i
Universitas Kristen Maranatha
Perbandingan Representasi Citra Antara LDNP dan LDP dalam
Pengenalan Wajah Untuk Identifikasi
Disusun Oleh:Nama : Bharma Benjamin NRP : 1222010
Program Studi Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha,
Jl. Prof.Drg.Suria Sumantri, MPH no. 65, Bandung, Indonesia.
Email : zetzzbharma@yahoo.com
ABSTRAK
Teknik pengenalan wajah masih sangat dibutuhkan dalam menghadapi tindak kejahatan dan terorisme. Akan tetapi, sistem pengenalan wajah masih memiliki banyak kelemahan dalam pengidentifikasiannya. Oleh karena itu, banyak teknik ekstraksi ciri yang sudah dikembangkan untuk pengenalan wajah.
Pada Tugas Akhir ini, direalisasikan pengenalan wajah untuk identifikasi manusia menggunakan teknik ekstraksi ciri Local Directional Number Pattern (LDNP) dan Local Directional Pattern (LDP) untuk merepresentasikan citra wajah dan membandingkan recognition rate dari kedua teknik ekstraksi ciri tersebut.
Pengujian dilakukan menggunakan database ORL. Untuk teknik ekstraksi ciri LDNP, hasil recognition rate didapatkan sebesar 72,22 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 85,31 persen. Sedangkan teknik ekstraksi ciri LDP, recognition rate didapat sebesar 71,67 persen untuk satu citra training dan recognition rate untuk dua citra training didapat 83,75 persen. Teknik ekstraksi ciri LDNP terbukti lebih baik dalam mengidentifikasi manusia berdasarkan wajah.
ii
Universitas Kristen Maranatha
Comparing LDNP and LDP Image Representation in Face
Recognition for Identification
Composed By:
Name : Bharma Benjamin NRP : 1222010
Electrical Engineering Department, Maranatha Christian University
Jl. Prof.Drg.Suria Sumantri, MPH no.65, Bandung, Indonesia
Email : zetzzbharma@yahoo.com
ABSTRACT
Face recognition technique is very needed to face a crime and terrorism. But, face recognition system still have many weaknesses in identifying the face. Therefore, there are many feature extraction techniques that already developed for face recognition.
In this Final Project, created a face recognition for identification using Local Directional Number Pattern (LDNP) and Local Directional Pattern (LDP) feature extraction techniques and also compared the recognition rate of this two image representation.
The simulation done using database ORL and when using LDNP feature extraction techniques, the recognition rate is 72,22 percent for one training image and for two training images the recognition rate is 85,31 percent. While recognition rate for LDP feature extraction techniques is 71,67 percent for one training image and for two training images the recognition rate is 83,75 percent. LDNP feature extraction technique proven to be better in identifying human based on face.
iii
Universitas Kristen Maranatha
DAFTAR ISI
Halaman
LEMBAR PENGESAHAN
PERNYATAAN ORISINALITAS LAPORAN TUGAS AKHIR PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR KATA PENGANTAR
1.5 Sistematika Penulisan ... 3
BAB II LANDASAN TEORI 2.1 Pengenalan Wajah ... 4
2.1.1 Teknik Pengelompokkan Dalam Pengenalan Wajah……….……..4
2.1.2 Teknik Ekstraksi Ciri………...5
2.2 Teknik Ekstraksi Ciri LDNP ... 5
2.3 Teknik Ekstraksi Ciri LDP ... 8
2.4 Pendeskripsian Wajah Menggunakan Histogram ... 9
2.5 Pengenalan Wajah Menggunakan Chi-Square... ..11
BAB III PERANCANGAN PERANGKAT LUNAK 3.1 Diagram Blok Proses Pengenalan Wajah ... 12
3.2 Diagram Alir Untuk Citra Training ... 14
iv
Universitas Kristen Maranatha 3.4 Proses Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP...16
3.4.1 Diagram Alir Mencari Kode LDNP………17
3.4.2 Diagram Alir Mencari Kode LDP………..18
3.5 Proses Membuat Histogram dari Teknik Ekstraksi Ciri LDNP dan Teknik
Ekstraksi Ciri LDP………..19
3.5.1 Diagram Alir Membuat Histogram LDNP……….20
3.5.2 Diagram Alir Membuat Histogram LDP………21
3.6 Database Yang Digunakan………...22
BAB IV DATA PENGAMATAN DAN ANALISIS
4.1 Prosedur pengujian ... 23
4.2 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDNP... 23
4.3 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDP(k = 3) ... 25
4.4 Pembahasan Hasil Pengujian Teknik Ekstraksi Ciri LDNP dan Teknik
Ekstraksi Ciri LDP ...26
4.5 Analisa Data Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP
... 30
4.5.1 Percobaan Untuk 1 Citra Training………...30
4.5.2 Percobaan Untuk 2 Citra Training……….31
BAB V SIMPULAN DAN SARAN
5.1 Simpulan ... 33
5.2 Saran ... 34
DAFTAR PUSTAKA ... 35
LAMPIRAN A KODE PROGRAM
LAMPIRAN B HASIL PENGUJIAN TEKNIK EKSTRAKSI CIRI LDNP
v
Universitas Kristen Maranatha
DAFTAR GAMBAR
Halaman
Gambar 2.1 Kirsch Mask ... 5
Gambar 2.2 Blok 3x3 Piksel ... 6
Gambar 2.3 Blok 3x3 Piksel Dicari Respon Arahnya Dengan Arah M0 ... 7
Gambar 2.4 Blok 3x3 Piksel Dengan Nilai Responnya Disetiap Arah ... 8
Gambar 2.5 Penempelan Histogram Per-Regions ... 10
Gambar 3.1 Diagram Blok Proses Pengenalan Wajah ... 12
Gambar 3.2 Diagram Alir Proses Untuk Citra Training ... 14
Gambar 3.3 Diagram Alir Proses Untuk Citra Masukan ... 15
Gambar 3.4 Diagram Alir Mencari Kode LDNP ... 17
Gambar 3.5 Diagram Alir Mencari Kode LDP ... 18
Gambar 3.6 Diagram Alir Membuat Histogram LDNP... 20
Gambar 3.7 Diagram Alir Membuat Histogram LDP ... 21
vi
Universitas Kristen Maranatha
DAFTAR TABEL
Halaman
Tabel 4.1 Hasil Pengujian Menggunakan Teknik Ekstraksi Ciri LDNP Untuk 1
Citra Training ... 24 Tabel 4.2 Hasil Pengujian Menggunakan Teknik Ekstraksi Ciri LDP Untuk 1
Citra Training ... 25 Tabel 4.3 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan
Ke-1 ... 27 Tabel 4.4 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan Ke-21
... 27
Tabel 4.5 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan Ke-90
... 28
Tabel 4.6 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan
Ke-174 ... 28 Tabel 4.7 Perbandingan Tabel LDNP Dengan Tabel LDP Untuk Percobaan
1 Universitas Kristen Maranatha
BAB I
PENDAHULUAN
1.1 Latar Belakang Masalah
Salah satu aplikasi dari teknologi biometrik adalah untuk mengidentifikasi
atau mengenali manusia berdasarkan karakteristik fisiknya. Setiap manusia
memiliki sesuatu yang unik pada bagian tubuhnya dan keunikan tersebut tentu
hanya dimiliki oleh dirinya sendiri. Bagian tubuh manusia yang bersifat unik itu
di antaranya adalah sidik jari, wajah, retina mata dan pola pembuluh darah.
Terdapat banyak teknik ekstraksi ciri yang sudah dikembangkan untuk
pengenalan wajah. Ekstraksi ciri dalam pengenalan wajah dibagi menjadi dua,
secara global dan local. Pada Tugas Akhir ini teknik ekstraksi ciri untuk
pengenalan wajah digunakan Local Directional Number Pattern (LDNP) dan
Local Directional Pattern (LDP) untuk representasi citra.
Pada Tugas Akhir ini akan dibuat aplikasi menggunakan kedua teknik
tersebut untuk mengenali manusia berdasarkan keunikan tubuhnya. Keunikan
yang akan diidentifikasi adalah wajah. Dalam pengindentifikasian wajah ada
beberapa kondisi yang mempengaruhi recognition rate dalam pengenalan yaitu
noise, pencahayaan, pose, ekspresi, warna kulit, jenis kelamin, umur dan aksesoris
yang dipakai.
Teknik ekstraksi ciri LDNP adalah teknik ekstraksi ciri yang
dikembangkan untuk mengatasi kelemahan teknik ekstraksi ciri LDP. Pada Tugas
Akhir ini akan dibandingkan antara teknik ekstraksi ciri LDNP dengan teknik
B A B I P E N D A H U L U A N 2
Universitas Kristen Maranatha 1.2 Perumusan Masalah
Perumusan masalah dari Tugas Akhir ini, yaitu :
1. Bagaimana merancang aplikasi pengenalan citra wajah menggunakan
representasi citra LDNP dan LDP untuk identifikasi?
2. Bagaimana recognition rate citra wajah untuk identifikasi menggunakan
representasi citra LDNP dan LDP?
1.3 Tujuan
Tujuan yang ingin dicapai dari Tugas Akhir ini adalah :
1. Merealisasikan aplikasi pengenalan citra wajah menggunakan representasi
LDNP dan LDP untuk identifikasi.
2. Mengetahui recognition rate citra wajah untuk identifikasi menggunakan
representasi citra LDNP dan LDP.
1.4 Pembatasan Masalah
Pembatasan masalah pada Tugas Akhir ini adalah:
1. Database citra yang digunakan adalah database ORL dengan ukuran citra
112x92 piksel.
2. Pengidentifikasian wajah hanya tampak depan.
3. Citra masukan berupa citra gray scale.
4. Dalam satu citra terdapat hanya satu wajah.
5. Menggunakan Kirsch Mask untuk mendapatkan kode LDNP atau kode
Universitas Kristen Maranatha 1.5 Sistematika Penulisan
Sistematika penulisan laporan Tugas Akhir ini disusun menjadi beberapa
bab sebagai berikut:
BAB I : PENDAHULUAN
Bab ini berisi latar belakang masalah, perumusan masalah, tujuan,
pembatasan masalah dan sistematika penulisan pada laporan Tugas Akhir ini.
BAB II : LANDASAN TEORI
Bab ini berisi penjelasan teori-teori penunjang yang diperlukan dalam
Tugas Akhir ini terutama tentang pengenalan wajah teknik ekstraksi ciri LDNP
dan LDP.
BAB III : PERANCANGAN PERANGKAT LUNAK
Pada bab ini dijelaskan tentang proses perancangan perangkat lunak yang
dipakai untuk merealisasikan Tugas Akhir ini. Dalam bab ini dicantumkan juga
diagram alir perealisasian program teknik ekstraksi ciri LDNP dan LDP.
BAB IV : DATA PENGAMATAN DAN ANALISIS
Bab ini membahas tentang proses pengujian dan pengambilan data
simulasi, lalu hasil simulasi dianalisis berdasarkan teori yang ada.
BAB V : SIMPULAN DAN SARAN
Bab ini merupakan bab penutup yang berisi kesimpulan dari hasil
pengujian dan analisis dari Tugas Akhir ini serta saran untuk pengembangan dari
23 Universitas Kristen Maranatha BAB IV
DATA PENGAMATAN DAN ANALISIS
4.1 Prosedur pengujian
Setelah perancangan perangkat lunak dilakukan, maka selanjutnya
dilakukan pengujian pengenalan wajah dan identifikasi. Tujuan dari pengujian ini
adalah untuk melihat kemampuan teknik ekstraksi ciri LDNP dan teknik ekstraksi
ciri LDP dalam pengenalan wajah untuk identifikasi manusia. Pada database
ORL, jumlah subjek sebanyak 40 orang dan jumlah citra wajah sebanyak 10 buah
per-subjek, jadi totalnya 400 citra.
Prosedur pengujian :
1. Pada pengujian pertama diambil 9 citra wajah untuk citra masukan dan
1 citra wajah untuk citra training.
2. Pada pengujian kedua diambil 8 citra wajah untuk citra masukan dan 2
citra wajah untuk citra training.
4.2 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDNP
Pengujian dilakukan dengan 40 citra training dan 360 citra masukan untuk
1 citra training dan 80 citra training dan 320 citra masukan untuk 2 citra training
yang akan diuji. Setelah proses ekstraksi ciri dilakukan, maka dihitung jarak
minimum antara vektor ciri citra masukan dan citra training menggunakan
Chi-Square. Identitas yang sesuai adalah citra dengan nilai Chi-Square terendah. Data
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 24
Universitas Kristen Maranatha Percobaan
Ke -
Citra Uji Orang Ke -
Citra Uji Citra Yang
Dikenali
Dikenali Sebagai Orang Ke -
Jarak Minimum
(x10^3)
Citra Yang Dikenali (Identifikas
i)
1 1 1 2,608 Benar
21 3 13 2,366 Salah
30 4 4 1,814 Benar
56 7 7 881 Benar
65 8 8 2,024 Benar
90 10 12 2,049 Salah
174 20 20 2,030 Benar
190 22 22 1,239 Benar
360 40 5 1,872 Salah
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 25
Universitas Kristen Maranatha Tabel 4.1 merupakan sebagian hasil pengujian menggunakan teknik
ekstraksi ciri LDNP, hasil lengkap dapat dilihat pada Lampiran B. Hasil pengujian
menunjukkan bahwa jumlah citra wajah yang dikenali “Benar” untuk pengujian 9
citra masukan dan 1 citra training tiap subjek adalah 260 citra dari 360 citra
masukan, yang menghasilkan recognition rate 72.22%, adapun untuk pengujian 8
citra masukan dan 2 citra training tiap subjek adalah 273 citra dari 320 citra
masukan, yang menghasilkan recognition rate 85.31%.
4.3 Pengujian Dengan Menggunakan Teknik Ekstraksi Ciri LDP(k = 3) Pengujian dilakukan dengan 40 citra training dan 360 citra masukan untuk
1 citra training dan 80 citra training dan 320 citra masukan untuk 2 citra training
yang akan diuji. Setelah proses ekstraksi ciri dilakukan, maka akan dihitung jarak
minimum antara vektor ciri citra masukan dan citra training menggunakan
Chi-Square. Identitas yang sesuai adalah citra dengan nilai Chi-Sqaure terendah. Data
hasil pengenalan kemudian akan disajikan dalam Tabel 4.2 sebagai berikut :
Percobaa
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 26
Universitas Kristen Maranatha
90 10 23 1,931 Salah
174 20 20 1,842 Benar
190 22 22 1,198 Benar
235 27 27 1,245 Benar
281 32 32 1,557 Benar
360 40 5 1,733 Salah
Tabel 4.2 merupakan sebagian hasil pengujian menggunakan teknik
ekstraksi ciri LDP, hasil lengkap dapat dilihat pada Lampiran C. Hasil pengujian
menunjukkan bahwa jumlah citra wajah yang dikenali “Benar” untuk pengujian 9
citra masukan dan 1 citra training tiap subjek adalah 258 citra dari 360 citra
masukan, yang menghasilkan recognition rate 71.67% dan untuk pengujian 8
citra masukan dan 2 citra training adalah 268 citra dari 320 citra masukan, yang
menghasilkan recognition rate 83.75%.
4.4 Pembahasan Hasil Pengujian Teknik Ekstraksi Ciri LDNP Dan Teknik Ekstraksi Ciri LDP
Dari hasil pengujian yang dilakukan ditemukan beberapa perbedaan dan
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 27
Universitas Kristen Maranatha Tabel 4.3 Perbandingan Hasil LDNP dengan LDP Untuk Percobaan Ke-1
1. Pada percobaan pertama teknik ekstraksi ciri LDNP mengidentifikasi
citra dengan benar, sedangkan LDP salah dalam mengidentifikasinya.
2. Pada percobaan untuk citra uji ke-21 teknik ekstraksi ciri LDNP dan
LDP mengidentifikasi citra sebagai orang yang lain (salah), LDNP
mengenali citra uji sebagai orang ke-13, sedangkan LDP mengenali
citra uji sebagai orang ke-5. Pada percobaan citra uji ke-21 terlihat
bahwa variasi pose dan ekspresi, mempengaruhi hasil pengenalan
teknik ekstraksi ciri LDNP dan LDP. Citra yang dikenali akan
memiliki pose dan ekspresi yang sama. Percobaan
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 28
Universitas Kristen Maranatha 3. Pada percobaan untuk citra uji ke-90 LDNP dan LDP mengidentifikasi
citra sebagai orang yang lain (salah), akan tetapi LDNP mengenali
citra uji sebagai orang ke-12, sedangkan LDP mengenali citra uji
sebagai orang ke-23.
4. Pada percobaan untuk citra uji ke-174 LDNP dan LDP sama-sama
mengidentifikasi citra dengan benar. Pada percobaan citra uji ke-174 Percobaan
Tabel 4.5 Perbandingan Hasil LDNP Dengan LDP Untuk Percobaan Ke-90
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 29
Universitas Kristen Maranatha terbukti bahwa teknik ekstraksi ciri LDNP dan LDP dapat mengatasi
kondisi penggunaan aksesoris seperti kacamata.
5. Pada percobaan untuk citra uji ke-190 LDNP dan LDP sama-sama
mengidentifikasi citra dengan benar. Pada percobaan citra uji ke-190
menunjukkan bahwa teknik ekstraksi ciri LDNP dan LDP dapat
mengatasi kondisi perbedaan warna kulit. Percobaan
Ke -
Citra Uji Citra Yang
Dikenali
Dikenali Sebagai Orang Ke -
Jarak Minimum
(x10^3)
Citra Yang Dikenali (Identifikasi)
Teknik Ekstraksi
Ciri
190 22 1,239 Benar LDNP
190 22 1,198 Benar LDP
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 30
Universitas Kristen Maranatha 4.5 Analisa Data Teknik Ekstraksi Ciri LDNP dan Teknik Ekstraksi Ciri LDP
Pada analisa data berikut akan ditampilkan hasil recognition rate dari
kedua teknik ekstraksi ciri tersebut, berikut cara menghitung recognition rate :
Recognition Rate = Jumlah Identifikasi (Benar) / Jumlah Citra Masukan x 100%
Berikut adalah pembahasan dari hasil pengujian yang didapatkan dari kedua
teknik ekstraksi ciri tersebut.
4.5.1 Percobaan Untuk 1 Citra Training
Teknik ekstraksi ciri LDNP atau teknik ekstraksi ciri LDP untuk 1 citra
training akan ditampilkan dalam Tabel 4.8.
Teknik
Ekstraksi
Ciri
Jumlah Citra
Masukan
Jumlah Identifikasi
(Benar)
Recognition Rate (1 citra
training)
LDNP 360 260 72.22%
LDP(k =3) 360 258 71.67%
LDP(k =4) 360 258 71.67%
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 31
Universitas Kristen Maranatha Hasil pengujian LDNP menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 9 citra masukan dan 1 citra training untuk tiap subjek adalah 260
citra yang menghasilkan recognition rate 72.22% dan hasil pengujian LDP untuk
k = 3 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 9 citra
masukan dan 1 citra training untuk tiap subjek adalah 258 citra dari 360 citra
masukan, yang menghasilkan recognition rate 71.67%, sedangkan hasil pengujian
LDP untuk k = 4 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian
9 citra masukan dan 1 citra training adalah 258 citra dari 360 citra masukan, yang
menghasilkan recognition rate 71.67%. Ternyata pengujian LDP untuk k = 3 dan
k = 4 untuk 1 citra training menghasilkan recognition rate yang sama. Hal ini
menunjukkan bahwa LDNP melebihi pengidentifikasian (Benar) LDP sebesar 2
citra dan memiliki recognition rate yang lebih baik.
4.5.2 Percobaan Untuk 2 Citra Training
Teknik ekstraksi ciri LDNP atau teknik ekstraksi ciri LDP untuk 2 citra
training ditampilkan dalam tabel 4.9.
Teknik
B A B I V D A T A P E N G A M A T A N D A N A N A L I S I S 32
Universitas Kristen Maranatha Hasil pengujian LDNP menunjukkan bahwa jumlah citra yang “Benar”
untuk pengujian 8 citra masukan dan 2 citra training untuk tiap subjek adalah 273
citra yang menghasilkan recognition rate 85,31% dan hasil pengujian LDP untuk
k = 3 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian 8 citra
masukan dan 2 citra training untuk tiap subjek adalah 268 citra dari 360 citra
masukan, yang menghasilkan recognition rate 83,75%, sedangkan hasil pengujian
LDP untuk k = 4 menunjukkan bahwa jumlah citra yang “Benar” untuk pengujian
8 citra masukan dan 2 citra training adalah 262 citra dari 360 citra masukan, yang
menghasilkan recognition rate 81,875%. Ternyata pengujian LDP untuk k = 3 dan
k = 4 untuk 2 citra training menghasilkan recognition rate yang tidak terlalu
berbeda. Hal ini menunjukkan bahwa LDNP melebihi pengidentifikasian (Benar)
LDP untuk k = 3 sebesar 5 citra, LDP untuk k = 4 sebesar 11 dan memiliki
recognition rate yang lebih baik.
Hasil pengujian dengan 2 citra training untuk kedua teknik ekstraksi ciri
ini, menghasilkan recognition rate yang lebih baik dibandingkan hanya
33 Universitas Kristen Maranatha BAB V
SIMPULAN DAN SARAN
5.1 Simpulan
1. Aplikasi pengenalan wajah dengan teknik ekstraksi ciri LDNP dan teknik
ekstraksi ciri LDP berhasil direalisasikan untuk identifikasi.
2. Hasil pengujian menggunakan teknik ekstraksi ciri LDNP, hasil
recognition rate didapatkan sebesar 72,22 persen untuk satu citra training
dan recognition rate untuk dua citra training didapat 85,31 persen.
Sedangkan teknik ekstraksi ciri LDP untuk k = 3, recognition rate didapat
sebesar 71,67 persen untuk satu citra training dan recognition rate untuk
dua citra training didapat 83,75 persen. Teknik ekstraksi ciri LDNP
terbukti lebih baik dalam mengidentifikasi manusia berdasarkan wajah.
3. Hasil pengujian LDP untuk k = 3 untuk satu citra training menghasilkan
recognition rate 71.67 persen, sedangkan hasil pengujian LDP untuk k = 4
untuk satu citra training menghasilkan recognition rate 71.67 persen dan
pengujian LDP untuk k = 3 untuk dua citra training menghasilkan
recognition rate 83,75 persen, sedangkan hasil pengujian LDP untuk k = 4
untuk dua citra training menghasilkan recognition rate 81,875 persen. Hal
ini membuktikan bahwa nilai k tidak terlalu mempengaruhi recognition
rate.
4. Yang menjadi masalah dalam pengidentifikasian teknik ekstraksi ciri
LDNP atau teknik ekstraksi ciri LDP adalah perbedaan pose dan ekspresi.
Kebanyakan kesalahan adalah dari kesamaan pose dan kesamaan ekspresi
B A B I V S I M P U L A N D A N S A R A N 34
Universitas Kristen Maranatha 5.2 Saran
1. Untuk pengembangan selanjutnya dapat digunakan teknik ekstraksi ciri
LDNP dengan menggunakan masking yang lain dan pembuatan
histogram-nya digunakan cara MLH(multi-LDNP histogram) diharapkan
dapat mengatasi masalah dalam variasi pose dan ekspresi agar identifikasi
Perbandingan Representasi Citra Antara LDNP dan LDP dalam
Pengenalan Wajah Untuk Identifikasi
Comparison of LDNP and LDP Image Representation in Face
Recognition for Identification
LAPORAN TUGAS AKHIR
Diajukan Untuk Memenuhi Persyaratan Dalam Menempuh
Program Pendidikan Sarjana Strata Satu (S-1)
Program Studi Teknik Elektro
Fakultas Teknik
Universitas Kristen Maranatha
Bandung
Disusun Oleh:
Bharma Benjamin (1222010)
PROGRAM STUDI TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS KRISTEN MARANATHA
BANDUNG
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Tuhan Yang Maha Esa yang telah
melimpahkan Rahmat dan Karunia – Nya sehingga penulis dapat menyelesaikan
laporan Tugas Akhir ini yang berjudul “Perbandingan Representasi Citra Antara LDNP dan LDP dalam Pengenalan Wajah untuk Identifikasi” dengan baik.
Laporan Tugas Akhir ini diajukan untuk memenuhi persyaratan dalam
menempuh program pendidikan sarjana strata satu (S-1) pada Program Studi
Teknik Elektro Universitas Kristen Maranatha.
Laporan Tugas Akhir ini telah selesai dibuat berkat dukungan dan bantuan
dari berbagai pihak. Untuk itu pada kesempatan kali ini penulis mengucapkan
terima kasih yang sebesar – besarnya kepada:
1. Orang tua , adik , saudara dan oma yang saya kasihi serta keluarga besar
yang telah memberikan dukungan-dukungan serta doa yang terbaik
untuk penulis selama masa perkuliahan.
2. Ir. Yohana Susanthi, M.Sc., selaku Koordinator Tugas Akhir Program
Studi Teknik Elektro Universitas Kristen Maranatha dan juga selaku
dosen wali penulis yang telah memberikan waktu, motivasi serta saran
selama masa perkuliahan.
3. Dr. Ir. Daniel Setiadikarunia, M.T. selaku dosen pembimbing pertama
dan Riko Arlando Saragih, S.T.,M.T. selaku dosen pembimbing kedua
atas masukan serta pengarahan atas materi dan juga motivasi sehingga
laporan Tugas Akhir ini bisa terselesaikan dengan baik.
4. Agus Prijono, ST., MT., Dr. Roy Pramono Adhie, S.T.,M.T. dan Jimmy
Hasugian, ST.,MT. selaku dosen penguji atas masukan serta
pengarahannya.
5. Novie Theresia br. Pasaribu., ST., MT., selaku Ketua Program Studi
6. Seluruh Staf Pengajar dan Staf Tata Usaha Program Studi Teknik
Elektro Universitas Kristen Maranatha yang telah memberikan waktu
dan pengetahuan yang sangat berguna bagi penulis.
7. Seluruh teman-teman angkatan 2012 , senior dan junior yang telah
memberikan dukungan dan masukan-masukan untuk pengerjaan Tugas
Akhir ini.
8. Kepada teman saya Melissa Surachman, Julia Arrizal, Andy Hartanto,
Kelvin Alexander, Martin Hadi, Shirley Shintia dan teman-teman saya
yang lain yang telah membantu, memberi motivasi dan mendorong saya
dalam pengerjaan Tugas Akhir ini.
Penulis sadar bahwa hasil yang diperoleh jauh dari sempurna, maka dari itu
penulis sangat menerima kritikan dan saran dari para pembaca.
Dengan segala kerendahan hati, penulis berharap semoga Tugas Akhir ini
dapat bermanfaat bagi semua pihak yang membutuhkan, khususnya bagi dunia
pendidikan pada umumnya.
Bandung, Desember 2016
35 Universitas Kristen Maranatha
DAFTAR PUSTAKA
1. T.Ahonen, Abdenour Hadid, dan Matti Pietika¨inen. Face Description with Local Binary
Patterns: Application to Face Recognition.
2. F.A.Arliawan. Perbandingan PCA (Principal Component Analysis) dan Kernel PCA dalam
Pengenalan Wajah Akibat Variasi Pose, Tugas Akhir, Universitas Kristen Maranatha,
Bandung.
3. T.Jabid, Md. Hasanul Kabir, dan Oksam Chae. Local Directional Pattern (LD.P) for Face
Recognition. Kyung Hee University, South Korea.
4. A.K.Jain, dan A. Ross. 2008. Handbook of Biometrics. London: Springer.
5. A.R.Rivera, Jorge Rojas Castillo, dan Oksam Chae. Local Directional Number Pattern for
Face Analysis: Face and Expression Recognition.
6. F.S.Samaria, A.C. Harter. Parameterisation of a stochastic model for human face
identification. Proceedings of the Second IEEE Workshop on Applications of Computer
Vision, (1994)
7. A.O.Sihotang. Perbandingan Metode KDDA Menggunakan Kernel RBF, Kernel
Polinomial Dan Metode PCA Untuk Pengenalan Wajah Akibat Variasi Pencahayaan,
Tugas Akhir, Universitas Kristen Maranatha, Bandung.
8. B.Zhang, Yongsheng Gao, Sanqiang Zhao, dan Jianzhuang Liu. Local Derivative Pattern
Versus Local Binary Pattern: Face Recognition With High-Order Local Pattern
