Perbandingan Representasi Citra antara LDNP dan LDP dalam Pengenalan Wajah untuk Identifikasi - Comparing LDNP and LDP Image Representation in Face Recognition for Identification.

i

Universitas Kristen Maranatha

Perbandingan Representasi Citra Antara LDNP dan LDP dalam

Pengenalan Wajah Untuk Identifikasi

Disusun Oleh:

Nama : Bharma Benjamin NRP : 1222010

Program Studi Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof.Drg.Suria Sumantri, MPH no. 65, Bandung, Indonesia.

Email : zetzzbharma@yahoo.com

ABSTRAK

Teknik pengenalan wajah masih sangat dibutuhkan dalam menghadapi tindak kejahatan dan terorisme. Akan tetapi, sistem pengenalan wajah masih memiliki banyak kelemahan dalam pengidentifikasiannya. Oleh karena itu, banyak teknik ekstraksi ciri yang sudah dikembangkan untuk pengenalan wajah.

Pada Tugas Akhir ini, direalisasikan pengenalan wajah untuk identifikasi manusia menggunakan teknik ekstraksi ciri Local Directional Number Pattern (LDNP) dan Local Directional Pattern (LDP) untuk merepresentasikan citra wajah dan membandingkan recognition rate dari kedua teknik ekstraksi ciri tersebut.

Pengujian dilakukan menggunakan database ORL. Untuk teknik ekstraksi ciri LDNP, hasil recognition rate didapatkan sebesar 72,22 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 85,31 persen. Sedangkan teknik ekstraksi ciri LDP, recognition rate didapat sebesar 71,67 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 83,75 persen. Teknik ekstraksi ciri LDNP terbukti lebih baik dalam mengidentifikasi manusia berdasarkan wajah.

ii

Universitas Kristen Maranatha

Comparing LDNP and LDP Image Representation in Face

Recognition for Identification

Composed By:

Name : Bharma Benjamin NRP : 1222010

Electrical Engineering Department, Maranatha Christian University Jl. Prof.Drg.Suria Sumantri, MPH no.65, Bandung, Indonesia

Email : zetzzbharma@yahoo.com

ABSTRACT

Face recognition technique is very needed to face a crime and terrorism. But, face recognition system still have many weaknesses in identifying the face. Therefore, there are many feature extraction techniques that already developed for face recognition.

In this Final Project, created a face recognition for identification using Local Directional Number Pattern (LDNP) and Local Directional Pattern (LDP) feature extraction techniques and also compared the recognition rate of this two image representation.

The simulation done using database ORL and when using LDNP feature extraction techniques, the recognition rate is 72,22 percent for one training image and for two training images the recognition rate is 85,31 percent. While recognition rate for LDP feature extraction techniques is 71,67 percent for one training image and for two training images the recognition rate is 83,75 percent. LDNP feature extraction technique proven to be better in identifying human based on face.

iii

Universitas Kristen Maranatha

DAFTAR ISI

Halaman LEMBAR PENGESAHAN

PERNYATAAN ORISINALITAS LAPORAN TUGAS AKHIR PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR KATA PENGANTAR

ABSTRAK ...i

ABSTRACT ... ii

DAFTAR ISI ... iii

DAFTAR GAMBAR ... v

DAFTAR TABEL ...vi

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah ... 1

1.2 Perumusan Masalah ... 2

1.3 Tujuan ... 2

1.4 Pembatasan Masalah ... 2

1.5 Sistematika Penulisan ... 3

BAB II LANDASAN TEORI 2.1 Pengenalan Wajah ... 4

2.1.1 Teknik Pengelompokkan Dalam Pengenalan Wajah……….……..4

2.1.2 Teknik Ekstraksi Ciri………...5

2.2 Teknik Ekstraksi Ciri LDNP ... 5

2.3 Teknik Ekstraksi Ciri LDP ... 8

2.4 Pendeskripsian Wajah Menggunakan Histogram ... 9

2.5 Pengenalan Wajah Menggunakan Chi-Square... ..11

BAB III PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Blok Proses Pengenalan Wajah ... 12

3.2 Diagram Alir Untuk Citra Training ... 14

iv

Universitas Kristen Maranatha 3.4 Proses Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP...16

3.4.1 Diagram Alir Mencari Kode LDNP………17

3.4.2 Diagram Alir Mencari Kode LDP………..18

3.5 Proses Membuat Histogram dari Teknik Ekstraksi Ciri LDNP dan Teknik

Ekstraksi Ciri LDP………..19

3.5.1 Diagram Alir Membuat Histogram LDNP……….20

3.5.2 Diagram Alir Membuat Histogram LDP………21

3.6 Database Yang Digunakan………...22

BAB IV DATA PENGAMATAN DAN ANALISIS

4.1 Prosedur pengujian ... 23 4.2 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDNP... 23 4.3 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDP(k = 3) ... 25 4.4 Pembahasan Hasil Pengujian Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP ...26 4.5 Analisa Data Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP ... 30

4.5.1 Percobaan Untuk 1 Citra Training………...30

4.5.2 Percobaan Untuk 2 Citra Training……….31

BAB V SIMPULAN DAN SARAN

5.1 Simpulan ... 33 5.2 Saran ... 34

DAFTAR PUSTAKA ... 35

LAMPIRAN A KODE PROGRAM

LAMPIRAN B HASIL PENGUJIAN TEKNIK EKSTRAKSI CIRI LDNP LAMPIRAN C HASIL PENGUJIAN TEKNIK EKSTRAKSI CIRI LDP

v

Universitas Kristen Maranatha

DAFTAR GAMBAR

Halaman

Gambar 2.1 Kirsch Mask ... 5

Gambar 2.2 Blok 3x3 Piksel ... 6

Gambar 2.3 Blok 3x3 Piksel Dicari Respon Arahnya Dengan Arah M0 ... 7

Gambar 2.4 Blok 3x3 Piksel Dengan Nilai Responnya Disetiap Arah ... 8

Gambar 2.5 Penempelan Histogram Per-Regions ... 10

Gambar 3.1 Diagram Blok Proses Pengenalan Wajah ... 12

Gambar 3.2 Diagram Alir Proses Untuk Citra Training ... 14

Gambar 3.3 Diagram Alir Proses Untuk Citra Masukan ... 15

Gambar 3.4 Diagram Alir Mencari Kode LDNP ... 17

Gambar 3.5 Diagram Alir Mencari Kode LDP ... 18

Gambar 3.6 Diagram Alir Membuat Histogram LDNP... 20

Gambar 3.7 Diagram Alir Membuat Histogram LDP ... 21

vi

Universitas Kristen Maranatha

DAFTAR TABEL

Halaman Tabel 4.1 Hasil Pengujian Menggunakan Teknik Ekstraksi Ciri LDNP Untuk 1

Citra Training ... 24 Tabel 4.2 Hasil Pengujian Menggunakan Teknik Ekstraksi Ciri LDP Untuk 1

Citra Training ... 25 Tabel 4.3 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan

Ke-1 ... 27 Tabel 4.4 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan Ke-21 ... 27 Tabel 4.5 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan Ke-90 ... 28 Tabel 4.6 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan

Ke-174 ... 28 Tabel 4.7 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan

Ke-190 ... 29 Tabel 4.8 Recognition Rate Teknik Ekstraksi Ciri LDNP Dan LDP Untuk 1 Citra Training ... 30 Tabel 4.9 Recognition Rate Teknik Ekstraksi Ciri LDNP Dan LDP Untuk 2 Citra Training ... 31

1 Universitas Kristen Maranatha

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Salah satu aplikasi dari teknologi biometrik adalah untuk mengidentifikasi atau mengenali manusia berdasarkan karakteristik fisiknya. Setiap manusia memiliki sesuatu yang unik pada bagian tubuhnya dan keunikan tersebut tentu hanya dimiliki oleh dirinya sendiri. Bagian tubuh manusia yang bersifat unik itu di antaranya adalah sidik jari, wajah, retina mata dan pola pembuluh darah.

Terdapat banyak teknik ekstraksi ciri yang sudah dikembangkan untuk pengenalan wajah. Ekstraksi ciri dalam pengenalan wajah dibagi menjadi dua, secara global dan local. Pada Tugas Akhir ini teknik ekstraksi ciri untuk pengenalan wajah digunakan Local Directional Number Pattern (LDNP) dan Local Directional Pattern (LDP) untuk representasi citra.

Pada Tugas Akhir ini akan dibuat aplikasi menggunakan kedua teknik tersebut untuk mengenali manusia berdasarkan keunikan tubuhnya. Keunikan yang akan diidentifikasi adalah wajah. Dalam pengindentifikasian wajah ada beberapa kondisi yang mempengaruhi recognition rate dalam pengenalan yaitu noise, pencahayaan, pose, ekspresi, warna kulit, jenis kelamin, umur dan aksesoris yang dipakai.

Teknik ekstraksi ciri LDNP adalah teknik ekstraksi ciri yang dikembangkan untuk mengatasi kelemahan teknik ekstraksi ciri LDP. Pada Tugas Akhir ini akan dibandingkan antara teknik ekstraksi ciri LDNP dengan teknik ekstraksi ciri LDP dalam pengenalan wajah manusia untuk identifikasi.

B A B I P E N D A H U L U A N 2

Universitas Kristen Maranatha 1.2 Perumusan Masalah

Perumusan masalah dari Tugas Akhir ini, yaitu :

1. Bagaimana merancang aplikasi pengenalan citra wajah menggunakan representasi citra LDNP dan LDP untuk identifikasi?

2. Bagaimana recognition rate citra wajah untuk identifikasi menggunakan representasi citra LDNP dan LDP?

1.3 Tujuan

Tujuan yang ingin dicapai dari Tugas Akhir ini adalah :

1. Merealisasikan aplikasi pengenalan citra wajah menggunakan representasi LDNP dan LDP untuk identifikasi.

2. Mengetahui recognition rate citra wajah untuk identifikasi menggunakan representasi citra LDNP dan LDP.

1.4 Pembatasan Masalah

Pembatasan masalah pada Tugas Akhir ini adalah:

1. Database citra yang digunakan adalah database ORL dengan ukuran citra 112x92 piksel.

2. Pengidentifikasian wajah hanya tampak depan. 3. Citra masukan berupa citra gray scale.

4. Dalam satu citra terdapat hanya satu wajah.

5. Menggunakan Kirsch Mask untuk mendapatkan kode LDNP atau kode LDP.

Universitas Kristen Maranatha 1.5 Sistematika Penulisan

Sistematika penulisan laporan Tugas Akhir ini disusun menjadi beberapa bab sebagai berikut:

BAB I : PENDAHULUAN

Bab ini berisi latar belakang masalah, perumusan masalah, tujuan, pembatasan masalah dan sistematika penulisan pada laporan Tugas Akhir ini. BAB II : LANDASAN TEORI

Bab ini berisi penjelasan teori-teori penunjang yang diperlukan dalam Tugas Akhir ini terutama tentang pengenalan wajah teknik ekstraksi ciri LDNP dan LDP.

BAB III : PERANCANGAN PERANGKAT LUNAK

Pada bab ini dijelaskan tentang proses perancangan perangkat lunak yang dipakai untuk merealisasikan Tugas Akhir ini. Dalam bab ini dicantumkan juga diagram alir perealisasian program teknik ekstraksi ciri LDNP dan LDP.

BAB IV : DATA PENGAMATAN DAN ANALISIS

Bab ini membahas tentang proses pengujian dan pengambilan data simulasi, lalu hasil simulasi dianalisis berdasarkan teori yang ada.

BAB V : SIMPULAN DAN SARAN

Bab ini merupakan bab penutup yang berisi kesimpulan dari hasil pengujian dan analisis dari Tugas Akhir ini serta saran untuk pengembangan dari Tugas Akhir ini selanjutnya.

23 Universitas Kristen Maranatha BAB IV

DATA PENGAMATAN DAN ANALISIS

4.1 Prosedur pengujian

Setelah perancangan perangkat lunak dilakukan, maka selanjutnya dilakukan pengujian pengenalan wajah dan identifikasi. Tujuan dari pengujian ini adalah untuk melihat kemampuan teknik ekstraksi ciri LDNP dan teknik ekstraksi ciri LDP dalam pengenalan wajah untuk identifikasi manusia. Pada database ORL, jumlah subjek sebanyak 40 orang dan jumlah citra wajah sebanyak 10 buah per-subjek, jadi totalnya 400 citra.

Prosedur pengujian :

1. Pada pengujian pertama diambil 9 citra wajah untuk citra masukan dan 1 citra wajah untuk citra training.

2. Pada pengujian kedua diambil 8 citra wajah untuk citra masukan dan 2 citra wajah untuk citra training.

4.2 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDNP

Pengujian dilakukan dengan 40 citra training dan 360 citra masukan untuk 1 citra training dan 80 citra training dan 320 citra masukan untuk 2 citra training yang akan diuji. Setelah proses ekstraksi ciri dilakukan, maka dihitung jarak minimum antara vektor ciri citra masukan dan citra training menggunakan Chi-Square. Identitas yang sesuai adalah citra dengan nilai Chi-Square terendah. Data hasil pengenalan kemudian disajikan dalam Tabel 4.1 sebagai berikut :

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 24

Universitas Kristen Maranatha Percobaan

Ke -

Citra Uji Orang Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum

(x10^3)

Citra Yang Dikenali (Identifikas

i)

1 1 1 2,608 Benar

21 3 13 2,366 Salah

30 4 4 1,814 Benar

56 7 7 881 Benar

65 8 8 2,024 Benar

90 10 12 2,049 Salah

174 20 20 2,030 Benar

190 22 22 1,239 Benar

360 40 5 1,872 Salah

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 25

Universitas Kristen Maranatha Tabel 4.1 merupakan sebagian hasil pengujian menggunakan teknik ekstraksi ciri LDNP, hasil lengkap dapat dilihat pada Lampiran B. Hasil pengujian menunjukkan bahwa jumlah citra wajah yang dikenali “Benar” untuk pengujian 9 citra masukan dan 1 citra training tiap subjek adalah 260 citra dari 360 citra masukan, yang menghasilkan recognition rate 72.22%, adapun untuk pengujian 8 citra masukan dan 2 citra training tiap subjek adalah 273 citra dari 320 citra masukan, yang menghasilkan recognition rate 85.31%.

4.3 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDP(k = 3) Pengujian dilakukan dengan 40 citra training dan 360 citra masukan untuk 1 citra training dan 80 citra training dan 320 citra masukan untuk 2 citra training yang akan diuji. Setelah proses ekstraksi ciri dilakukan, maka akan dihitung jarak minimum antara vektor ciri citra masukan dan citra training menggunakan Chi-Square. Identitas yang sesuai adalah citra dengan nilai Chi-Sqaure terendah. Data hasil pengenalan kemudian akan disajikan dalam Tabel 4.2 sebagai berikut :

Percobaa n Ke -

Citra Uji Orang Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum

(x10^3)

Citra Yang Dikenali (Identifika

si)

1 1 18 2,036 Salah

21 3 5 2,077 Salah

80 9 9 1,380 Benar

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 26

Universitas Kristen Maranatha

90 10 23 1,931 Salah

174 20 20 1,842 Benar

190 22 22 1,198 Benar

235 27 27 1,245 Benar

281 32 32 1,557 Benar

360 40 5 1,733 Salah

Tabel 4.2 merupakan sebagian hasil pengujian menggunakan teknik ekstraksi ciri LDP, hasil lengkap dapat dilihat pada Lampiran C. Hasil pengujian menunjukkan bahwa jumlah citra wajah yang dikenali “Benar” untuk pengujian 9 citra masukan dan 1 citra training tiap subjek adalah 258 citra dari 360 citra masukan, yang menghasilkan recognition rate 71.67% dan untuk pengujian 8 citra masukan dan 2 citra training adalah 268 citra dari 320 citra masukan, yang menghasilkan recognition rate 83.75%.

4.4 Pembahasan Hasil Pengujian Teknik Ekstraksi Ciri LDNP Dan Teknik Ekstraksi Ciri LDP

Dari hasil pengujian yang dilakukan ditemukan beberapa perbedaan dan kesimpulan dari kedua teknik ekstraksi ciri sebagai berikut :

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 27

Universitas Kristen Maranatha Tabel 4.3 Perbandingan Hasil LDNP dengan LDP Untuk Percobaan Ke-1

1. Pada percobaan pertama teknik ekstraksi ciri LDNP mengidentifikasi citra dengan benar, sedangkan LDP salah dalam mengidentifikasinya.

2. Pada percobaan untuk citra uji ke-21 teknik ekstraksi ciri LDNP dan LDP mengidentifikasi citra sebagai orang yang lain (salah), LDNP mengenali citra uji sebagai orang ke-13, sedangkan LDP mengenali citra uji sebagai orang ke-5. Pada percobaan citra uji ke-21 terlihat bahwa variasi pose dan ekspresi, mempengaruhi hasil pengenalan teknik ekstraksi ciri LDNP dan LDP. Citra yang dikenali akan memiliki pose dan ekspresi yang sama.

Percobaan Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum (x10^3) Citra Yang Dikenali (Identifikasi) Teknik Ekstraksi Ciri

1 1 2,608 Benar LDNP

1 18 2,036 Salah LDP

Percobaan Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum (x10^3) Citra Yang Dikenali (Identifikasi) Teknik Ekstraksi Ciri

21 13 2,366 Salah LDNP

21 5 2,077 Salah LDP

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 28

Universitas Kristen Maranatha 3. Pada percobaan untuk citra uji ke-90 LDNP dan LDP mengidentifikasi

citra sebagai orang yang lain (salah), akan tetapi LDNP mengenali citra uji sebagai orang ke-12, sedangkan LDP mengenali citra uji sebagai orang ke-23.

4. Pada percobaan untuk citra uji ke-174 LDNP dan LDP sama-sama mengidentifikasi citra dengan benar. Pada percobaan citra uji ke-174 Percobaan

Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum (x10^3) Citra Yang Dikenali (Identifikasi) Teknik Ekstraksi Ciri

90 12 2,049 Salah LDNP

90 23 1,931 Salah LDP

Percobaan Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum (x10^3) Citra Yang Dikenali (Identifikasi) Teknik Ekstraksi Ciri

174 20 2,030 Benar LDNP

174 20 1,842 Benar LDP

Tabel 4.5 Perbandingan Hasil LDNP Dengan LDP Untuk Percobaan Ke-90

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 29

Universitas Kristen Maranatha terbukti bahwa teknik ekstraksi ciri LDNP dan LDP dapat mengatasi kondisi penggunaan aksesoris seperti kacamata.

5. Pada percobaan untuk citra uji ke-190 LDNP dan LDP sama-sama mengidentifikasi citra dengan benar. Pada percobaan citra uji ke-190 menunjukkan bahwa teknik ekstraksi ciri LDNP dan LDP dapat mengatasi kondisi perbedaan warna kulit.

Percobaan Ke -

Citra Uji Citra Yang

Dikenali

Dikenali Sebagai Orang Ke -

Jarak Minimum

(x10^3)

Citra Yang Dikenali (Identifikasi)

Teknik Ekstraksi

Ciri

190 22 1,239 Benar LDNP

190 22 1,198 Benar LDP

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 30

Universitas Kristen Maranatha 4.5 Analisa Data Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP

Pada analisa data berikut akan ditampilkan hasil recognition rate dari kedua teknik ekstraksi ciri tersebut, berikut cara menghitung recognition rate : Recognition Rate = Jumlah Identifikasi (Benar) / Jumlah Citra Masukan x 100% Berikut adalah pembahasan dari hasil pengujian yang didapatkan dari kedua teknik ekstraksi ciri tersebut.

4.5.1 Percobaan Untuk 1 Citra Training

Teknik ekstraksi ciri LDNP atau teknik ekstraksi ciri LDP untuk 1 citra training akan ditampilkan dalam Tabel 4.8.

Teknik Ekstraksi

Ciri

Jumlah Citra Masukan

Jumlah Identifikasi (Benar)

Recognition Rate (1 citra training)

LDNP 360 260 72.22%

LDP(k =3) 360 258 71.67%

LDP(k =4) 360 258 71.67%

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 31

Universitas Kristen Maranatha Hasil pengujian LDNP menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 9 citra masukan dan 1 citra training untuk tiap subjek adalah 260 citra yang menghasilkan recognition rate 72.22% dan hasil pengujian LDP untuk k = 3 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 9 citra masukan dan 1 citra training untuk tiap subjek adalah 258 citra dari 360 citra masukan, yang menghasilkan recognition rate 71.67%, sedangkan hasil pengujian LDP untuk k = 4 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 9 citra masukan dan 1 citra training adalah 258 citra dari 360 citra masukan, yang menghasilkan recognition rate 71.67%. Ternyata pengujian LDP untuk k = 3 dan k = 4 untuk 1 citra training menghasilkan recognition rate yang sama. Hal ini menunjukkan bahwa LDNP melebihi pengidentifikasian (Benar) LDP sebesar 2 citra dan memiliki recognition rate yang lebih baik.

4.5.2 Percobaan Untuk 2 Citra Training

Teknik ekstraksi ciri LDNP atau teknik ekstraksi ciri LDP untuk 2 citra training ditampilkan dalam tabel 4.9.

Teknik Ekstraksi Ciri

Jumlah Citra Masukan

Jumlah Identifikasi (Benar)

Recognition Rate (2 citra training)

LDNP 320 273 85.31%

LDP(k =3) 320 268 83.75%

LDP(k =4) 320 262 81,875%

B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 32

Universitas Kristen Maranatha Hasil pengujian LDNP menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 8 citra masukan dan 2 citra training untuk tiap subjek adalah 273 citra yang menghasilkan recognition rate 85,31% dan hasil pengujian LDP untuk k = 3 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 8 citra masukan dan 2 citra training untuk tiap subjek adalah 268 citra dari 360 citra masukan, yang menghasilkan recognition rate 83,75%, sedangkan hasil pengujian LDP untuk k = 4 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 8 citra masukan dan 2 citra training adalah 262 citra dari 360 citra masukan, yang menghasilkan recognition rate 81,875%. Ternyata pengujian LDP untuk k = 3 dan k = 4 untuk 2 citra training menghasilkan recognition rate yang tidak terlalu berbeda. Hal ini menunjukkan bahwa LDNP melebihi pengidentifikasian (Benar) LDP untuk k = 3 sebesar 5 citra, LDP untuk k = 4 sebesar 11 dan memiliki recognition rate yang lebih baik.

Hasil pengujian dengan 2 citra training untuk kedua teknik ekstraksi ciri ini, menghasilkan recognition rate yang lebih baik dibandingkan hanya menggunakan 1 citra training saja.

33 Universitas Kristen Maranatha BAB V

SIMPULAN DAN SARAN

5.1 Simpulan

1. Aplikasi pengenalan wajah dengan teknik ekstraksi ciri LDNP dan teknik ekstraksi ciri LDP berhasil direalisasikan untuk identifikasi.

2. Hasil pengujian menggunakan teknik ekstraksi ciri LDNP, hasil recognition rate didapatkan sebesar 72,22 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 85,31 persen. Sedangkan teknik ekstraksi ciri LDP untuk k = 3, recognition rate didapat sebesar 71,67 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 83,75 persen. Teknik ekstraksi ciri LDNP terbukti lebih baik dalam mengidentifikasi manusia berdasarkan wajah. 3. Hasil pengujian LDP untuk k = 3 untuk satu citra training menghasilkan

recognition rate 71.67 persen, sedangkan hasil pengujian LDP untuk k = 4 untuk satu citra training menghasilkan recognition rate 71.67 persen dan pengujian LDP untuk k = 3 untuk dua citra training menghasilkan recognition rate 83,75 persen, sedangkan hasil pengujian LDP untuk k = 4 untuk dua citra training menghasilkan recognition rate 81,875 persen. Hal ini membuktikan bahwa nilai k tidak terlalu mempengaruhi recognition rate.

4. Yang menjadi masalah dalam pengidentifikasian teknik ekstraksi ciri LDNP atau teknik ekstraksi ciri LDP adalah perbedaan pose dan ekspresi. Kebanyakan kesalahan adalah dari kesamaan pose dan kesamaan ekspresi citra masukan dengan citra training yang terpilih.

B A B I V S I M P U L A N D A N S A R A N 34

Universitas Kristen Maranatha 5.2 Saran

1. Untuk pengembangan selanjutnya dapat digunakan teknik ekstraksi ciri LDNP dengan menggunakan masking yang lain dan pembuatan histogram-nya digunakan cara MLH(multi-LDNP histogram) diharapkan dapat mengatasi masalah dalam variasi pose dan ekspresi agar identifikasi menjadi lebih baik.

Perbandingan Representasi Citra Antara LDNP dan LDP dalam

Pengenalan Wajah Untuk Identifikasi

Comparison of LDNP and LDP Image Representation in Face

Recognition for Identification

LAPORAN TUGAS AKHIR

Diajukan Untuk Memenuhi Persyaratan Dalam Menempuh Program Pendidikan Sarjana Strata Satu (S-1)

Program Studi Teknik Elektro Fakultas Teknik

Universitas Kristen Maranatha Bandung

Disusun Oleh:

Bharma Benjamin (1222010)

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS KRISTEN MARANATHA

BANDUNG

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah melimpahkan Rahmat dan Karunia – Nya sehingga penulis dapat menyelesaikan laporan Tugas Akhir ini yang berjudul “Perbandingan Representasi Citra Antara LDNP dan LDP dalam Pengenalan Wajah untuk Identifikasi” dengan baik.

Laporan Tugas Akhir ini diajukan untuk memenuhi persyaratan dalam menempuh program pendidikan sarjana strata satu (S-1) pada Program Studi Teknik Elektro Universitas Kristen Maranatha.

Laporan Tugas Akhir ini telah selesai dibuat berkat dukungan dan bantuan dari berbagai pihak. Untuk itu pada kesempatan kali ini penulis mengucapkan terima kasih yang sebesar – besarnya kepada:

1. Orang tua , adik , saudara dan oma yang saya kasihi serta keluarga besar yang telah memberikan dukungan-dukungan serta doa yang terbaik untuk penulis selama masa perkuliahan.

2. Ir. Yohana Susanthi, M.Sc., selaku Koordinator Tugas Akhir Program Studi Teknik Elektro Universitas Kristen Maranatha dan juga selaku dosen wali penulis yang telah memberikan waktu, motivasi serta saran selama masa perkuliahan.

3. Dr. Ir. Daniel Setiadikarunia, M.T. selaku dosen pembimbing pertama dan Riko Arlando Saragih, S.T.,M.T. selaku dosen pembimbing kedua atas masukan serta pengarahan atas materi dan juga motivasi sehingga laporan Tugas Akhir ini bisa terselesaikan dengan baik.

4. Agus Prijono, ST., MT., Dr. Roy Pramono Adhie, S.T.,M.T. dan Jimmy Hasugian, ST.,MT. selaku dosen penguji atas masukan serta pengarahannya.

5. Novie Theresia br. Pasaribu., ST., MT., selaku Ketua Program Studi Teknik Elektro Universitas Kristen Maranatha.

6. Seluruh Staf Pengajar dan Staf Tata Usaha Program Studi Teknik Elektro Universitas Kristen Maranatha yang telah memberikan waktu dan pengetahuan yang sangat berguna bagi penulis.

7. Seluruh teman-teman angkatan 2012 , senior dan junior yang telah memberikan dukungan dan masukan-masukan untuk pengerjaan Tugas Akhir ini.

8. Kepada teman saya Melissa Surachman, Julia Arrizal, Andy Hartanto, Kelvin Alexander, Martin Hadi, Shirley Shintia dan teman-teman saya yang lain yang telah membantu, memberi motivasi dan mendorong saya dalam pengerjaan Tugas Akhir ini.

Penulis sadar bahwa hasil yang diperoleh jauh dari sempurna, maka dari itu penulis sangat menerima kritikan dan saran dari para pembaca.

Dengan segala kerendahan hati, penulis berharap semoga Tugas Akhir ini dapat bermanfaat bagi semua pihak yang membutuhkan, khususnya bagi dunia pendidikan pada umumnya.

Bandung, Desember 2016

35 _{Universitas Kristen Maranatha}

DAFTAR PUSTAKA

1. T.Ahonen, Abdenour Hadid, dan Matti Pietika¨inen. Face Description with Local Binary Patterns: Application to Face Recognition.

2. F.A.Arliawan. Perbandingan PCA (Principal Component Analysis) dan Kernel PCA dalam Pengenalan Wajah Akibat Variasi Pose, Tugas Akhir, Universitas Kristen Maranatha, Bandung.

3. T.Jabid, Md. Hasanul Kabir, dan Oksam Chae. Local Directional Pattern (LD.P) for Face Recognition. Kyung Hee University, South Korea.

4. A.K.Jain, dan A. Ross. 2008. Handbook of Biometrics. London: Springer.

5. A.R.Rivera, Jorge Rojas Castillo, dan Oksam Chae. Local Directional Number Pattern for Face Analysis: Face and Expression Recognition.

6. F.S.Samaria, A.C. Harter. Parameterisation of a stochastic model for human face identification. Proceedings of the Second IEEE Workshop on Applications of Computer Vision, (1994)

7. A.O.Sihotang. Perbandingan Metode KDDA Menggunakan Kernel RBF, Kernel Polinomial Dan Metode PCA Untuk Pengenalan Wajah Akibat Variasi Pencahayaan, Tugas Akhir, Universitas Kristen Maranatha, Bandung.

8. B.Zhang, Yongsheng Gao, Sanqiang Zhao, dan Jianzhuang Liu. Local Derivative Pattern Versus Local Binary Pattern: Face Recognition With High-Order Local Pattern Descriptor.

33 Universitas Kristen Maranatha

BAB V

SIMPULAN DAN SARAN 5.1Simpulan

1. Aplikasi pengenalan wajah dengan teknik ekstraksi ciri LDNP dan teknik ekstraksi ciri LDP berhasil direalisasikan untuk identifikasi.

2. Hasil pengujian menggunakan teknik ekstraksi ciri LDNP, hasil

recognition rate didapatkan sebesar 72,22 persen untuk satu citra training

dan recognition rate untuk dua citra training didapat 85,31 persen. Sedangkan teknik ekstraksi ciri LDP untuk k = 3, recognition rate didapat sebesar 71,67 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 83,75 persen. Teknik ekstraksi ciri LDNP terbukti lebih baik dalam mengidentifikasi manusia berdasarkan wajah. 3. Hasil pengujian LDP untuk k = 3 untuk satu citra training menghasilkan

recognition rate 71.67 persen, sedangkan hasil pengujian LDP untuk k = 4

untuk satu citra training menghasilkan recognition rate 71.67 persen dan pengujian LDP untuk k = 3 untuk dua citra training menghasilkan

recognition rate 83,75 persen, sedangkan hasil pengujian LDP untuk k = 4

untuk dua citra training menghasilkan recognition rate 81,875 persen. Hal ini membuktikan bahwa nilai k tidak terlalu mempengaruhi recognition

rate.

4. Yang menjadi masalah dalam pengidentifikasian teknik ekstraksi ciri LDNP atau teknik ekstraksi ciri LDP adalah perbedaan pose dan ekspresi. Kebanyakan kesalahan adalah dari kesamaan pose dan kesamaan ekspresi citra masukan dengan citra training yang terpilih.

B A B I V S I M P U L A N D A N S A R A N 34

Universitas Kristen Maranatha

5.2 Saran

1. Untuk pengembangan selanjutnya dapat digunakan teknik ekstraksi ciri LDNP dengan menggunakan masking yang lain dan pembuatan

histogram-nya digunakan cara MLH(multi-LDNP histogram) diharapkan

dapat mengatasi masalah dalam variasi pose dan ekspresi agar identifikasi menjadi lebih baik.

Perbandingan Representasi Citra Antara LDNP dan LDP dalam

Pengenalan Wajah Untuk Identifikasi

Comparison of LDNP and LDP Image Representation in Face

Recognition for Identification

LAPORAN TUGAS AKHIR

Diajukan Untuk Memenuhi Persyaratan Dalam Menempuh Program Pendidikan Sarjana Strata Satu (S-1)

Program Studi Teknik Elektro Fakultas Teknik

Universitas Kristen Maranatha Bandung

Disusun Oleh:

Bharma Benjamin (1222010)

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS KRISTEN MARANATHA

BANDUNG

KATA PENGANTAR

Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah melimpahkan Rahmat dan Karunia – Nya sehingga penulis dapat menyelesaikan laporan Tugas Akhir ini yang berjudul “Perbandingan Representasi Citra Antara LDNP dan LDP dalam Pengenalan Wajah untuk Identifikasi” dengan baik.

Laporan Tugas Akhir ini diajukan untuk memenuhi persyaratan dalam menempuh program pendidikan sarjana strata satu (S-1) pada Program Studi Teknik Elektro Universitas Kristen Maranatha.

Laporan Tugas Akhir ini telah selesai dibuat berkat dukungan dan bantuan dari berbagai pihak. Untuk itu pada kesempatan kali ini penulis mengucapkan terima kasih yang sebesar – besarnya kepada:

1. Orang tua , adik , saudara dan oma yang saya kasihi serta keluarga besar yang telah memberikan dukungan-dukungan serta doa yang terbaik untuk penulis selama masa perkuliahan.

2. Ir. Yohana Susanthi, M.Sc., selaku Koordinator Tugas Akhir Program Studi Teknik Elektro Universitas Kristen Maranatha dan juga selaku dosen wali penulis yang telah memberikan waktu, motivasi serta saran selama masa perkuliahan.

3. Dr. Ir. Daniel Setiadikarunia, M.T. selaku dosen pembimbing pertama dan Riko Arlando Saragih, S.T.,M.T. selaku dosen pembimbing kedua atas masukan serta pengarahan atas materi dan juga motivasi sehingga laporan Tugas Akhir ini bisa terselesaikan dengan baik.

4. Agus Prijono, ST., MT., Dr. Roy Pramono Adhie, S.T.,M.T. dan Jimmy Hasugian, ST.,MT. selaku dosen penguji atas masukan serta pengarahannya.

5. Novie Theresia br. Pasaribu., ST., MT., selaku Ketua Program Studi Teknik Elektro Universitas Kristen Maranatha.

6. Seluruh Staf Pengajar dan Staf Tata Usaha Program Studi Teknik Elektro Universitas Kristen Maranatha yang telah memberikan waktu dan pengetahuan yang sangat berguna bagi penulis.

7. Seluruh teman-teman angkatan 2012 , senior dan junior yang telah memberikan dukungan dan masukan-masukan untuk pengerjaan Tugas Akhir ini.

8. Kepada teman saya Melissa Surachman, Julia Arrizal, Andy Hartanto, Kelvin Alexander, Martin Hadi, Shirley Shintia dan teman-teman saya yang lain yang telah membantu, memberi motivasi dan mendorong saya dalam pengerjaan Tugas Akhir ini.

Penulis sadar bahwa hasil yang diperoleh jauh dari sempurna, maka dari itu penulis sangat menerima kritikan dan saran dari para pembaca.

Dengan segala kerendahan hati, penulis berharap semoga Tugas Akhir ini dapat bermanfaat bagi semua pihak yang membutuhkan, khususnya bagi dunia pendidikan pada umumnya.

Bandung, Desember 2016

35 _{Universitas Kristen Maranatha}

DAFTAR PUSTAKA

1. T.Ahonen, Abdenour Hadid, dan Matti Pietika¨inen. Face Description with Local Binary

Patterns: Application to Face Recognition.

2. F.A.Arliawan. Perbandingan PCA (Principal Component Analysis) dan Kernel PCA dalam Pengenalan Wajah Akibat Variasi Pose, Tugas Akhir, Universitas Kristen Maranatha, Bandung.

3. T.Jabid, Md. Hasanul Kabir, dan Oksam Chae. Local Directional Pattern (LD.P) for Face

Recognition. Kyung Hee University, South Korea.

4. A.K.Jain, dan A. Ross. 2008. Handbook of Biometrics. London: Springer.

5. A.R.Rivera, Jorge Rojas Castillo, dan Oksam Chae. Local Directional Number Pattern for

Face Analysis: Face and Expression Recognition.

6. F.S.Samaria, A.C. Harter. Parameterisation of a stochastic model for human face identification. Proceedings of the Second IEEE Workshop on Applications of Computer Vision, (1994)

7. A.O.Sihotang. Perbandingan Metode KDDA Menggunakan Kernel RBF, Kernel Polinomial Dan Metode PCA Untuk Pengenalan Wajah Akibat Variasi Pencahayaan, Tugas Akhir, Universitas Kristen Maranatha, Bandung.

8. B.Zhang, Yongsheng Gao, Sanqiang Zhao, dan Jianzhuang Liu. Local Derivative Pattern

Versus Local Binary Pattern: Face Recognition With High-Order Local Pattern Descriptor.