Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)

Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter

Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)

Erma Rachmawati

Jurusan Teknik Elektro- FTI , Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111

E-mail : ema_love_snoopy@yahoo.co.id

Abstrak - Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur dan pendekatan penampilan. Pada tugas akhir ini digunakan teknik pengenalan wajah dengan pendekatan fitur berdasarkan fitur gabor yang dihasilkan dari ekstraksi filter gabor.

Tugas akhir ini bertujuan untuk merepresentasikan pengenalan wajah dengan tiga metoda berdasarkan fitur gabor, metoda yang pertama yaitu pengenalannya berdasarkan titik-titik fitur gabor pada citra dengan diambil energi tertinggi, metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis) dan metoda yang ke tiga adalah pengenalannya dengan cara pendekatan holistic static berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini menggabungkan PCA dan LDA dimana titik-titik fitur gabor pada citra wajah diproyeksikan ke PCA dan hasil proyeksi diproyeksikan lagi menuju ruang klasifikasi LDA. Hasil dari penelitian ini menunjukkan bahwa terjadi peningkatan laju pengenalan dari filter gabor, gabor-PCA dan gabor-LDA, dimana pemilihan jumlah eigenface yang dipakai juga menentukan kerja pengenalan.

Kata kunci : Pengenalan Wajah, Ekstraksi Filter

Gabor, Algoritma PCA, Subspace LDA I. PENDAHULUAN

Pengenalan wajah manusia adalah salah satu bidang penelitian yang penting dengan banyak aplikasi yang dapat menerapkannya. Proses pengenalan wajah dipengaruhi oleh faktor-faktor variabilitas intrapersonal yang memiliki dimensi tinggi sehingga harus melalui proses reduksi terlebih dahulu sebelum data diolah.

Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur (feature-based) dan pendekatan penampilan (appearance-based) [1]. Pada tugas akhir ini digunakan pendekatan fitur berdasarkan Gabor Filter yaitu filter linier yang digunakan dalam pengekstrasian fitur wajah sebagai detektor ciri [2]. Salah satu metoda yang digunakan untuk mengurangi dimensi-dimensi fitur yaitu, algoritma PCA (Principal Component Analysis)[1][3] dikarenakan dapat mengurangi dimensi ruang fitur dan algoritma

LDA (Linear Discriminant Analysis)[8] yang memberlakukan properti statistik yang terpisah untuk tiap-tiap kelas..

II. TEORI PENUNJANG 2.1 Pengolahan Citra

Pengolahan citra adalah suatu pengolahan data yang masukannya berupa gambar dan luarannya juga gambar. Tujuan dari pengolahan citra adalah memperbaiki informasi pada gambar sehingga mudah terbaca atau memperbaiki kualitas dari gambar itu sendiri [4].

2.2 Pengenalan wajah

Algoritma pengenalan wajah pendekatan fitur (feature-based) menggunakan suatu landmark atau marker (penanda) yang digunakan sebagai detektor ciri. Dalam hal ini informasi pada citra wajah diharapkan dapat diperoleh atau diekstrak sehingga memungkinkan untuk digunakan sebagai pembanding dalam pengenalan wajah.

Salah satu teknik feature extraction adalah dengan menggunakan gabor filter. Representasi fitur wajah menggunakan filter gabor telah menjadi bahasan yang luas dan sukses digunakan dalam pengenalan wajah karena fungsi gabor dikenal sangat variatif dalam proses ekstraksi untuk pengenalan wajah [2]

2.3 Filter gabor [2]

Fungsi Gabor pertama kali diperkenalkan oleh Denis Gabor sebagai tools untuk deteksi sinyal dalam noise. Daugman mengembangkan kerja Gabor kedalam filter dua dimensi. Filter gabor adalah filter linier yang digunakan dalam pengekstrasian fitur wajah sebagai detektor ciri. Filter Gabor dikenal sebagai detektor ciri yang sukses karena memiliki kemampuan menghilangkan variabilitas yang disebabkan oleh iluminasi kontras dan sedikit pergeseran serta deformasi citra, output filter Gabor telah digunakan dengan sukses untuk pengenalan wajah.

Gabor filter (G (x,y)) merupakan suatu kompleks sinusoida yang berkombinasi dengan gaussian envelope yang berdomain spasial. Gabor kernel dengan 5 frekuensi spasial (ω=0, 1, 2, 3, 4) dan 8 orientasi (θ = 0, 1, 2, 3, 4, 5, 6, 7) [3, 5, 6, 10] Gambar seperti di tunjukkan Gambar 1.

Gambar 1. Gabor kernel dengan 5 frekuensi spasial dan 8 orientasi sudut [2]

bentuk umum persamaan gabor kernel

Setelah cita di konvolusi dengan gabor kernel maka terbentuklah 40 magnitude, dimana magnitude pertama dicari nilai maksimum dengan prosedur menempatkan window Wo dengan ukuran 4x4, nilai maksimum tersebut merupakan feature points yang koordinatnya akan di proyeksikan ke magnitude 2 sampai 40. Sehingga bentuknya seperti berikut

𝑅𝑅𝑅𝑅 (𝑥𝑥𝑜𝑜, 𝑦𝑦𝑜𝑜) = max_{(𝑥𝑥,𝑦𝑦)∈𝑊𝑊𝑜𝑜}(𝑅𝑅𝑅𝑅 (𝑥𝑥, 𝑦𝑦)) 𝑅𝑅𝑅𝑅 (𝑥𝑥𝑜𝑜, 𝑦𝑦𝑜𝑜) > _{𝑁𝑁1 𝑁𝑁2}1 � � 𝑅𝑅𝑅𝑅 (𝑥𝑥, 𝑦𝑦) 𝑁𝑁2 𝑦𝑦=1 𝑁𝑁1 𝑥𝑥=1

Setelah didapatkan feature points maka disusun untuk membentuk suatu feature vector dimana dari 1 citra menjadi 40 gabor hasil ekstraksi, maka terdapat 42 komponen feature vector dimana 2 adalah representasi lokasi feature points dengan x,y koordinat dan 40 merupakan komponen respon gabor filter yaitu feature point, yang didefinisikan dengan persamaan berikut,

𝑉𝑉𝑖𝑖,𝑘𝑘 = �𝑥𝑥𝑘𝑘, 𝑦𝑦𝑘𝑘, 𝑅𝑅𝑖𝑖,𝑅𝑅(𝑥𝑥𝑘𝑘, 𝑦𝑦𝑘𝑘 𝑅𝑅 = 1, … … ,40)�

Selanjutnya yaitu proses similarity yaitu proses matching dengan mengukur kesamaan antara 2 fitur

𝑆𝑆𝑖𝑖(𝑘𝑘, 𝑅𝑅) = ∑�𝑣𝑣𝑖𝑖,𝑘𝑘 (𝑙𝑙)�|𝑣𝑣(𝑡𝑡,𝑅𝑅 )(𝑙𝑙)|

�∑ |𝑣𝑣(𝑖𝑖,𝑘𝑘)(𝑙𝑙)|2∑ |𝑣𝑣(𝑡𝑡,𝑅𝑅 )(𝑙𝑙)|2

Si (k, j) merupakan persamaan fitur vektor j dari wajah tes, (vt, j), ke k yang merupakan vektor fitur wajah referensi dengan, (vi, k), di mana l adalah jumlah elemen vektor. Untuk mengukur kesamaan antara dua vektor harus memenuhi batasan

0<Si<1

dan jika foto training wajah digunakan juga sebagai image tes, maka

S i (j, j) = 1.

Proses pengenalannya adalah dengan mencari nilai maksimum dari hasil similarity citra training dan citra

test. Selisih terkecil, yang mendekati 0 merupakan citra yang dikenali

2.4 Metoda PCA (Principal Component

Analysis)[1]

PCA adalah ekstrasi fitur klasik dan teknik representasi data yang umum digunakan pada pola pengenalan dan computer vision. Ide dasar dari algoritma PCA ini adalah menentukan komponen-komponen atau dimensi-dimensi dimana koleksi dari semua citra-citra diharapkan memperoleh distribusi energi maksimal pada komponen-komponen tersebut. Maka dimensi-dimensi yang berkontribusi tersebutlah yang dipertahankan dan sisanya dihilangkan untuk tahap pemrosesan berikutnya. Penggunaan algoritma PCA pada Tugas Akhir ini digunakan untuk mereduksi dimensi dari titik yang berdimensi tinggi menuju titik yang berdimensi lebih rendah sehingga dapat lebih mudah dalam proses penghitungannya.

2.5. Eigenface, eigenvector, eigenvalue

Metode eigenface digunakan untuk mencari komponen prinsip (principal component) dari distribusi citra wajah atau eigenvector dari covariant matrix dari kumpulan citra wajah. Eigenvector ini dapat juga dinyatakan sebagai kumpulan fitur-fitur, dimana didapat dari variasi antar citra wajah.

Satu hal yang penting dari metode eigenface ini adalah mendapatkan eigenvector-eigenvector dari matrik kovarian pada citra wajah dengan ukuran (Nx x Ny) fitur. Matrik kovarian ini berukuran (N x N), dimana N adalah (Nx x Ny) sehingga sangat sulit untuk dikerjakan karena ukurannya yang sangat besar (computational complexity). Oleh karena itu pada metode ini, perhitungan eigenvector tidak diperoleh secara langsung dari matrik (N x N) melainkan melalui matrik (Mt x Mt). Dengan Mt merupakan jumlah dari citra-citra wajah. Eigenvector dari matrik (N x N) kemudian diperoleh melalui eigenvector-eigenvector matrik (Mt x Mt) tersebut.

2.5 Metoda subspace LDA (Linear Discriminant

Analysis) [5]

Linear Discriminant Analysis (LDA) pertama kali diterapkan pada proses pengenalan wajah oleh etemad dan chellapa. LDA bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal yang dapat memaksimumkan penyebaran antar kelas dan meminimumkan penyebaran dalam kelas data wajah. Algoritma LDA memiliki karakteristik perhitungan matriks yang hampir sama dengan PCA. Perbedaan dasarnya adalah pada LDA diusahakan adanya perbedaan yang minimum dari citra dalam kelas. Perbedaan antar kelas direpresentasikan oleh matriks Sb (scatter between class) dan perbedaan

dalam kelas direpresentasikan oleh matriks Sw

(scatter within class). Matriks covariance didapatkan dari kedua matriks tersebut. Untuk memaksimalkan jarak antar kelas dan meminimumkan jarak dalam kelas digunakan suatu discriminant power

G(x,y) = _{√2𝜋𝜋𝜎𝜎}1 ₂ exp �𝑥𝑥2+ 𝑦𝑦2

2𝜎𝜎2 � exp (j(2𝜋𝜋(𝜔𝜔 cos 𝜃𝜃 x + 𝜔𝜔 sin 𝜃𝜃 y)))

Variasi frekuensi spasial

Start Stop Citra wajah Feature vector Gabor Feature points 𝐽𝐽(𝑊𝑊) =_|𝑊𝑊|𝑊𝑊_𝑇𝑇𝑇𝑇_.𝑆𝑆. 𝑆𝑆𝑏𝑏. 𝑊𝑊| w. 𝑊𝑊| 2.6 Euclidean distance

Ruang Euclidean merupakan ruang dengan dimensi terbatas yang bernilai riil. Dalam ruang tersebut anggap saja terdapat dua titik dua dimensi yang memiliki koordinat masing-masing. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku. Dimana x adalah citra training, dan y adalah citra input test. Jika x = (x1, x2, x3, … , xn) dan y = (y1, y2, y3, … , yn)

merupakan dua titik dalam Euclidean ruang –n, maka jarak Euclidean x ke y adalah:

𝑑𝑑(𝑥𝑥, 𝑦𝑦) = �(𝑥𝑥1− 𝑦𝑦1)2+ (𝑥𝑥2− 𝑦𝑦2)2+ ⋯ +(𝑥𝑥𝑛𝑛− 𝑦𝑦𝑛𝑛)2

𝑑𝑑(𝑥𝑥, 𝑦𝑦) = ��(𝑥𝑥𝑖𝑖− 𝑦𝑦𝑖𝑖)2 𝑛𝑛

𝑖𝑖=1

III. PERANCANGAN SISTEM 3.1 Perancangan Perangkat Lunak

Perancangan perangkat lunak pada proses pengenalan wajah pada Tugas Akhir ini, diimplementasikan melalui program MATLAB versi 7.5 serta pembuatan tampilan menggunakan GUI (Graphic User Interface) seperti pada Gambar 2.

3.2 Perancangan Data

Pada perancangan data digunakan dua macam database citra wajah yang berbeda, yaitu database YaleB dengan beda pencahayaan serta Att_face dengan beda headpose.

3.3 Perancangan Algoritma

Blok diagram sistem pengenalan wajah keseluruhan ini dapat dilihat pada Gambar 6. Pada awal proses pengenalan wajah dimulai dengan Pre-processing yang dimaksud proses pre-Pre-processing dalam tugas akhir ini yaitu dengan normalisasi intensitas piksel, menentukan keseragaman nilai piksel serta memperkecil dimensi piksel menjadi lebih kecil, dilakukan dengan proses cropping dan resize. Proses cropping dilakukan terpisah dengan program agar hasil cropping dapat sesuai dengan yang diinginkan. Normalisasi ukuran menyamakan ukuran citra training dan citra test dari ukuran sebenarnya 168 x 192 menjadi 64 x 64. selanjutnya

Gambar 2 Tampilan Matlab GUI

3.4 Perancangan Algoritma Gabor

Proses ekstraksi fitur adalah dengan mengkonvolusikan citra dengan gabor filter, dan untuk pengenalannya dilakukan proses similarity.

Gambar 3 Diagram alir ekstraksi fitur gabor

Gambar 4 Mencari fitur point

Gambar 6 Blok diagram sistem keseluruhan

3.5 Perancangan Algoritma PCA

Metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis). Diagram alir dapat dilihat pada Gambar 7

3.6 Perancangan Algoritma LDA

Metoda yang ke tiga pengenalannya berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini terdiri dari dua tahap yaitu citra wajah diproyeksikan ke ruang eigenface yang telah dibentuk oleh PCA dan kemudian vektor-vektor yang telah terproyeksi diproyeksikan kembali menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier.

Perbedaan antar kelas direpresentasikan oleh matriks Sb (scatter between class) dan perbedaan

dalam kelas direpresentasikan oleh matriks Sw

(scatter within class).

Gambar 7 Diagram Alir Perancangan Algoritma PCA

IV. PENGUJIAN DAN ANALISA SISTEM

Dalam perancangan sistem pengenalan wajah ini, terdapat dua macam masukan citra, yaitu citra training dan tes. Kedua citra ini akan dilakukan pengujian dengan tiga metoda. Metoda yang pertama yaitu pengenalannya berdasarkan titik-titik fitur gabor pada citra dengan diambil energi tertinggi, metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis) dan metoda yang ke tiga adalah pengenalannya dengan cara pendekatan holistic static berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini menggabungkan PCA dan LDA dimana titik-titik fitur gabor pada citra wajah diproyeksikan ke PCA dan hasil proyeksi diproyeksikan lagi menuju ruang klasifikasi LDA. Pada awalnya dilakukan pengujian citra training terlebih dahulu untuk mengetahui apakah sistem mengenali dirinya sendiri.

4.1 Pengujian Citra Training

Untuk pengujian citra training hasil yang diperoleh adalah tingkat pengenalannya sebesar 100% baik untuk database YaleB dengan beda pencahayaan maupun database att_face dengan beda headpose.

4.2 Pengujian filter gabor

Untuk database YaleB, citra training yang digunakan berjumlah 10 citra dengan ketentuan 1 orang dengan masing-masing 1 citra, citra tes yang digunakan sebanyak 100 citra dengan ketentuan 10 orang dengan masing-masing 10 citra. Dengan hasil persentase laju pengenalan dengan rata rata kecocokan 80,6%. Untuk database Att_Faces, citra training yang digunakan berjumlah 10 citra dengan ketentuan 1 orang dengan msing-masing 1 citra, citra tes yang digunakan sebanyak 90 citra dengan ketentuan 10 orang dengan masing-masing 9 citra. Dengan hasil persentase laju pengenalan dengan rata rata kecocokan 50%

4.3 Pengujian filter Gabor –PCA dan Gabor-LDA

Citra training terdiri dari 15 kelas dimana tiap 1 kelas berisi 1 orang dengan 5 pencahayaan., sehingga citra training berjumlah 75 citra yang nantinya akan disimpan dalam database dan

digunakan dalam proses pengenalan. Sedangkan citra tes yang digunakan terdiri dari 15 orang dengan masing-masing 10 perbedaan pencahayaan, sehingga total 150 citra.

Pada pengujian dilakukan seleksi pemilihan eigenvector dari 100%, 80%, 60%, 40%, 20% dengan tujuan untuk mengetahui perbedaan tingkat pengenalan. Dengan hasil persentase laju pengenalan untuk Gabor-PCA seperti pada Gambar 8 dan persentase laju pengenalan untuk Gabor-LDA seperti pada Gambar 9

Gambar 8 Grafik rata rata pengujian filter gabor-PCA

Gambar 9 Grafik rata rata pengujian filter gabor-LDA

V. KESIMPULAN

Berdasarkan hasil perancangan, pengujian serta analisa pada tugas akhir ini dapat disimpulkan bahwa:

1. Ekstraksi fitur gabor dengan pengambilan nilai maksimum hasil gabor dapat digunakan untuk mengenali wajah dengan hasil pengenalan 80.6% untuk database Yale-B dan 50% untuk database att_faces.

2. Penambahan kelas pada algoritma Principal Component Analysis (PCA) dapat memperbaiki laju pengenalan dengan peningkatan menjadi 84% untuk database Yale-B dan pada eigenvector 60 sampai 100.

3. Penambahan kelas pada algoritma Principal Component Analysis (PCA) dapat memperbaiki laju pengenalan dengan peningkatan menjadi 92% untuk

database att_faces dan pada eigenvector 40 sampai 100.

4. Penambahan algoritma Linear Discriminant Analysis (LDA) dapat memperbaiki pengenalan dengan peningkatan menjadi 100% untuk database Yale-B dan pada eigenvector 40 sampai 60.

5. Penambahan algoritma Linear Discriminant Analysis (LDA) dapat memperbaiki pengenalan dengan peningkatan menjadi 94.6% untuk database att_faces dan pada eigenvector 40 sampai 60.

DAFTAR PUSTAKA

[1] Hendra Kusuma dan Wirawan., Appearance-based face recognition dengan menggunakan Principal Component analysis (PCA) dan Nearest Mean Classifier, 2008

[2] Burcu Kepenekci. Face recognition using gabor wavelet transform, September 2001.

[3] David Zhang, Xiaoyuan Jing, Jian Yang.. Biometric Image Discrimination Technologies. 65–130, July 2006.

[4] T Suyono, S.Si, “Teori Pengolahan Citra Digital”, Universitas Dian Nuswantoro, 2009.

[5] Hendra Kusuma dan Wirawan., Teknik Pengenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis), 2008

RIWAYAT PENULIS

Erma Rachmawati, lahir di Sidoarjo pada tanggal 22 Agustus 1987, merupakan anak kedua dari empat bersaudara pasangan Bapak Samuri dan Ibu Supiyati. Melanjutkan pendidikan di SLTPN I Waru, Sidoarjo hingga selesai pada tahun 2002. Kemudian melanjutkan pendidikan di SMA Negeri 17 Surabaya dan lulus tahun 2005. Dilanjutkan dengan menempuh studi di Diploma 3 Jurusan Komputer Kontrol, ITS. Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS, bidang Studi Telekomunikasi Multimedia pada tahun 2008.

20 40 60 80 100 Yale-B 77.3 83.3 84 84 84 Att_Faces 86.6 92 92 92 92 0 20 40 60 80 100 La ju P en ge na la n (% )

Perbandingan laju pengenalan Gabor-PCA

20 40 60 80 100 Yale-B 77.3 100 100 99.3 90 Att_Faces 86.6 94.6 94.6 93.3 88 0 20 40 60 80 100 120 La ju P en ge na la n (% )