BAB II TAKA DAN DAN LANDASAN TEORI TINJAUAN PUST PUSTAKA
Padaa bbab ab ini akan dibahas dibah has literatur dan landasan lan a dasan teori yang yaang n relevan dengan peneli iti tian. penelitian.
2.1
Tinjauan Pustaka Tinj Ti njauan nj nP ustaka us Waja jah ja h merupaka kan n sebuah model mod odel visual multidimensional mult ltid idimension nal yang g ko komp m lekss Wajah merupakan kompleks
da n un ntuk tu menggambar rka kan penge enaalan waj ajah ah secara komputasi komput uttas a i itu ittu sulit su dan untuk menggambarkan pengenalan wajah ( shir (K irrsagar, et et al., a ., 2011). Me al Men nurut penelitian penelitiian Georgescu (2011), pe (20 2011 11), seb buah ssistem ist steem (Kshirsagar, Menurut sebuah dapa at secara real-timee m enggenal en ali wa waj jah h da dala am vide deo o st str ream yang disedi diiakan oleh h dapat mengenali wajah dalam video stream disediakan kam mera yang dilaksanakan ddan an memiliki dete tek ksi wajah real time. Seb buah vi vid deo kamera deteksi Sebuah video wajah, berisii iinformasi nfor nf orma masi si ssementara em ementara serta ta bbeberapa eberapa contoh cont co ntoh dari waja jah, ja h, ssehingga ehingg eh ggaa di ddiharapkan harapkan an dapat mengarah pada kinerja pengen enal en alan wajah yang lebih baik dibanding al gka kan n pengenalan dibandingkan d nggan masih mengh de g adap pi gambar (Gajame & Chandrakar,, 2013) 2013) 013) ddan an dengan menghadapi mempercepat kecepatan me kece cepa ce pata pa tan pemrosesan ta pemroses esan es an sistem sis iste tem deteksii wajah te waja wa jah ja h (Mankar & Bhoyar, Bhoy Bh oyar, oy 2012). Kelebihan mampu melakukan wajah 2012 12). 12 ). Kelebih ihan ih an ddari ari penelitian iini n adalah m ni ampu melakuka kan ka n de deteksi wa waja jah secara ja 2004), real time (Viola & Jones, 2004 4), pengenalan pengenalaan wajah dan dapat memberikan info berkepentingan. kepada lembaga-lembaga yang berkepenti tingan. Kelemahan dari penelitian ini ti adalah diperlukan banyak subyekk dalam m sistem pengenalan wajah agar dapat mengenali subyek dengan kecepatan kecepataan yang diharapkan. Sedangkan menurut penelitian dari Wang, et al. (2005), memperkenalkan mekanisme seleksi fitur yang dapat diterapkan untuk memecahkan masalah identifikasi subjek ketika hanya satu
10
sampel wajah per subyek yang tersedia. Pemilih fitur yang diusulkan menentukan ruang fitur dimensi rendah di mana variasi varia arriasi intersubyek dimaksimalkan sementara variasi intrasubject ddiminimalkan. imiinimalkan. Kelebihan dari im ri ppenelitian enelitian ini adalah dapat mengalahkan meningkatkan n kkinerja inerja dalam m pengenalan, bahkan meng gal a ahkan pendekatan eigenface Kekurangan eigenfac ce standar. Ke Keku kurangan ku an n ddari ari penelitian ar peene nellitiian ini ini n adalah kurangnya kuraang ngnya sampel pelatihan pencahayaan pela lattihan dan la n cu ccukup kup vvariasi ariasi pada ggambar amba am barr ak ba akibat penuaan, penuaaan an, penc cah a ayaan da dan n variasi membuat pengenalan merupakan yang menantang. pose, me memb mbua mb u t peng ua ngeenalan ng en wajah mer rupakan tugas yan ng me m nant ntan tan ang. g. Pendekatan Eigenface salah metode paling P endek ekatan Eige ek genface adalah sa sala l h satu metod de paling ssederhana ederhaana ddan ed an palin an ng Dalam pendekatan efisien un ef untuk pengenalan an wajah. Da Dala l m pendek ekaatan eigenfacee memilih mem mil ilih ih nnilai i ai il threshold faktor perfomance thresh th hold d yyang ang an g merupakan fa fakt ktor yang g ssangat angat ppenting enting bagi perfom en oman ancee pengenalan penge gena ge nala na l n wajah. ruang wajah pada waja ah. Selain itu, ppengurangan engu en g rangaan ddimensi im men nsi rua uang waj ajah ah ttergantung ergantung pa ada d jumlah eigenfaces (2010). eige enf n aces yang diambil. Penelitian Pen enellit itia ian n diatas ppernah ernaah diteliti diteliti oleh Gupta, et aal. l. (201 10). Kelebihan diatas dapat meningkatkan performance Kele Ke leb le biha h n ddari arii ppenelitian enel en elit el itia it ian ia n di diat a as adalah dapa patt me pa meni ning ni ngka ng katk tkaan perf form man ancce padaa pengenalan wajah ketika kedua faktor fakt fa k orr tersebut kt tersebut dikombinasikan yaitu 15% dari dar arii eigenfaces dipilih 0,8 eige ei genfaces dengan nilai eigen terbesar dipilih dan nilai thresholdd yang di ge ipi pillih h 0, ,8 maksimum jarak Euclidean minimum kali ka li m aksi ak simu si mum m jara ja ara rak k Eu Eucl clid cl idea id ea an m inim in i um setiap set etia iap ia p gambar gamb ga mbar mb ar dari dar arii semua semu se mu ua gambar gamb ga mbar mb arr yyang ang an lain. Sedangkan kekurangan adalah dilakukan penambahan lain la in. Se in Seda dang da ngka ng kan ke ka keku kurangan ddari ku a i penelitian ar an ini adala lah la h di ila laku kuka ku kan ka n pe pena namb mbahan mb proses pada preprocessing yaitu th threshold. menggunakan algoritma Pengenalan wajah mengg gunakan alg goritma Principal Component Analysis (PCA) merupakan metode di mana na satu se set kecil fitur yang signifikan digunakan untuk menggambarkan variasi antaraa ggambar ambar - gambar wajah (Slavkovic & Jevtic, 2012). Dalam metode ini, menyederhanakan data dengan transformasi linear dan terbentuk koordinat baru dengan varians yang maksimum sebagai ciri khasnya (Roy
11
& Bandyopadhyay, 2013). Hasil eksperimen untuk nomor yang berbeda dari eigenfaces ditunjukkan untuk memverifikasi mem emve verifikasi dari metode yang diusulkan ve peningkatan selanjutnya. Kelebihan n ddari ari penelitian ini adalah pe eni ning n katan tingkat pengenalan bahwa dengan jumlahh ggambar ambar pelatihan an per orang. Hal ini jelas bahw wa ji jjika ka jarak minimum pengujian gambar training adalah antara ggambar ambar peng am gujia ian ia n dan ga amb mbar ar tra rain nin ing g ad adal alah al ah nol makan gambar gam mba b r pengujian sepenuhnya gambar dasar pelatihan. sepe penuhnya sesuai pe ses e uai ga amb bar dari da dasa sarr pe sa pela lati la tihan. Kekurangannya Kekur uraangann ur nya ya adalah ji jika k jarak mengenali lebih besar besa be saar da dari nol ol tetapi tet etapi kurang darii batas tertentu, ma maka k tidak ak aakan kan ka n meng gen e ali wajah wa aja jah h ya yyang ng ddiujikan. iujjikan. iu Teknologi biometrik menjadi dalam Tek Te knologi biomet tri rikk telah me enjjadi suatu teknologi tek te knologi yang luar lua uar biasa ua biias asaa da dala l m la aplikasi jenis aplika ap asi si keamanan kea eama m nan yang tinggi. tin ingg ggi. Berbagai Berrbaagai je eni niss biometrik yang yang sudah sud udah bbanyak ud any an yak digunakan Berbagai statistik telah digun nakan sampaii hhari arii ini. Berba ar b ga gai mo modell st tatistik te ela lah h di dikembangkan n sejauh ini deng gan berbeda-beda akur ras a i da dan n efisiensi. efisiens nsii. D ilakukan pendekatan ba il aru unt nttuk dengan akurasi Dilakukan baru untuk me emanf ma faatkan k eeigenface igen ig enfa face fa ce ddan an m etodologi fisher erfa er face fa ce ddengan enga en g nm ga enggunaka kan ka n medoid d memanfaatkan metodologi fisherface menggunakan (Bhat, 2013). Kelebihan dari penel lit itia ian in ia ni ad adalah dengan menggunakan metode iini, n, ni penelitian ini tida ti d k hanya membutuhkan pelatihan yang lebih rendah tetapi juga menu da unj njuk ukka uk kan ka n tidak menunjukkan efis ef isie is iens ie nsii wa ns w ktu kt u ya yang ng llebih ebih eb ih bbaik aik ai k da dan ki kine nerj ne rjan rj anya an ya ddibandingkan iban ib andi an ding di ngk ng kan de kan deng ngan ng an m etod et ode od efisiensi waktu kinerjanya dengan metode konv ko nven ensi en sion si onal on all yyang ang gm enggunaka kan ka n rata-rata. D alam penelitian penel elit el itia it i n in inii be belu lum lu m dite dditemukan iteemukan konvensional menggunakan Dalam belum kelemahan atau kekurangan dalam dalaam peneliti ian ini. Menurut penelitian dari Kumar, penelitian et al. (2010), penelitian ini memb mbahas arsite mb ektur client server melalui penggunaan membahas arsitektur teknologi bluetooth melalui fase deteksii wajah yang dapat diimplementasikan. Kelebihan dari penelitian ini adalah ah h ddalam alam CSAB (Client Server Architecture menggunakan Bluetooth) komunikasi antara klien dan server tanpa ketergantungan pada pihak ketiga mana seperti di CSAH (Client Server Architecture menggunakan
12
HTTP) komunikasi antara klien dan server tergantung pada ketersediaan serta Kelemahan keandalan GPRS penyedia layanan. n. K elemahan dari penelitian ini CSAB dan el CSAH belum dapat dikombinasikan dik kom ombinasikan bersama-sama ddalam alam al a sebuah aplikasi sehingga ketersediaan kinerja dan ke ete terrsediaan belum m maksimal. Yawale penelitiannya Menurut M e Yawa Ya waale (2013), (2013 3), pada pad adaa pe pene neliti ne tian ti nny nya membahas kerangka ker e angka kerja umum dihadapi um mum untuk k sistem m pengenalann wajah, waj ajah ah,, da ah dan varian yyang ang se sering dihad ad dap a i oleh recognizer recogn niz izer er wajah. waj a ah. Hal Hal ini juga membahas memba b has persyaratann sistem s stem ppengenalan si enge en gena ge n lan wa wajah yang ng kkuat uat berdasarkan berdasarka be kan n segmentasi analog mata ddan an alg gor o itmaa ppengenalan engenalaan en algoritma berdasark be ka ruang eigen ya kan yang telah ddikembangkan. ik kembangkaan. Kelebihan dar arri pene neli ne liti li tian ti an ini berdasarkan dari penelitian adalah ad h ddengan en nga gan menggunakan nm etode ini, inii, tingka kat kkeakuratannya eakuratannya be bert rtam mba b h me menj njadi nj metode tingkat bertambah menjadi 90%, %,, sedangkan kkelemahannya elem el emahannyaa ad adala ah ken nai aik kan ting gka kat ke keakuratannyaa meskipun n adalah kenaikan tingkat berta ambah tetapi masih bbelum elum el um ssignifikan. ignifikan ig n. Se Sela ain itu pengenalan waja ah bany nyyak bertambah Selain wajah banyak digu di gun gu naka k n untu tuk k te tekn knol kn olog ol ogii pe og pengenalan biolo ogi gi. Di Diba band ba ndin ingk gkan ddengan enga gaan metodee digunakan untuk teknologi biologi. Dibandingkan identifikasi lain, jenis ini memilik ki ffitur i ur ppengenalan it engenalan langsung, ramah dan nyam man an.. memiliki nyaman. Sist Si s em pengenalan wajah tertanam didasarkan pada platform LPC ARM M 21 2148 48 8, Sistem 2148, me m nggu ng guna gu nak na kan si kan ssistem ist stem st em ooperasi pera pe rasi ra si W indo in dows,, mendeteksi do mend me ndet nd etek eksi ek s w si ajah aj ah ddengan enga en g n menggunakan ga meng me nggu ng una naka kan ka menggunakan Windows, wajah fitu fi t r HA tu HAAR AR, da AR dan ke emudian men nge g nali wajah h ddengan engan meng nggu ng g naaka kan n fitur fitu fi turr LBP tu LBP (Rao, fitur HAAR, kemudian mengenali menggunakan et al., 2013). Kelebihan dari penelitian pen nelitian inii adalah dapat menyediakan keamanan yang lengkap untuk menjaga kan an ntor, rumah, rumah h, bank, dll. Kelemahan dari penelitian kantor, ini adalah masih belum diketahuii secara lebih lebih rinci seberapa akurat pengenalan wajah
ini ni. i. Penelitian tentang pengenalan wajah menggunakan metode ini.
menggunakan fitur Haar juga dikemukakan oleh Mankar & Bhoyar (2012), tetapi perbedaanya dalam penelitiannya ini menjelaskan tentang desain teknik termasuk
13
skala gambar, integral generasi gambar, pengolahan pipelined serta classifier, dan beberapa pegklasifikasipemrosesann paralel pa untuk mempercepat kecepatan pemrosesan sistem deteksi deete tek ksi wajah. Kelebihan darii pe penelitian ini adalah adanya melalui yang peningkatan kinerja kiinerja ne sistem mel ellal a ui implementasi software ya ang setara. Tetapi ada kekurangannya, yaitu penggunaan menggunakan pula kek kurangannya ya, ya ya yait itu peng it gguuna naan an m en ngg ggun unak un akan ak a metode ini, ssangatlah a gatlah tidak an mudah, dilakukan. mu udah, dan tergolong ter ergolong ng g metode yang y ng ccukup ya ukup uk up ssulit ulit utnuk k di dilakuka kan. ka Adapun penelitian pengenalan berbeda, Adap Ad apu ap un pen nel eliiti itian tentang peng genalan wajah dengan den nga gan metode meto tode to de yyang a g berb an bed e a, yakni metode yakn knii metode kn de tentang ng sebuah meto tode ekstraksi ffitur itur sangat san an nga g t ba baik ik efisien, efisien n, menggabungkan syaraf probabilistik menggabu me bungkan dengan bu n jjaringan aringan sy yaraf proba abi billistik (PNN) uuntuk n uk rreal-time nt ealea l tiime m pengenalan diusulkan wajah ORL. pengen pe nalan lan wajah. wajah. Metode yyang ang dius an sullkan dievaluasi diiev evaaluasi pada database dataaba base w ajah ah O RL RL. Kelebihan penelitian otentifikasi pengenalan Kele ebihan dari pen enel elit itian inii adalah adalaah ote ad ent ntif ifikasi pe peng ngeenalan wajah h ini dapatt diim mplementasikan dengan ttingkat i gk in gkat at pengena nala lan te terb rbaik, yakni 100%. Pen nelitian iini ni diimplementasikan pengenalan terbaik, Penelitian pe ern rnaah dditeliti itelit litii ol oleh eh ((Chu Chu Ch u & Ch Chen, 2005). pernah Selain itu menurut Alwak kee eell & Sh Shaaban (2010), sistem pengenalan wa aja jah h Alwakeel wajah baru ba r berdasarkan Haar Wavelet Transform (HWT) dan Principal Comp mpon mp onen on nt Component Anal An alys al ysis ys is ((PCA) PCA) PC A) m engg en ggun gg unak un akan an Le Leve venber ve erg er g Marquardt-backpropagation Marq Ma rqqua uard rdtdtt-ba back ba ckpr prop pr oppag agat atio at ion io n ((LMBP) LMBP LM BP) BP Analysis menggunakan Levenberg jari ja r nggan ssaraf araf ar af ddisajikan. isaj ajik aj ikaan. Gambar ik ar wajah h yangg preprocessed preprocesssed ddan an n terdeteksi. ter erde dete de teks te ksii. W ks avelet jaringan Wavelet Haarr digunakan untuk membentuk membenttuk matrikss koefisien wajah yang terdeteksi. Fitur gambar vektor diperoleh dengan n menghitung menghitun ng PCA untuk matriks koefisien DWT. Perbandingan antara sistem pengenalan pengeena n lan diusulkan di menggunakan DWT, PCA dan Discrete Cosine Transform (DCT) jjuga uga dibuat. Hasil percobaan menunjukkan ug bahwa wajah gambar dapat dikenali oleh sistem pengenalan wajah yang diusulkan secara efektif. Dari penelitian diatas dapat menghasilkan persentase dalam
14
mengenali wajah rata – rata 90% keatas, tergantung dari jumlah wajah yang wajah tersimpan. Semakin banyak jumlah w ajah aj ah di dalam database, maka akan semakin persentasi mengenali besar pula dalam perse ent ntaasi keakuratan k dalam menge geena n li wajah. Menurut Wankhade dekomposisi Menuru ru ut Wadkar & Wan ankhade (2012), berbagai deko an omp mposisi wavelett telah dilaksanakan untuk menyelidiki kinerja Dan dilaksan nak akan dalam m rrangka angk an g a un ntuk tuk me meny nyeelid ny idik id ki ki kine nerja terbaik. D ne an dari sekian banyaknya wavelet digunakan menyelidiki kinerja terbaik, ba any nyaknya wa w velet yyang ang digunak akan ak an uuntuk ntuk nt uk menyeli liidi diki kin nerja j terba aik ik, maka diambil kesimpulan Haar merupakan wavelet mempunyai diambi il ke kesi s mp si m ulan n bbahwa ahwa Wavelet Ha ah aar 9/7 7 merupak kan n wa w veleet yyang ang an g mempun unyai un kinerjasebagai karena kesederhanaan kine nerj ne rjas rj asebag as gai bbagian agian da dari algoritma yyang ang diusulkan ka an kar rena kes sed ederhaana naan an mereka, a, kesesuaian wajah menggunakan kesesuaia ke an dan keteraturan an keterattur uran a untuk ppengenalan engenalan n w ajah dengan meng nggu ng guna gu naka na k n pendekatan multiresolusi. pendek pe katan an m ultiresolusi. dekomposisi pada wajah Danti, Proses deko komp mpos o isi pad da w ajaah juga ga diteliti dit iteliti oleh eh D anti, et al. (2011), (20 011 1 ), proses wajah. skema ini dilakukan di untuk mendeteksi mendet etek eksii bbeberapa eberapa wa waja jah.. Dalam Dalam penelitian ini, sk kema bbaru aru untuk mendeteksi wajah menggunakan dekomposisi wavelet un ntu tuk k me ndet d tek eksi si bbeberapa eb ber erap apaa wa ap waja j h menggunaka kaan de deko komp ko mpos mp osiisii ppaket aket k wa ave vele let Haarr le yang berdasarkan terkuantisasi penggabungan penggabu bun bu ngan n wilayah wilayah warna kulit dalam kondisi yan ang an g disa di s ji j kan secara tidak terbatas. Pengelompokan warna dan penya yaring ya ngan ng an disajikan penyaringan me m nggu ng guna gu nak na kan perkiraan kan perk perk rkir iraa ir aan dari aa dari ssubruang ubru ub ruan ru a g wa warn rnaa kulit rn kuuli litt YC YCbC bCrr da bC dan n HS HSV V di dit tera rapk ra pkaan pk menggunakan warna YCbCr diterapkan pada pa da ggambar amba am barr aasli ba slli dengan dengan en meny yed e iakan terk rk kuantisasi da daer e ah er hw arna ar na kkulit. uliit.. S ul istem menyediakan terkuantisasi daerah warna Sistem yang diusulkan mengarah ke tingkat ting gk deteksi gkat detek ksi s keberhasilan 99% untuk single face, hewan dan gambar nonfaced. Jika gamba ar terdiri dari beberapa wajah, latar gambar belakang yang lebih kompleks dan daan kondisi kondi disi pencahayaan yang ekstrim, efisiensi di berkurang hingga 85% karena pene eri r maan palsu dan penolakan palsu terutama penerimaan dalam adegan dengan banyak wajah sebagian tersumbat atau di bawah kondisi
15
pencahayaan yang ekstrim atau dengan berpose. Jika wajah berorientasi lebih dari 150 sistem kami gagal untuk mendeteksi mendet etek eksi ek si wajah tersebut. perbandingan Berikut pada tabel taabe bell 2.1 merupakan hasil perb rban rb andingan dari penelitian yang an dilakukan dengan deng ngaan keempat penelitian ng pen nel e itian yang sudah ada. Tabel Tabe el 2.1 2..1 Tabel T be Ta b l Perbandingan Perb Pe rban rb a di ding ngan ng Wadka Wadk ka Harjoseputro Harjos ossep e utro , Yulius r& Yuliius u (2014)) Wankh W nkh Wa h ade ade (2012) 2) Penggar aruh uh Jeni Jenis niis Pengenalan Pe Penge P nge Penge Pe Pengge Pengen Pengaruh alan Peenelitian Waja Wa jah naalan nala lan n Penelitian Wajah nalan nalan Dekomposisi Dekomp mpos mp osis os issi Wajah Wajah Ekspre Eksspre Wajah Ek Citra Ciitr ta sii Menggunakan Men Me ngguna naka na kan ka Wajah Wavelet Wajah Wave velet Pa ve Pada d da Topen Pengenalan n Peng genalan g Wajah h dii Aplikasi Aplika kaasi Mobile Mobille Metode d yyang ang an g Pendekatan Pend Pe ndek nd ekat ek a an Kombi Mengg Meng Me ngg ng g Perban P rb Pe rban Dekomposisi Deko omp mposisi Diguna Di naka na kan ka n Eige Ei genf ge nfac nf ace ac unak un akaa dingan ak ding di ngan ng an citra Digunakan Eigenface nasi unaka i menggunakaan k metod meeto tod d n menggunak menggu menggunakan wavelet haa hhaar aar ar nilai e an metod nakan threshold eigenf e metode dan pengen pe nal alan anny an ny ace Eigenf Eige Ei genf nf wavelet wave wa vele ve lett pengenalanny le a daan acee ac haar dan ace haar menggunakan meng ng ggu gun naka naka kan JST dengan JST deng de ngan ng a an eige ei genf ge nfac nf acce biortho bior bi o th ho eigenface gonall 9/7 Akura Akura Akurasi Akurasi Hasil Dengan pengen pengenalanny si si Penelitian nilai tingkat threshold tingkaat penge alannya a sebesar : yang dipilih h penge peng ge nalann menggu 80% dengan waktu nakan nalann 0,8 nala lann ya la pengenalanny sebesa haar maksimum ya sebesar sebesa jarak s besa r 70% sebesar a se 89.42% 1041, 4 ms r 97, Euclidian dan menghasilk 018% menggu an akurasi nakan pengenalan
No. Pembanding No Pemb bandingg
1
2
3
Gupta,, et al. (20 al ((2010) 2010)
Agar Ag ar wal, w l, et wa al. (2010) 2
Sopac ua, ua et al. (2013)
16
sebesar 97%
2.2
biortho gonal 77.14%
Landasan n Teori Teori
2.2.1 Pengolahan Peng ngolahan Citra ng merupakan teknik untuk Pengolahan citra cittra m erupak kan suatu tekni nik ni k yang yang ddigunakan ig igunakan uk mengolah data visua visual Pengolahan digital da uall menjadi ua menj me njadi dataa yang nj yang an informatif. informattif. Pengol lah ahan an citra dig git ital al memiliki mem e iliki ba banyak kelebihan pengolahan Pada kele lebi le biiha han n dibandingkan diband ndin nd ingk gkan dengan peng golahan gambar an analog ogg ((Gupta, Gupt ptaa, 22011). pt 011)). Pa 01 ada d citra matriks citr ci traa digital tr digita tall yang memiliki ta mem mil i iki R x C piksel direpresentasikan direp eprresentasikan ddengan enga gan ga n ma m triks berukuran bernilai sampai beru be r kurran ra R x C. Indeks n bernilai bern be r ilai 0 ssampai am mpai C-1 1 dan da indeks m bernila ai 0 sa amp mpaai R1.. Ma Matriks representasi berikut: 1 at atriks repre rese sent n asi dari sebuah seebu buah a citra ciitraa adalah adala lah h sebagai beri riku kutt:
f (m, n)
(0,0) ª f (0 « f (1 (1,0 , 0) « « « ¬ f ( R 11,,00))
f (0,11)) f (1,1) 1)
f ( R 1,,1 1)
f (0, C 1) º f (1, C 1) »» » » f ( R 1, C 11))¼
Gambar 2.1 Representasi matriks berukuran RxC
Nilai f(r f(r,c) merupakan intensitas atau derajat keabuan (r,c (r ,c)) m ,c eru upa paka kan ka n nilai in inte tens te nsit ns itas ata it taau de dera r ja ra j t ke keab abua ab u n pada ppiksel ikse ik sel (r se (r,c). Pada pengolahan yang pen engo gollah go lahan citra terdapat bbeberapa e erapa manipulasi objek yan eb ng bi bisa sa dilakukan, diantaranya manipulasi skala, rot rotasi, tasi, tingkat kecerahan (Hasan & Misra, 2011) dan manipulasi kecerahan (Kabir, et al., al 2010), ttingkat ingkat ketajaman gambar (Padmapriya & Vigneshnarthi, 2012), peningkatan kontras peningkata tan ko ta ontras gambar, atau kombinasi dari salah satu operasi tersebut (Bayram (Bayram, et al al., 22006). 006)
17
2.2.2 Pengenalan Wajah (Face Recognition) Pengenalan wajah adalah suatu suaatu su atu kegiatan k giatan yang aktif di bidang biometric ke ag gia ian terpenting dalam pengenalan pengenaala lan n wajah adalah pendeteksian (Gan, et al., 2005). Bag Bagian iaan dari wajah (Sa Saudagare & Chaudhari, 2012 Sa 2). Teknik pengenalan bagian – bagia bagian (Saudagare 2012). ecara garis bbesar essar dapat ddibagi ib bag agii menjadi men me njad adi 3 ka ad kate tegori berdasarkan te berdasark rk kan a metodologi wajah se secara kategori ak kui uisisi data wa w jah (J Jaf afri & Arabn bnia ia,, 20 ia 2009 09), 09 ) diantaranya: ), diantaranya ya: ya akuisisi wajah (Jafri Arabnia, 2009), Met to yang tode yan ang beroperasi padaa intensitas a. Me Metode b. Urutan Urrutan ut dalam m pengambilan pengambilan ggambar ambar b. au ci ccitra tra infraa m erah c. Informasi 3D ata atau merah Pengeenalan en waj ajah ah ini, pada ddasarnya a ar as arnya dig gunaakan n untuk meng ngid iden entifikasi sii orang ng ddari ari Pengenalan wajah digunakan mengidentifikasi gamb mbar b atau video (W Win inarrno no, et aal., l., 2014). 20144). gambar (Winarno,
Algo gori ritm ri tma tm a Ei Eige genf nffac ace 2.2.3 Al Algoritma Eigenface etod et o e pengenalan awal berbasis bentuk wa waja jah ja h Eigenface adalah salah satu m metode wajah (Sejjan (S ni, et et al., al.,.,, 2013) al 201 013) 3)) dan dan merupakan mer erup pakan suatu metodee ya yang ngg paling pal alin ing g sederhana sede se derh de rhan rh ana dan an dan yang yang (Sejani, pali pa ling li n efisien (Gu Gupt Gu ptaa, et al.,, 2010). pt 2010)). Dalam Dala Da lam la m metode eigenface, eige g nf nfac acee, seri gambarr (t ac (tra rain ra ning paling (Gupta, (training ang an g di dire repr re presentasikan sebagai pr sebaga gaai vektor r. Ide dari eigen itu u ssendiri endi en diri di ri aadalah dallah untuk da set)) yyang direpresentasikan vektor. yan ng lebih rendah ren ndah di mana vektor pendek akan mengetahui ruang-dimensi yang et al., 2013 3). Metode eigenface telah diterapkan mencerminkan wajah (Sopacua, et 2013). gam mbar wajah waajah manusia (Chu, et al., 2006). Untuk untuk mengekstrak wajah dasar gambar akan teknik yang sering digunakan yaitu mengekstrak wajah manusia, diguna digunakan Principal Component Analysis (PCA) (Satone & Kharate, 2012). Prinsip utama dari metode ini adalah skor dari komponen utama yang diregresikan dengan variable tak
18
bebas terhadap komponen utama yang saling tak berkorelasi (Geng & Zhou, 2006). menguraikan Cara kerja teknik ini adalah dengan meng m eng ngur u aikan citra wajah ke dalam satu set kecil karakteristik gambar ((Pattanasethanon Patttanasethanon Pa tt & Savithi, 22012) 012) 01 2 dan dilakukan pengenalan 2) wajah eigenspace dengan memproyeksikan mempr pro pr oyeksikan waja jah baru ke sebuah eigensp ja pac a e dimensi rendah (Kittusamy Chakrapani, 2012) perhitungan (Kittusa amy & Cha akr k ap apan ani, 2012 an 2) llalu alu al u di ddilakukan laku la kuukaan pe perh r itungan jarak rh k an aantara tara gambar yang dihasilkan eigenspace dengan tersimpan (Dhanda, ya ang ng dihasilka kan di ei ka igenspace den enga gan ga n data data yang yang sudah h te tersimpa pan (Dhand pa da, 2012). Pada besar untuk membangun Pada aalgoritma lgoritma lg ma ei eigenface ini terdapat terdaapat 2 langkah be besa sarr yaitu un sa untu tuk tu k me m mban ngu g n basis data pengenalannya (Orczyk Algoritma basi siss da si dat ta dan an n untuk untuk pen engenalannya (Or Orczyk & Porwik, k, 2010). Algori A l itm tmaa eigenface eigenfacce ei untuk membangun un me embangun basis da data terdiri dari darri langkah-langkah langkah-la lan ngkah berikut: a. Siapkan (training) set semua memiliki a. Si Siap apkan referensi (t (tra raining) se et - sem mua gambar haruss me memi miili l ki rresolusi esol es olusi ol pixel yang yang wajah. ng ssama ama dan kkeselarasan am ese selarrasaan ya yan ng sama da dari ri w ajah. b. Mengubah gamba gambar menjadi vektor vektor barr me enj njad a i vekt tor ddan an n membangun matriks ddari ari vekt ktor kt ini, merupakan gambar inii, ddii ma mana naa setiap set etia iap ia p baris ba matriks meru upa paka kan ka n ga gamb mbar ar ttunggal. unggal. l c. Hitung rata- rata gambar ((rata-rata rata-r ra -rrat ata wajah). d. Kurangi rata-rata gambar dari masing-masing gambar dalam m matriks atrriks at ks (mean matriks (mea (m ean n da dari ri bbaris a iss m ar attri riks ks aakan kan sa ka sama ma 00). ). e. Hitung vektor (Saudagare nilai eigen e. Hi Hitu tun tu ng vek ekto ek tor eigen (S to Sau a dagare & Chaudhari, Chaudhari, 2012) 2012 20 1 ) dan dan ni nila laii ei la eige en ((Lata, Lata, et al., 2009) dari matrikss kovarians kovariansi. si. i Setiap vektor eigen memiliki dimensi yang sama (jumlah komponen) koomp m onen) sebagai seebagai gambar asli. Vektor eigen dari matriks kovariansi ini dis disebut eigenfaces. seb e ut eig genfaces. f. Cari himpunan vektor ortonormal, orton nor o mal, yang paling menggambarkan distribusi data.
19
g. Pilih subset dari vektor orthonormal ini yang berhubungan dengan matriks eigenvalues tertinggi dari m attri atri riks k kovariansi. h. Mengurutkan vektor mereka n ve vek ktor eigen ini dalam urutan n - me m reka akan disebut sebagai eigenfaces. eigenf nfaaces. nf Algoritma pengenalan Algoritm ma untuk pe eng ngen enal en a an wajah waj ajah aj ah h ddijalankan ijal alan al nkaan sebagai s ba se baga gai berikut: ga a. Hitu Hitung tung tu n komponen kom mponen eigenface eigenf nfac nf acee dari ac dar arii foto f to baru. fo b. H Hitung itu tung perbedaan tu per erbe er bed be daan antara rata-rata rataa-rata muka dan wajah waj ajah a baru. u. lik li ka perb kan bed edaan dengan m asing-masing vvektor ektor eige ek geen. n c. Kali Kalikan perbedaan masing-masing eigen. embangun bobot bo obo bot vektor bar aru u. d. M Membangun baru. e. Pi Pili lih wajah terbaik k co ocok atas ataas dasar bobot bob obot jarak Euclidian Euclid dia ian n ((Manjhi, Manjhi hi,, et al., hi e. Pilih cocok 2013). waaja jah h diakuii milik milik ik dikenal kelas wajah h (deng nggan f. Tentukan apakahh wajah (dengan memb mban andi ding ngka ng kan ka n ke kesa samaan ukuran de sa eng ngan an ddua ua aambang mbang batas). mb batas)). membandingkan kesamaan dengan
2 2. 2. 2 4 Transformasi Wavelet 2.2.4 Wave Wa vellet let merupakan meru me rupa ru paka pa kann suatu ka suuat atu u ge gelo l mb mban ang an g mi m ini ni ((small sm mal alll wave) wave wa v ) ya ve yang ng m empu puny pu nyai ny Wavelet gelombang mini mempunyai kema ke maamp mpua uan ua n mengelompokan me gel meng elo ompokan en ner e gi cit i ra dann terkonsentrasi terkonsentr tras tr asi pa as ada ssekelompok ekel ek elom el ompo om pok po k kecil kemampuan energi citra pada laiinya hanyaa me m ngandung sedikit energi yang dapay koefisien, sedangkan koefisien lainya mengandung niilai informasinya informassinya (Sutarno, 2010). Wavelett berasal dihilangkan tanpa mengurangi nilai ungsi te ersebut diperoleh sebuah mother wavelet. dari sebuah scaling function. Dari ffungsi tersebut h da ari nilai skala yang berbeda untuk fungsi Berbagai macam wavelet diperoleh dari scaling. Meskipun berasal dari teori aproksimasi dan pengolahan sinyal, wavelet
20
banyak diaplikasikan ke dalam permasalahan bidang grafika komputer, contohnya kompresi citra dan watermarking. Tranformasi Wavelet Wavvelett merupakan salah satu me Wa metode yang dapat digunakan untuk mengan menganalisis nal aliisis sinyal-sinyal sinyal-sinyyal a non-stasioner (Chu & Chen Chen, n, 2005). Tranformasi Wavelett m mentransformasi entransfo orm mas asii signall ddalam a am ddomain al om mai ain waktu wakt wa ktu kt u menjadi signal al ddalam alam domain waktu wa aktu kt dan fr frekuensi rek ekuensii (y (yang dalam ha hall in inii di dibentuk men menjadi nja jadi domain dom omain transl om translation lat a ion and d scale) ((Kathirvalavakumar Kath Ka thir th irvalava ir vaku aku kumar & Vasanthi, Vasanthii, 2013). 2.2.4.1 Wavelet 2.2. 2.4. 2. 4.1 4. 1W aveelet le Haarr Salah Sal Sa lah satu keluagaa wa w wavelet velett diantaranya diaanttaranya adalah adaala lah wavelet Haar Haar. r. Wave Wavelet vele ve lett Ha le Haarr merupakan m me rupa paka pa kan n wa w wavelet velett yang pali paling ling ng seder sederhana rha hana diban dibanding and ding dengan jeni jenis niss w wavelet ave velett llainnya. ve ainn ai nnya nn y . Caraa kerja dari wavelet waave v le lett Haarr ddengan en nga gan n ssinyal inyyal bberdimensi erdimeens nsii ssatu atu ini dapatt dijelaskan sebagai seba aga g i berikut, sebuah sinyal sinyyal a digital dig igit ital berdimensi berdim mensi ssayu ayu yang mempunyai resolusinya reesolusin nya sebesar se ebe bessar 4 pik piksel, iksel, l memiliki memi me mili mi liki li ki eelemen leme le m n misalnya [E1 1E E2 2 E3 E E4]. 4]. Da 4] Dari rii ci citra itra terse tersebut sebu se but dapa bu dapat at direpresentasikan menjadi sebuah h deret der eret Haar Ha r yang setiap pasang elemen dari ci citra itr traa tersebut ters te r ebut dihitung nilai rata-ratanya, sehi rs sehingga ngga diperoleh suatu citra baru u ddengan eng ngan ng an rresolusi re soolu lusi si yang yan ang g le lebih ebi bih h re rrendah ndah nd ah m misalnya isal is alny al nya [( ny [(E1 [(E1+E2)/2 E1+E E1 +E2) +E 2)/2 2) /2 ((E3+E4)/2]. E3+E E3 +E4) +E 4)/2 4) /2]. /2 ]. D Dari arii seba ar sebagian bagi ba giaan gi informasi info in form fo rmas rm asii citra as citr ci traa tersebut tr ters rseb rs ebut yang hilang eb h lang dalam hi m proses per perhitungan erhi er hitung ngan ng an rrata-rata, ataat a-rrataa, maka akoefisien detail perlu disimpan agar agar dapat at dikembalikan kembali menjadi citraa awal. Koefisien detail berisi dari darri selisih ant antara nttara nilai rata-rata dengan kedua nilai yang dirata-rata, yaitu [(E1-((E1+E [(E1-((E1+E2)/2) E2)/2) E3-((E3+E4)/2)]. E3-((E3+E4)/2)]. Trasformasi Wavelet Haarr dalam daalam mengubah nilai-nilai piksel pada citra 2 dimensi ini dapat dilakukan dengan 2 cara, diantaranya adalah menggunakan metode dekomposisi tidak standar dan metode dekomposisi standar (Sutarno, 2010).
21
Dekomposisi standar dimulai dengan melakukan transformasi wavelet 1 dimensi untuk setiap baris dari setiap nilai ppiksel ikse ik sell sebuah se se citra hingga level yang diinginkan. Setelah itu kemudian melakukan melakukan transformasi wavelet waave velett 1 dimensi untuk setiap kolomnya. Seda Sedangkan dangkan pada dekomposisi da deko komposisii tidak standar, prosess dekomposisi ko d komposisi berjalan de dengan melakukan melakukan n transformasi traans nsfo f rmassi 1 dimensi dime di menssi un me untu untuk tuk tu k ti tiap ap baris dilanjutk dilanjutkan tkan untuk tiap tk kolomnya. ko olo lomnya. Pr Pros Proses o es ini ni akan berlan berlangsing angs an gsin gs ing in g se secara terus-m terus-menerus -m meneruss sampai le level eve v l yang diinginkan. diingink nkan nk an.. an
22
