BAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-

8

BAB II TINJAUAN PUSTAKA

2.1

Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D

menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy CMeans dan jaringan syaraf tiruan backpropagation yaitu 1. Dalam penelitian yang dilakukan oleh Andri Suryadi (2006) dengan skripsi berjudul “Sistem Pengenalan Wajah Menggunakan Metode Principal Component Analysis Dengan Algoritma Fuzzy C-Means” menghasilkan nilai rata-rata akurasi 80,66%. Tahapan proses pengenalan wajah yang dilakukan dalam penelitian ini, pertama dilakukan tahapan praproses pendeteksian wajah menggunakan Opencv, setelah itu tahap image processing dengan mengubah citra menjadi citra keabuan. Tahap kedua yaitu tahap ekstraksi wajah menggunakan PCA, dan tahap terakhir yaitu tahap pengelompokan menggunakan algoritma fuzzy C-means. 2. Kemudian penelitian yang dilakukan oleh Zakky Wildan (2011) dengan skripsi berjudul “Implementasi Pengenalan Objek Dua Dimensi dengan Menggunakan Metode Backpropagation Multilayer Neural Network dan Higher Order Neural Network” menghasilkan nilai akurasi lebih dari 60%. Tahapan proses pengenalan objek dua dimensi yang dilakukan dalam penelitian ini, pertama citra ditangkap menggunakan web camera, lalu dilakukan beberapa image processing yaitu pengubahan citra

Alfin Sholeh,2013

Pengembangan Sistem Pengenalan Wajah 2d Dengan Implementasi Algoritma Eigenface Dan Manhattan Distance Universitas Pendidikan Indonesia | repository.upi.edu

9

menjadi citra keabuan, setelah itu pendeteksian tepi (edge) menggunakan algotima SUSAN, mengubah citra keabuan menjadi citra binary, lalu ke proses shape extraction melakukan resize citra menjadi berukuran 20 x 20 piksel. Kedua merupakan tahap pengelompokan dan pengenalan menggunakan backpropagation multilayer neural network dan higher order neural network. 3. Terakhir penelitian yang dilakukan oleh Miftachul Jannah (2012) dengan skripsi berjudul “Sistem Pengenalan Wajah 2D Menggunakan Jaringan Syaraf Tiruan Algoritma Backpropagation dan Metode Eigenface Principal Component Analysis” menghasilkan nilai akurasi lebih dari 70%. Tahapan proses pengenalan objek dua dimensi yang dilakukan dalam penelitian ini, pertama citra disimpan dalam sebuah folder database, lalu dilakukan image processing yaitu pengubahan citra menjadi grayscale, setelah itu citra diekstraksi untuk mereduksi noise dan pengambilan ciri menggunakan eigenface PCA. Kemudian proses pelatihan jaringan dengan algoritma backpropagation dan terakhir proses pengenalan wajah.

2.2

Pengenalan Wajah Wajah merupakan bagian dari tubuh yang berperan penting dalam proses

penyampaian ciri, identitas dan emosi seseorang. Kemampuan manusia dalam mengenali wajah sering terjadi secara tidak sadar, manusia mampu mengenali ribuan wajah sepanjang hidupnya dan mengidentifikasi wajah yang sekilas

Alfin Sholeh,2013


10

dikenalnya sampai beberapa tahun kemudian. Proses ini berlangsung begitu cepat dan dapat tersimpan cukup lama dalam memori manusia walaupun wajah yang dikenalnya memiliki banyak perubahan visual seperti adanya perubahan kondisi, ekspresi, sudut pandang, penuaan dan penambahan aksesoris seperti kacamata, topi sampai adanya perubahan gaya rambut (Turk, M., Pentland, A. 1991:1). Oleh karena itu wajah digunakan sebagai acuan indikasi untuk mengenali seseorang. Pengenalan wajah merupakan salah satu bagian sistem biometrik yang banyak diaplikasikan khususnya dalam sistem security. Sistem absensi dengan wajah, mengenali pelaku tindak kriminal dengan CCTV adalah beberapa aplikasi dari pengenalan wajah. Efisiensi dan akurasi menjadi faktor utama mengapa pengenalan wajah banyak diaplikasikan khususnya dalam sistem security. Penelitian terhadap pengenalan wajah manusia sudah banyak dilakukan dengan kelebihan dan kekurangan tertentu, hal ini disebabkan karena wajah manusia merepresentasikan sesuatu yang kompleks dan mengembangkan model komputasi untuk pengenalan wajah manusia adalah hal yang sulit (Samuel Lukas, 1999:1). Pengenalan wajah dibagi menjadi dua bagian yaitu dikenali dan tidak dikenali. Kesulitan muncul ketika wajah dipresentasikan dalam suatu pola yang berisi informasi unik yang membedakan dengan wajah lain. Metode pengenalan wajah memiliki dua prosedur (Joko Hartono, 2009), yaitu a. Featured-based yaitu pengenalan kontur wajah dengan mengenali bentuk hidung,

mata,

mulut

dan

bentuk

korelasi

diantara

keduanya.

Karakteristik organ tersebut kemudian dinyatakan dalam bentuk vektor.

Alfin Sholeh,2013


11

b. Image-based yaitu analisis komponen wajah secara keseluruhan. Berdasarkan dari konsep ini, perhitungan model terbaik yang menjelaskan bentuk wajah dengan mengutip informasi paling relevan yang terkandung didalam wajah tersebut.

Secara garis besar tahapan pengenalan wajah terdiri dari beberapa garis besar, yaitu 1. Pengambilan Citra Pengambilan citra ini dilakukan oleh user dan dapat dilakukan dengan beberapa pilihan media seperti: kamera digital, web camera, ponsel dan lain-lain. Setelah itu menyimpan data tersebut kedalam komputer sehingga dapat digunakan untuk proses selanjutnya. 2. Pengelompokan Pengelompokan ini dilakukan oleh user dengan tujuan agar nama citra terurut, sehingga sistem dapat memproses nya dengan lebih optimal dan lebih cepat. 3. Image Processing Tahap ini dilakukan oleh sistem, dalam pengenalan wajah biasa disebut pra-proses yang merupakan tahap dimana citra tersebut disiapkan agar dapat diproses lebih lanjut dan bertujuan agar sistem berjalan secara optimal dan cepat. Beberapa proses yang dilakukan dalam image processing yaitu seperti mengubah format warna citra dan mereduksi dimensi citra.

Alfin Sholeh,2013


12

4. Feature Extraction Tahapan ini dilakukan oleh sistem menggunakan metode tertentu, dimana akan dicari informasi yang merupakan ciri dari citra wajah. Ciri tersebut pada umumnya akan selalu tetap untuk setiap manusia dewasa karena sudah tidak mengalami masa pertumbuhan dan selalu berbedabeda pada setiap orang, sehingga dapat dijadikan acuan untuk mendapatkan identitas dari suatu wajah.

Dibalik kemudahan pengenalan wajah, terdapat beberapa masalah yang mungkin timbul ketika proses pengenalan wajah, yaitu a. Perubahan Skala Citra seseorang dapat direpresentasikan berbeda yang diakibatkan perbedaan jarak saat pengambilan citra dengan media tertentu, semakin dekat jarak maka citra wajah akan semakin jelas dan besar. b. Perubahan Posisi Citra seseorang dapat direpresentasikan berbeda yang diakibatkan perubahan posisi seseorang ataupun perubahan sudut pengambilan. Misalnya posisi wajah tegak, menoleh (100, 200, 300, 450, 600) atau tampak samping. c. Perubahan Cahaya Citra seseorang dapat direpresentasikan berbeda yang diakibatkan perubahan kondisi yang terjadi pada saat pengambilan citra, seperti:

Alfin Sholeh,2013


13

intensitas cahaya pada ruangan, arah sumber cahaya dan karakteristik lensa dari media yang digunakan. d. Perubahan Detail dan Ekspresi Citra seseorang dapat direpresentasikan berbeda yang diakibatkan perubahan detail secara fisik seperti mulai tumbuhnya janggut, kumis, pemakaian aksesoris, perubahan gaya rambut dan perubahan ekspresi wajah seperti tertawa, tersenyum, sedih, muram, berbicara, menangis dan lain sebagainya yang dapat mengakibatkan perubahan visual citra.

2.3

Pengolahan Citra Pengolahan citra merupakan suatu proses yang dilakukan dengan input

berupa citra dan output nya pun berupa citra. Proses ini dilakukan pada citra data training sebelum proses feature extraction (pengambilan ciri). Terdapat dua hal mendasar dalam memahami proses pembentukan citra, yaitu 1. Geometri formasi citra yang menentukan lokasi suatu titik dalam pemandangan yang diproyeksikan pada bidang citra. 2. Fisik cahaya yang menentukan brightness suatu piksel citra sebagai fungsi pencahayaan.

Oleh karena itu, diperlukan penghubung antara notasi matematika untuk mengembangkan algoritma pengolahan citra dan notasi algoritma yang digunakan untuk pembuatan program komputer yang disimpan kedalam sistem penyimpanan memori dua dimensi yang disebut larik (array) .

Alfin Sholeh,2013


14

Tujuan utama dari pengolahan citra ini adalah untuk perbaikan data citra dengan menekan noise yang tidak diinginkan pada citra sehingga dapat diproses dan dianalisa lebih lanjut. Pada proses ini citra dinormalisasikan agar lebih siap untuk diolah pada proses selanjutnya dan kualitas yang dihasilkan tergantung pada proses pengolahan citra. Proses ini memiliki tahapan-tahapan tertentu dengan berbagai metode dan perhitungan sesuai dengan kebutuhan penelitian. Tahapan pengolahan citra yang dilakukan dalam penilitian ini adalah sebagai berikut:

2.3.1 Pra-Proses Tahapan dalam proses ini dilakukan oleh sistem dan merupakan proses awal dari sistem pengenalan wajah sebelum proses pengambilan ciri, inti dari proses ini adalah melakukan normalisasi pada citra yang akan diolah. Dalam tahap ini terdapat 2 proses utama yaitu 1.

RGB to Grayscale Proses ini merupakan proses konversi warna pada citra RGB (RedGreen-Blue) menjadi citra grayscale (keabuan). Grayscale pada sebuah image digital adalah citra yang pada setiap pikselnya hanya berisikan informasi intensitas warna putih dan hitam. Citra grayscale lebih mudah untuk diproses karena mengandung nilai yang lebih sedikit yaitu 8bit warna daripada citra RGB dengan 24bit warna. Citra berwarna setiap pikselnya terdiri dari gabungan tiga warna yaitu merah (R), hijau (G) dan Biru (B). Berikut ini persamaan yang digunakan untuk mengubah citra RGB menjadi citra grayscale:

Alfin Sholeh,2013


15

Grayscale = (R*0,2126) + (G*0,7152) + (B*0,0722)

Ket: R = Warna merah, G = Warna hijau, B = Warna biru

Banyak metode yang digunakan untuk mengubah citra RGB menjadi grayscale, namun pada persamaan diatas yang juga digunakan dalam penelitian ini yaitu metode luminance. Metode ini banyak dipakai dalam perangkat lunak serta video dikarenakan lebih menitikberatkan pada nilai hijau dengan anggapan manusia lebih cenderung sensitif dengan warna hijau daripada warna lainnya.

2.

Dimension Reduction Merupakan proses untuk mengubah dimensi citra yang pada penelitian ini adalah mengubah dimensi citra 2D menjadi citra 1D. Proses ini bertujuan untuk memperkecil ukuran citra yang diolah, sehinggan mempercepat proses selanjutnya. Hasil dari reduksi ini adalah matriks kolom, yang selanjutnya dimasukkan kedalam matriks augmentasi.

2.3.2 Eigenface PCA Tahapan ini merupakan proses pengambilan ciri dari suatu citra yang nantinya nilai yang didapatkan akan dianalisa dalam proses perhitungan kesamaan jarak (Similimarity Distance Measure). Dalam penelitian ini penulis menggunakan algoritma eigenface berbasi PCA (Principal Component Analysis) untuk proses

Alfin Sholeh,2013


16

pengambilan ciri, hal ini dikarenakan algoritma ini cepat, sederhana dan dapat menyesuaikan dengan environtment yang ditentukan. Sebuah citra wajah dapat dilihat sebagai sebuah vektor yang jika panjangnya W dan H piksel, maka jumlah komponen dari vektor ini adalah WxH (setiap piksel dikodekan oleh satu komponen vektor) dan vektor wajah tersebut berada dalam ruang wajah (ruang-eigen) yang merupakan ruang dari semua citra. Namun

keseluruhan

ruang

citra

bukanlah

ruang

yang optimal

untuk

menggambarkan wajah, oleh karena itu dibutuhkan cara yang bertujuan untuk membentuk sebuah ruang wajah yang dapat menggambarkan wajah dengan lebih baik. PCA digunakan untuk mereduksi dimensi dari sekumpulan atau ruang citra, sehingga bisa mendapatkan ruang wajah yang lebih baik. Berikut ini langkahlangkah pencarian eigenface dan fitur PCA-nya: 1.

Sebagai contoh, terdapat 5 citra 2D berukuran 3x4 piksel dalam data training. Mulanya citra 2D dirubah menjadi citra 1D dan disimpan kedalam matriks T = [a1 a2 a3 a4 a5]. Kemudian cari nilai rata-rata (m) dari tiap baris yang ada dalam matriks T, erikut persamaan yang dipakai: m = (sum_baris_ke_i) / (jml_baris_ke_i)

Setelah itu kurangi tiap nilai yang ada dalam matriks T dengan nilai rata-rata yang sesuai dengan baris hasil pengurangannya dan hasil dari pengurangan tersebut dimasukan ke dalam matriks A. A=T-m

Alfin Sholeh,2013


17

2.

Setelah mendapatkan matriks A, lalu hitung matriks kovarian L dengan cara mengalikan matriks A dengan transposenya (A’). Berikut persamaannya: L = A’ x A

3.

Selanjutnya yaitu menghitung nilai eigen (E) dan vektor eigen (C) dari matriks kovarian L. Langkah awal yaitu menghitung nilai eigen menggunakan transformasi similar householder dengan persamaan berikut ini: H = I - 2ww’

Setelah menemukan H(n-1), dimana n merupakan ukuran dari matriks persegi. Maka langkah selanjutnya adalah transformasi householder dengan persamaan: R = H2 x H1 x A Q = H1 x H2

Setelah nilai hasil dari transformasi householder diperoleh, maka langkah selanjutnya yaitu menggabungkan dengan faktorisasi QR dengan persamaan: A=RxQ 4.

Langkah selanjutnya adalah menghitung vektor eigen, setelah itu menghilangkan nilai kolom vektor eigen yang nilainya lebih kecil dari

Alfin Sholeh,2013


18

ambang batas, kemudian adalah menghitung nilai eigenfaces dengan persamaan: eigenfaces = A x C 5.

Setelah nilai eigenface diperoleh, proses selanjutnya adalah menghitung nilai PCA citra pada data training dan memproyeksikan kedalam ruang eigen dengan persamaan: PCA_train = eigenface’ x A

6.

Proses selanjutnya adalah menghitung nilai PCA citra tes dan memproyeksikannya kedalam fitur ruang wajah dengan persamaan: PCA_test = eigenfaces’ x Difference

Nilai Difference diperoleh setelah citra tes dijadikan citra 1D dan dikurangi dengan nilai rata-rata seperti pada langkah 1. 7.

Langkah terakhir yaitu proses pengenalan wajah menggunakan perhitungan manhattan distance dengan persamaan: manhat_dist = | PCA_test - PCA_train |

8.

Nilai perhitungan yang diambil sebagai hasil dari pengenalan wajah adalah yang terkecil.

2.4

Distance Measures Proses ini merupakan proses akhir pengenalan wajah, inti dari proses ini

adalah pencocokan dua citra wajah antara citra data training dan citra yang diuji. Pencocokan tersebut salah satunya dengan menggunakan metode pengukuran

Alfin Sholeh,2013


19

jarak. Pada dasarnya pengukuran jarak digunakan untuk menghitung perbedaan antara dua vektor citra dalam ruang eigen. Setelah citra wajah diproyeksikan ke dalam space wajah, tugas selanjutnya adalah menentukan citra wajah yang mana yang paling mirip dengan citra dalam data training. Distance-Based Similarity Measure digunakan untuk mengukur tingkat kesamaan dua buah objek dari segi jarak geometris dari variabel-variabel yang tercakup di dalam kedua objek tersebut. Metode penghitungan ini memiliki kelebihan tertentu, misalnya jarak antara dua benda tidak dipengaruhi oleh penambahan objek baru untuk analisis. Namun, jarak dapat sangat dipengaruhi oleh perbedaan skala antara dimensi dari mana jarak dihitung. Dalam penggunaannya terdapat banyak metode dalam mengukur tingkat kesamaan jarak, diantaranya yaitu jarak euclidean, manhattan (city block), mahalanobis, chebyshev, correlation, angle-based, minkowski dan cosini-correlation. Dalam penggunaannya dengan algoritma eigenface, perhitungan manhattan distance digunakan untuk menghitung jarak antara citra data training yang diproyeksikan dan citra yang diuji, yang juga diproyeksikan dengan menggunakan persamaan masing-masing. Pada akhirnya, masing-masing perhitungan memiliki nilai dengan kelebihan dan kekurangannya masing-masing.

2.4.1

Manhattan Distance Merupakan salah satu pengukuran yang paling banyak digunakan dalam

penggantian perbedaan kuadrat atau biasa disebut dengan euclidean distance.

Alfin Sholeh,2013


20

Hasil dalam perhitungan ini hampir menyerupai dengan hasil perhitungan squared euclidean distance. Pengukuran ini lebih dikenal dengan city block distance.

Manhattan = | PCA_test - PCA_train |

Ket: PCA_test = nilai ciri citra yang diuji PCA_train = nilai ciri citra data training

PCA_test

PCA_train

Gambar 1. Jarak manhattan dari nilai PCA_test ke PCA_train

Nilai PCA_train pada penelitian ini adalah nilai ciri dari data training, sedangkan nilai PCA_test adalah nilai ciri dari citra yang diuji. Perhitungan manhattan distance memiliki kelebihan dibandingkan perhitungan kesamaan jarak lainnya yaitu perhitungan ini mutlak tanpa adanya pembulatan seperti pada squared euclidean distance, sehingga proses perhitungan menjadi lebih cepat. Pada penelitian ini, hasil perhitungan manhattan distance yang menjadi hasil sistem pengenalan wajah adalah nilai yang terkecil. Sedangkan hasil akhir dari penelitian mengenai sistem pengenalan wajah ini yaitu berupa citra wajah. Alfin Sholeh,2013


BAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-

Recommend Documents