Proses Pengenalan Wajah Proses Reduksi Citra

2.2 Proses Pengenalan Wajah

Pengenalan wajah adalah proses identifikasi yang berdasarkan citra wajah yang tersimpan dalam basis data dan sistem ini memberikan output berupa wajah siapa atau wajah yang tidak dikenali Sudarmilah 2009. Ada dua sistem pengenalan wajah yaitu sistem pengenalan wajah berbasis fitur dan berbasis citra. Sistem pengenalan wajah berbasis fitur adalah pengenalan wajah yang dilakukan berdasarkan ciri geometri wajah seperti posisi alis mata, mata, hidung dan mulut. Kelebihan sistem berbasis fitur ini adalah tidak sensitif terhadap kondisi derau. Namun tingkat pengenalannya lebih rendah dibanding sistem pengenalan wajah berbasis citra karena sistem berbasis fitur hanya menggunakan posisi alis mata, mata, hidung dan mulut yang dapat disimpan dalam sebuah data citra untuk merepresentasikan sebuah citra wajah. Tahapan proses pengenalan wajah berbasis fitur Herdiyeni 2005 adalah sebagai berikut: 1. Menentukan 10 titik wajah 2. Membuat 11 garis dari 10 titik wajah tersebut 3. Menghitung jarak garis wajah 4. Mengekstraksi ciri dengan menggunakan metode AKU 5. Mengklasifikasikan wajah dengan menggunakan algoritma k-NN Sistem pengenalan wajah berbasis citra merupakan sistem pengenalan wajah yang sangat sederhana karena menggunakan tingkat keabuan pada seluruh citra wajahnya Roberto Tomaso 1993. Sistem ini dapat mencapai tingkat akurasi lebih tinggi dibanding dengan sistem pengenalan wajah sebelumnya karena semua fitur yang dihasilkan dalam data citra direpresentasikan oleh piksel- piksel pada elemen data citra. Kelemahan sistem ini adalah sangat rentan terhadap derau. Tahapan proses pengenalan wajah berbasis citra Fauzie 2010 adalah sebagai berikut: 1. Membaca citra wajah dengan ukuran mn 2. Mengubah menjadi vector berukuran 1N di mana N = mn 3. Mengekstraksi ciri dengan menggunakan metode AKU 4. Mengklasifikasikan wajah dengan menggunakan algoritma k-NN

2.3 Proses Reduksi Citra

Reduksi matriks data jarak garis wajah dan data wajah berbasis citra menggunakan metode Analisi Komponen Utama AKU. AKU adalah salah satu teknik yang telah diaplikasikan pada pemrosesan citra dan pengenalan pola. AKU digunakan untuk mereduksi dimensi data sehingga menghasilkan peubah yang lebih sedikit dan lebih mudah untuk ditangani Kartika dan Sonny 2001. Untuk data citra berdimensi N = m n di mana m adalah baris dan n adalah kolom dengan mn, maka langsung dilakukan perhitungan matriks peragam. Sebelum menghitung matriks peragam, ditentukan dahulu data latih dan data uji berdasarkan k-fold cross validation. Matriks peragam dilakukan dengan perhitungan sebagai berikut: 1 Dari matriks peragam tersebut, dihitung nilai eigen λ dan vektor eigen V yang memenuhi persamaan: NV i = λ i V i di mana λ 2 i merupakan nilai eigen yang bersesuaian dengan vektor eigen V i . Lalu didapatkan matriks V dengan nilai eigen yang terurut menurun berdasarkan nilai eigen yang bersesuaian dengannya, yaitu λ 1 ≥ λ 2 ≥ …≥ λ M . Kemudian dipilih sejumlah k kolom vektor eigen dari matriks V yang berasosiasi dengan sejumlah k nilai eigen terbesar. Pemilihan nilai eigen ini menghasilkan matriks transformasi atau matriks proyeksi V k y = AV 3 , yang terdiri atas k kolom vektor eigen terpilih. Berikutnya sejumlah matriks vektor citra A dapat diesktraksi ke dalam fitur baru y yang berdimensi k n dengan memproyeksikan A searah dengan V sebagai berikut: matriks y inilah yang berdimensi mk yang menjadi eigenface. Untuk data yang dijadikan data pelatihan harus diproyeksikan ke eigenface ini. W train = y T sedangkan untuk data pengujiannya didapat dari A 4 W test = y T A test 5 dengan A test Sedangkan untuk data citra berdimensi N = m n dimana mn, maka data citra tersebut akan dibuat menjadi vektor citra dengan dimensi 1N terlebih dahulu. adalah matriks vektor citra seperti matriks A dengan banyaknya citra yang diambil sebanyak m citra sebagai citra pengujian. 6 Jika terdapat M buah citra pelatihan maka akan di dapat sebanyak M buah vector citra yang disusun sebagai berikut: 7 Kemudian untuk mendapatkan matriks peragam, setiap citra pelatihan harus dikurangi dengan rata-rata µ dari matriks X. Selanjutnya akan didapatkan model vektor citra yang baru Matriks peragam dibuat dari sekumpulan vector Ф dengan dimensi N 1 yang disusun menjadi sebuah matriks seperti matriks X, misalnya matriks A dibentuk dengan NM dimensi diambil dari vektor dan menempatkannya pada tiap kolom seperti persamaan 8. 8 Dari matriks A kita dapatkan sebuah matriks peragam dengan cara mengalikan matriks A dengan tansposnya sehingga dihasilkan matriks baru dengan dimensi NN. C = AA t atau 9 C = A t Seperti telah disebutkan sebelumnya data citra yang digunakan dalam penelitian ini akan menghasilkan vektor citra yang berukuran sangat besar sehingga akan menghasilkan matriks peragam yang sangat besar pula. Tentu hal ini akan membutuhkan lebih banyak komputasi dan ruang media penyimpanan. Untuk mendapatkan matriks peragam yang lebih baik menggunakan persamaan 10 daripada persamaan 9. Persamaan 10 menghasilkan matriks peragam C dengan ukuran matriks MM yang jauh lebih kecil. Dalam hal ini matriks peragam C A 10 pada persamaan 9 dan 10 memiliki ciri yang sama Yambor 2000. Selanjutnya dihitung nilai eigen pada persamaan 2 seperti yang dilakukan pada sistem berbasis fitur sampai dengan pengujian data wajah 5.

2.4 Proses Klasifikasi Citra