BAB IV HASIL DAN PEMBAHASAN
4.5 Analisis Proses
Kata eigenface sebenarnya berasal dari bahasa Jerman “eigenwert” dimana “eigen” artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principle Component Analysis (PCA) yang dikembangkan di MIT (Prasetyo dan Rahmatun).
Banyak penulis lebih menyukai istilah eigenimage. Teknik ini telah digunakan pada pengenalan tulisan tangan, pembacaan bibir, pengenalan suara dan pencitraan medis. Menurut layman (Al Fatta, 2009) Eigenface adalah sekumpulan standardize face ingredient yang diambil dari analisis statistik dari banyak gambar wajah.
Untuk menghasilkan eigenface, sekumpulan citra digital dari wajah manusia diambil pada kondisi pencahayaan yang sama kemudian dinormalisasikan dan diproses pada resolusi yang sama (misal m x n), kemudian citra tadi diperlakukan sebagai vektor dimensi m x n dimana komponennya diambil dari nilai piksel citra.
Algoritma Eigenface secara keseluruhan cukup sederhana. Image
Matriks (Γ) direpresentasikan ke dalam sebuah himpunan matriks (Γ1,
Γ2, … , ΓM). Cari nilai rata-rata (Ψ) dan gunakan untuk mengekstraksi
eigenvector (v) dan eigenvalue (λ) dari himpunan matriks. Gunakan nilai
eigenvector untuk mendapatkan nilai eigenface dari image. Apabila ada
sama juga diberlakukan untuk image (Γnew), untuk mengekstraksi
eigenvector (v) dan eigenvalue (λ), kemudian cari nilai eigenface dari
image test face (Γnew). Setelah itu barulah image baru (Γnew) memasuki
tahapan pengenalan dengan menggunakan metode euclidean distance (Kusumoputro dan Sripomo, 2002).
Gambar 4.3 Alur proses identifikasi image menggunakan algoritma eigenface Start Database Wajah Training Image X E1= Eigenface X Test Face Xn E2= Eigenface X E1= E2 Tampilkan W1dan W2 End
4.5.2 Cara Kerja Eigenface denganPCA/ Karhunen-Loeve (KL)
Pengenalan wajah merupakan suatu pengenalan pola (pattern
recognition) yang khusus untuk kasus wajah. Ini dapat dideskripsikan
sebagai pengklasifikasian suatu wajah apakah dikenali (known) atau tidak dikenali (unknown), dimana setelah dibandingkan kemudian disimpan secara tersendiri. Beberapa pendekatan untuk pengenalan obyek didasarkan secara langsung pada citra-citra tanpa penggunaan model 3D dan Jaringan Syaraf Tiruan.
Secara umum sistem dibagi menjadi dua jenis, yaitu sistem feature
based danimage based. Pada sistem yang pertama digunakan fitur yang
diekstraksi dari komponen citra wajah (mata, hidung, mulut dll) yang kemudian hubungan antara fitur-fitur tersebut dimodelkan secara geometris. Sedangkan sistem kedua menggunakan informasi mentah dari piksel citra (webcam) yang kemudian direpresentasikan dalam metode tertentu misalnya principal component analysis (PCA), transformasi wavelet yang kemudian digunakan untuk klasifikasi identitas citra.
Pendekatan image basedkebanyakan digunakan untuk pengenalan wajah. Pada metode ini, model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah. Yang termasuk dalam metode ini adalah eigenface.
Proyeksi ruang eigen (eigenspace) dikenal juga sebagai
(PCA). Algoritma eigenface memanfaatkan Principal Component
Analysis (PCA) untuk mereduksi dimensinya guna menemukan
vektor-vektor yang mempunyai nilai terbaik untuk distribusi citra wajah didalam ruang citra masukan.
Ide utama PCA adalah menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini mendefinisikan subruang citra wajah atau biasa disebut dengan nama ruang wajah.
Vektor ini mendefinisikan subruang dari citra-citra wajah dan subruang tersebut dinamakan ruang wajah. Semua wajah-wajah dalam himpunan pelatihan diproyeksikan ke dalam ruang wajah untuk menemukan suatu himpunan bobot-bobot yang mendeskripsikan kontribusi dari tiap vector dalam ruang wajah. Untuk identifikasi suatu citra uji, membutuhkan proyeksi suatu citra ke dalam ruang wajah untuk menentukan korespondensi kumpulan bobot-bobot. Dengan membandingkan kumpulan bobot-bobot wajah dalam training set, Pengujian citra dapat diidentifikasi. Prosedur kunci dalam PCA didasarkan pada tranformasi Karhumen-Loeve.
Bentuk umum dari Principal Component Analysis (PCA) dapat dilihat berikut ini:
Dimana C merupakan matriks kovarian, x merupakan image (x1, x2, … , xk) dan Ψ adalah rata-rata image yang dihasilkan dari merata-rata x
(x1, x2, … , xk). Dengan dekomposisi eigen, matriks kovarian ini dapat didekomposisi menjadi:
Dimana Ф adalah selisih antara image (x) dengan nilai tengah (Ψ). Pilih sejumlah kolom dari matriks Ф yang berasosiasi dengan eigenvalue terbesar. Pemilihan sejumlah m kolom dari matriks Ф ini menghasilkan matriks transformasi atau matriks proyeksi Фm. Berikutnya sebuah image x (berdimensi n) dapat diekstraksi kedalam feature baru y (berdimensi m
< n) dengan memproyeksikan x searah denganФmsebagai berikut:
Dengan kata lain metode PCA memproyeksikan ruang asal kedalam ruang baru yang berdimensi lebih rendah, yang mana sebanyak mungkin kandungan informasi asal tetap dipertahankan untuk tidak terlalu banyak hilang setelah dibawa ke dimensi feature yang lebih kecil. Disini terlihat reduksi feature yang signifikan dari n buah menjadi m buah yang tentunya akan sangat meringankan komputasi dalam proses pengenalan berikutnya.
4.6 Analisis Komponen Sistem
Sistem terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti yang tampak pada Gambar 4.4.
Gambar 4.4 Hubungan antar komponen pada Aplikasi Kehadiran Pengajaran Dosen Berbasis Pengenalan Wajah
Keterangan:
1. Komponen Webcam
Piranti masukan yang digunakan dalam Aplikasi Kehadiran Pengajaran Dosen Berbasis Pengenalan Wajah ini adalah webcam. Webcam digunakan untuk dua kegunaan yaitu:
a. Digunakan untuk melengkapi data dosen dengan foto, dimana foto ini akan disimpan ke dalam database, yang nantinya akan dicocokkan dengan image wajah yang di capture saat proses presensi dilakukan.
b. Digunakan untuk meng-capture image wajah dosen pada saat proses
presensi/absensi. Dengan menggunakan webcam, image wajah dosen
diambil, kemudian image wajah ini dicocokkan dengan image wajah yang ada dalam database.
Image Capturing Antarmuka Pengguna (Dosen) Komponen Sub-Sistem Pengenalan Wajah File Wajah Komponen Basis Data
2. Komponen Image Capturing
Komponen ini berfungsi untuk melakukan mekanisme mengambil citra wajah dengan media webcam, baik untuk disimpan sebagai file image wajah maupun untuk image wajah yang digunakan sebagai input pada saat proses presensidilakukan.
3. Komponen Antarmuka
Komponen ini berfungsi untuk menjembatani komunikasi antara pengguna dengan sistem. Baik untuk proses input data dosen, maupun proses presensikedalam sistem.
4. File Wajah
Image wajah dosen (testface) yang digunakan untuk melengkapi data
dosen disimpan dalam database dosen, dan file wajah ini bisa dipanggil dengan menggunakan nama file wajah yang ada.
5. Komponen Database
Komponen ini berfungsi menyimpan data yang terdapat dalam aplikasi. 6. Subsistem Pengenalan Wajah
Pengenalan wajah dilakukan dengan mencocokkan image wajah yang
di-capture pada saat presensi dengan image wajah yang ada didalam
database dosen. Langkah-langkah pencocokan wajah (image matching)
Tesface Tesface Ternormalisasi Eigenface Eigenface Flatvector Citra Wajah Eigenface
Gambar 4.5 Langkah-langkah Proses Identifikasi Image Wajah
Keterangan:
1. Image wajah di-capture dengan menggunakan webcam. Hasil dari
capturing ini adalah file gambar yang bertipe .bmp.
2. Image wajah ini kemudian dinormalisasikan. Normalisasi dilakukan
dengan beberapa tahapan. Pertama image diturunkan kualitas warnanya menjadi tipe grayscale. Ukuran dari image wajah juga diseragamkan dengan ukuran 80 x 80 piksel.
3. Setelah didapatkan image wajah yang ternormalisasi, tentukan eigenface dari image wajah tersebut, misalnya diperoleh nilai μ.
Webcam Normalisasi Image Kalkulasi Eigenface Proses Matching
Cari Selisih yang paling kecil antara testface dengan eigenface pada citra-citra wajah yang terdapat dalam database.
Kalkulasi Eigenface Database
4. Pada data dosen, kita juga mempunyai koleksi image wajah. Dari koleksi ini masing masing image dikalkulasi eigenface-nya. Misalkan kita mendapatkan nilai (μ1, μ2,…, μn).
5. Proses matching dilakukan dengan mencocokkan nilai μ dengan nilai-nilai pada eigenface dari image dalam database, dan mencari nilai yang paling mendekati.
6. Jika sudah ditemukan nilai yang paling mendekati, cari data dosen yang berkorespondensi dengan nilai tadi.
Untuk proses perhitungan eigenface dari image pada langkah tiga, penjelasannya sebagai berikut:
4.7 Tahapan – Tahapan Algoritma Eigenface Algoritma selengkapnya (Gambar 4.3) adalah: Tahapan Perhitungan Eigenface:
1. Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh training image (Γ1, Γ2, … , ΓM).
Buat Himpunan image (S) dari total M training_image, dimana setiap image adalah p x q piksel.
Misal di dalam himpunan image terdapat tiga image ukuran 3 x 3 piksel maka:
Image 1 Image 2 Image 3
0 4 3 2 2 1 1 3 2
1 4 2 3 2 4 2 3 0 0 0 0 0 0 0 0 0 0
2. Langkah kedua adalah ambil nilai tengah atau mean (Ψ).
Cari nilai tengah atau mean (Ψ). 3 Ψ= 1 ∑ Гn= 1 0 4 3 2 2 1 1 3 2 3 n= 1 3 1 4 2 + 3 2 4 + 2 3 0 0 0 0 0 0 0 0 0 0 Ψ= 1 3 2 2 3 0 0 0 0
3. Langkah ketiga kemudian cari selisih (Ф) antara training image (Γ1) dengan nilai tengah (Ψ).
Cari selisih (Ф) antara training image (Г) dengan nilai tengah (Ψ), apabila ditemukan nilai dibawah nol ganti nilainya dengan nol.
Ф1=Г1–Ψ = 0 4 3 1 3 2 0 1 1 1 4 2 - 2 3 2 - 0 1 0 0 0 0 0 0 0 0 0 0 Ф2=Г2–Ψ = 2 2 1 1 3 2 1 0 0 3 2 4 - 2 3 2 - 1 0 1 0 0 0 0 0 0 0 0 0 Ф3=Г3–Ψ = 1 3 2 1 3 2 0 1 0 2 3 0 - 2 3 2 - 0 0 0 0 0 0 0 0 0 0 0 0
4. Langkah keempat adalah menghitung nilai matriks kovarian (C).
Hitung nilai matriks kovarian (С). M C= 1 ∑ ФnФn M n= 1 C = AAT A = Ф1, Ф2, … ,ФM L = AAT, dimana Lm, n = ФnФm 0 0 0 1 1 0 1 0 0 0 1 1 1 0 0 0 1 0 1 1 1 L = 0 1 0 1 0 1 0 0 0 x 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 0 0 0 L = 4 2 1 1 0 0 2 3 1 0 0 0 1 1 1
5. Langkah kelima menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C).
Cari nilai eigenvalue (λ) dan eigenvector (v). L x v= λ x v
L x v= λI xv
( L –λI ) = 0 atau ( λI –L) = 0
maka eigenvalue (λ) dapat dihitung, det (λI -L) = 0 1 0 0 4 2 1 λ– 4 2 1 = λ - 2 3 1 = 2 λ– 3 1
0 0 1 1 1 1 1 1 λ– 1 akan dihasilkan nilaiλ= 1 , danλ= 4.
v1 v = v2
v3
eigenvector (v) dihasilkan dengan mensubtitusikan nilai eigenvalue (λ)
kedalam persamaan( λI –L) v= 0.
4 – 4 2 1 v1 untuk λ= 4, maka 2 4 – 3 1 v2 = 0 1 1 4 – 1 v3 2 2 1 v1 2v1 2v2 v3 0 2 1 1 v2 = 2v1 v2 v3 = 1 1 3 v3 v1 v2 3v3 1 -3 dihasilkan eigenvector dan
0 1
1 – 2 2 1 v1 untukλ= 1, maka 2 1 – 3 1 v2 = 0
-1 2 1 v1 -v1 2v2 v3 0 2 -2 1 v2 = 2v1 -2v2 v3 = 1 1 v3 v1 v2 0
1 dihasilkan eigenvector 1
sehingga eigenvector yang dihasilkan dari matriks Ladalah: 1 -3 1
-1 1 0 1 0
6. Langkah keenam, setelah eigenvector (v) diperoleh, maka eigenface (μ) dapat dicari dengan:
Cari nilai eigenface(μ) M μi= ∑ vlkФk k= 1 1 -3 1 0 1 1 -2 1 μ1=v.Ф1= -1 0 1 0 1 0 = -1 -1 0 1 0 0 0 0 0 1 0 1 -3 1 1 0 0 -2 -3 μ2 =v.Ф2= -1 0 1 1 0 1 = -1 0 1 0 0 0 0 1 0 1 1 -3 1 0 1 0 0 1 0 μ3 =v.Ф3= -1 0 1 0 0 0 = -1 0 1 0 0 0 0 0 0 0
Untuk proses matching imagepenjelasannya sebagai berikut: Tahapan Pengenalan:
1. Sebuah image wajah baru atau test face (Γnew) akan dicoba untuk dikenali, pertama terapkan cara pada tahapan pertama perhitungan
eigenface untuk mendapatkan nilai eigenface dari image tersebut.
Cari nilai eigenface imagebaru (Γnew) yang akan dikenali.
a. Cari selisih (Ф) antara test face(Γnew) dengan nilai tengah (Ψ), apabila ditemukan nilai dibawah nol ganti nilainya dengan nol. Misal test face (Γnew) terdiri dari matriks 3 x 3:
2 6 5 0 1 3 1 0 0 2 6 5 1 3 2 1 3 3 Фnew = 0 1 3 2 3 2 = 0 0 1 1 0 0 0 0 0 1 0 0 b. Cari nilai eigenfacedari test face(Γnew)
μnew= v. Фnew
1 -3 1 1 3 3 2 3 0
μnew= -1 0 1 0 0 1 = 2 -3 -3
0 1 0 1 0 0 0 0 1 test face
2. Gunakan Euclidean Distance untuk mencari selisih terkecil antara
eigenface training image (Γi) dalam database dengan eigenface
test face (Γnew).
εk=|| Ω -Ωnew|| 0 -2 1 2 3 0 ε1=|| Ω1-Ωnew|| = 0 -1 -1 - 2 -3 -3 = 16 0 1 0 0 0 1 -2 0 -3 2 3 0 ε2=|| Ω2-Ωnew|| = -1 0 0 - 2 -3 -3 = 20 1 0 1 0 0 1 0 1 0 2 3 0 ε3=|| Ω3-Ωnew|| = 0 -1 0 - 2 -3 -3 = 12 0 0 0 0 0 1
karena jarak (distance) eigenface image 3 dengan eigenface test faceyang paling kecil, maka hasil identifikasi meyimpulkan bahwa
test face lebih mirip dengan image 3 daripada image 1 atau image
2.
4.8 Perancangan Basis Data
