Perbandingan Metode KDDA Menggunakan Kernel RBF, Kernel Polinomial dan Metode PCA untuk Pengenalan Wajah Akibat Variasi Pencahayaan.
i Universitas Kristen Maranatha
PERBANDINGAN METODE KDDA MENGGUNAKAN
KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA
UNTUK PENGENALAN WAJAH
AKIBAT VARIASI PENCAHAYAAN
Jurusan Teknik Elektro, Fakultas Teknik Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Andreas Oloan Sihotang NRP: 1022075
Email: andreas.o.sihotang@gmail.com
ABSTRAK
Teknologi pengenalan wajah semakin berkembang seiring dengan bertambahnya problem di dalam bidang ini. Sudah menjadi pengetahuan umum citra yang dipengaruhi oleh variasi pencahayaan, pose ataupun faktor lainnya non-linier dan kompleks. Hal ini mendorong terciptanya sebuah metode yang mampu menjawab masalah non-linieritas pada citra. Metode Linier seperti PCA (Principal Component Analysis) tidak cukup handal untuk menjawab permasalahan ini. Karena itu, dalam Tugas Akhir ini diusulkan metode KDDA (Kernel Direct Discriminant Analysis) menggunakan kernel RBF / kernel Polinomial dan diharapkan metode ini mampu menjawab permasalahan non-linieritas. Simulasi dilakukan menggunakan database ORL dan Wiezmann. Dalam simulasi ini, juga digabungkan dua database dan ditambahkan variasi pencahayaan dengan mengurangi piksel secara seragam menjadi 60 persen dari semula. Pada simulasi menggunakan database ORL, terjadi peningkatan persentase akurasi pengenalan sebesar 62,5 persen (KDDA-RBF) dan 52,5 persen (KDDA-Polinomial). Untuk database Wiezmann, terjadi peningkatan sebesar 12,5 persen dan 40 persen.
(2)
ii Universitas Kristen Maranatha
THE COMPARISON OF KDDA METHOD USING
RBF KERNEL, POLYNOMIAL KERNEL AND PCA METHOD
FOR FACE RECOGNITION
UNDER ILLUMINATION VARIATION
Department of Electrical Engineering, Faculty of Engineering Maranatha Christian University
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
Andreas Oloan Sihotang NRP: 1022075
Email: andreas.o.sihotang@gmail.com
ABSTRACT
Face Recognition Technology is growing as steady as the problem in this subject. It is highly known that images that suffer under variations of illumination, pose and other factor is highly non-linear and complex. This encourage a creation of method that can answer the non-linearity problem of images. Linear method such as PCA (Principal Component Analysis) is not strong enough to tackle this problem. Thus, on this Final Project we proposed KDDA (Kernel Direct Discriminant Analysis) using RBF kernel / Polynomial kernel and it is hope that this method can answer the problem of non-linearity. The simulation runs by using two database, ORL dan Wiezmann. The process of merging those database and giving the illumination variations by decreasing the image pixel into 60 percent from before , also happens in this simulation. There was an improvement about 62.5 percent (KDDA-RBF) and 52.5 percent (KDDA-Polynomial) when using ORL database. When using Weizmann database, there is an improvement about 12.5 percent and 40 percent.
(3)
iii Universitas Kristen Maranatha
DAFTAR ISI
LEMBAR PENGESAHAN
PERNYATAAN ORISINALITAS LAPORAN
PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR KATA PENGANTAR
ABSTRAK ... i
ABSTRACT ... ii
DAFTAR ISI ... iii
DAFTAR GAMBAR ... vi
DAFTAR TABEL ... vii
DAFTAR NOTASI ... viii
BAB I PENDAHULUAN ... 1
I.1. Latar Belakang ... 1
I.2. Hipotesis ... 2
I.3. Kontribusi dalam Tugas Akhir ... 2
I.4. Rumusan Masalah ... 2
I.5. Tujuan Tugas Akhir ... 3
I.6. Pembatasan Masalah ... 3
I.7. Sistematika Penulisan ... 3
BAB II LANDASAN TEORI ... 5
(4)
iv Universitas Kristen Maranatha
II.1.1. Pengelompokan ... 5
II.1.2. Diagram Blok Proses Pengenalan Wajah ... 6
II.1.3. Ekstraksi Fitur ... 6
II.1.4. Faktor-faktor yang Mempengaruhi Akurasi Pengenalan Wajah ... 7
II.2. Kernel ... 7
II.2.1. Permasalahan Linier dan Non Linier... 7
II.2.2. Fungsi kernel dan Metode kernel ... 8
II.2.3. Contoh-contoh Fungsi kernel ... 9
II.3. Principal Component Analysis ... 12
II.4. Studi Literatur ... 14
II.5. KDDA (Kernel Direct Discriminant Analysis) ... 16
II.6. Recognition Rate dan Error Rate ... 19
BAB III PERANCANGAN PERANGKAT LUNAK ... 20
III.1. Penjelasan Singkat ... 20
III.2. Perancangan KDDA ... 20
III.2.1. Tampilan Diagram Alir KDDA secara Umum ... 20
III.2.2. Pre-Processing dan Deteksi Wajah ... 22
III.2.3. Menghitung Matriks kernel discriminant subspace KDDA... 22
(5)
v Universitas Kristen Maranatha III.2.4.Menghitung Matriks proyeksi citra uji di subspace
KDDA ... 29
III.2.5. Merancang Program Klasifikasi... 30
III.2.6. Merancang Program Kernel RBF dan Polinomial ... 31
III.2.7. Penjelasan Database yang dipakai ... 31
III.2.8. Penggabungan Dua Database dan Variasi Pencahayaan .. 32
BAB IV DATA PENGAMATAN DAN ANALISIS DATA ... 33
IV.1 Penjelasan tentang Simulasi ... 33
IV.2 Pengujian Metode KDDA ke dalam database ... 36
IV.3. Analisis Data hasil Pengujian ... 42
IV.3.1. Analisis Deskriptif... 42
IV.3.2. Analisis Teoritis ... 46
BAB V SIMPULAN DAN SARAN ... 52
V.1. Kesimpulan ... 52
V.2. Saran ... 52
DAFTAR PUSTAKA ... 53 LAMPIRAN A
(6)
vi Universitas Kristen Maranatha
DAFTAR GAMBAR
Gambar II.1. Diagram Blok Proses Pengenalan Wajah... 6
Gambar II.2. Penentuan batasan dan vektor pendukung saat menggunakan kernel Gaussian ... 10
Gambar III.2. Diagram Alir KDDA ... 21
Gambar III.2. Diagram Alir Pembentukan Matriks K... 23
Gambar III.3. Diagram Alir Matriks Scatter Between ... 24
Gambar III.4. Diagram Alir Analisis Matriks Scatter Within di ruang Fitur ... 27
Gambar III.5. Diagram Alir Proses Menghitung Matriks Kernel Discriminant Subspace KDDA ... 28
Gambar III.6. Diagram Alir Perhitungan proyeksi citra uji di subspace KDDA ... 29
Gambar III.7. Contoh Database ORL ... 32
Gambar III.8. Contoh Database Wiezmann ... 32
Gambar IV.3. Contoh Citra latih ORL ... 33
Gambar IV.2. Contoh Citra latih Wiezmann ... 34
Gambar IV.3. Contoh Citra uji ORL ... 35
Gambar IV.4. Contoh Citra uji Wiezmann ... 35
Gambar IV.5. Grafik batang Perbandingan Recog.Rate Percobaan 1 ... 43
(7)
vii Universitas Kristen Maranatha
DAFTAR TABEL
Tabel IV.1. Contoh Tabel tabulasi Pengujian Citra Uji ORL... 36
Tabel IV.2. Contoh Tabel tabulasi Pengujian Citra Uji ORL (2) ... 38
Tabel IV.3. Contoh Tabel tabulasi Pengujian Citra Uji ORL (3) ... 40
Tabel IV.4. Tabel Recognition Rate Percobaan 1 ... 42
(8)
viii Universitas Kristen Maranatha
DAFTAR NOTASI
K, k Menyatakan sebuah fungsi kernel dari suatu sebaran data, misalnya � � , �
x, z Menyatakan suatu sebaran data bisa berupa vektor ataupun matriks
F, � Ruang Fitur
� � Pemetaan dari x, biasanya menggunakan fungsi tertentu
ℝ , ℝ Menyatakan dimensi dari sebuah vektor, misalnya dimensi 2 atau 3
� , � Vektor fitur
� Besar varians RBF
�, b, d Besar koefisien Polinomial , sedangkan d derajat fungsi polinomial
Γ Vektor Kolom
Citra rata-rata dari semua citra latih
Φ� Selisih Citra dengan citra rata-rata
� , � Nilai eigen dan vektor eigen dari matriks kovarian � Matriks kovarians
� Vektor bobot citra latih
Γ Citra Uji
�� Jarak Euclidean
� �� Matriks Scatter Between
��� Matriks Scatter Between di ruang fitur C, �� Jumlah Kelas
L Jumlah Citra Latih
�̅�, �̅ Rata-rata kelas ke-i, dan rata-rata kelas seluruhnya ���� Matriks Scatter Within
� Deretan eigenvektor dari��� yang nilai eigenvaluenya lebih besar dari 0
� � = diag[� , … , � ], dengan� menyatakan eigenvalue dari���
� Vektor Eigen sisa hasil membuang vektor eigen dengan eigen value terbesar
� Matriks Proyeksi citra latih pada KDDA Subspace
(9)
ix Universitas Kristen Maranatha
���
��� = diag [� �, … , � � ] merupakan sebuah block diagonal matrix, � �
merupakan vektor berukuran � × 1, dengan nilai dari semua komponen matriksnya sama dengan 1/�
1�� Matriks berukuran� × �, dengan nilai dari semua komponen sama dengan 1 �(� � ) Matriks Kernel proyeksi Citra Uji
W
Matriks diagonalisasi berukuran � × � dimana semua nilainya sama dengan
�
���
���� Matriks Scatter Within di ruang fitur ���
����
Proyeksi Matriks Scatter Within dengan Matriks Scatter Between di ruang Fitur
(10)
1
Universitas Kristen MaranathaBAB I
PENDAHULUAN
I.1. Latar Belakang
Pengenalan wajah adalah sebuah tugas atau kegiatan yang acap kali dilakukan oleh manusia dengan usaha yang minim (effortlessly), secara rutin dalam kehidupan sehari-hari[2]. Jika dibandingkan dengan teknik biometri lain seperti iris dan sidik jari, wajah memiliki keunggulan tersendiri. Keunggulan ini pada sifatnya yang alami dan deteksi dapat dilakukan secara rahasia[2].
Dari tahun 1960-an, sudah banyak metode yang dikembangkan dalam deteksi wajah seperti PCA (Principal Component Analysis)[6] dan LDA (Linear Discriminant Analysis)[5]. Masing-masing metode ini memiliki keunggulan tersendiri dalam mengatasi persoalan pengenalan wajah. PCA dalam penerapannya cukup sederhana dan outperform terhadap LDA jika jumlah training sample tiap class kecil[4]. LDA juga memiliki keunggulan dibanding PCA, karena kemampuannya memodelkan perbedaan di antara dua citra wajah yang hampir mirip.
Akan tetapi ada beberapa persoalan yang belum dapat dijawab secara sempurna oleh beberapa metode pendahulu di bidang pengenalan wajah. Contohnya, pengaruh pose, faktor oklusi dan salah satu faktor yang akan dibahas dalam Tugas Akhir ini adalah pencahayaan (iluminasi). Ketika citra wajah dipengaruhi oleh pencahayaan, persepsi seseorang dalam menginterpretasi wajah bisa berbeda-beda dan terjadi penurunan tingkat akurasi dalam pengenalan wajah. Metode PCA belum mampu menjawab permasalahan ini dengan baik. Sifat data citra yang non-linier memunculkan suatu pertanyaan, Mungkinkah penerapan metode kernel ke permasalahan “non-linier” meningkatkan hasil pengenalan dibanding dengan metode biasa?
(11)
P E N D A H U L U A N |
2
Universitas Kristen Maranatha Oleh karena itu, di dalam Tugas Akhir ini diusulkan suatu teknik, yaitu KDDA (Kernel Direct Linear Discriminant Analysis). Fungsi kernel yang diterapkan pada metode KDDA yaitu kernel RBF (Radial Basis Function) dan kernel Polinomial dan akan dibandingkan hasilnya dengan teknik yang sudah sering dipakai yaitu PCA (Principal Component Analysis). Hasil simulasi, akan menunjukkan apakah teknik ini mampu menjawab permasalahan “non-linier” tadi.
I.2. Hipotesis
Citra wajah yang dipengaruhi faktor pencahayaan merupakan data yang bersifat non-linier. Hal ini membuka peluang untuk menerapkan metode non-linier terhadap citra ini. Diharapkan bahwa akurasi pengenalan dari metode KDDA menggunakan kernel Polinomial ataupun RBF mampu mengungguli metode PCA.
Metode kernel memiliki kemampuan mengambil informasi yang paling penting dari sebaran data yang bersifat non-linier lebih baik dibanding PCA. Jadi diharapkan saat terjadi proses penggabungan database, akurasi pengenalan dari metode kernel lebih baik dibanding PCA.
I.3. Kontribusi dalam Tugas Akhir
Kontribusi dalam Tugas Akhir ini adalah pada penerapan kernel Polinomial / kernel RBF pada KDDA untuk penggabungan dua database , dengan fokus utama variasi pencahayaan untuk pengenalan wajah. Variasi pencahayaan diperoleh dengan mengurangi piksel secara seragam menjadi sebesar 60 persen dari citra semula.
I.4. Rumusan Masalah
1. Berapa besar perbaikan persentase akurasi pengenalan yang dihasilkan saat melakukan proses pengenalan wajah dengan menggunakan kernel RBF atau Polinomial pada KDDA (Kernel Direct LDA), saat mengalami variasi pencahayaan?
2. Bagaimana pengaruh penggunaan database lebih dari satu mempengaruhi keakuratan pengenalan wajah?
(12)
P E N D A H U L U A N |
3
Universitas Kristen Maranatha
I.5. Tujuan Tugas Akhir
1. Mengevaluasi hasil pengenalan wajah dengan menggunakan metode kernel RBF serta kernel Polinomial pada KDDA (Kernel Direct LDA) akibat variasi pencahayaan.
2. Menganalisa error rate sebagai akibat penggunaan database yang berbeda.
I.6. Pembatasan Masalah
1. Database yang digunakan adalah pada wajah dengan memakai database Wiezmann dan database ORL.
2. Ukuran citra wajah 50 × 50 pixel dengan format pgm. 3. Di dalam satu citra hanya terdapat satu wajah.
4. Proses deteksi wajah sudah dilakukan (sudah terjadi proses pemisahan citra non-face dan non-face dari citra wajah yang akan diproses)
5. Realisasi menggunakan program MATLAB.
6. Variasi pencahayaan ditentukan dengan mengurangi secara seragam nilai pixel dari citra wajah (tidak diambil secara live dengan camera ).
7. Metode PCA tidak menjadi fokus dalam Tugas Akhir ini (Program sudah ada)
I.7. Sistematika Penulisan
Sistematika penulisan laporan Tugas Akhir ini adalah sebagai berikut :
BAB I : PENDAHULUAN
Bab ini berisikan latar belakang Tugas Akhir. Dalam Bab ini juga dicantumkan Hipotesis, Kontribusi dalam Tugas Akhir, Rumusan Masalah, Tujuan Tugas Akhir, Pembatasan Masalah dan Sistematika Penulisan.
BAB II : LANDASAN TEORI
Bab ini membahas tentang teori yang mendasari Tugas Akhir ini, terutama tentang pengenalan wajah, kernel dan dalam bab ini juga dicantumkan hasil studi literatur.
(13)
P E N D A H U L U A N |
4
Universitas Kristen Maranatha
BAB III : PERANCANGAN PERANGKAT LUNAK
Bab ini membahas tentang proses perancangan perangkat lunak yang dipakai untuk merealisasikan Tugas Akhir ini. Dalam bab ini dicantumkan diagram alir yang dijadikan pedoman realisasi program dan rumus-rumus yang mendasarinya.
BAB IV : DATA PENGAMATAN DAN ANALISIS DATA
Bab ini membahas tentang proses pengujian dan pengambilan data simulasi, lalu hasil simulasi dianalisis berdasarkan teori yang ada.
BAB V : KESIMPULAN DAN SARAN
Bab ini menampilkan kesimpulan yang diambil mengenai simulasi dan saran apa yang dapat ditambahkan, untuk meningkatkan Tugas Akhir ini.
(14)
52
Universitas Kristen MaranathaBAB V
SIMPULAN DAN SARAN
V.1. Simpulan
Dalam Tugas Akhir ini, dapat diambil beberapa kesimpulan, antara lain : 1. Pada percobaan menggunakan database ORL, terjadi peningkatan persentase
akurasi pengenalan sebesar 62,5 persen untuk KDDA-RBF dan 52,5 persen untuk KDDA-Polinomial. Pada penggunaan database Wiezmann, terjadi peningkatan akurasi pengenalan sebesar 12,5 persen untuk KDDA-RBF dan 40 persen untuk KDDA-Polinomial.
2. Saat kedua database digabungkan, terjadi peningkatan akurasi pengenalan sebesar 45 persen untuk KDDA-RBF dan 70 persen untuk KDDA-Polinomial. Percobaan poin 1 dan 2, dibandingkan peningkatan persentase akurasi pengenalannya dengan metode PCA.
3. Penggabungan dua database lebih dari satu memberikan pengaruh penurunan tingkat akurasi pengenalan pada metode PCA untuk setiap database sebesar 7,5 dan 15 persen. Pada metode KDDA-RBF terjadi penurunan sebesar 25 persen terhadap database ORL , dan peningkatan sebesar 17,5 persen untuk database Wiezmann. Untuk metode KDDA-Polinomial terjadi peningkatan sebesar 10 dan 15 persen untuk kedua database (ORL dan Wiezmann).
V.2. Saran
Pada topik selanjutnya sebaiknya dikembangkan metode multikernel, dan diharapkan metode ini menunjukkan hasil pengenalan yang lebih baik dibanding dengan metode single kernel.
(15)
53
Universitas Kristen MaranathaDAFTAR PUSTAKA
[1] Shawe-Taylor, J., dan N. Christianini. 2004. Kernel Methods for Pattern Analysis. New York: Cambridge University Press
[2] Li, S.Z., dan A.K. Jain. 2011. Handbook of Face Recognition. London: Springer and Verlag
[3] Lu, J., K.N. Plataniotis, dan A.N. Venetsanopoulos. 2003. Face Recognition Using Kernel Direct Discriminant Analysis Algorithms. IEEE Transactions On Neural Networks.
[4] Martinez, A.M., dan A.C. Kak. 2001. PCA versus LDA. IEEE Transactions on Pattern Analysis and Machine Intelligence
[5] Belheumeur, P.N., dan J.P. Hespanha. 1997. Eigenfaces vs Fisherfaces: Recognition Using Class Spesific Linear Projection. IEEE
[6] Turk, M.A., dan A. Pentland. 1991. Face Recognition using Eigenfaces. IEEE [7] Raghu, C.N. 2012. Illumination Insensitive Face Recognition using
Gradientfaces. International Journal of Image Processing and Vision Sciences (IJIPVS)
[8] Yangwei, P., dan L. Zhang. 2004. A Novel Gabor-LDA Based Face Recognition Method. Microsoft Research Asia
[9] Moghaddam Baback, T. Jebara, dan A. Pentham. 2002. Bayesian Face Recognition. Mitsubishi Electric Research Laboratories
[10] Ando H., dan N. Fuchigami. 2012. Robust Face Recognition Methods under Illuminations Variations toward Hardware Implementations On 3DCSS. International Journal of Image Processing and Vision Sciences (IJIPVS)
[11] Vucini E., dan M. Gokmen. 2007. Face Recognition under Varying Illumination. Point Based-Volume Graphics Projects / Austrian Science Fund
(16)
D A F T A R P U S T A K A |
54
Universitas Kristen Maranatha [12] Jain, A.K., dan A. Ross. 2008. Handbook of Biometrics. London: Springer
[13] Koshimizu, T., T.Toriyama, dan N. Babaguchi. 2006. Factors on the sense of privacy in video surveillance. Proc. ACM-03: Workshop on Continuous Archival and Retrieval of Personal Experiences.
[14] Goldberg, Y., dan M. Elhadad. 2008. splitSVM: Fast, Space-Efficient, non-Heuristic, Polynomial Kernel Computation for NLP Applications. Proc. ACL-08: HLT.
[15] Moses, Y., Adini, Y., dan Ullman, S. 1994. Face recognition: The problem of compensating for changes in illumination direction. Proc. ECCV-94: European Conference on Computer Vision.
(1)
P E N D A H U L U A N |
2
Universitas Kristen Maranatha
Oleh karena itu, di dalam Tugas Akhir ini diusulkan suatu teknik, yaitu KDDA (Kernel Direct Linear Discriminant Analysis). Fungsi kernel yang diterapkan pada metode KDDA yaitu kernel RBF (Radial Basis Function) dan
kernel Polinomial dan akan dibandingkan hasilnya dengan teknik yang sudah sering dipakai yaitu PCA (Principal Component Analysis). Hasil simulasi, akan menunjukkan apakah teknik ini mampu menjawab permasalahan “non-linier” tadi.
I.2. Hipotesis
Citra wajah yang dipengaruhi faktor pencahayaan merupakan data yang bersifat non-linier. Hal ini membuka peluang untuk menerapkan metode non-linier terhadap citra ini. Diharapkan bahwa akurasi pengenalan dari metode KDDA menggunakan kernel Polinomial ataupun RBF mampu mengungguli metode PCA.
Metode kernel memiliki kemampuan mengambil informasi yang paling penting dari sebaran data yang bersifat non-linier lebih baik dibanding PCA. Jadi diharapkan saat terjadi proses penggabungan database, akurasi pengenalan dari metode kernel lebih baik dibanding PCA.
I.3. Kontribusi dalam Tugas Akhir
Kontribusi dalam Tugas Akhir ini adalah pada penerapan kernel Polinomial / kernel RBF pada KDDA untuk penggabungan dua database , dengan fokus utama variasi pencahayaan untuk pengenalan wajah. Variasi pencahayaan diperoleh dengan mengurangi piksel secara seragam menjadi sebesar 60 persen dari citra semula.
I.4. Rumusan Masalah
1. Berapa besar perbaikan persentase akurasi pengenalan yang dihasilkan saat melakukan proses pengenalan wajah dengan menggunakan kernel RBF atau Polinomial pada KDDA (Kernel Direct LDA), saat mengalami variasi pencahayaan?
2. Bagaimana pengaruh penggunaan database lebih dari satu mempengaruhi keakuratan pengenalan wajah?
(2)
P E N D A H U L U A N |
3
Universitas Kristen Maranatha
I.5. Tujuan Tugas Akhir
1. Mengevaluasi hasil pengenalan wajah dengan menggunakan metode kernel RBF serta kernel Polinomial pada KDDA (Kernel Direct LDA) akibat variasi pencahayaan.
2. Menganalisa error rate sebagai akibat penggunaan database yang berbeda.
I.6. Pembatasan Masalah
1. Database yang digunakan adalah pada wajah dengan memakai database
Wiezmann dan database ORL.
2. Ukuran citra wajah 50 × 50 pixel dengan format pgm.
3. Di dalam satu citra hanya terdapat satu wajah.
4. Proses deteksi wajah sudah dilakukan (sudah terjadi proses pemisahan citra non-face dan face dari citra wajah yang akan diproses)
5. Realisasi menggunakan program MATLAB.
6. Variasi pencahayaan ditentukan dengan mengurangi secara seragam nilai pixel
dari citra wajah (tidak diambil secara live dengan camera ).
7. Metode PCA tidak menjadi fokus dalam Tugas Akhir ini (Program sudah ada)
I.7. Sistematika Penulisan
Sistematika penulisan laporan Tugas Akhir ini adalah sebagai berikut :
BAB I : PENDAHULUAN
Bab ini berisikan latar belakang Tugas Akhir. Dalam Bab ini juga dicantumkan Hipotesis, Kontribusi dalam Tugas Akhir, Rumusan Masalah, Tujuan Tugas Akhir, Pembatasan Masalah dan Sistematika Penulisan.
BAB II : LANDASAN TEORI
Bab ini membahas tentang teori yang mendasari Tugas Akhir ini, terutama tentang pengenalan wajah, kernel dan dalam bab ini juga dicantumkan hasil studi literatur.
(3)
P E N D A H U L U A N |
4
Universitas Kristen Maranatha
BAB III : PERANCANGAN PERANGKAT LUNAK
Bab ini membahas tentang proses perancangan perangkat lunak yang dipakai untuk merealisasikan Tugas Akhir ini. Dalam bab ini dicantumkan diagram alir yang dijadikan pedoman realisasi program dan rumus-rumus yang mendasarinya.
BAB IV : DATA PENGAMATAN DAN ANALISIS DATA
Bab ini membahas tentang proses pengujian dan pengambilan data simulasi, lalu hasil simulasi dianalisis berdasarkan teori yang ada.
BAB V : KESIMPULAN DAN SARAN
Bab ini menampilkan kesimpulan yang diambil mengenai simulasi dan saran apa yang dapat ditambahkan, untuk meningkatkan Tugas Akhir ini.
(4)
52
Universitas Kristen MaranathaBAB V
SIMPULAN DAN SARAN
V.1. Simpulan
Dalam Tugas Akhir ini, dapat diambil beberapa kesimpulan, antara lain : 1. Pada percobaan menggunakan database ORL, terjadi peningkatan persentase
akurasi pengenalan sebesar 62,5 persen untuk KDDA-RBF dan 52,5 persen untuk KDDA-Polinomial. Pada penggunaan database Wiezmann, terjadi peningkatan akurasi pengenalan sebesar 12,5 persen untuk KDDA-RBF dan 40 persen untuk KDDA-Polinomial.
2. Saat kedua database digabungkan, terjadi peningkatan akurasi pengenalan sebesar 45 persen untuk KDDA-RBF dan 70 persen untuk KDDA-Polinomial. Percobaan poin 1 dan 2, dibandingkan peningkatan persentase akurasi pengenalannya dengan metode PCA.
3. Penggabungan dua database lebih dari satu memberikan pengaruh penurunan tingkat akurasi pengenalan pada metode PCA untuk setiap database sebesar 7,5 dan 15 persen. Pada metode KDDA-RBF terjadi penurunan sebesar 25 persen terhadap database ORL , dan peningkatan sebesar 17,5 persen untuk
database Wiezmann. Untuk metode KDDA-Polinomial terjadi peningkatan sebesar 10 dan 15 persen untuk kedua database (ORL dan Wiezmann).
V.2. Saran
Pada topik selanjutnya sebaiknya dikembangkan metode multikernel, dan diharapkan metode ini menunjukkan hasil pengenalan yang lebih baik dibanding dengan metode single kernel.
(5)
53
Universitas Kristen MaranathaDAFTAR PUSTAKA
[1] Shawe-Taylor, J., dan N. Christianini. 2004. Kernel Methods for Pattern Analysis. New York: Cambridge University Press
[2] Li, S.Z., dan A.K. Jain. 2011. Handbook of Face Recognition. London: Springer and Verlag
[3] Lu, J., K.N. Plataniotis, dan A.N. Venetsanopoulos. 2003. Face Recognition Using Kernel Direct Discriminant Analysis Algorithms. IEEE Transactions On Neural Networks.
[4] Martinez, A.M., dan A.C. Kak. 2001. PCA versus LDA. IEEE Transactions on Pattern Analysis and Machine Intelligence
[5] Belheumeur, P.N., dan J.P. Hespanha. 1997. Eigenfaces vs Fisherfaces: Recognition Using Class Spesific Linear Projection. IEEE
[6] Turk, M.A., dan A. Pentland. 1991. Face Recognition using Eigenfaces. IEEE [7] Raghu, C.N. 2012. Illumination Insensitive Face Recognition using
Gradientfaces. International Journal of Image Processing and Vision Sciences (IJIPVS)
[8] Yangwei, P., dan L. Zhang. 2004. A Novel Gabor-LDA Based Face Recognition Method. Microsoft Research Asia
[9] Moghaddam Baback, T. Jebara, dan A. Pentham. 2002. Bayesian Face Recognition. Mitsubishi Electric Research Laboratories
[10] Ando H., dan N. Fuchigami. 2012. Robust Face Recognition Methods under Illuminations Variations toward Hardware Implementations On 3DCSS.
International Journal of Image Processing and Vision Sciences (IJIPVS)
[11] Vucini E., dan M. Gokmen. 2007. Face Recognition under Varying Illumination.
(6)
D A F T A R P U S T A K A |
54
Universitas Kristen Maranatha
[12] Jain, A.K., dan A. Ross. 2008. Handbook of Biometrics. London: Springer
[13] Koshimizu, T., T.Toriyama, dan N. Babaguchi. 2006. Factors on the sense of privacy in video surveillance. Proc. ACM-03: Workshop on Continuous Archival and Retrieval of Personal Experiences.
[14] Goldberg, Y., dan M. Elhadad. 2008. splitSVM: Fast, Space-Efficient, non-Heuristic, Polynomial Kernel Computation for NLP Applications. Proc. ACL-08: HLT.
[15] Moses, Y., Adini, Y., dan Ullman, S. 1994. Face recognition: The problem of compensating for changes in illumination direction. Proc. ECCV-94: European Conference on Computer Vision.