PENINGKATAN AKURASI PENDETEKSIAN WAJAH TUA DAN MUDA PADA METODE TEMPLATE MATCHING DENGAN
FUZZY ASSOCIATIVE MEMORY (FAM) TESIS
RAFIKA SARI BR SEMBIRING 177038024
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
PENINGKATAN AKURASI PENDETEKSIAN WAJAH TUA DAN MUDA PADA METODE TEMPLATE MATCHING DENGAN
FUZZY ASSOCIATIVE MEMORY (FAM) TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
RAFIKA SARI BR SEMBIRING 177038024
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2019
PERNYATAAN
PENINGKATAN AKURASI PENDETEKSIAN WAJAH TUA DAN MUDA PADA METODE TEMPLATE MATCHING DENGAN FUZZY
ASSOCIATIVE MEMORY (FAM)
TESIS
Saya mengakui bahwa tesis ini adalah karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 12 September 2019
Rafika Sari Br Sembiring 177038024
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN
AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertanda tangan dibawah ini :
Nama : Rafika Sari Br Sembiring
NIM : 177038024
Program Studi : Magister Teknik Informatika Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas tesis saya yang berjudul :
PENINGKATAN AKURASI PENDETEKSIAN WAJAH TUA DAN MUDA PADA METODE TEMPLATE MATCHING DENGAN FUZZY
ASSOCIATIVE MEMORY (FAM)
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non- Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan tesis saya tanpa meminta izin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 12 September 2019
Rafika Sari Br Sembiring 177038024
Telah diuji pada
Tanggal : 12 Agustus 2019
PANITIA PENGUJI TESIS
Ketua : Dr. Syahril Efendi, M.IT Anggota : 1. Prof. Dr. Saib Suwilo 2. Prof. Dr. Muhammad Zarlis 3. Prof. Dr. Herman Mawengkang
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : Rafika Sari Br. Sembiring Tempat dan Tanggal Lahir : Medan, 9 April 1992
Alamat Rumah : Tj. Anom Gg. Mawar No. 242 Medan
Telepon/HP : 08116006060
Email : [email protected]
Instansi Tempat Bekerja : -
Alamat Kantor : -
DATA PENDIDIKAN
SD : SD Negeri No. 104219 Deli Serdang Tamat : 2004
SLTP : SMP Negeri 1 Pancur Batu Tamat : 2007
SLTA : SMA Sultan Iskandar Muda Medan Tamat : 2010 D3 : D3 Teknik Informatika Universitas Sumatera Utara Tamat : 2013 S1 : Teknik Informatika Universitas Sumatera Utara Tamat : 2015 S2 : Teknik Informatika Universitas Sumatera Utara Tamat : 2019
UCAPAN TERIMAKASIH
Ucapan syukur dan terimakasih penulis kepada Tuhan Yang Maha Esa, atas segala kasih karuniaNya sehingga penulis dapat menyelesaikan tesis yang berjudul “Peningkatan Akurasi Pendeteksian Wajah Tua dan Muda Pada Metode Template Matching dengan Fuzzy Associative Memory (FAM)”.
Penulis juga tidak lupa mengucapkan terima kasih banyak kepada semua pihak yang telah membantu penulis dalam menyelesaikan tesis ini, diantaranya :
1. Bapak Prof. Dr. Runtung Sitepu, S.H., M.Hum, selaku Rektor Universitas Sumatera Utara.
2. Bapak Prof. Dr. Opim Salim Sitompul, M.Sc, selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
3. Bapak Prof. Dr. Muhammad Zarlis, M.Sc, selaku Ketua Program Studi S2- Teknik Infomatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara, dan sekaligus juga selaku Dosen Pembanding 1 yang telah memberikan saran kepada penulis untuk menyelesaikan tesis ini.
4. Bapak Dr. Syahril Efendi, S.Si., M.IT, selaku Dosen Pembimbing 1 yang selama ini tidak mengenal lelah memberikan banyak saran serta pembelajaran yang berharga bagi penulis sebagai arahan untuk menyelesaikan penulisan tesis ini.
5. Bapak Prof. Dr. Saib Suwilo, selaku Dosen Pembimbing 2 yang juga telah memberi arahan kepada penulis dalam menyelesaikan tesis ini.
6. Bapak Prof. Dr. Herman Mawengkang, selaku Dosen Pembanding 2 yang telah memberikan saran dan pembelajaran yang berharga kepada penulis dalam menyelesaikan tesis ini.
7. Suami saya tercinta, Melki Fedrinandus Ari Sandi Saragih yang telah memberikan cinta dan mensupport saya selama ini.
8. Kedua orang tua saya yang memberikan dukungan kepada penulis, sehingga terselesaikannya proses pendidikan dari program studi S2-Teknik Infomatika, Fakultas Ilmu Komputer dan Teknik Informatika Universitas Sumatera Utara.
viii
9. Bapak/Ibu Dosen program studi S2-Teknik Informatika Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara yang telah memberikan bekal ilmu yang berharga bagi penulis selama masa perkuliahan.
10. Teman-teman Fasilkom-TI S2 Stambuk 2017 yang selama ini juga berjuang bersama-sama dalam menghadapi dunia perkuliahan.
Penulis menyadari bahwa dalam penulisan ini masih mempunyai kekurangan. Oleh karena itu, penulis mengharapkan saran dan kritik yang bersifat membangun dari semu pihak. Penulis berharap karya tulis ini dapat digunakan sebagai referensi dan dimanfaatkan dengan baik serta dapat lebih bermanfaat kedepannya.
Medan, 12 September 2019 Penulis,
Rafika Sari Br Sembiring NIM: 177038024
ABSTRAK
Menggunakan kombinasi metode Template Matching dengan menggunakan Fuzzy Associative Memory (FAM) secara real-time untuk pendeteksian wajah tua dan muda pada webcam yang cenderung lebih kompleks dan berubah dengan lebih cepat pada orientasi wajah tampak depan. Tingkat akurasi yang diperoleh dengan menggunakan Template Matching secara konvensional adalah sebesar 83%, sedangkan dengan menggunakan Fuzzy Associative Memory (FAM), tingkat akurasi yang diperoleh adalah sebesar 90%. Metode ini menghasilkan tingkat akurasi sebesar 7% lebih baik daripada Template Matching secara konvensional.
Kata Kunci : Template Matching, Fuzzy Associative Memory, FAM.
ABSTRACT
Using a combination of Template Matching methods by using Fuzzy Associative Memory (FAM) in real-time for the detection of old and young faces on a webcam that tends to be more complex and change more quickly in the orientation of the front view face. The accuracy rate obtained using conventional Matching Templates is 83%, whereas by using Fuzzy Associative Memory (FAM), the accuracy level obtained is 90%. This method produces an accuracy rate of 7%
better than conventional Matching Templates.
Keywords : Template Matching, Fuzzy Associative Memory, FAM.
DAFTAR ISI
Hal
HALAMAN JUDUL i
PERSETUJUAN ii
PERNYATAAN ORISINALITAS iii
PERNYATAAN PERSETUJUAN PUBLIKASI iv
PANITIA PENGUJI v
RIWAYAT HIDUP vi
UCAPAN TERIMAKASIH vii
ABSTRAK ix
ABSTRACT x
DAFTAR ISI xi
DAFTAR TABEL xiv
DAFTAR GAMBAR xvi
BAB I PENDAHULUAN 1
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 3
BAB II LANDASAN TEORI 4
2.1 Citra Digital 4
2.2 Jenis-Jenis Citra 5
2.3 Deteksi Gerakan ( Video ) 6
2.4 Deteksi Wajah 7
2.5 Metode Template Matching 8
2.6 Metode Fuzzy Associative Memory (FAM) 11
2.7 Penelitian Sebelumnya 12
BAB III METODOLOGI PENELITIAN 13
xii
3.1 Metode Penelitian 13
3.2 Tahapan Deteksi Wajah Tua dan Muda pada Penelitian 14
3.3 Skema Metode yang diusulkan 15
3.4 Karakteristik Pendeteksian 16
3.5 Rencana Tahap Penelitian 16
BAB IV HASIL DAN PEMBAHASAN 18
4.1 Sampel Pelatihan Wajah 18
4.2 Hasil Citra Wajah Pelatihan Tua dan Muda 18 4.3 Hasil Pendeteksian Wajah Tua dan Muda secara real-time 22 4.4 Perhitungan Nilai Citra RGB ke Citra Grayscale 24
4.5 Proses Perhitungan Konvolusi 26
4.6 Perhitungan Fuzzy Associative Memory (FAM) 29
4.7 Perhitungan Template Matching 30
4.8 Pengukuran unjuk kerja sistem pendeteksian wajah tua dan muda 31 4.9 Pengukuran menggunakan FAM dan Template Matching 33
BAB V KESIMPULAN DAN SARAN 36
5.1 Kesimpulan 36
5.2 Saran 37
DAFTAR PUSTAKA LAMPIRAN
DAFTAR TABEL
Hal
Tabel 2.1 Penelitian Terdahulu 12
Tabel 4.1 Data Sampel Citra yang Diinput 25
Tabel 4.2 Hasil Perhitungan Konversi Manual Grayscale 25 Tabel 4.3 Hasil Perhitungan Konversi Manual Grayscale 27
Tabel 4.4 Hasil Nilai Citra Sobel 28
Tabel 4.5 Hasil Normalisasi Nilai Pixel 29
Tabel 4.6 Hasil Unjuk Kerja Sistem Pendeteksian Wajah tua dan Muda 32 Tabel 4.7 Hasil Unjuk Kerja Sistem Pendeteksian FAM 34
DAFTAR GAMBAR
Hal Gambar 2.1 Koordinat Pixel dalam kanvas untuk citra ukuran MxN 4
Gambar 2.2 Contoh Gambar 8
Gambar 2.3 Contoh Template 8
Gambar 2.4 Pencarian Template 9
Gambar 3.1 Skema metode yang diusulkan 15
Gambar 4.1 Beberapa Sampel wajah yang digunakan 18 Gambar 4.2 Vektor Pola wajah tua yang dijadikan sebagai pola
Pelatihan wajah laki-laki tua 19
Gambar 4.3 Vektor Pola wajah muda yang dijadikan sebagai pola
Pelatihan wajah laki-laki muda 20
Gambar 4.4 Vektor Pola wajah tua yang dijadikan sebagai pola
Pelatihan wajah wanita tua 21
Gambar 4.5 Vektor Pola wajah muda yang dijadikan sebagai pola
Pelatihan wajah wanita tua 22
Gambar 4.6 Hasil pendeteksian sistem pendeteksi wajah tua dan muda
Secara real-time 23
Gambar 4.7 Hasil pendeteksian bernilai false positive rate 24
Gambar 4.8 Grafik hasil pengujian sistem 32
Gambar 4.9 Grafik hasil pengujian sistem 34
BAB I PENDAHULUAN
1.1. Latar Belakang
Seiring perkembangan informasi teknologi yang berkembang dengan pesat, sistem pengolah data yang baik juga akan menghasilkan output informasi yang baik juga.
Pengolahan data yang digunakan modern ini lebih mendekati kepada data gambar, suara dan teks. Untuk menyelesaikan problem yang kompleks/sulit memerlukan metode yang efektif, effisien dan memiliki tingkat akurasi yang baik. Artificial Inteligent adalah salah satu bidang ilmu komputer yang membuat mesin komputer mampu melakukan pekerjaan dengan metode efektif, effisien dan akurat. Citra memegang peran penting dalam penyajian bentuk informasi visual karena citra mempunyai ciri khas yang tidak dimiliki pada data teks. Pengolahan citra digital melibatkan modifikasi data digital untuk meningkatkan kualitas citra dengan bantuan computer (Kamboj & Rani, 2013).
Wajah merupakan suatu penanda untuk mengenali seseorang. Jika seseorang bertemu dengan orang lain, sesuatu yang paling mudah diingat adalah wajah orang itu. Selain untuk mengenali seseorang, wajah juga digunakan untuk berbagai hal lain seperti untuk dalam hal untuk keperluan pendataan penduduk, absensi dan sistem pengamanan menggunakan sistem pendeteksian pola wajah.
Karena wajah manusia merepresentasikan sesuatu yang kompleks, maka untuk mengembangkan model yang efektif untuk pengenalaan wajah merupakan hal yang kompleks.
Setiap manusia memiliki pola wajah maupun karakteristik tertentu walau kembar identik, namun pola wajah manusia tetap memiliki pembeda tersendiri seperti halnya pola wajah tua dan pola wajah muda meskipun pola wajah manusia sangat beragam namun untuk pola wajah tua dan muda akan menjadi suatu pembeda antara satu wajah dengan wajah yang lainnya.
2
Satu tahapan awal yang sangat penting dalam pengenalan wajah (face recognition) yang digunakan untuk identifikasi pola wajah. Deteksi wajah juga bisa berguna untuk pencarian data wajah dari citra atau video yang berisi wajah dengan beragam ukuran, posisi dan latar belakang. Pendeteksian wajah (face detection) dengan bantuan komputer merupakan permasalahan yang cukup sulit dikarenakan wajah manusia memiliki tingkat kerumitan yang bervariant, baik pada intrapersonal ataupun ekstrapersonal.
Mu-Chun Su Chun (2014) dalam jurnalnya membahas masalah pendeteksian wajah pada gambar, ekstraski fitur ekspresi wajah dan klasifikasi ekpresi wajah menggunakan Self-organizing feature maps ( SOM) dan memiliki keakuratan sebesar 90 %.
Eliasta Ketaren (2016) dalam penelitiannya, membahas metode pendeteksian wajah yang dilakukan dengan menginput ciri-ciri backpropagation yaitu hidden layer dan bobot acak yang disebut dengan Modified LVQ (MLVQ).
Tujuan penelitian itu adalah untuk perbandingan antara algoritma Backpropagation, LVQ dan MLVQ pada pendeteksian wajah. Dengan akurasi sebesar dengan tingkat akurasi untuk algoritma Backpropagation sebesar 49.25 %, algoritma LVQ sebesar 48.14 % sedangkan algoritma MLVQ sebesar 50.37 %.
Pada penelitian Safwandi (2016), tentang pendeteksian pada warna kulit wajah dan senyum pada computer dengan menggunakan satu metode Learning Vector Quantization (LVQ) memperoleh hasil false positive rate sebesar 60% dan true positive rate sebesar 40%.
Sedangkan pada penelitian ini, penulis menggunakan kombinasi metode Template Matching dengan menggunakan Fuzzy Associative Memory (FAM) secara real-time untuk pendeteksian wajah tua dan muda pada webcam yang cenderung lebih kompleks dan berubah dengan lebih cepat pada orientasi wajah tampak depan.
1.2. Rumusan Masalah
Rumusan masalah pada penelitian ini adalah cara untuk meningkatkan akurasi pendeteksian wajah tua dan muda secara realtime dengan mengkombinasikan metode Template Matching dengan Fuzzy Associative Memory.
1.3. Batasan Masalah
Beberapa batasan masalah pada penelitian ini adalah sebagai berikut :
1. Citra yang di uji mengandung wajah yang jelas dan tidak terhalang oleh benda apapun secara real time.
2. Citra yang diuji dengan posisi wajah tampak depan.
1.4. Tujuan Penelitian
Tujuan penelitian ini adalah untuk meningkatkan tingkat akurasi pendeteksian wajah tua dan muda pada webcam secara real-time.
1.5. Manfaat Penelitian
Adapun manfaat yang diharapkan dalam penelitian ini adalah :
1. Menemukan kombinasi metode baru dalam mendeteksi wajah dan ekspresi secara real-time yang lebih baik dalam akurasinya.
2.
Menambah pengetahuan bagi para peneliti selanjutnya, terkhususkan untuk peneliti yang ingin meneliti bagian pendeteksian pola wajah secara real-time.4 BAB II
LANDASAN TEORI
2.1. Citra Digital
Pengertian citra pada umumnya adalah gambar. Untuk pengertian yang lebih mendetail, citra yaitu gambar visual terhadap sebuah objek atau beberapa objek tertentu, wujud citra dapat beragam. Citra sendiri dibagi dua, citra analog dan citra digital. Citra analog dijumpai pada kertas (misalnya foto mahasiswa di kartu mahasiswa) atau media lain. Citra digital ialah citra yang dipaparkan dalam kumpulan data numerik dan diproses menggunakan komputer. (Anisha K, 2011).
Citra ialah objek dua dimensi yang diperoleh dari citra analog dua dimensi yang berkelanjutan yang menjadi gambar diskrit yang diperoleh dari proses sampling. Gambar analog terbagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Perkalian antara garis dan kolom tertentu disebut piksel.
Gambar atau titik diskrit pada baris n dan kolom m disebut sebagai pixel [n,m].
Pengertian baris dan kolom didalam kanvas atau gambar di Bitmap ditunjukkan pada gambar dibawah ini. Kolom pertama dan garis dimulai dari nol.
Posisi
Piksel [Kolom, Baris]
Kanvas 0
Baris
Kolom N - 1
0
M - 1
Gambar 2.1. Koordinat Pixel dalam kanvas Untuk Citra Ukuran MxN
Dalam pengolahan citra, citra berujung kepada suatu fungsi intensitas pada objek dua dimensi. Bidang yang terlihat adalah merupakan intensitas cahaya yang dipantulkan dari sebuah objek. Fungsi f (x,y) dapat disebut sebagai fungsi dengan dua buah unsur. Unsur yang pertama merupakan intensitas sumber cahaya yang melingkupi pandangan mata terhadap objek. Sedangkan yang kedua adalah besaran cahaya yang dipantulkan oleh objek kedalam pandangan. (Hambal, 2017).
2.2. Jenis-Jenis Citra
Secara prinsip, citra dapat dibagi menjadi tiga jenis, yaitu citra warna (true color), citra berskala keabuan (grayscale), dan citra biner (monokrom). Penjelasan tiap- tiap citra tersebut dibahas berikut ini (Hemalatha, 2014)
1. Citra Warna (True Color)
Citra berwarna mempresentasikan keadaan visual objek-objek yang biasa kita lihat. Warna objek ikut direkam. Citra berwarna atau yang dikenal sebagai citra RGB tersusun atas tiga komponen, yaitu komponen (R atau Red), komponen hijau (G atau Green), dan komponen biru (B atau Blue).
Setiap piksel akan diwakili oleh tiga komponen tersebut.
2. Citra Berskala Keabuan (Grayscale)
Citra grayscale adalah citra yang menggunakan warna abu-abu yang merupakan kombinasi antara hitam dan putih. Setiap warna didalam citra berskala keabuan dinyatakan dengan sebuah nilai bulat antara 0 dan 255 dan nilai tersebut disebut sebagai intesitas.
Di dalam pengolahan citra, citra berwarna seringkali dikonversi terlebih dulu ke citra beerskala keabuan. Kemudian, melalui citra berskala keabuan inilah dilakukan pemprosesan, misalkan untuk memperoleh tekstur objek..
Akan tetapi cara yang relatif mudah adalah dengan menghitung nilai rata-rata dari ketiga warna dasar tersebut lalu kemudian menggunakannya untuk menjadi warna dasar tersebut dengan nilai yang sama.
Untuk mengganti citra asli menjadi nilai matriks pada masing - masing R, G dan B menjadi citra gray-scale, maka dilakukan konversi nilai, untuk
6
konversi dapat dilakukan dengan mengambil nilai rata-rata dari R, G dan B Adapun rumusnya sebagai berikut :
... (2.1) Ket:
S: Citra Grayscale.
R: Red G: Green B: Blue
3. Citra Biner (Monokrom)
Citra biner didapatkan dari proses pembagian pixel berdasarkan derajat grayscale yang dimiliki. Pixel yang memperoleh derajat grayscale yang lebih kecil dari nilai ketentuan yang ditentukan akan diberi nilai 0, sedangkan pixel yang memiliki derajat grayscale yang lebih tinggi dari ketentuan akan diberi nilai 1.
Kata biner yang berarti dua menyatakan dua kemungkinan nilai tersebut.
Citra seperti ini biasa dipakai untuk kepentingan segmentasi yang memisahkan objek dari latar belakangnya.
2.3. Deteksi Gerakan ( Video )
Pada deteksi gerakan, ada satu proses matching yang disebut Frame Difference yang bertujuan untuk mengurangi jumlah frame satu dengan yang lainnya dan memberi tanda pada frame lain yang lebih besar dari objeknya. Pada langkah ini program akan menentukan batas tepi dari objek gerakan. Awal mula, video image akan menampilkan gambar yang ditangkap oleh webcam pada perangkat yang digunakan. Video image yang ditangkap ini kemudian diubah kedalam 16 bit gambar grayscale. Hal ini bertujuan untuk memudahkan pemrosesan gambar. Jika muncul suatu image baru yang ditangkap oleh video maka program akan langsung menghitung nilai yang ada antara dua image dengan melakukan penghitungan nilai rata-rata dari nilai gray value pada seluruh gambar yang dapat disebut
dengan mean. Nilai mean yang diperoleh akan dibandingkan dengan nilai konvolusi yang ditentukan oleh pengguna.
Video realtime pada dasarnya terdiri dari kumpulan frame by frame yang diperlihatkan dengan kecepatan yang konteksional. Jika pergerakan frame cukup cepat, maka mata manusia melihatnya sebagai kumpulan yang berkelanjutan sehingga tercipta ilusi gerak yang hidup, semakin besar ukuran frame rate maka akan semakin terlihat hidup pergerakan yang ditampilkan tersebut. Setiap frame merupakan image digital.
2.4. Deteksi Wajah
Wajah merupakan sebuah model visual multidimensional yang rumit dan untuk menggambarkan bentuk wajah secara komputasi itu sedikit sulit. Pendeteksian wajah adalah suatu kegiatan yang ada pada bidang biometric. Hal terpenting dalam pendeteksian wajah adalah pengenalan pola – pola dari wajah itu sendiri.
Teknik pengenalan wajah secara garis besar dibagi menjadi 3 kategori berdasarkan metodologi untuk mengakusisi wajah, antara lain :
a. Algoritma yang berperan dalam intensitas cahaya b. Proses pengurutan pada pengambilan image c. Citra 3D atau citra infrared (infra merah).
Pengenalan wajah, pada umumnya digunakan untuk mengidentifikasi identitas dari orang yang ada pada gambar atau video tersebut. (Paridhi, 2016).
Menurut Hemalatha dan Sumathi (2014), langkah pertama dalam deteksi wajah adalah preprocessing dengan alasan untuk mendapatkan gambar wajah murni dengan intensitas normal, ukuran dan bentuk seragam. Langkah-langkah yang terlibat dalam mengubah gambar menjadi gambar wajah normal untuk ekstraksi fitur adalah mendeteksi titik fitur, berputar hingga berbaris. Lokasi dan tanam daerah wajah menggunakan persegi panjang, sesuai dengan model wajah.
8 2.5 Metode Template Matching
Template matching adalah proses search and match untuk sebuah citra pada total citra yang ada. Pola latih dibandingkan dengan pola uji, dengan menghitung selisih jarak antara keduanya.
Secara singkat, template matching adalah bentuk dua dimensi dari pattern matching. Pada template matching, tujuan utamanya adalah menentukan bagian dari gambar digital (digital image) yang cocok atau mirip dengan template yang telah ada. Template matching dapat dianggap sebagai bentuk dua dimensi dari pattern matching karena jika text dianalogikan sebagai gambar digital, pattern dianalogikan sebagai template tersedia, serta array penyimpanan karakter dianalogikan sebagai matriks penyimpanan pixel, maka tidak ada perbedaan signifikan antara pattern matching dan template matching (Paridhi, 2016).
Berikut adalah contoh dari template matching : Gambar :
Gambar 2.2. Contoh Gambar
Template :
Gambar 2.3. Contoh Template
Pencarian/pencocokan :
Gambar 2.4. Pencarian Template
Pada template matching, jika dilakukan metode exact matching atau metode pecocokan secara pasti, maka akan sangat jarang ditemukan template tertentu pada gambar yang ada, kecuali jika template berasal dari gambar yang sama.
Karena itulah digunakan beberapa metode dengan toleransi tertentu untuk menentukan posisi template didalam gambar.
Salah satu metode tersebut adalah Sum of Absolute Difference (SAD).
Metode ini menentukan nilai perbedaan pixel yang ada antara sebuah gambar dan templatenya. Pada metode ini, kita misalkan gambar yang dicari sebagai G dan template sebagai T, dan (x, y) menggambarkan nilai pixel di koordinat x, y, maka dapat digunakan persamaan.
……….(2.2) Dimana :
G = Pola yang dicari atau pengujian.
T = Pola Template
(x,y) = Pixel koordinat pada pola citra
10 J,x = Nilai Matriks J koordinat y
Dari persamaan diatas, kita hanya perlu mencari nilai minimum dari SAD(x,y) untuk semua nilai x dan y yang mungkin. Kita juga perlu menentukan batas toleransi, misalnya kita hanya akan menerima SAD(x,y) minimum jika nilai minimum tersebut lebih kecil daripada 10, jika semua nilai SAD(x,y) lebih besar daripada 10 maka template tidak ditemukan didalam image.
Metode SAD ini merupakan metode yang mudah untuk diimplementasi dan dipahami, namun bisa terlihat bahwa metode ini akan membutuhkan waktu pemecahan masalah yang cukup lama.
2.6 Metode Fuzzy Associative Memory (FAM)
Fuzzy Associative Memory (FAM) ditemukan oleh Bart Kosko. FAM merupakan sebuah sistem pada fuzzy yang menjabarkan himpunan Fuzzy yang satu ke himpunan yang lain. FAM sendiri adalah versi Fuzzy dari Bidirectional Associative Memory (BAM). FAM akan menjabarkan suatu aturan Fuzzy atau himpunan pasangan (Ai,Bj) yang berhubungan dengan himpunan Fuzzy Bj ke himpunan Fuzzy Ai. Dengan demikian, satu sistem FAM tidak bias dipungkiri dapat terdiri atas beberapa kumpulan FAM yang beragam jumlahnya.
Seperti model assosiatif lainnya, FAM Kosko terdiri dari lapisan tunggal FNN yang menyimpan rule fuzzy “jika x adalah 𝑋𝑘 maka y adalah 𝑌𝑘” menggunakan pembelajaran fuzzy hebbian rule dalam hal max-min atau max- produk komposisi untuk sintesis dari matriks bobot W. Matriks FAM menghasilkan output fuzzy yang kemudian dikombinasikan untuk menghasilkan hasil akhir. Untuk mengatasi keaslian FAM yang memiliki keterbatasan dalam kapasitas penyimpanan, beberapa peneliti telah mengembangkan tingkatan versi FAM yang mampu menyimpan beberapa pola pasangan fuzzy.
Untuk menghitung kumpulan fuzzy (A,B) = ((a1,a2,…,an), (b1,b2,b3,…,bm)) kedalam bentuk matriks FAM secara angka, dapat menggunakan rumus pembelajaran Hebb. Formula perhitungannya adalah
correlation-minimum encoding. Adapun formula correlation-minimum encoding akan menciptakan matriks korelasi FAM untuk fuzzy outer-product:
M=AT. B……….…(2.3)
Dengan Mij = min (ai,bj) Keterangan :
M = Nilai Bobot Matriks AT = Transpose Vektor A B = Vektor B
Jika nilai matriks M diperoleh, lalu selanjutnya nilai B juga bisa didapatkan dengan cara memakai relasi komposisi dari A dan M. Juga sebaliknya, kita dapat mendapatkan nilai A dengan memakai formula komposisi M dan B. Adapun relasi komposisinya adalah: max-min composition. Didalam max-min composition, nilai B dapat diperoleh dengan cara memakai formula A.M yang ada berikut ini (Maryana M, 2017):
B = A.M………. (2.4) Dengan bj=max(min(ai,mij))
Keterangan :
M = Nilai Bobot Matriks A = Vektor A
B = Vektor B
2.8. Penelitian Sebelumnya
Dalam melakukan penelitian ini, penulis menggunakan beberapa penelitian sebelumnya yang terkait dengan problem yang akan diteliti yang berguna sebagai acuan agar penelitian ini dapat berjalan dengan lancar kedepannya.
Adapun beberapa penelitian sebelumnya dapat dilihat tabel berikut ini :
12
Tabel 2.1 Metode yang terkait dengan deteksi wajah No Nama Peneliti dan
Tahun
Metode yang
digunakan Keterangan 1 Mu-Chun. 2014 Self-Organizing
Feature Maps
Metode tersebut
memperoleh hasil
keakuratan 90% untuk pendeteksian wajah.
2 Eliasta K. 2016 LVQ, Modified LVQ
Diperoleh peningkatan akurasi sebesar 50.37%
untuk metode MLVQ.
3 Safwandi. 2016 LVQ Hasil dalam penelitian ini memperoleh nilai false positive rate sebesar 60%
dan true positive Rate sebesar 40%.
Dari tabel 2.1 setiap algoritma memiliki kelebihan dan kelemahan. Oleh karena itu penulis akan menggunakan metode Template Matching dengan menggunakan Fuzzy Associative Memory (FAM) secara realtime untuk menganalisis akurasi pendeteksian wajah tua dan muda.
BAB III
METODOLOGI PENELITIAN
3.1. Metode Penelitian
Alur yang akan penulis lakukan untuk melaksanakan penelitian ini adalah sebagai berikut:
1. Studi Literatur
Studi literatur yang dilakukan pada penelitian ini yaitu mencari dan mengumpulkan referensi tentang algoritma Template Matching dan Fuzzy Associative Memory (FAM) dari berbagai buku, jurnal, dan referensi lainnya.
2. Analisa Permasalahan
Pada tahapan ini diperoleh analisa hasil studi literatur untuk mengetahui dan memperoleh pemahaman mengenai algoritma Template Matching dan Fuzzy Associative Memory (FAM) untuk mendeteksi wajah dan ekpresi pada wajah.
3. Perancangan Sistem
Pada tahap ini kita melakukan perancangan arsitektur, pengumpulan data pelatihan, merancang antar muka. Proses perancangan sistem ini berdasarkan hasil analisis studi literaturyang telah diperoleh.
4. Pengujian
Pada tahap ini pengujian pendeteksian wajah tua dan muda yang telah diperoleh yang sesuai diharapkan.
5. Dokumentasi dan Laporan
Pada tahap ini dilakukan dokumentasi hasil analisis akurasi pendeteksian wajah tua dan muda menggunakan Template Matching dan Fuzzy Associative Memory (FAM).
3.2.Tahapan Deteksi Wajah Tua dan Muda pada Penelitian
Adapun tahapan yang terjadi dalam melakukan analisis deteksi wajah tua dan muda pada penelitian ini adalah sebagai berikut:
14 1. Pembacaan Data
Pada tahap ini dilakukan pembacaan terhadap data gambar berupa citra video yang di hasilkan dari webcam camera pada pc/ laptop secara realtime.
2. Grayscaling
Tahapan grayscale bertujuan untuk meratakan nilai intensitas citra pada 3 kernel pada sebuah citra gambar maupun video. Dengan menjumlahkan ketiga nilai kernel lalu kemudian hasilnya akan dibagi 3, sesuai dengan jumlah kernel. Maka nilai yang dihasilkan akan menjadi nilai citra yang baru untuk selanjutnya diproses konvolusi.
3. Konvolusi
Konvolusi pada penelitian ini memakai formula Sobel. Untuk proses ini kita menghitung semua nilai nilai yang sebelumnya diperoleh dari perhitungan grayscale dan menghitungnya menjadi citra hitam putih. Seluruh citra akan dihitung dengan matriks tiga kali tiga.
4. Fuzzy Associative Memory (FAM) dan Template Matching
Tahapan ini adalah proses perhitungan matriks training menggunakan FAM yang kemudian akan disimpan sebagai training untuk digunakan dalam metode Template Matching. Nilai Perhitungan tersebut disimpan didalam sebuah file .txt.
5. Output
Tahapan ini merupakan output dari data yang diharapkan, yaitu berupa hasil deteksi wajah tua dan muda yang dihasilkan oleh sistem berdasarkan pencocokan yang di dapatkan dari metode Template Matching yang dikombinasikan menggunakan Fuzzy Associative Memory (FAM).
3.3.Skema Metode yang diusulkan
Skema metode yang diusulkan yaitu menggunakan Fuzzy Associative Memory (FAM) sebagai training pola untuk diukur kinerjanya dengan Template Matching pada saat uji pendeteksian. Skema yang menggambarkan proses penerapan dari rumus metode tersebut dijabarkan pada gambar 3.1.
Grayscale Input
Pengujian dengan Template Matching
Hasil output
Konvolusi Training Template Menggunakan FAM
Evaluasi perbandingan dengan
metode yang diusulkan Analisa tingkat
akurasi Pendeteksian
Gambar 3.1 Skema metode yang diusulkan
Pada gambar 3.1, dimulai dari mengimput citra asli atau citra baru, setelah di input citra baru akan dilakukan nya perhitungan grayscale, dan dilanjut dengan menghitung konvolusinya, lalu citra yang akan digunakan sebagai training pola akan dihitung dengan menggunakan Fuzzy Associative Memory. Dengan menggunakan metode template matching guna mencocokan citra pengujian dengan citra pelatihan, sampai semua pixel di hitung jika tidak ditemukan adanya kesamaan maka akan dilakukan pencocokan ulang dengan metode template matching jika citra wajah sudah terdeteksi maka sistem akan mengeluarkan output berupa pendeteksian wajah.
16 3.4.Karakteristik Pendeteksian
Setiap wajah manusia memiliki pola atau vector yang sangat spesifik atau berbeda beda antara satu wajah dengan wajah lainnya, adapun spesifikasi wajah tua dan muda tidak terlalu banyak perbedaan pola vector yang di dapat oleh sistem dikarenakan atribut utama saat penangkapan vector pola wajah ialah mulut, mata, pipi dan dagu. Pada Algoritma template matching sendiri, vector atau pola wajah referensi harus sudah di tentukan sebelum nya dengan melakukan pelatihan pada sistem adapun setiap pengujian nya akan mengikuti referensi atau Template citra yang telah di kenalkan pada sistem sebelumnya.
Citra pelatihan wajah sangat di tekankan pada pelatihan sampel. Adapun sampel pelatihan tersebut berdasarkan kriteria sebagai berikut :
1. Posisi wajah harus tegak lurus memandang kearah kamera.
2. Komponen atribut seperti kacamata diharapkan dilepas untuk menghindari kesalahan pendeteksian.
3. Pengambilan sampel sangat berpengaruh dari faktor seperti intensitas cahaya, arah cahaya, dan kualitas kamera.
Berdasarkan ciri-ciri di atas sistem memungkinkan untuk mendapat perbedaan pada vector pola wajah yang di dapat, namun tidak memungkinkan pula sistem mendapat kesalahan pendeteksian dikarnakan kesamaan pola wajah ataupun vector wajah.
BAB IV
HASIL DAN PEMBAHASAN
4.1 Sampel Pelatihan Wajah
Sampel pelatihan pola wajah yang dipakai pada penelitian ini berkisar 40 sampel citra diantaranya 10 wajah laki-laki muda, 10 wajah laki-laki tua, 10 wajah wanita muda dan 10 wajah wanita tua, adapun wajah yang meawakili karakteristik citra atau vektor (Pola wajah) yang berbeda beda. Pada gambar 4.1 menunnjukkan beberapa sampel wajah yang digunakan sebagai pelatihan wajah, pelatihan ini sendiri dilakukan dengan menggunakan Algoritma template matching dan membandingkannya dengan template matching yang dikombinasikan dengan FAM
Gambar 4.1 Beberapa Sampel wajah yang digunakan
4.2 Hasil Citra Wajah Pelatihan Tua dan Muda
Setiap wajah manusia memiliki pola atau vector yang sangat spesifik atau berbeda beda antara satu wajah dengan wajah lainnya, adapun spesifikasi Wajah Tua dan muda tidak terlalu banyak perbedaan pola vector yang di dapat oleh sistem dikarenakan atribut utama saat penangkapan vector pola wajah ialah mulut, mata, pipi dan dagu. Pada Algoritma template matching sendiri, vector atau pola wajah referensi harus sudah di tentukan sebelum nya dengan melakukan pelatihan pada sistem adapun setiap pengujian nya akan mengikuti referensi atau Template citra yang telah di kenalkan pada sistem sebelumnya. Gambar 4.2 Menunjukkan vector-vektor pola wajah referensi atau Template yang dihasilkan dari Pelatihan
19
Dikarnakan banyaknya wajah yang akan di uji, sistem akan mengambil 4 sample wajah yang memang kedekatan dan ke akuratan nya bisa di gunakan oleh sistem, yang dimana dengan 4 template tersebut sistem real-time tidak menjadi lambat dalam bagian pemrosesan dan perbandingan antara citra wajah latih dan citra wajah uji.
a. Template wajah Laki-laki Tua
Gambar 4.2 Vektor Pola wajah tua yang dijadikan sebagai pola pelatihan wajah laki-laki tua
Pada gambar di atas merupakan vector pola wajah manusia yang dijadikan sebagai template laki-laki Tua dalam Pelatihan dan akan ditanam pada sistem, nilai-nilai yang terdapat di dalam gambar merupakan nilai vector atau pola yang terdeteksi pada saat pelatihan. Nilai 0 pada vektor sendiri mewakili nilai yang tidak termasuk fitur wajah, namun masih dalam area wajah, sedangkan nilai 1 mewakili nilai atribut wajah yang di deteksi oleh sistem. Pola tersebut diperoleh dengan cara menghitung nilai grayscale dan juga konvolusi dari hasil yang diperoleh pada peng-grascalean yang telah dihitung sebelumnya.
b. Template wajah laki-laki Muda
Gambar 4.3 Vektor Pola wajah muda yang dijadikan sebagai pola pelatihan wajah laki-laki muda.
Pada gambar di atas merupakan vector pola wajah manusia yang dijadikan sebagai template laki-laki Muda dalam Pelatihan dan akan ditanam pada sistem, nilai-nilai yang terdapat di dalam gambar merupakan nilai vector atau pola yang terdeteksi pada saat pelatihan. Nilai 0 pada vektor sendiri mewakili nilai yang tidak termasuk fitur wajah, namun masih dalam area wajah, sedangkan nilai 1 mewakili nilai atribut wajah yang di deteksi oleh sistem. Pola tersebut diperoleh dengan cara menghitung nilai grayscale dan juga konvolusi dari hasil yang diperoleh pada peng-grascalean yang telah dihitung sebelumnya.
21 c. Template wajah wanita tua
Gambar 4.4 Vektor pola wajah tua yang dijadikan sebagai pola pelatihan wajah wanita tua.
Pada gambar di atas merupakan vector pola wajah manusia yang dijadikan sebagai template wanita tua dalam Pelatihan dan akan ditanam pada sistem, nilai- nilai yang terdapat di dalam gambar merupakan nilai vector atau pola yang terdeteksi pada saat pelatihan. Nilai 0 pada vektor sendiri mewakili nilai yang tidak termasuk fitur wajah, namun masih dalam area wajah, sedangkan nilai 1 mewakili nilai atribut wajah yang di deteksi oleh sistem. Pola tersebut diperoleh dengan cara menghitung nilai grayscale dan juga konvolusi dari hasil yang diperoleh pada peng-grascalean yang telah dihitung sebelumnya.
d. Template wajah wanita tua
Gambar 4.5 Vektor pola wajah muda yang dijadikan sebagai pola pelatihan wajah wanita muda.
Pada gambar di atas merupakan vector pola wajah manusia yang dijadikan sebagai template wanita muda dalam Pelatihan dan akan ditanam pada sistem, nilai-nilai yang terdapat di dalam gambar merupakan nilai vector atau pola yang terdeteksi pada saat pelatihan. Nilai 0 pada vektor sendiri mewakili nilai yang tidak termasuk fitur wajah, namun masih dalam area wajah, sedangkan nilai 1 mewakili nilai atribut wajah yang di deteksi oleh sistem. Pola tersebut diperoleh dengan cara menghitung nilai grayscale dan juga konvolusi dari hasil yang diperoleh pada peng-grascalean yang telah dihitung sebelumnya.
4.3 Hasil Pendeteksian Wajah Tua dan muda secara real-time
Hasil pendeteksian atau hasil pengujian sistem pendeteksian wajah tua dan muda secara real-time hanya dapat dilakukan pada satu citra wajah dengan syarat wajah dengan orientasi 0 dan tidak mengandung latar yang berpola sehingga
23
mempermudah sistem dalam mendapat citra yang baik dan sempurna, adapun pada sample uji yang sangat di tekankan ialah wajah yang lurus dan tidak banyak bergerak sehingga sistem dapat melakukan kalkulasi tanpa membuat false detections yang terlalu banyak dikarenakan sistem dengan real-time sangat sensitive dengan adanya pergerakan yang signifikan. Gambar 4.6 menunjukkan hasil-hasil pengujian sistem yang di uji pada penelitian ini.
Gambar 4.6 Hasil pendeteksian Sistem pendeteksi wajah Tua dan muda secara real-time.
Pada gambar di atas menunjukkan hasil true detections yaitu kinerja sistem yang berhasil mendeteksi wajah tua dan muda, dapat kita lihat Kotak 30x30 yang mencangkup seluruh wajah dengan berbagai warna yang telah di set pada sistem yaitu berupa :
1. Kotak deteksi Hijau sebagai Wanita muda.
2. Kotak deteksi biru sebagai wanita tua.
3. Kotak deteksi merah sebagai laki-laki tua.
4. Kotak deteksi biru sebagai laki-laki muda.
Penentuan wajah tua dan muda ini disebabkan oleh ada tidaknya kerutan pada wajah yang akan dideteksi, bentuk pola wajah juga dapat menandakan tua atau mudanya wajah yang dideteksi tersebut
Adapun ada beberapa contoh pendeteksian yang gagal (false positive rate) yang dimana sistem gagal mendapatkan pola wajah atau mendeteksi sebuah wajah, dikarnakan beberapa hal yang membuat sistem menjadi salah dalam pendeteksian yaitu cahaya gelap dan terang pada saat pengujian ataupun objek deteksi yang terlalu banyak bergerak saat pendeteksian. Hasil false positive rate dapat dilihat pada gambar 4.7.
Gambar 4.7 Hasil pendeteksian bernilai false positive rate.
Pada gambar di atas beberapa hasil pendeteksian yang bernilai false positive rate dapat kita lihat kotak pendeteksian 30x30 tidak tepat dalam mendeteksi wajah secara real-time, latar pada pengujian sistem menjadi penentu dalam keberhasilan pendeteksian terlihat pada beberapa gambar 4.7 pencahayaan terlalu terang dan objek yang di deteksi melawan arah cahaya sehingga membuat sistem mengalami kesalahan saat pendeteksian.
Pendeteksian tua dan muda ini dilakukan dengan membandingkan bentuk pola dari bentuk raut wajah tua dan muda seseorang dengan sebelumnya program telah dilatih terlebih dahulu dengan menanamkan pelatihan sampel bentuk wajah tua dan muda kedalamnya dan kemudian diuji secara realtime.
4.4 Perhitungan Nilai Citra RGB ke Citra Grayscale
Proses ini sebagai pengkonversian citra berwarna yang terdiri atas 3 kanal yaitu R-kanal, G-kanal, B-kanal. Adapun untuk menerapkan langkah-langkah selanjutnya tetap memperhatikan ketiga kanal tersebut. Jika seluruh proses
25
perhitungan dihitung dengan menggunakan tiga kanal, berarti dihitung tiga perhitungan yang sama. Sehingga citra itu berubah dengan mengubah tiga kanal tersebut menjadi satu kanal matriks grayscale dan hasilnya adalah citra grayscale.
Perhitungan suatu citra grayscale yang disederhanakan pada penelitian ini bersumber dari citra berwarna. Bertujuan untuk direpresentasikan dengan nilai- nilai yang sama pada tiap-tiap komponen RGB-nya. Setiap pikselnya memiliki warna yang tergantung dari kualitas ketiga komponen pada titik tersebut.
Satu citra grayscale mewakili 8 bit, citra 24 bit berarti memiliki 3 register/3 kanal. Proses penyelesaian perhitungan nilai pada citra grayscale dapat dilihat sebagai berikut.
Tabel 4.1. Data Sampel Citra yang Diinput
(x,y) 0 1 2 3 4
0 (255, 248, 143) (248, 143, 255) (143, 255, 255) (255, 255, 255) (255, 255, 255) 1 (255, 247, 7) (247, 7, 143) (7, 143, 255) (143, 255, 255) (255, 255, 255) 2 (255, 247, 0) (247, 0, 7) (0, 7, 143) (7, 143, 255) (143, 255, 255) 3 (255, 247, 0) (247, 0, 0) (0, 0, 7) (0, 7, 255) (7, 255, 255) 4 (255, 247, 0) (247, 0, 0) (0, 0, 0) (0, 0, 127) (0, 127, 255)
Proses untuk mendapatkan hasil konversi manual RGB ke Grayscale yang dapat dilihat pada tabel di atas membutuhkan sebuah perhitungan dengan menggunakan rumus sebagai berikut:
Setiap koordinat memerlukan perhitungan dengan rumusan tersebut, sehingga hasil dari proses perhitungan yang didapat pada setiap koordinat dari
matriks citra Tajwid dan telah dikonversikan dari RGB ke Grayscale akan membentuk seperti tabel 4.2 :
Tabel 4.2. Hasil Perhitungan Konversi Manual Grayscale
(x,y) 0 1 2 3 4
0 215 215 218 255 255 1 170 132 135 218 255 2 167 85 50 135 218
3 167 82 2 87 172
4 167 82 0 42 127
4.5 Proses Perhitungan Konvolusi
Setelah didapatkan nilai citra grayscale maka dilakukannya proses konvolusi untuk pendeteksian tepi (konvolusi) menggunakan operator sobel.
Proses konvolusi ini dilakukan untuk menentukan lokasi titik-titik yang merupakan tepi dari citra tersebut. Secara umumnya, tepian pada satu objek dalam citra dinyatakan sebagai titik yang nilai berbeda cukup besar dengan titik yang ada disebelahnya.
Bentuk matriks operator sobel dapat dilihat sebagai berikut dengan perhitungan manual horizontal dan vertikal yang berdasarkan tabel hasil perhitungan konversi manual Grayscale:
1. Operator Sobel Horizontal
[
]
2. Operator Sobel Vertikal
[ ]
27 3. Operator Sobel Magnitudo Dari Gradien
√
Proses perhitungan image edge detection (deteksi tepi citra) berdasarkan tabel dibawah ini yang sebelumnya ada di tabel 4.2, dengan menggunakan pedoman dari matriks sobel horizontal dan sobel vertikal sebagai berikut:
Tabel 4.3. Hasil Perhitungan Konversi Manual Grayscale
(x,y) 0 1 2 3 4
0 215 215 218 255 255 1 170 132 135 218 255 2 167 85 50 135 218
3 167 82 2 87 172
4 167 82 0 42 127
.
1. Sx = (215)(-1) + (170)(-2) + (167)(-1) + (218)(1) + (135)(2) + (50)(1) = -184 Sy = (215)(1) + (215)(2) + (218)(1) + (167)(-1) + (85)(-2) + (50)(-1) = 476 √ √ √ ( ) ( )
2. Sx = (215)(-1) + (132)(-2) + (85)(-1) + (255)(1) + (218)(2) + (135)(1) = 262 Sy = (215)(1) + (218)(2) + (255)(1) + (85)(-1) + (50)(-2) + (135)(-1) = 586 √ √ √ ( ) ( )
3. Sx = (218)(-1) + (135)(-2) + (50)(-1) + (255)(1) + (255)(2) + (218)(1) = 445 Sy = (218)(1) + (255)(2) + (255)(1) + (50)(-1) + (135)(-2) + (218)(-1) = 445 √ √ √ ( ) ( )
4. Sx = (170)(-1) + (167)(-2) + (167)(-1) + (135)(1) + (50)(2) + (2)(1) = -434
Sy = (170)(1) + (132)(2) + (135)(1) + (167)(-1) + (82)(-2) + (2)(-1) = 236 √ √ √ ( ) ( )
5. Sx = (132)(-1) + (85)(-2) + (82)(-1) + (218)(1) + (135)(2) + (87)(1) = 191 Sy = (132)(1) + (135)(2) + (218)(1) + (82)(-1) + (2)(-2) + (87)(-1) = 447 √ √ √ ( ) ( )
6. Sx = (135)(-1) + (50)(-2) + (2)(-1) + (255)(1) + (218)(2) + (172)(1) = 626 Sy = (135)(1) + (218)(2) + (255)(1) + (2)(-1) + (87)(-2) + (172)(-1) = 358 √ √ √ ( ) ( )
7. Sx = (167)(-1) + (167)(-2) + (167)(-1) + (50)(1) + (2)(2) + (0)(1) = -614 Sy = (167)(1) + (85)(2) + (50)(1) + (167)(-1) + (82)(-2) + (0)(-1) = 56 √ √ √ ( ) ( )
8. Sx = (85)(-1) + (82)(-2) + (82)(-1) + (135)(1) + (87)(2) + (42)(1) = 20 Sy = (85)(1) + (50)(2) + (135)(1) + (82)(-1) + (0)(-2) + (42)(-1) = 196 √ √ √ ( ) ( )
9. Sx = (50)(-1) + (2)(-2) + (0)(-1) + (218)(1) + (172)(2) + (127)(1) = 635 Sy = (50)(1) + (135)(2) + (218)(1) + (0)(-1) + (42)(-2) + (127)(-1) = 327 √ √ √ ( ) ( )
Tabel 4.4. Hasil Nilai Citra Sobel
(x, y) 0 1 2
0 292 848 890
1 -198 638 984 2 -558 216 962
Normalisasi nilai pixel: Jika M >= 0 maka M=1, Jika M<=0 maka M=0 Jika N >= 0 maka N=1, Jika N<=0 maka N = 0
29
Tabel 4.5. Hasil Normalisasi Nilai Pixel
(x, y) 0 1 2
0 1 1 1
1 0 1 1
2 0 1 1
4.6 Perhitungan Fuzzy Associative Memory (FAM)
Penjabaran rumus bertujuan untuk dapat mengetahui lebih jelas langkah- langkah perhitungan manual yang terkait dengan sistem. Penjabaran formula yang digunakan pada penelitian ini yaitu rumus dari metode Fuzzy Associative Memory untuk memperoleh bentuk mengenai keakuratan antara dua buah vektor dalam sistem tersebut.
Pada metode Fuzzy Associative Memory pencarian nilai bobot dilakukan dengan menggunakan komposisi max-min. Contoh perhitungan nilai matriks M pada FAM adalah sebagai berikut:
A = ( 0.2, 0.1, 0.3, 0.8) B = (0.8, 0.9, 0.1).
0.2 min(0.2,0.8) min(0.2,0.9) min(0.2,0.1) 0.8 0.9 0.2 M= 0.1 [0.8 0.9 0.1] = min(0.1,0.8) min(0.1,0.9) min(0.1,0.1) = 0.8 0.9 0.1 0.3 min(0.3,0.8) min(0.3,0.9) min(0.3,0.1) 0.8 0.9 0.3 0.8 min(0.8,0.8) min(0.8,0.9) min(0.8,0.1) 0.8 0.9 0.8
Setelah itu kita menghitung nilai max-min dari input matriks sebagai berikut (0.2 0.1 0.3 0.8) dengan output b1, b2, b3 :
b1 = max(min(0.2, 0.8), min(0.1, 0.8), min(0.3, 0.8), min(0.8, 0.8)) = max(0.8, 0.8, 0.8, 0.8) = 0.8
b2 = max(min(0.2, 0.9), min(0.1, 0.9), min(0.3, 0.9), min(0.8, 0.9)) = max(0.9, 0.9, 0.9, 0.9) = 0.9
b3 = max(min(0.2, 0.2), min(0.1, 0.1), min(0.3, 0.3), min(0.8, 0.8)) = max(0.2, 0.1, 0.3, 0.8) = 0.1
Adapun hasil yang diperoleh dari b1, b2, b3 <= 1 dengan memakai metode FAM menyatakan bahwa pola pendeteksian tersebut terdeteksi oleh program, namun apabila sebaliknya, maka pola pendeteksian tersebut tidak terdeteksi, karena menurut OTus Binary Table ketentuan jarak pola terdeteksi adalah berada pada angka 0 hingga 1.
4.7 Perhitungan Template Matching
Pada proses pendeteksian, digunakan metode Template Matching untuk mengukur kemiripan pola latih dan pola uji. Adapun untuk perhitungan Template Matching pada penelitian ini adalah dengan menggunakan similarity Gower &
Legendre dengan persamaan berikut :
( )
Berikut merupakan contoh data pola latih dan pola uji :
Pola Latih Pola Uji
1 1 1 0 1 0 0 1 1 1 0 1 0 1 1 0 1 0 Berdasarkan contoh pola diatas, diperoleh nilai sebagai berikut : a (1,1) = 3
b (0,1) = 1 c (1,0) = 4 d (0,0) = 1
Setelah itu maka dapat dilakukan perhitungan template matching menggunakan metode similarity Gower & Legendre sebagai berikut :
31
( )
( )
( )
Berdasarkan dari perhitungan diatas, nilai template matching yang diperoleh adalah sebesar 0.615. Berdasarkan ketentuan pada OTUs Binary Instances, apabila nilai yang diperoleh adalah pada range 0 hingga 1 maka hasilnya akan terdeteksi, jika nilai yang diperoleh >1 maka pola tersebut tidak terdeteksi.
4.8 Pengukuran Unjuk kerja sistem pendeteksian wajah tua dan muda Pengukuran unjuk kerja sistem ini dilakukan dengan melakukan pelatihan sampel latih per vektor pola wajah yang bersangkutan dengan sistem yaitu 4 pola vektor, wajah laki-laki muda, wajah laki-laki tua, wajah wanita muda dan wajah wanita tua, setiap vektor akan ditanamkan pada sistem. Sedangkan pengujian pada sistem ini dilakukan pada 40 citra wajah yang berbeda beda untuk menguji ke akuratan pendeteksian untuk melihat hasil dari pendeteksian dapat dilihat pada tabel 4.6 yang dimana mengilustrasikan beberapa hasil pendeteksian yang telah di lakukan oleh sistem.
0 0.2 0.4 0.6 0.8 1 1.2
wajah laki-laki tua
wajah laki-laki muda
wajah wanita tua
wajah wanita muda
Grafik unjuk kerja sistem pendeteksian wajah tua muda
Detection rate false positive rate
Tabel 4.6 Hasil Unjuk kerja sistem pendeteksian wajah tua dan muda Data Uji Wajah Tua Muda
Input Citra Jumlah Yang Di Uji
Jumlah yang Sesuai
Terdeteksi False Positive Rate
Lelaki Tua 10 7 3
Lelaki Muda 10 10 0
Wanita Tua 10 7 3
Wanita Muda 10 9 1
Akurasi (%)
Dapat disimpulkan dari tabel di atas bahwa sistem pendeteksi wajah tua dan muda menggunakan metode template matching kurang mampu ataupun kurang efektif dalam pendeteksian wajah secara real-time dikarenakan tingkat presentase detections rate yang mencapai 83% yang diperoleh dari hasil pendeteksian yang benar sejumlah 33 dari total 40 pengujian dan masih sangat memungkinkan terjadinya false positive rate jika melakukan pengujian pada sampel wajah yang lainnya. Adapaun grafik dari hasil pendeteksian wajah tua dan muda dapat dilihat pada gambar 4.8.
Gambar 4.8 Grafik hasil pengujian sistem
33
Pada gambar 4.8 grafik mengilustrasikan pengujian dan pengukuran unjuk kerja sistem yang telah di lakukan setelah 4 vektor pola wajah di lakukan pelatihan sebelumnya, Evaluasi pengukuran unjuk kerja sistem pada grafik 4.8 menunjukkan hasil sebagai berikut :
1. Pada 10 sample wajah laki-laki tua sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 7 wajah dan sisa nya 3 wajah mendapat hasil yang false positive rate yang dimana sistem gagal mendeteksi wajah secara benar.
2. Pada 10 sample wajah laki-laki muda sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 10 wajah.
3. Pada 10 sample wajah wanita tua sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 7 wajah dan sisa nya 3 wajah mendapat hasil yang false positive rate yang dimana sistem gagal mendeteksi wajah secara benar.
4. Pada 10 sample wajah wanita muda sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 9 wajah dan sisa nya 1 wajah mendapat hasil yang false positive rate yang dimana sistem gagal mendeteksi wajah secara benar.
Dapat disimpulkan pada grafik di atas menunjukkan bahwa dari hasil observasi dan penelitian pada sistem pendeteksian wajah tua dan muda mengunakan metode template matching bahwa tingkat keberhasilan pendeteksian yang di dapat ialah 83% untuk mendeteksi wajah tua dan muda secara benar.
4.9 Pengukuran menggunakan FAM dan Template Matching
Pengukuran unjuk kerja sistem ini dilakukan dengan melakukan pelatihan sampel latih per vektor pola wajah yang bersangkutan dengan sistem yaitu 4 pola vektor, wajah laki-laki muda, wajah laki-laki tua, wajah wanita muda dan wajah wanita tua, setiap vektor akan ditanamkan pada sistem. Sedangkan pengujian pada sistem ini dilakukan pada 40 citra wajah yang berbeda beda untuk menguji ke akuratan pendeteksian untuk melihat hasil dari pendeteksian dapat dilihat pada
0 0.2 0.4 0.6 0.8 1 1.2
wajah laki-laki tua
wajah laki-laki muda
wajah wanita tua
wajah wanita muda
Grafik unjuk kerja sistem pendeteksian wajah tua muda
Detection rate false positive rate
tabel 4.7 yang dimana mengilustrasikan beberapa hasil pendeteksian yang telah di lakukan oleh sistem.
Tabel 4.7 Hasil Unjuk kerja sistem pendeteksian FAM Data Uji Wajah Tua Muda
Input Citra Jumlah Yang Di Uji
Jumlah yang Sesuai
Terdeteksi False Positive Rate
Lelaki Tua 10 9 1
Lelaki Muda 10 10 0
Wanita Tua 10 7 3
Wanita Muda 10 10 0
Akurasi (%)
Dapat disimpulkan dari tabel di atas bahwa sistem pendeteksi wajah tua dan muda menggunakan metode template matching efektif dalam pendeteksian wajah secara real-time dikarenakan tingkat presentase detections rate yang mencapai 90% yang diperoleh dari hasil pendeteksian yang benar sejumlah 36 dari total 40 pengujian. Adapun grafik dari hasil pendeteksian wajah tua dan muda dapat dilihat pada gambar 4.9.
Gambar 4.9 Grafik hasil pengujian sistem
35
Pada gambar 4.9 grafik mengilustrasikan pengujian dan pengukuran unjuk kerja sistem yang telah di lakukan setelah 4 vektor pola wajah di lakukan pelatihan sebelumnya, Evaluasi pengukuran unjuk kerja sistem pada grafik 4.9 menunjukkan hasil sebagai berikut :
1. Pada 10 sample wajah laki-laki tua sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 9 wajah dan sisa nya 1 wajah mendapat hasil yang false positive rate yang dimana sistem gagal mendeteksi wajah secara benar.
2. Pada 10 sample wajah laki-laki muda sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 10 wajah.
3. Pada 10 sample wajah wanita tua sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 7 wajah dan sisa nya 3 wajah mendapat hasil yang false positive rate yang dimana sistem gagal mendeteksi wajah secara benar.
4. Pada 10 sample wajah wanita muda sistem dapat mendeteksi dengan benar atau mendapat detection rate sebanyak 10 wajah.
Dapat disimpulkan pada grafik di atas menunjukkan bahwa dari hasil observasi dan penelitian pada sistem pendeteksian wajah tua dan muda mengunakan metode template matching bahwa tingkat keberhasilan pendeteksian yang di dapat ialah 90% untuk mendeteksi wajah tua dan muda secara benar.
BAB V
KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Adapun kesimpulan dari sistem pendeteksian wajah tua dan muda secara real-time mengunakan metode template matching yang di dapat dari beberapa proses pealatihan dan pengujian bedasarkan sampel yang dipilih untuk mendeteksi wajah tua dan muda menggunakan metode template matching, maka hasil yang di capai ialah sebagai berikut :
1. Pendeteksian wajah tua dan muda secara realtime dengan menggunakan metode template matching memperoleh tingkat akurasi sebesar 83%
dengan rincian 7 wajah lelaki tua yang terdeteksi benar dari 10 sampel yang diuji, 10 wajah lelaki muda yang terdeteksi benar dari 10 sampel yang diuji, 7 wajah wanita tua yang terdeteksi benar dari 10 sampel yang diuji, dan 9 wajah wanita muda yang terdeteksi benar dari 10 sampel yang diuji.
2. Pendeteksian wajah tua dan muda secara realtime dengan menggunakan metode template matching yang dikombinasikan dengan fuzzy associative memory (FAM) memperoleh tingkat akurasi sebesar 90% dengan rincian 9 wajah lelaki tua yang terdeteksi benar dari 10 sampel yang diuji, 10 wajah lelaki muda yang terdeteksi benar dari 10 sampel yang diuji, 7 wajah wanita tua yang terdeteksi benar dari 10 sampel yang diuji, dan 10 wajah wanita muda yang terdeteksi benar dari 10 sampel yang diuji.
3. Penelitian ini menunjukkan bahwa sistem dengan metode template matching yang dikombinasikan dengan FAM dapat berhasil mendeteksi perbedaan wajah manusia, dengan tingkat akurasi 90%, lebih baik 7%
dengan menggunakan template matching biasa.
37
4. Dengan metode template matching dan sistem real-time sensitifitas saat penanaman sampel latih pada sistem sangat ditekankan dikarnakan hasil dari sampel latih akan menguji banyak sampel lain, dapat ditekankan sampel harus dalam cahaya yang baik dan objek latih jelas terlihat tidak menggunakan atribut maupun benda yang dapat menghalangi atribut wajah, sampel uji yang jelas pola (vektor) wajahnya akan sangat mempengaruhi keberhasilan saat melakukan pengujian.
5.2 SARAN
Saran bertujuan untuk membangun pengembangan penilitian pada sistem ini yang akan dilakukan oleh peneliti-peneliti selanjutnya, sehingga manfaat ilmu yang telah didapat terus berkesinambungan. Berdasarkan penelitian yang telah dilakukan ada beberapa saran dari penulis yaitu:
1. Sistem pendeteksian wajah tua dan muda secara real-time menggunakan metode template matching dan FAM dapat menjadi pedoman untuk penelitian selanjutnya dalam bidang computer vision yang akan datang bagi penilitian selanjutnya ingin mengembangkan sistem real-time dengan objek yang berbeda beda selain wajah manusia.
2. Untuk meningkatkan ke akurasian dan meningkatnya unjuk kerja sistem dapat dilanjutkan dengan mengkombinasikan metode lain untuk menambah tingkat akurasi pendeteksiannya.
3. Sistem pendeteksian wajah tua dan muda secara real-time dapat dikembangkan dengan menambahkan pendeteksi jarak deteksi wajah secara otomatis, guna membuat tingkat ke akuratan yang lebih efisien.
DAFTAR PUSTAKA
An H., T., T., Nhan T., C., & Hyung, I, C. 2013. Fuzzy Inference Systems Based on Fuzzy Associative Memory with Adjusting Algorithm for Selecting Optimal Membership Functions. International Journal of Intelegent Information Processing (IJIIP) 4(3): 102-110
Anisha,K., K. & Wilscy, M. 2011. Impulse Noise Removal from Medical Images Using Fuzzy Genetic Algorithm. International Journal of Multimedia and Its Applications (IJMA) 3(4): 93-106
Hambal, A, M., Pei, Z., & Ishabailu, F., L. 2017. Image Noise Reduction and Filtering Techniques. International Journal of Science and Research (IJSR) 6(3): 2033-2038.
Hemalatha, G & Sumanthi,C.P. 2014. Study of Techniques for Facial Detection and Expression Classification.International Journal of Computer Science
& Engineering Survey (IJCSES) 3(2): 27-28.
Huang, 2009. “ Yu-Hao & Chiou-Shann Fuh. Face Detection and Smile Detection. Proceedings of IPPR Conference Computer on Vision, Graphics and Image Processing”. 5-6, 108
Kamboj, P. & Rani, V. 2013. A Brief Study of Various Noise Reduction and Filtering Techniques. Journal of Global Research in Computer Science 4(4): 166-171.
Malvika & Singh, H. 2015. A Novel Approach For Removal of Mixed Noise Using Genetic Algorithm. International Journal of Science and Research (IJSR) 5(11): 1836-1841.
Maryana, Fadlisyah, & Sujacka, R. 2017 “Pendeteksi Tajwid Idgham Mutajanisain Pada Citra Al-Qur’an Menggunakan Fuzzy Associative Memory (FAM)”, TECHSI-Jurnal Teknik Informatika Universitas Malikussaleh. 9(2): 91-102.
Mu-Chun Su, Chun-Kai Yang, Shih-Chieh Lin, De-Yuan Huang, Yi-Zeng Hsieh,
& Pa-Chun Wang. 2014 “An SOM-based Automatic Facial Expression Recognition System”, International Journal on Soft Computing, Artificial Intelligence and Applications (IJSCAI). 2(4): 45-57.
Paridhi, S., & Neelam, S. 2016. An Overview of Various Template Matching Methodologies in Image Processing. International Journal of Computer Application (IJCA). 153(10): 8-14.
Sarbani Ghosh, & Samir K. Bandyopadhyay. “A Method for Human Emotion Recognition System”. 2015. “ British Journal of Mathematics & Computer Science 11(5): 1-27.
Victor, A., D., Ajay, D & Sudha, K. 2014. Delphi Adapted Fuzzy Associative Memories (DAFAM) as a multiple Expert System and its application to Study the Impacts of Climate Change on Environment. International Journal on Communication & Networking System (IJCNS). 3(1): 256-260.
Vijayarani, S., & Sakila, A. 2015. Template Matching Technique For Searching Words in Document Images. International Journal on Cybernetics &
Informatics (IJCI). 4(6): 25-35.
LAMPIRAN
var
Form1: TForm1;
Fi : Textfile;
NamaArsip : String;
peta,peta_2,peta2,templatepeta : array [0..90, 0..90] of real;
X,Y, Max_x, Max_y : integer;
tampung : string;
treshold_B : integer;
x_atas, x_baw, y_atas, y_ba : byte;
face, poci : Boolean;
penghilang : byte;
implementation
{$R *.dfm}
procedure TForm1.FormActivate(Sender: TObject);
begin
//--- PETA 3 NamaArsip:='petavertikal3.txt';
AssignFile(Fi,NamaArsip);
reset(Fi);
Readln(Fi,tampung);
Edit1.text:=(tampung);
Readln(Fi,tampung);
Edit2.text:=(tampung);
Max_x:=strtoint(Edit1.Text);
Max_y:=strtoint(Edit2.Text);
//---
begin
for X:=0 to Max_x-1 do for Y:=0 to Max_y-1 do begin
Readln(Fi,tampung);
peta[X,Y]:=strtofloat(tampung);
end;
end;
CloseFile(Fi);
//--- PETA 4 NamaArsip:='petavertikal4.txt';
AssignFile(Fi,NamaArsip);
reset(Fi);
Readln(Fi,tampung);
Edit1.text:=(tampung);
Readln(Fi,tampung);
Edit2.text:=(tampung);
Max_x:=strtoint(Edit1.Text);
Max_y:=strtoint(Edit2.Text);
//--- while not Eof(Fi) do
begin
for X:=0 to Max_x-1 do for Y:=0 to Max_y-1 do begin
Readln(Fi,tampung);
peta_2[X,Y]:=strtofloat(tampung);
end;
