TUGAS AKHIR - CI1599
IMPLEMENTASI FUSI INFORMASI HIRARKIS PADA PENGENALAN CITRA WAJAH MULTI-SPECTRAL FEBE FENYTA S. NRP 5105 100 042 Dosen Pembimbing Rully Soelaiman, S.Kom, M.Kom
JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2009
TUGAS AKHIR - CI1599
IMPLEMENTASI FUSI INFORMASI HIRARKIS PADA PENGENALAN CITRA WAJAH MULTI-SPECTRAL FEBE FENYTA S. NRP 5105 100 042 Dosen Pembimbing Rully Soelaiman, S.Kom, M.Kom
JURUSAN TEKNIK INFORMATIKA Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Surabaya 2009
FINAL PROJECT - CI1599
IMPLEMENTATION OF HIERARCHICAL INFORMATION FUSION IN MULTI-SPECTRAL FACE IMAGE RECOGNITION FEBE FENYTA S. NRP 5105 100 042 Supervisor Rully Soelaiman, S.Kom, M.Kom
DEPARTMENT OF INFORMATICS Faculty of Information Technology Sepuluh Nopember Institute of Technology Surabaya 2009
Implementasi Fusi Informasi Hirarkis pada Pengenalan Citra Wajah Multi-Spectral TUGAS AKHIR Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer pada Bidang Studi Sistem Bisnis Cerdas Program Studi S-1 Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember Oleh : FEBE FENYTA S. Nrp. 5105 100 042
Disetujui oleh Tim Penguji Tugas Akhir :
1. Rully Soelaiman, S.Kom, M.Kom ………… (Pembimbing)
SURABAYA JULI, 2009
i
ii
IMPLEMENTASI FUSI INFORMASI HIRARKIS PADA PENGENALAN CITRA WAJAH MULTI-SPECTRAL Nama Mahasiswa NRP Jurusan Dosen Pembimbing
: : : :
FEBE FENYTA S. 5105 100 042 Teknik Informatika FTIF-ITS RULLY SOELAIMAN, S.Kom, M.Kom
ABSTRAK Pengenalan citra wajah dan aplikasinya dibutuhkan dalam berbagai bidang, seperti pada bidang hukum. Bahkan performa pengenalan citra wajah semakin dituntut lebih baik dan dapat diaplikasikan pada lingkungan yang tidak dapat dikontrol. Peningkatan performa pengenalan citra wajah dapat dilakukan salah satunya dengan melakukan fusi informasi terhadap citra. Citra terfusi ini diharapkan memiliki nilai informasi yang lebih baik daripada citra asalnya sehingga dapat meningkatkan performa pengenalan citra wajah. Pada tugas akhir ini dipaparkan penerapan fusi informasi hirarkis pada citra wajah yang ditangkap dalam spektrum cahaya nampak dan infra merah. Penerapan fusi informasi hirarkis ini bertujuan nuntuk meningkatkan performa pengenalan wajah. Fusi pada level citra, dua citra wajah dari spektrum berbeda difusikan menggunakan algoritma fusi berbasis Discrete Wavelet Transform. Fusi pada level fitur, fitur amplitudo dan fase diekstraksi dengan menggunakan 2D log Gabor wavelet. Fitur terfusi diperoleh dengan memilih antara fitur amplitudo dan fase dengan menggunakan algoritma pembelajaran adaptif Support Vector Machine. Dari hasil uji coba dapat diketahui bahwa performa pengenalan citra wajah terbaik dengan citra terfusi memiliki akurasi yang lebih baik dengan nilai error 3,31%. Kata kunci: pengenalan wajah, fusi citra, fusi fitur, Discrete Wavelet Transform, Log Gabor Wavelet, Support Vector Machine iii
iv
AN IMPLEMENTATION OF HIERARCHICAL FUSION IN MULTI-SPECTRAL FACE IMAGE RECOGNITION Student’s Name ID Number Department Advisor
: : : :
FEBE FENYTA S. 5105 100 042 Teknik Informatika FTIF-ITS RULLY SOELAIMAN, S.Kom, M.Kom
ABSTRACT Face recognition and its applications are needed in many fields, e.g. in law enforcement. Moreover, face recognition is claimed to perform better and applicable in such uncontrolled environments. Face recognition improvement can be done by fusing the informations of image. This fused image is expected to have a better information values than its original image so that can improve face recognition performance. This final assignment presents implementation of hierarchical fusion of multi-spectral face images captured under visible and infrared light spectrum. This hierarchical fusion is objected to improve the performance of face recognition. At image level fusion, two face images from different spectrums are fused using Discrete Wavelet Transform based fusion algorithm. At feature level fusion, amplitude and phase feature are extracted using 2D Log Gabor Wavelet. Fused feature set derived by selecting either amplitude or phase feature using adaptive Support Vector Machine learning algorithm. The experimental results show that the best face recognition performance using fused image yielded better accuracy than non-fused image with error rate 3.31%. Keywords: face recognition, image fusion, feature fusion, Discrete Wavelet Transform, Log Gabor Wavelet, Support Vector Machine
v
vi
KATA PENGANTAR Puji syukur kepada Tuhan Yesus Kristus untuk segala pimpinan dan penyertaan-Nya yang sempurna sehingga tugas akhir ini dapat diselesaikan dengan sebaik-baiknya. Segala hormat dan kemuliaan hanya bagi Tuhan. Dalam pengerjaan tugas akhir ini, telah banyak bantuan yang didapat dari berbagai pihak. Oleh karena itu, penulis berkewajiban menyampaikan segala penghargaan dan ucapan terima kasih kepada: 1. 2.
3. 4. 5.
6.
7. 8.
Papa, mama, dan seluruh keluarga besar, yang senantiasa memberi dukungan dan doa, Pak Rully Soelaiman S.Kom, M.Kom, selaku dosen pembimbing, yang telah memberikan bimbingan dan arahan selama pengerjaan tugas akhir, Pak Yudhi Purwananto S.Kom, M.Kom, selaku dosen wali, yang telah banyak membantu dalam perwalian rencana studi, Ko Yohan yang memberikan semangat dan dukungan untuk menyelesaikan tugas akhir tepat waktu, Seluruh dosen dan karyawan IF yang telah memberikan ilmu, fasilitas, bantuan, dan kemudahan selama menjalankan kuliah di Informatika ITS, Teman-teman yang telah membantu dalam bidang akademis: Charisma, Anang, Tovan, Mieky, Dommy, Vani, Amalia, Malikhah. Teman-teman seperjuangan: Sabrina, Army, Shinta, Titan, Dani K., Tya, Sheila, Ariana, Ratri, Ratna. Serta semua pihak yang telah membantu dan mendukung selama kuliah dan pengerjaan tugas akhir di Teknik Informatika ITS.
Surabaya, Juli 2009 vii
viii
DAFTAR ISI ABSTRAK ............................................................................... iii ABSTRACT .............................................................................. v KATA PENGANTAR ............................................................. vii DAFTAR ISI ............................................................................ ix DAFTAR GAMBAR ................................................................ xi DAFTAR TABEL .................................................................. xiii BAB 1 PENDAHULUAN ......................................................... 1 1.1 Latar Belakang ........................................................... 1 1.2 Tujuan ........................................................................ 2 1.3 Rumusan Masalah ...................................................... 2 1.4 Batasan Masalah......................................................... 2 1.5 Metodologi ................................................................. 3 1.6 Sistematika Penulisan ................................................. 4 BAB 2 PERMASALAHAN PENGENALAN/ IDENTIFIKASI CITRA WAJAH ........................................................................ 7 2.1 Pengenalan Pola ......................................................... 7 2.2 Pengenalan Citra Wajah.............................................10 2.2.1 Ekstraksi Fitur ...................................................10 2.2.2 Desain Classifier................................................14 2.3 Fusi Informasi ...........................................................15 2.3.1 Fusi Level Citra .................................................15 2.3.2 Fusi Level Fitur .................................................21 BAB 3 FUSI INFORMASI HIRARKIS PADA CITRA WAJAH MULTI-SPECTRAL ..................................................................27 3.1 Gambaran Umum ......................................................27 3.2 Filter Log Gabor untuk Ekstraksi Fitur ......................28 3.3 Discrete Wavelet Transform untuk Fusi Level Citra ...29 3.4 Support Vector Machine untuk Fusi Level Fitur .........30 3.5 Template Matching untuk Pengukuran Kecocokan Klasifikasi.............................................................................33 3.6 Penghitungan Error Klasifikasi..................................33 3.6.1 False Accept Rate (FAR) ...................................33 3.6.2 False Reject Rate (FRR) ....................................34 ix
3.6.3 Equal Error Rate (EER)..................................... 34 BAB 4 PERANCANGAN DAN IMPLEMENTASI SISTEM ... 35 4.1 Perancangan Data ...................................................... 35 4.1.1 Data Masukan .................................................... 35 4.1.2 Data Keluaran .................................................... 35 4.2 Perancangan Algoritma ............................................. 35 4.2.1 Tahap Prapemrosesan Masukan ......................... 35 4.2.2 Tahap Ekstraksi Fitur ......................................... 36 4.2.3 Tahap Fusi Level Citra....................................... 37 4.2.4 Tahap Fusi Level Fitur ....................................... 37 4.2.5 Tahap Pengukuran Kecocokan Klasifikasi.......... 38 4.2.6 Tahap Penghitungan Error Klasifikasi ................ 39 4.3 Implementasi Sistem ................................................. 45 4.3.1 Lingkungan Implementasi .................................. 45 4.3.2 Impementasi Prapemrosesan Masukan ............... 45 4.3.3 Implementasi Tahap Ekstraksi Fitur ................... 46 4.3.4 Implementasi Tahap Fusi Level Citra ................. 48 4.3.5 Implementasi Tahap Fusi level Fitur .................. 52 4.3.6 Implementasi Tahap Pengukuran Kecocokan Klasifikasi......................................................................... 54 4.3.7 Implementasi Tahap Penghitungan Error Klasifikasi......................................................................... 55 BAB 5 UJI COBA DAN ANALISIS HASIL ............................ 59 5.1 Lingkungan Uji Coba ................................................ 59 5.2 Uji Coba .................................................................... 59 5.2.1 Data Uji Coba .................................................... 59 5.2.2 Skenario Uji Coba.............................................. 63 5.2.3 Analisis Hasil .................................................... 64 BAB 6 SIMPULAN DAN SARAN........................................... 67 6.1 Simpulan ................................................................... 67 6.2 Saran ......................................................................... 67 DAFTAR PUSTAKA ............................................................... 69 BIODATA PENULIS ............................................................... 71
x
DAFTAR GAMBAR Gambar 2.1 Plot dari nilai mean terhadap standar deviasi dari sejumlah citra berbeda dari kelas A (o) dan kelas B (+) .............. 9 Gambar 2.2 Tingkatan dasar pada desain sistem klasifikasi ........ 9 Gambar 2.3 Diagram informasi Gabor.......................................11 Gambar 2.4 Relasi antara ukuran channel pada domain frrkuensi dan pada domain spasial............................................................13 Gambar 2.5 Relasi antara jarak channel pada domain frekuensi dan pada domain spasial............................................................14 Gambar 2.6 Contoh mother wavelet ..........................................19 Gambar 2.7 Blok Diagram dari analisis filter.............................21 Gambar 2.8 Hyperplane pada sekumpulan data .........................22 Gambar 2.9 Kategori pengukuran level aktivitas .......................26 Gambar 3.1 Diagram blok fusi informasi hirarkis pada citra wajah .................................................................................................27 Gambar 3.2 Hubungan FAR, FRR. dan EER .............................34 Gambar 4.1 Diagram alir tahap ekstraksi fitur ...........................40 Gambar 4.2 Diagram alir tahap fusi level citra...........................41 Gambar 4.3 Diagram alir tahap fusi level fitur ...........................42 Gambar 4.4 Diagram alir tahap pengukuran kecocokan klasifikasi .................................................................................................43 Gambar 4.5 Diagram alir tahap penghitungan error klasifikasi ..44 Gambar 4.6 Proses cropping citra..............................................46 Gambar 4.7 Listing tahap ekstraksi fitur ....................................47 Gambar 4.8 Listing tahap ekstraksi fitur (lanjutan) ....................48 Gambar 4.9 Hasil ekstraksi fitur pada citra ................................48 Gambar 4.10 Listing tahap dekomposisi citra asal dan penghitungan band pendekatan terfusi.......................................49 Gambar 4.11 Listing tahap penentuan band detail terfusi...........50 Gambar 4.12 Listing tahap penentuan band detail terfusi (lanjutan) ..................................................................................51 Gambar 4.13 Listing tahap rekonstruksi citra terfusi ..................51 Gambar 4.14 Hasil fusi level citra .............................................52
xi
Gambar 4.15 Listing tahap pengukuran level aktivitas berdasarkan WA-WBA ............................................................. 52 Gambar 4.16 Listing tahap penentuan label training, training SVM, testing SVM, dan fitur terfusi.......................................... 53 Gambar 4.17 Diagram blok fusi level fitur ................................ 54 Gambar 4.18 Listing tahap pengukuran kecocokan klasifikasi ... 55 Gambar 4.19 Listing tahap penghitungan FAR dan FRR ........... 56 Gambar 4.20 Listing tahap penghitungan FAR dan FRR (lanjutan) .................................................................................. 56 Gambar 4.21 Listing tahap penetuan nilai EER ......................... 57 Gambar 4.22 Listing tahap penentuan nilai EER (lanjutan)........ 58
xii
DAFTAR TABEL Tabel 5.1 Citra dataset training uji coba ....................................60 Tabel 5.2 Citra dataset testing uji coba ......................................60 Tabel 5.3 Jenis dataset ..............................................................61 Tabel 5.4 Dataset yang digunakan dalam uji coba .....................62 Tabel 5.5 Perbandingan nilai EER pada uji coba fitur non fusi ..63 Tabel 5.6 Perbandingan nilai EER pada uji coba fitur terfusi .....64
xiii
(Halaman ini sengaja dikosongkan)
xiv
