6
BAB 2 LANDASAN TEORI
2.1. Artificial Intelligence Artificial Intelligence adalah studi tentang bagaimana komputer melakukan sesuatu dimana saat itu orang melakukannya lebih baik. (Rich dan Knight, 1991). Artificial Intelligence (AI) didefinisikan sebagai kecerdasan yang dibuat oleh manusia. Sistem seperti ini biasa diasumsikan sebagai komputer. Meskipun AI memiliki makna Science Fiction, AI merupakan salah satu jenis cabang yang sangat penting bagi perkembangan ilmu komputer, yang mempelajari masalah kecerdasan tingkah laku, pembelajaran dan adaptasi pada suatu mesin. Penelitian yang dilakukan pada AI ditujukan untuk menghasilkan suatu mesin yang bias menirukan pekerjaan yang membutuhkan kebiasaan yang cerdas. Beberapa diantara tugas tersebut adalah Kontrol, perencanaan dan penjadwalan, kemampuan untuk menjawab diagnosa (sistem pakar). Sekarang ini AI digunakan di bidang ekonomi, pengobatan, teknik, dan militer, juga digunakan pada berbagai aplikasi komputer rumahan dan video games (Anonymous, 2006a) Artificial Intelligence adalah ilmu pengetahuan dan bagaimana cara membuat mesin yang cerdas, terutama program komputer yang cerdas. Hal tersebut berhubungan dengan bagaimana menggunakan komputer dalam memahami kecerdasan manusia, tetapi AI tidak hanya terbatas pada terhadap metode yang hanya bisa di observasi secara biologi saja. (McCarthy, 2004).
7 Artificial Intelligence memiliki banyak sekali bidang terapan lanjutan yang mengintegrasikan kecerdasan buatan, antara lain : Neural Network, Computer Vision, Fuzzy Logic, Natural language Processing, Expert Systems, Pattern Recognition, dll. Mereka meiliki fungsi dan tugas masing-masing dalam menciptakan “kemiripan” dengan fungsi organ-organ pada manusia.
2.2.Computer Vision Computer Vision adalah studi dan metode aplikasi yang memungkinkan komputer untuk “memahami” suatu isi dari image atau isi dari data dengan banyak dimensi secara umum. Istilah “memahami” ini berarti bahwa ada informasi khusus yang di hasilkan dari data citra yang akan digunakan untuk tujuan tertentu: baik untuk mempresentasikan citra terhadap operator manusia (seperti, jika sel kanker telah diditeksi dari citra microscopy), atau untuk mengkontrol beberapa proses (seperti, sebuah industri robot atau kendaraan otomatis). Data citra yang diberikan kepada sistem komputer vision sering merupakan citra digital keabu-abuan atau citra berwarna, tetapi juga bisa dalam bentuk 2 atau lebih citra seperti (seperti, dari pasangan kamera stereo), adegan dari video, atau bentuk 3D (seperti, alat tomography). Dalam kebanyakan aplikasi komputer vision yang praktikal, komputer di progam ulang untuk mengatasi beberapa tugas yang sama, tetapi metode yang digunakan berdasarkan pembelajaran yang sekarang telah berkembang menjadi sangat umum. (Anonymous, 2006b)
2.3. Citra Definisi citra menurut Kamus Webster adalah “suatu representasi, kemiripan, atau imitasi dari suatu obyek atau benda.” Hal ini menunjukkan bahwa citra dari suatu
8 individu mewakili entitas diri dari individu itu sendiri didepan kamera. Foto sinar-X thorax mewakili keadaan bagian dalam tubuh seseorang, dan data dalam suatu file GIF mewakili apa yang dicitrakannya. Citra dapat dikelompokkan menjadi citra tampak dan citra tak tampak. Banyak contoh citra tampak dalam kehidupan sehari-hari: foto keluarga; citra anak sekolahan; lukisan seniman besar; apa yang nampak dimonitor televisi; dan hologram (citra optis). Sedangkan citra tak nampak misalnya: data citra dalam file (citra digital), dan citra yang direpresentasikan menjadi fungsi matematis. Di samping itu ada juga citra fisik tak nampak, misalnya citra distribusi panas dikulit manusia serta peta densitas dalam suatu material. Untuk dapat dilihat mata manusia, citra tak nampak ini harus diubah menjadi citra tampak, misalnya dengan menampilkannya di monitor, dicetak diatas kertas, dan sebagainya. Di antara jenis-jenis citra tersebut, hanya citra digital yang dapat diolah menggunakan komputer. jenis citra lain, jika hendak diolah dengan komputer, harus diubah dulu menjadi citra digital, misalnya foto dipindai (scan) dengan scanner, persebaran panas tubuh ditangkap dengan kamera infra merah dan diubah menjadi informasi numeris, informasi densitas dan komposisi bagian dalam tubuh manusia ditangkap dengan bantuan pesawat sniar-X dan system deteksi radiasi menjadi informasi digital. Kegiatan untuk mengubah informasi citra fisik non digital menjadi digital disebut sebagai pencitraan (imaging).
9 2.4. Operasi Pengolahan Citra Pengolahan citra pada dasarnya dilakukan dengan cara memodifikasi setiap titik dalam citra tersebut sesuai keperluan. Secara garis besar, modifikasi tersebut dikelompokkan menjadi: •
Operasi titik, dimana setiap titik diolah secara tidak gayut terhadap titik-titik yang lain,
•
Operasi global, dimana karakteristik global (biasanya berupa sifat statistic) dari citra digunakan untuk memodifikasi nilai setiap titik,
•
Operasi temporal/berbasis bingkai, dimana sebuah citra diolah dengan cara dikombinasikan dengan citra lain,
•
Operasi geometri, dimana bentuk, ukuran, atau orientasi citra dimodifikasi secara geometris,
•
Operasi banyak titik bertetangga, dimana data dari titik-titik yang bersebelahan (bertetangga) dengan titik yang ditinjau ikut berperan dalam mengubah nilai,
•
Operasi morfologi, yaitu operasi yang berdasarkan segmen atau bagian dalam citra yang menjadi perhatian.
2.5. Citra skala keabuan (gray scale) Citra skala keabuan memberi kemungkinan warna yang lebih banyak daripada citra biner, karena ada nilai-nilai lain diantara nilai minimum (biasanya = 0) dan nilai maksimumnya. Kemungkinan yang dihasilkan pun tidak sebanyak dengan kemungkinan
10 dari citra true color yang berformat 24bit. Oleh karena itu citra skala keabuan akan lebih memudahkan dalam proses pengenalan suatu citra khususnya wajah.
2.6. Operasi Cropping Cropping adalah memotong satu bagian dari citra sehingga diperoleh citra yang berukuran lebih kecil. Operasi ini pada dasarnya adalah operasi translasi, yaitu menggeser koordinat titik citra. Rumus yang digunakan untuk operasi ini adalah: x’ = x – xL
untuk x = xL sampai xR
y’ = y – yT
untuk y = yT sampai yB
(xL, yT) dan (xR, yB) masing-masing adalah koordinat titik pojok kiri atas dan pojok kanan bawah bagian citra yang hendak di-crop. Ukuran citra berubah menjadi: h’ = yB – yT dan transformasi baliknya adalah: x = x’ + xL
untuk x’ = 0 sampai w’-1
y = y’ + yT
untuk y = 0 sampai h’-1
2.7. Face Recognition (Pengenalan Wajah) Menurut Lu (Lu, 2003) Proses pengenalan wajah bisa dikelompokkan menjadi 2 tipe,
yaitu
verifikasi
wajah/autentifikasi
(Face
Verification)
dan
identifikasi
wajah/pengenalan (Face Identification). •
Face Verification (“Am I who I say I am?”). Adalah perbandingan one-to-one antara query dari citra wajah dengan template dari citra wajah terhadap individu yang telah diberi data. Untuk
11 mengevaluasi performa dari verifikasi, verification rate (rate dimana user yang sah diberi kontrol) vs. false accept rate (rate dimana imposters diberi akses) di plot kan, yang disebut dengan kurva ROC. Sistem verifikasi yang bagus seharusnya bisa menjaga keseimbangan antar kedua nilai rate tersebut berdasarkan operasi yang dibutuhkan. •
Face identification (“Who am I?”) adalah proses pengenalan one-to-many yang membandingkan query dari citra wajah terhadap semua template citra dalam database wajah yang menentukan identitas dari citra yang ada di query. Proses pengenalan citra dilakukan dengan mencari citra didatabase yang memiliki kesamaan terbesar dengan citra yang mau dikenali. Proses pengenalan citra disebut juga dengan “closed” tes, yang berarti proses pengenalan merupakan pencarian dari individu yang sebelumnya berada di database. Bagian-bagian dari subjek tes dibandingkan dengan bagian bagian dari citra lain yang berada pada database dan dicari nilai kesamaannya untuk masing masing perbandingan. Nilai dari kesamaan yang diperoleh ini biasanya diurutkan secara descending. Nilai kesamaan yang paling tinggi itulah yang selanjutnya disebut sebagai identitas yang paling sesuai bagi citra yang mau dikenali.
Proses pengenalan wajah ini bisa dicitrakan sebagai berikut:
12
Gambar 2.1. Proses Pengenalan wajah
2.8. PCA (Principal Component Analysis) Principal Components Analysis (PCA) adalah teknik yang digunakan untuk memudahkan pembuatan set data, lebih formal lagi ini merupakan transformasi linear yang memilih koordinat sistem untuk set data seperti yang mengandung varians oleh projeksi dari set data terhadap sumbu pertama, varians kedua diambil dari sumbu ke dua dan seterusnya. PCA bisa digunakan untuk mengurangi dimensi dari set data sementara mengekstrak karakteristik yang dimiliki oleh set data tersebut yang berhubungan dengan varians utamanya dengan menghilangkan bagian-bagian yang memiliki hubungan kurang penting secara prinsipal. (Anonymous, 2005)
13 2.9. ICA (Independent Component Analysis) ICA merupakan metode pengenalan wajah yang merupakan generalisasi dari metode PCA. Metode ini dianggap memiliki sensitifitas yang lebih tinggi pada relasi tingkat tinggi diantra pixel-pixel. Hal ini dianggap penting karena relasi tersebut merupakan faktor utama yang menghasilkan informasi yang dibutuhkan. Bartlet membagi ICA kedalam 2 arsitektur, yaitu statistically independent basis images (arsitektur 1/orde 1) dan factorial code representation (arsitektur 2/orde 2), dimana pada arsitektur 1 citra dari wajah dikelompokkan menjadi beberapa bagian kecil (antara lain mata, alis, hidung, mulut). Berhubung dengan sifat pengelompokan ICA orde 1, maka metode ini dianggap baik dalam mengenali perubahan ekspresi pada wajah, namun kurang baik dalam mengenali perubahan image pada wajah (seperti goresan luka), juga kurang baik dalam mengenali wajah dalam keadaan pencahayaan yang berbeda. Sedangkan pada arsitektur 2 citra dari wajah tetap dipertahankan keutuhannya untuk menghilangkan kemungkinan hilangnya keterkaitan informasi antar bagian (High Order Relationship). (Delac et al, 2004) Proses pembelajaran yang akan dilakukan adalah mencari citra image baru dari setiap individu dengan menghitung citra rata-rata dari beberapa citra individu tersebut, kemudian citra baru dari setiap individu tersebut diberi data tentang individu tersebut. Setelah semua individu telah diperoleh data barunya, maka proses pengenalan pun bisa dilakukan. Setelah melalui proses pembelajaran tersebut, selanjutnya dilakukan proses pengenalan. Pengenalan dengan menggunakan citra baru dilakukan, dan citra baru tersebut dilakukan perbandingan dengan semua citra rata-rata yang sudah ada di dalam database. Perbandingan tersebut dilakukan dengan mehitung jarak antara nilai
14 eigenspace input dengan nilai eigenspace pada proses pembelajaran dari setiap obyek yang ada, dengan rumus : d(x,y) = absolut (x- y) Dimana : x : nilai eigenspace input y : nilai eigenspace hasil pembelajaran per obyek
Setelah diperoleh hasil perhitungan jarak antara citra baru dengan citra rata-rata dari masing-masing obyek, maka dilakukan perhitungan rata-rata jarak untuk masingmasing obyek. Nilai terkecil dari rata-rata jarak tersebut menunjukkan bahwa identitas citra baru tersebut paling mendekati kemiripan dengan citra rata-rata yang memiliki nilai rata-rata jarak terkecil dengannya, dan proses pengenalan pun telah selesai dilakukan.
Dalam Pemrosesannya ICA melewati beberapa tahapan pemrosesan, yaitu proses pengolahan citra (dalam hal ini proses normalisasi dari citra), pencarian rata-rata untuk setiap citra yang ada, penyimpanan citra kedalam basis pengetahuan (database), hingga sampai ke proses pengenalan dari citra penguji. Hal ini bisa dilihat pada citra berikut: (Delac et al, 2004)
15
Gambar 2.2 Proses Pembelajaran
Gambar 2.3 Proses Identifikasi Citra
Proses yang ditunjukkan pada Gambar 2.2 dan Gambar 2.3 menunjukkan prosesproses yang secara umum digunakan dalam metode pengenalan wajah, secara sederhana digunakan rangkaian yang ditunjukkan pada Gambar 2.4 untuk pembuatan prototype aplikasi pengenalan wajah menggunakan metode ICA ini.
16
Matrix citra pelatihan
ICA ORDE 2 Pencarian citra ratarata dan pemrosesan citra
DATABASE Tempat penyimpanan N galeri citra
Matrix citra penguji
PENGHITUNGAN JARAK d(x,y) = absolut (x- y)
min(r)
x : nilai eigenspace input y : nilai eigenspace hasil pembelajaran r = jumlah d(x,y) / jumlah image per obyek r : rata-rata d per obyek
Hasil Pengenalan Gambar 2.4 Proses Pengenalan Wajah
