BAB 1 PENDAHULUAN
1.1. Latar Belakang Masalah
Pengenalan pola (Pattern Recognition) adalah sebuah ilmu untuk mengetahui karakteristik suatu pola yang telah disimpan sebelumnya kedalam suatu sistem komputer dan selanjutnya dilakukan perbandingan pada pola yang lain dengan tujuan untuk mengetahui tingkat keakuratan dan kemiripan terhadap pola tersebut.
Pengenalan pola dapat dibagi menjadi tiga yaitu pengenalan pola statistikal, pola sintaktik, dan juga pola neural. Pengenalan pola statistikal dianggap sebagai suatu basis statistik yang biasanya digunakan untuk algoritma klasifikasi. Pengenalan
pola sintaktik adalah suatu teknik pendekatan untuk menganalisis struktur pola dari citra. Pengenalan pola neural, merupakan gabungan dari pengenalan statistik dan sintaktik. Pada pengenalan pola neural, semakin sering sistem dilatih maka semakin baik sistem yang akan dihasilkan. Dan ini merupakan bagian dari jaringan saraf tiruan dalam melakukan Identifikasi pola (Gonzaless, 1992).
Setiap manusia dapat mengenali wajah seseorang dengan mudah, manusia akan cepat mengenali dan membedakan setiap wajah yang telah diketahui sebelumnya, walaupun dengan ekspresi wajah yang beragam, dan kondisi pencahayaan yang berbeda - beda. Tetapi apakah sebuah sistem komputer dapat melakukan hal yang sama dengan manusia lakukan, pasti ditemukan permasalahan pada sistem tersebut, dan hal itu harus dipelajari dan dikembangkan. Banyak hal yang dilakukan dalam perkembangan teknologi pengenalan wajah antara lain untuk membangun sistem absensi kepegawaian maupun sistem keamanan.
Pengenalan wajah terdiri dari dua kategori utama yaitu Verifikasi dan Identifikasi. Verifikasi berguna untuk melakukan pencocokan data baru seseorang dengan data yang telah disimpan di dalam dataset dan biasanya akan menghasilkan dua keadaan yaitu benar (true) atau salah (false). Sedangkan identifikasi mengenali pola wajah dengan keputusan berdasarkan tingkat kedekatan atau kemiripan. Kemampuan mengukur karakteristik fisik atau perilaku yang dapat digunakan untuk
2
memverifikasi atau mengidentifikasi seseorang disebut dengan biometrik (Uyun & Fadzlur, 2013).
Menurut (Yang & Huang, 2002) pendekatan pendeteksian wajah dapat dikategorikan menjadi empat jenis: knowledge-based, appearance-based, feature invariant, dan template matching.
Knowledge-Based Method, metode ini biasanya digunakan oleh manusia untuk menentukan apa saja yang membentuk suatu wajah. Pada metode ini deteksi wajah dikembangkan berdasar pada aturan (rule) yang didapat dari pengetahuan para peneliti sebelumnya tentang wajah manusia. Sebagai contoh, suatu wajah di dalam citra biasanya memiliki dua mata yang simetris, sebuah hidung, dan sebuah mulut. Relasi antara fitur-fitur tersebut dapat direpresentasikan sebagai jarak atau posisi. Feature Invariant Approach, pada metode ini bertujuan untuk menemukan fitur-fitur struktural dari wajah meskipun terdapat variasi pose, sudut pandang, dan kondisi cahaya. Pada
metode ini, para peneliti mencoba menemukan fitur-fitur yang tidak berubah (invariant) pada wajah. Asumsi ini didasarkan pada observasi bahwa manusia dapat dengan mudah mendeteksi wajah dengan berbagai pose dan kondisi cahaya, sehingga dapat disimpulkan bahwa pasti ada sifat-sifat atau fitur-fitur yang bersifat invariant. Template Matching, pada metode ini akan disimpan beberapa pola wajah standar untuk mendeskripsikan wajah secara keseluruhan maupun bagian-bagiannya. Pada saat pendeteksian akan dihitung korelasi antara citra input dengan citra pola wajah yang tersimpan sebelumnya pada dataset. Appearance-Based Method, pada metode ini, model wajah dipelajari melalui proses training dengan menggunakan suatu dataset pelatihan yang berisi contoh - contoh wajah. Kemudian hasil training ini digunakan untuk mendeteksi wajah. Secara umum metode ini menggunakan teknik-teknik dari analisa statistik dan machine learning untuk menemukan karakteristik-karakteristik yang relevan dari wajah maupun non wajah (Nugroho & Setyo, 2004).
Sistem pengenalan wajah merupakan hal yang rumit dilakukan karena tingkat kevariasian wajah yang begitu kompleks, sehingga penerapan pendekatan yang begitu kompleks akan memperlambat kinerja sistem dalam mengenali wajah, dan sebaliknya penerapan pendekatan yang tidak begitu kompleks akan mempengaruhi tingkat keakurasian dalam pengenalan wajah. (Fadlisyah, 2013).
3
Menurut Fadlisyah (2013) Statistik Fitur (Ciri Orde Satu) tidak dapat bekerja dengan baik untuk dapat mengenali perbedaan antara citra. Menurut Ardianto V (2015) Ciri Statistik Orde Pertama yaitu mean, variance, skewness, kurtosis, dan entropy belum bisa dikatakan tepat digunakan sebagai ciri yang diekstrak dari citra jeruk untuk pekerjaan klasifikasi, karena ciri-ciri tersebut hanya dianalisa melalui histogram citra. Sedangkan Menurut Kamal M, Metode Feature Haralic (Ciri Orde Dua) tidak mampu bekerja dengan baik dalam mengelompokan usia seseorang dengan peluang error berkisar 33%. berdasarkan hasil penelitian tersebut bahwasanya kedua metode ekstraksi ciri tersebut belum mampu bekerja dengan baik untuk mengenali pola citra. Sehingga dibutuhkan algoritma lain yang berguna untuk mentransformasikan kedua ekstraksi fitur tersebut, dengan harapan untuk
mendapatkan tingkat keakurasian yang lebih baik, maka transformasi Discrete Cosine Transform (DCT) digunakan untuk mentransformasikan fitur yang telah di ekstrak.
Berbagai macam teknologi komputasi semakin luas penggunaannya setelah ditemukan berbagai macam ekstraksi fitur diantaranya Statistik Fitur (Ciri Orde Satu), Feature Haralic (Ciri Orde Dua), Gabor Filter, PCA (Principle Componet Analysis) dan lain – lain.
Pada penelitian ini, dilakukan kombinasi antara DCT (Discrete Cosine Transform) dengan Statistik Fitur (Ciri Orde Satu) dan Feature Haralic (Ciri Orde Dua) yang merupakan Ekstraksi Fitur
1.2. Rumusan Masalah
Berdasarkan latar belakang permasalahan di atas, maka rumusan masalah yang diambil adalah kedua metode ekstraksi ciri belum mampu bekerja dengan baik untuk mengenali pola citra. Sehingga metode ekstraksi fitur akan di kombinasikan menggunakan DCT (Discrete Cosine Transform) untuk mendapatkan tingkat keakurasian yang lebih baik
1.3. Tujuan Penelitian
Tujuan penelitian ini adalah mencari hasil kinerja yang paling baik antara berbagai kombinasi ekstraksi fitur diantaranya kinerja Statistik Fitur (Ciri Orde Satu), Kinerja Featur Haralic (Ciri Orde Dua), Kinerja kombinasi antara Statistik Fitur (Ciri Orde
4
Satu) dengan Feature Haralic (Ciri Orde Dua), Kinerja kombinasi DCT (Discrete Cosine Transform) dengan Statistik Fitur (Ciri Orde Satu), Kinerja kombinasi DCT (Discrete Cosine Transform) dengan Feature Haralic (Ciri Orde Dua) dan Kinerja Kombinasi DCT (Discrete Cosine Transform) dengan Statistik Fitur (Ciri Orde Satu) dan Feature Haralic (Ciri Orde Dua).
1.4. Batasan Masalah
Batasan masalah dalam penelitian yang dilakukan adalah:
1. Citra yang digunakan adalah berformat .bmp
2. Wajah berorientasi tampak depan, posisi 15 derajat kiri dan kanan, 30 derajat kiri dan kanan serta 45 derajat kiri dan kanan.
1.5. Manfaat Penelitian
Manfaat masalah dalam penelitian yang dilakukan adalah
1. Sebagai evaluasi perbandingan terhadap metode-metode lain 2. Memperoleh cara baru dalam hal pengenalan pola
3. Perbaikan penelitian sebelumnya.
