
didefinisikan sebagai.
A = A=
dan A =
A
= R
23
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
Faktorkan A ke dalam hasil kali
dimana
adalah matrik ortogonal
dan R adalah matrik segitiga atas, Sehingga didefinisikan sebagai :
−
=
Perhatikan bahwa A dan A . Keduanya adalah serupa A. dengan cara ini
kita dapat melanjutkan untuk memperoleh suatu barisan dari matrik-matrik
yang serupa. Secara umum jika :
A =
R
didefinisikan sebagai
Maka A
R . Dapat diperlihatkan bahwa pada
kondisi yang sangat umum, barisan matrik-matrik yang didefinisikan
dengan cara ini akan konvergen ke suatu matrik.
Misalkan A adalah sebuah matrik n x n. sebuah matrik bukan nol, matrik C
yang berukuran n x l sedemikian rupa sehingga [ . ] =
vektor eigen (eigen vector) bagi eig. Sedangkan skalar
( ) dinamakan
dinamakan nilai
eigen (eigen value ) bagi A yang bersesuaian dengan C.
Persamaan 3.8 pendefisiannya yaitu :
[ . ]=
( )
Keterangan :
= eigen vector
= eigen value
6. Mengurutkan Eigen Value dan Eigen Vector
V adalah matriks eigen vector , adalah eigen value. Urutkan nilai
eigen dari yang terbesar sesuai dengan persamaan 2.9
24
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
= [
>
>
…
…
…
…
…
…
.
=
.
>
…
…
…
…
]
0
.
…
…
=
.
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
(2.9)
7. Proyeksi Diagonal PCA
Proyeksi Diagonal Principal Componen dengan persamaan 2.10
(2.10)
=
Dimana :
= Proyeksi Principal Componen
= Eigen vektor
= Zeromean Transpose
8. Matrik Bobot
Nilai matrik bobot ini yang akan digunakan pada proses identifikasi.
Mencari matrik bobot dapat menggunakan persamaan 2.11
(2.11)
=
Keterangan :
= Matrik bobot
= Matrik wajah hasil diagonal.
= Proyeksi principal component
25
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
2.5. Euclidean Distance
Euclidean distance pertama kali dijabarkan oleh Euclid (323-283
SM), seorang pemikir asal yunani.Dalam matematika, Euclidean Distance
adalah jarak antara dua titik yang dapat diukur dan dihasilkan oleh formula
pytagoras.Euclidean vector atau sering hanya disebut vector adalah obyek
geometri yang memiliki panjang (magnitude) dan arah (direction).
Euclidean Distance (Jarak Euclidean) adalah metrika yang paling
sering digunakan untuk menghitung kesamaan 2 vector.Euclidean Distance
menghitung akar dari kuadrat perbedaan 2 vector (root of square
differences between 2 vector).
Euclidean Distance antara titik p dan q adalah panjang dari segmen
garis,
= (
. Dalam koordinat Cartesian, jika
,
, …,
)
= (
,
, …,
dan
adalah dua poin pada n-ruang Euclidean, maka jarak
dari p ke q diberikan oleh persamaan 2.12
( , )=
=
)
+ (
−
∑
(
−
−
) +
)
+ (
)
−
(2.12)
Keterangan :
= Euclidean Distance
= ekstraksi fitur citra pelatihan
= ekstraksi fitur citra ujicoba
= jumlah data citra inputan
26
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
27
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB III
METODOLOGI PENELITIAN
Pada bab ini kan dijelaskan mengenai proses pembuatan aplikasi pengenalan citra
wajah manusia menggunakan metode DiaPCA (Diagonal Principal Component
Analysis. Proses perancangan aplikasi dalam sub-bab ini akan dibagi menjadi
beberapa tahap anatara lain : analisis sistem, gambaran aplikasi secara umum,
perancangan aplikasi.
3.1.
Analisis Sistem
Secara garis besar proses perancangan aplikasi akan dibagi menjadi beberapa
diantaranya Pre-prosesing, Feature Extraction dan recognition Proses. tahap seperti
pada Gambar 3.1.
Gambar 3.1 merupakan desain tahapan dari pengembangan pengenalan wajah
menggunakan metode Diagonal Principal Component analysis. Pada aplikasi
pengenalan wajah ini menggunakan citra gambar yang di load dari dalam komputer
(citra testing), kemudian merubah citra testing menjadi citra diagonal dan kemudian
dilakukan proses ekstraksi fitur PCA.
27
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
28
Gambar 3.1 Tahap pengenalan citra wajah menggunakan DiaPCA
Kemudian citra diagonal tersebut akan diproses dalam feature extraction untuk
mendapatkan nilai eigenface. Kemudian nilai dari eigenface dari citra wajah tes
tersebut dibandingkan dengan nilai eigenface yang terdapat pada citra training dalam
database dengan menggunakan perhitungan Euclidean distance. Distance hasil
perhitungan tersebut kemudian dibandingkan, dan eigenface yang memiliki distance
terkecil akan dipilih sebagai yang mewakili objek tersebut.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
29
3.1.1. Feature Extraction Principal Component Analysis
Mulai
Data image
diagonal
Tampilkan nilai citra,
hitung nilai matrik pada
citra
Hitung nilai
(zeromean)
Hitung nilai matrik
kovarian
Hitung nilai eigen
vektor dan eigen
value
Ubah bentuk hasil
matrik kedalam matrik
baris atau matrik kolom
Selesai
Hitung rata-rata
matrik seluruh citra
Gambar 3.2 Proses feature ekstraction PCA
Pengambilan feature extraction principal Component Analysis, mula-mula
setelah didapat nilai diagonal kemudian dihitung nilai matriknya, selanjutnya
dibentuk menjadi matrik baris atau matrik kolom. Setelah dibentuk matrik kolom atau
matrik baris kemudian dihitung matrik rata-rata seluruh citra. Selanjutnya menghitung
zeromean untuk setiap nilai pada data data sampel dikurangi nilai rata-rata tiap
parameter yang terkait (zeromean). Selanjutnya menghitung matrik kovarian. Matrik
kovarian bisa kita dapat dari mengalikan nilai matrik zeromean transpose dengan
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
30
matrik zeromean itu sendiri. Selanjutnya dari nilai nilai tersebut dihitung nilai eigen
vector dan eigen value-nya. Kemudian dilanjutkan pada proses euclidean distance.
3.2.2. Recognition Process
Gambar 3.3 Proses Pengenalan Citra Gambar
Proses seperti pada Gambar 3.3 di atas nilai eigen vector dan value dari
masing-masing citra gambar di database training picture dan eigen vector dan value
dari test face dihitung perbedaan kesamaan jaraknya menggunakan perhitungan
euclidean distance.
Nilai terkecil dari perhitungan euclidean distance merupakan nilai yang
diambil sebagai hasil dari citra wajah yang dikenali. Untuk proses pengenalan citra
yang meliputi perhitungan euclidean distance serta pencarian citra wajah pada
database training picture yang sesuai dengan citra testing.
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
31
3.2.
Perancangan Tampilan Antarmuka
Pada perancangan antarmuka yang akan dibuat nantinya merupakan suatu
halaman untuk berinteraksi bagi pemakai atau pengguna program dan diharapkan
dapat memahami jalan kerja program dengan mudah. Dalam membuat program
pengenalan wajah menggunakan metode Diagonal Principal Component Analysis
akan dirancang tampilan GUI maka akan menghasilkan 2 file yaitu namafile.fig
dimana GUI disimpan dan manafile.m dimana eksekusi program terkumpul. Masingmasing fig-file ini menghasilkan m-file dengan nama yang sama.
Table 3.1 berisi obyek-obyek yang dibutuhkan dalam perancangan atau
tampilan antar muka pada pembuatan program pengenalan wajah menggunakan
metode Diagonal Principal Component Analysis.
Table 3.1 Perancangan Program
Fig-file
TAwajah
Komponen
Text1
Panel1
Panel 2
Axes1
Axes2
Nama
Pengenalan wajah …
Panel input
Panel proses
Input
Citra diagonal
Axes3
Citra hasil
pengenalan
Input
Proses
Keluar
Pushbutton1
Pushbutton 2
Pushbutton 3
Fungsi
Judul
Background dari input
Background dari proses
Menampilkan input
Menampilkan citra
diagonal
Menampilkan citra hasil
pengenalan
Mengakses file inputan
Memproses file inputan
Keluar dari program
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
32
Tampilan antar muka tersebut diharapkan dapat memudahkan pengguna dalam
memahami dan menggunakan setiap fungsi-fungsi tombol yang tersedia. Pada Gambar
3.4 adalah rancangan tampilan awal antar muka dimana didalamnya ada isi tabel 3.1
Gambar 3.4 Tampilan GUI
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
BAB IV
HASIL DAN PEMBAHASAN
Pada bab IV ini akan dijelaskan mengenai implementasi, hasil uji coba dan
evaluasi dari rancangan program yang telah dibuat pada bab III. Bagian
implementasi aplikasi kali ini meliputi: lingkungan implementasi, implementasi
data, implementasi antarmuka dan implementasi proses.
4.1.
Kebutuhan Hardwar e dan Software
Pada bagian ini akan dijelaskan mengenai perangkat keras dan perangkat
lunak yang digunakan pada implementasi aplikasi ini.
Kebutuhan Hardwar e :
a) Komputer dengan processor AMD A8-4500M APU – 1,9 GHz
b) RAM (4096MB)
c) VGA Card share memory up to 2000 MegaByte AMD Radeon HD 7640G
d) Monitor 14”
e) Hard Disk 500 GigaByte
Kebutuhan Software :
a) Sistem OperasiWindows 7.
b) Matlab 2012
c) File image PGM.
33
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
34
4.2.
Implementasi Data
Seperti yang telah dijelaskan secara konseptual pada Bab 3, maka data
yang akan diimplementasikan pada aplikasi pengenalan wajah manusaia dengan
menggunakan metode Diagonal Principal Component Analysis ialah dengan
menggunakan sumber data dari ORL database (format PGM) kemudian diambil
sebagian gambar untuk dijadikan dataset.
Dari input-an gambar dari dataset tersebut nantinya akan diperoses melalui
beberapa tahapan proses , dimana output dari proses ini adalah gambar dikenali
atau gagal dikenali.
4.3.
Implementasi Antarmuka
Pada implementasi antarmuka ini merupakan interaksi antara pemakai
(user) dengan sistem. Halaman form utama ini merupakan tampilan awal saat
program dijalankan. Pada form utama ini terdapat program secara keseluruhan
beserta dengan prosedur-prosedur programnya. Pada masing – masing menu
memiliki fungsi yang berbeda – beda pada aplikasi ini. Berikut penjelasan dari
setiap form pada menu utamaini :
a. Input : untuk memilih input gambar yang akan diproses.
b. Proses : untuk melakukan proses eksekusi inputan gambar.
c. Keluar : untuk keluar dari program.
Pada tampilan form utama terdapat 7 kolom yang mempunyai fungsi yang
berbeda beda. Kolom pertama dan ke dua berfungsi menampilkan citra testing dan
menampilkan citra yang telah diubah menjadi citra diagonal. Dan kolom ketiga
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
35
menampilkan hasil dari principal component analysis berupa citra yang telah
dikenali.
4.4.
Implementasi Proses
Bagian implementasi proses ini menjelaskan mengenai implementasi
proses-proses sesuai dengan konsep yang telah dibuat pada bab 3. Seperti yang
telah digambarkan dalam flowchart.
4.4.1. Proses Input Images
Proses Input Images merupakan proses yang bertujuan untuk memilih
inputan berupa gambar yang akan ditampilkan pada form utama. (Kode program
4.1)
proyek=guidata(gcbo);
[namafile,direktori]=uigetfile(...
{'*.pgm';...
'*.bmp'},'Buka Gambar');
if isequal(namafile,0)
return;
end
eval(['cd ''' direktori ''';']);
I=imread(namafile); %membaca file gambar
set(proyek.figure1,'CurrentAxes',proyek.axes1);
set(imshow(I)); %menampilkan file gambar
set(proyek.figure1,'Userdata',I);
set(proyek.axes1,'Userdata',I);
Kode program 4.1. Proses Input Image
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
36
4.4.2. Proses Diagonal Image
Kemudian dari image yang telah di inputkan, akan dirubah ke diagonal
image dengan cara melakukan duplikasi image kebawah, kemudian diambil nilai
diagonal dari duplikasi image tersebut. Setelah nilai didapat, kemudian image
ditampilkan. (kode program 4.2).
I=im2double(I); %merubah gambar binary ke double
[a,b]= size(I); %ukuran I dari nilai a,b
x=[I;I];
%nilai x = 2 nilai I
y=zeros(a,b);
for kolom=1:b
y(:,kolom)=(x(kolom:(a+kolom-1),kolom));
end
set(proyek.figure1,'CurrentAxes',proyek.axes2);
set(imshow(y));
set(proyek.axes2,'Userdata',y);
Kode program 4.2. Proses Diagonal Image
4.4.3. Proses Pengenalan Citra Wajah
Proses pengenalan citra wajah ini adalah proses dimana diawali dari nilai
diagonal matrik dibentuk menjadi matrik baris atau matrik kolom. Kemudian
dihitung matrik rata – rata nya, selanjutnya setiap nilai pada data tes dikurangi
nilai rata – rata tiap parameter untuk menghitung nilai zeromean. Selanjutnya
menghitung matrik kovarian. Matirik kovarian kita bisa dapat dari mengalikan
nilai matrik zeromean transpose dengan matrik zeromean. Selanjutnya dari nilai
tersebut dihitung nilai eigen vector dan nilai eigen value nya. Nilai eigen dari
image testing kemudian dihitung perbedaan kesamaan dari database training
image menggunakan perhitungan Euclidean distance. Nilai terkecil dari
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
37
perhitungan Euclidean distance merupakan hasil dari citra gambar yang dikenali.
(Source code 4.3).
proyek=guidata(gcbo);
w=load_database();
y=get(