Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet

(1)

PENGENALAN WAJAH BERDASARKAN PENGOLAHAN

CITRA DIGITAL DENGAN METODE

GABOR WAVELET

SKRIPSI

LESTYA DILA RAHMA

051401001

PROGRAM STUDI S1 ILMU KOMPUTER

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

(2)

Lestya Dila Rahma : Pengenalan Wajah Berdasarkan Pengolahan Citra Digital Dengan Metode Gabor Wavelet, 2010.

PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITAL

DENGAN METODE GABOR WAVELET

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar

Sarjana Komputer

LESTYA DILA RAHMA

051401001

PROGRAM STUDI S1 ILMU KOMPUTER

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

(3)

PERSETUJUAN

Judul

: PENGENALAN WAJAH BERDASARKAN

PENGOLAHAN CITRA DIGITLA DENGAN

METODE GABOR WAVELET

Kategori

: SKRIPSI

Nama

: LESTYA DILA RAHMA

Nomor Induk Mahasiswa

: 051401001

Program Studi

: SARJANA (S1) ILMU KOMPUTER

Departemen

: ILMU KOMPUTER

Fakultas

: MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA

UTARA

Diluluskan di

Medan, Desember 2009

Komisi Pembimbing

:

Pembimbing 2

Pembimbing 1

Drs. James P. Marbun,M.Kom

Drs. Suyanto,M.Kom

NIP. 131 639 804

NIP. 131 572 440

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer

Ketua,

(4)

iii

PERNYATAAN

PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITAL

DENGAN METODE GABOR WAVELET

SKRIPSI

Saya mengakui bahwa SKRIPSI ini adalah hasil kerja saya sendiri, kecuali beberapa

kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Desember 2009

(5)

PENGHARGAAN

Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pemurah dan Maha

Penyayang, dengan limpah karunia-Nya skripsi ini berhasil diselesaikan dalam waktu

yang ditetapkan.

Ucapan terima kasih saya sampaikan kepada Bapak Drs. Suyanto, M.Kom dan

Drs. James Piter Marbun, M.Kom, selaku pembimbing pada penyelesaian skripsi ini

yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk

menyempurnakan skripsi ini. Panduan ringkas, padat dan profesional telah diberikan

kepada penulis sehingga tugas ini dapat terselesaikan dengan tepat waktu. Ucapan

terima kasih juga ditujukan kepada Ketua dan Sekretaris Departemen Ilmu Komputer

Prof. Dr. Muhammad Zarlis dan Syahriol Sitorus, S.Si, MIT, Dekan dan Pembantu

Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara,

semua dosen dan pegawai pada Departemen Ilmu Komputer FMIPA USU.

Teristimewa kepada kedua orang tua, ayahanda H. Mad Kusni dan ibunda Hj.

Asridawati Lubis dan keluarga besar penulis yang telah memberikan doa, dukungan,

perhatian dan kasih sayang yang tulus serta pengorbanan yang tidak ternilai harganya.

Kepada kekasih penulis Zulhamsyah Fachrurrazi Nasution dan sahabat-sahabat

penulis, Maya, Fitra, Lia, Afnisah, Dwi, Titin, Indra, Adi,, Ikhsan, Rido, serta seluruh

teman kuliah angkatan ’05 yang tidak dapat penulis sebutkan satu persatu yang selalu

memberikan semangat dan dukungan. Semoga Allah SWT memberikan limpahan

karunia kepada semua pihak yang telah memberikan bantuan, perhatian, serta kerja

samanya kepada penulis dalam menyelesaikan tugas akhir ini.

(6)

v

ABSTRAK

(7)

FACE RECOGNITION BASES DIGITAL IMAGE PROCESSING BY GABOR

WAVELET'S METHOD.

ABSTRACT

Face recognition is one of the most important science research, and has been used by

a lot of applications, both in commercial or in security systems. Face recognition

techniques has been improved very fast. Through developments like Gabor Wavelet,

computer can complete with human brains in face recognition task, especially to do a

search of a large amount of database. The objective of this final project is to make a

face recognition software using gabor wavelet to reduce the dimension of a face

image, and to see the capabilities of the technique. In this final assignment, the

software used image as the input. To developed this application using Microsoft

Visual Basic. The test results for the same face but different people is 42,7 %, the

same face but different shape is 68,98 % , the same face but different attribute is 55,2

(8)

vii

DAFTAR ISI

Halaman

HALAMAN PERSETUJUAN ...

ii

PERNYATAAN ...

iii

PENGHARGAAN ...

iv

ABSTRAK ...

v

ABSTRACT ...

vi

DAFTAR ISI ...

vii

DAFTAR TABEL ...

x

DAFTAR GAMBAR ...

xi

BAB 1

PENDAHULUAN ...

1

1.1

Latar Belakang ...

1

1.2

Rumusan Masalah ...

2

1.3

Batasan Masalah ...

2

1.4

Tujuan Penelitian ...

3

1.5

Manfaat Penelitian ...

3

1.6

Metode Penelitian ...

3

1.7

Sistematika Penulisan ...

4

BAB 2

LANDASAN TEORI ...

5

2.1

Comput er Vision ...

5

2.2

Image Processing ...

5

2.3

Pencocokan Citra Digital ...

6

2.4

Transformasi Domain Citra ...

10

2.5

Sinyal dan Spektrum ...

11

2.6

Transformasi Sinyal ...

12

2.7

Transformasi Wavelet ...

13

2.8

Metode Gabor Wavelet ...

15

2.8.1 Nilai Jet ...

15

2.8.2 Membandingkan Nilai Jet ...

16

BAB 3 ANALISIS DAN PERANCANGAN SISTEM ...

17

3.1.

Perancangan Sistem ...

17

3.2.

Pembuatan Gabor Kernel ...

18

3.3.

Proses Enroll ...

20

3.4.

Proses Verify ...

23

3.4.1 Proses Grayscale ...

23

3.4.2 Proses Histogram Equalization ...

25

3.4.3 Gabor Konvolusi ...

26

3.4.4 Feature Extraction ...

28

3.4.5 Proses Pengenalan ...

29

3.5

Flowchart Sistem Pengenalan Wajah ...

31

BAB 4

IMPLEMENTASI SISTEM ...

32

4.1

Menu Utama ...

32

4.1.1 Tampilan Pengenalan Wajah ...

32

4.1.2 Tampilan Data Wajah ...

33

(9)

4.1.4 Tampilan Help ...

35

4.1.5 Tampilan About ...

36

4.2.

Teknik Pengujian Sistem ...

36

4.2.1 Input Data Wajah ke Database ...

36

4.2.2 Pengujian Pengenalan Wajah ...

37

BAB 5

KESIMPULAN DAN SARAN ...

41

5.1.

Kesimpulan ...

41

5.2.

Saran ...

41

(10)

ix

DAFTAR TABEL

Halaman

(11)

DAFTAR GAMBAR

Halaman

Gambar 2.1

Subcitra Acuan dan Subcitra Pencarian ...

9

Gambar 2.2

Hubungan Citra Foto, SCA dan CP ...

10

Gambar 2.3

Teknik Penjendelaan dari Metode Transformasi Domain ...

11

Gambar 2.4

Grafik Gelombang ...

12

Gambar 2.5

Frekuensi Hasil Transformasi Fourier ...

12

Gambar 2.6

Faktor Skala Wavelet ...

14

Gambar 2.7

Gabor Kernel ...

15

Gambar 2.8

Hasil Konvolusi dengan Gabor Kernel ...

16

Gambar 3.1

Blok Diagram Sistem ...

17

Gambar 3.2

Diagram Gabor Respon ...

18

Gambar 3.3 Gabor Kernel ...

20

Gambar 3.4

Bagan Proses Enroll ...

22

Gambar 3.5

Gabor Feature Extraction pada 12 Titik Sampling ...

22

Gambar 3.6

Bagan Proses Verify ...

23

Gambar 3.7

Konversi Citra RGB ke Citra Grayscale ...

23

Gambar 3.8

Proses Mapping Nilai Gray Citra ...

25

Gambar 3.9

Blok Diagram Database ...

28

Gambar 3.10 Blok Diagram Proses Pengenalan ...

29

Gambar 3.11 Flowchart Sistem Pengenalan Wajah ...

31

Gambar 4.1

Tampilan Menu Utama ...

32

Gambar 4.2

Tampilan Pengenalan Wajah ...

33

Gambar 4.3

Tampilan Data Wajah ...

34

Gambar 4.4

Tampilan Data User ...

35

Gambar 4.5

Tampilan Help ...

35

Gambar 4.6

Tampilan About ...

36

Gambar 4.7

Pengujian Input Data Wajah ...

37

Gambar 4.8

Pengujian Wajah ...

37

Gambar 4.9

Pengujian Hasil Pemanggilan File Wajah ...

38

Gambar 4.10 Pengujian Hasil Pengenalan Wajah ...

38

Gambar 4.11 Hasil Pengenalan Wajah Mirip Tetapi Orang Berbeda ...

39

Gambar 4.12 Hasil Pengenalan Wajah Sama Tetapi Mimik Berbeda ...

39

Gambar 4.13 Hasil Pengenalan Wajah Sama Tetapi Atribut Berbeda ...

40

(12)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Perkembangan computer vision dan teknologi image processing saat ini terus

berkembang dengan sangat pesat. Berbagai aplikasi computer vision dan image

processing telah dikembangkan, seperti dalam sistem keamanan, dan dunia robotika.

Computer Vision mempunyai tujuan utama untuk membuat keputusan yang

berguna tentang objek fisik nyata dan pemandangan (scenes) berdasarkan image yang

didapat dari sensor. Secara sederhana, computer vision ingin membangun sebuah

mesin pandai yang dapat terlihat.

Image processing merupakan salah satu jenis teknologi untuk menyelesaikan

masalah mengenai pemrosesan gambar. Dalam image processing gambar yang ada

diolah sedemikian rupa sehingga gambar tersebut lebih mudah untuk diproses.

Pengenalan wajah manusia adalah salah satu bidang penelitian yang penting

dengan banyak aplikasi yang dapat menerapkannya. Penelitian terhadap pengenalan

wajah manusia sudah banyak dilakukan dengan kelebihan dan kekurangan tertentu.

Hal ini disebabkan karena wajah manusia mempresentasikan sesuatu yang kompleks,

sehingga untuk mengembangkan model komputasi yang ideal untuk pengenalan wajah

manusia adalah sesuatu hal yang sangat sulit.

Teknik pengenalan wajah dapat diaplikasikan ke dalam beberapa bidang seperti

bidang, komersial dan bidang penegak hukum. Aplikasi-aplikasi ini dapat

diklasifikasikan secara luas ke dalam dua kelompok, yaitu beberapa input aplikasi

masih mengunakan gambar diam (seperti credit card, passport, dan SIM) sedangkan

(13)

Pengenalan wajah manusia mendapat banyak perhatian beberapa tahun akhir ini,

hal ini karena banyak aplikasi yang menerapkan, antara lain dalam pengamanan

gedung, alat identifikasi, alat bantu dalam pencari pelaku kriminal dan lain-lain. Ada

banyak teknik pengenalan wajah yang dapat dipakai dan salah satunya adalah Gabor

Wavelet.

Pada penggunaan Gabor Wavelet agar mendapat hasil yang maksimal

digunakan otomatis alignment untuk menentukan feature-featurenya.

Berdasarkan uraian di atas, maka penulis tertarik untuk memilih ”Pengenalan

Wajah Berdasarkan Pengolahan Citra Digital dengan Metode Gabor Wavelet”

sebagai judul skripsi ini.

1.2 Rumusan Masalah

Ide dasar dalam pembuatan tugas akhir ini adalah metode pengenalan pola

berdasarkan cara-cara pengolahan citra (Image processing) sehingga dapat mengenali

bagian wajah.

Sebelum penulis melakukan penelitian ini, terlebih dahulu dirumuskan masalah

yang dihadapi agar penulis melakukan pembahasan sesuai dengan latar belakang

penulisan ini. Adapun yang menjadi permasalahan dalam penulisan skripsi ini adalah

pengenalan wajah dengan jaringan saraf tiruan merupakan proses yang sangat sulit

dilakukan yaitu kesulitan dalam melakukan pelatihan dimana data yang diberikan

sebagai input cukup besar sehingga proses pelatihan akan membutuhkan memori yang

sangat besar dan memakan waktu yang lama serta hasilnya belum tentu memuaskan,

namun dengan menggunakan metode Gabor Wavelet, pengenalan pola wajah

dilakukan berdasarkan cara-cara pengolahan citra (Image processing) sehingga dapat

mengenali bagian wajah.

Oleh karena itu, perumusan masalah dalam penulisan skripsi ini adalah

“Bagaimana cara mengenali wajah dalam format gambar berdasarkan pengolahan citra

digital dengan metode Gabor Wavelet?”

(14)

3

Agar penyelesaian masalah tidak menyimpang dari tujuan, maka perlu dibuat batasan

masalah, yaitu:

1.

Bahasa pemrograman yang digunakan adalah Microsoft Visual Basic.

2.

Database editor yang digunakan adalah Microsoft Access.

3.

Citra wajah yang dikenali berformat BMP dan JPG.

4.

Metode pengenalan yang digunakan adalah metode Gabor Wavelet.

1.4 Tujuan Penelitian

Tujuan yang akan dicapai dalarn pembuatan tugas akhir ini adalah untuk membuat

perangkat lunak yang dapat mengenali citra wajah dengan menggunakan Gabor

Wavelet.

1.5 Manfaat Penelitian

Manfaat yang dapat diperoleh dari penelitian ini, adalah:

1.

Mengenali bagian wajah dengan pengenalan pola berdasarkan cara-cara

pengolahan citra untuk mendapatkan hasil yang lebih akurat.

2.

Mempercepat proses pengenalan wajah dengan menginput citra.

3.

Hasil pengenalan wajah dapat diimplementasikan dalam sistem absensi pegawai

dan sistem keamanan.

1.6 Metode Penelitian

Metodologi untuk menyelesaikan masalah dalam tugas akhir ini dilakukan dalam

beberapa tahapan, yaitu sebagai berikut:

1.

Riset perpustakaan untuk mencari dan mengumpulkan artikel-artikel yang

berkaitan dengan topik pembahasan dari berbagai sumber.

2.

Identifikasi masalah, yaitu tahap penentuan hal-hal penting sebagai dasar dari

permasalahan yang dianalisis. Tahap ini merupakan tahap untuk mengkaji dan

(15)

3.

Konseptualisasi, yaitu hasil identifikasi masalah dikonseptualisasikan dalam

bentuk hubungan antar-pengetahuan maupun relasi antardata yang akan diterapkan

dalam sistem.

4.

Implementasi sistem yaitu, pemecahan masalah yang telah dikonseptualisasikan ke

dalam modul-modul sesuai dengan garis besar masalah dengan menentukan input,

proses dan output sistem, kemudian diubah ke dalam bahasa pemrograman yang

mudah dimengerti komputer.

1.7 Sistematika Penulisan

Penulisan tugas akhir ini akan mengikuti sistematika sebagai berikut:

BAB 1 : PENDAHULUAN

Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian yang

digunakan dalam penelitian, serta sistematika dalam penulisan tugas akhir

ini.

BAB 2 : TINJAUAN PUSTAKA

Bab ini menjelaskan mengenai teori tentang citra, pencocokan citra dalam

fotogrametri dan transformasi wavelet dua dimensi yang berhubungan

kegiatan penelitian.

BAB 3 : PERANCANGAN SISTEM

Bab ini menguraikan tentang analisis terhadap proses yang telah dilakukan

dalam mencocokkan citra kiri dengan citra kanan serta hasil yang diperoleh

dari proses tersebut.

BAB 4 : ALGORITMA DAN IMPLEMENTASI

Berisi tentang implementasi aplikasi yang sudah jadi serta pengujian

sistem.

BAB 5 : KESIMPULAN DAN SARAN

Bab ini menjelaskan tentang kesimpulan dari penelitian ini serta saran yang

(16)

BAB 2

TINJAUAN PUSTAKA

2.1 Computer Vision

Computer vision mempunyai tujuan utama untuk membuat keputusan yang

berguna tentang objek fisik nyata dan pemandangan (scenes) berdasarkan image yang

didapat dari sensor. Computer vision ingin membangun sebuah mesin pandai yang

dapat melihat. Tentunya hal ini bukanlah hal mustahil. Ada berbagai contoh dari

aplikasi computer vision seperti mesin yang mengawasi atau memeriksa jutaan

filaraen dari bola lampu atau ribuan mil serat pabrik setiap hari. ATM telah dibangun

dan dilengkapi dengan retina scan. Mobil sudah dapat dikemudikan oleh komputer

dengan menggunakan kamera sebagai input.

2.2 Image Processing

Pengertian sederhana dari image processing adalah manipulasi dan analisis suatu

informasi gambar oleh komputer. Informasi gambar adalah gambar visual dalam dua

dimensi. Segala operasi untuk memperbaiki, analisis, atau pengubahan suatu gambar

disebut image processing. Konsep dasar dari sistem dari image processing diambil

dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan

kemampuan otak manusia. Dalam sejarahnya, image processing telah diaplikasikan

dalam berbagai bentuk, dengan tingkat kesuksesan yang cukup besar. Seperti berbagai

(17)

cabang-cabang ilmu. Seperti di antaranya optik, elektronik, matematika, fotografi, dan

teknologi komputer.

Beberapa faktor menyebabkan perkembangan sistern image processing menjadi

berkembang lebih pesat saat ini. Salah satu yang utama adalah penurunan biaya akan

peralatan komputer yang dibutuhkan. Kedua peralatan unit processing dan bulk

strorage menjadi semakin murah dari tahun ke tahun. Faktor kedua adalah

peningkatan tersedianya peralatan untuk proses digital dan tampilan gambar.

Berbagai bidang telah banyak menggunakan aplikasi dari image processing baik

di bidang komersial, industri, dan medis. Bahkan bidang militer telah menggunakan

perkembangan dunia digital image processing ini.

Pada umumnya tujuan dari image processing adalah mentransformasikan atau

menganalisis suatu gambar sehingga informasi baru tentang gambar dibuat lebih jelas.

Ada banyak cara yang dapat diaplikasikan dalam suatu operasi image processing,

hampir sebagian besar dalam bentuk optikal. Gambar optikal dikonversikan menjadi

sinyal elektrik dengan menggunakan kamera video atau peralatan lain sejenisnya.

Konversi ini mengubah representasi gambar dari suatu cahaya optik menjadi sinyal

elektrik kontinyu. Sinyal elektrik ini disebut sinyal analog. Lebih lanjut, gambar

analog dapat didigitalkan dan berubah menjadi data digital. Operasi pada sistem image

processing dapat diaplikasikan pada suatu gambar dengan bentuk optikal, analog, atau

digital.

2.3 Pencocokan Citra Digital

Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri

analog hingga sistem fotogrametri digital yang lebih praktis, murah, dan otomatis.

Proses otomatisasi pada fotogrametri digital ditujukan untuk mengurangi proses

pengambilan informasi dalam rangkaian kerja fotogrametri. Identifikasi titik sekawan

pada fotogrametri digital dapat dilakukan dengan otomatis menggunakan metode

pencocokan citra (image matching). Problem dalam otomatisasi sistem fotogrametri

digital adalah sulit untuk mengidentifikasi titik sekawan secara otomatis pada citra

homogen yang bertampalan. Pekerjaan mencocokan titik sekawan dalam fotogrametri

(18)

7

mengenali karakteristik kesamaan citra kiri dan kanan pada pasangan foto stereo.

Otomatisasi pencocokan citra fotogrametri digital diharapkan menjadi solusi terhadap

masalah campur tangan dan kelelahan operator sehingga faktor ketelitian dan

kecepatan dapat ditingkatkan.

Pencocokkan citra adalah dasar proses otomatisasi pada rangkaian proses

fotogrametri. Pencocokan citra dapat diaplikasikan untuk orientasi dengan

menentukan tanda tepi secara otomatis antara foto yang memiliki tanda tepi (fiducial

marks) dan bagian citra lain yang bertampalan sehingga menghasilkan posisi yang

ideal dari tanda tepi tersebut. Pencocokan citra juga dapat digunakan dalam proses

orientasi relatif untuk menentukan titik sekawan sebanyak minimal lima titik pada

citra yang bertampalan dengan mencocokkan matriks pada citra kiri dengan titik

sekawan pada citra kanan. Titik sekawan tersebut didefinisikan pada dua foto udara

yang bertampalan sebagai titik indikator untuk mengetahui kelaikan model 3D hasil

orientasi relatif.

Pencocokan citra dalam orientasi absolut berperan dalam pengukuran titik

kontrol utama dengan menghasilkan bagian citra lainnya (citra kanan) dari titik utama

dibandingkan dengan bagian kecil dari foto udara. Pencocokan citra juga digunakan

untuk menghasilkan citra dengan mengotomatisasi serangkaian titik objek pada citra

dipilih dalam satu bentuk citra grid teratur untuk dipasangkan dengan serangkaian titik

pada citra sebelahnya.

Metode pencocokan citra yang banyak dipakai untuk keperluan proses

fotogrametri adalah berbasis area (area-based) dan berbasis unsur (feature-based).

Metode berbasis area menggunakan komposisi nilai derajat keabuan (gray level) citra

sebagai sampel yang akan diuji dalam penelitian. Metode area based matching

digunakan dalam penelitian ini karena merupakan metode yang paling mudah

dilakukan dan memberikan hasil pencocokan yang relatif cepat (Ilham, 2007). Metode

ini juga memiliki akurasi yang cukup tinggi untuk area yang memiliki tekstur baik dan

unik, dan pada beberapa kasus tingkat akurasi dari kecocokan dapat dinyatakan

kuantitasnya dalam unit metrik. Area based matching pada dasarnya membandingkan

nilai derajat keabu-abuan (gray level) suatu bentuk kecil matriks citra dimana pusat

matriksnya merupakan lokasi gray value dari titik yang akan dicocokkan.

Proses pengidentifikasian titik sekawan dilakukan dengan cara memilih titik di

(19)

dengan titik citra di kanan pada objek yang sama di citra kiri. Pusat subcitra tersebut

merupakan lokasi nilai keabu-abuan dari titik yang akan dicocokkan. Sampel titik

diambil dari citra pada sistem koordinat lokal dalam bentuk posisi kolom-baris. Pada

pencocokkan citra berbasis area, setiap titik yang akan dicocokkan adalah pusat dari

sebuah jendela pixel yang kecil pada citra acuan, dan jendela ini dibandingkan dengan

jendela yang lain pada citra pencarian dengan ukuran tertentu. Ukuran kecocokkan

dilihat dengan kecilnya perbedaan nilai yang dihasilkan. Keunikan objek merupakan

penentu keberhasilan pencocokan citra. Salah satu penentu keunikan objek adalah

ukuran subcitra acuan (SCA). Semakin besar ukuran subcitra acuan, detail yang

merupakan bagian dari objek semakin banyak. Ketika ukuran citra acuan diperbesar

dapat dilihat adanya keunikan lain dari area yang dikategorikan mewakili jenis objek.

Keunikan tersebut dapat berupa objek yang berbeda dan memiliki nilai kecerahan

yang berbeda pula. Berdasarkan hal tersebut, rentang nilai kecerahan citra acuan akan

melebar sehingga nampak semakin heterogen (Putra, 2008).

Proses pencocokan citra diasumsikan berhasil jika diperoleh nilai korelasi

≥ 0.7.

Dengan memperbesar ukuran subcitra acuan, akan diperoleh karakteristik objek yang

makin unik sehingga nilai korelasi akan meningkat dan mendukung tercapainya

keberhasilan pencocokan citra. Dengan adanya keunikan tersebut, pencarian area

paling berkorelasi dapat lebih mudah dan terhindar dari kesalahan posisi pusat area

yang paling berkorelasi. Keunikan yang dimaksud dapat objek tersebut memiliki

sebagian area heterogen. Secara umum, makin besar ukuran citra acuan, makin banyak

keunikan objek yang terlihat sehingga makin besar pula rentang nilai kecerahan citra

acuannya.

Teknik mengevaluasi pencocokan citra berbasis area adalah dengan

menggunakan teknik korelasi maksimal. Nilai korelasi yang dihasilkan bertujuan

untuk mengukur derajat kesamaan antara dua atau lebih citra foto yang bertampalan.

Citra pertama adalah subcitra acuan pada citra kiri sedangkan subcitra kedua

merupakan subcitra pencarian (SCP) yang dibatasi oleh citra pencarian (CP) di dalam

citra foto kedua. Proses pencocokan citra berlangsung semi otomatis, posisi titik awal

diambil secara manual untuk citra kiri dan citra kanan. Titik tengah SCA dan CP

menjadi pusat dari area citra yang akan dicari. Nilai pergeseran maksimum SCA pada

CP digunakan persamaan (1), nilai berguna dalam algoritma pencocokan citra tahap

(20)

9

Dm,n = CPm,n-SCAm,n+1

dengan m = baris dan n = kolom.

Gambar 2.1. Subcitra Acuan dan Subcitra Pencarian

Subcitra pencarian akan bergerak dalam citra pencarian, kemudian dihitung nilai

korelasi SCA dan semua SCP pada CAP dan nilai korelasi antarkedua citra

mempunyai rentang nilai 0 sampai +1 (0

≤

≤ 1). Secara umum nilai pembatas dari

nilai koefisien korelasi adalah lebih besar atau sama dengan 0.7 atau 70 % yang

dinyatakan cocok atau derajat kesamaannya tinggi.

Sampel citra berupa komposisi nilai keabuan array citra yang akan diuji derajat

kecocokannya dihitung melalui suatu persamaan matematis untuk kemudian disimpan

sebagai nilai korelasi. Metode korelasi dari pencocokan citra berkerja dengan memilih

CA dari citra kiri berdasarkan karakteristik tertentu dan jarak objek/area dari titik

utama citra untuk dicocokan, dan pencarian posisi yang sekawan akan dilakukan oleh

jendela yang bergerak subcitra pencarian pada cita pencarian dari citra kanan.

(21)

Gambar 2.2 Hubungan Citra Foto, SCA, dan CP

2.4 Transformasi Domain Citra

Transformasi wavelet merupakan hasil pengembangan transformasi fourier yang

merupakan metode tradisional untuk menentukan kandungan frekuensi dari sebuah

sinyal. Transformasi fourier pada dasarnya membawa sinyal dari domain spasial

(spatial-domain) ke domain frekuensi (frequency-domain). Transformasi fourier

adalah alat mengubah sinyal menjadi fungsi sinus dan cosinus dengan beragam

frekuensi. Transformasi fourier menggunakan basis sinus dan cosinus yang memiliki

frekuensi berbeda. Hasil transformasi fourier adalah distribusi densitas spektral yang

mencirikan amplitudo dan fase dari beragam frekuensi yang menyusun sinyal. Hal ini

merupakan salah satu kegunaan transformasi fourier, yaitu untuk mengetahui

kandungan frekuensi sinyal (Munir, 2004).

Transformasi fourier digunakan dalam pengolahan sinyal untuk

merepresentasikan sinyal dalam domain frekuensi murni. Keterbatasan dari

transformasi fourier konvensional adalah tidak adanya informasi waktu dari

kemunculan suatu frekuensi. Informasi waktu tersembunyi dan tidak terakses dalam

domain frekuensi murni, akibatnya transformasi fourier tidak cocok diterapkan pada

sinyal yang frekuensinya bervariasi terhadap waktu. Permasalahan tersebut diatasi

dengan menggunakan transformasi fourier jangka pendek (STFT, short-time fourier

Subcitra

(22)

11

transform). Hasil yang diperoleh adalah suatu deret analisis spektral yang

berkorespondensi dengan suatu posisi dalam waktu, namun metode ini memiliki

kelemahan sebagai akibat dari penggunaan fungsi jendela dengan lebar yang sama

untuk tiap komponen spektral. STFT memberikan resolusi waktu dan frekuensi yang

buruk pada komponen frekuensi tinggi (durasi rendah). Komponen berdurasi pendek

merupakan hasil rata-rata sesuai lebar jendela. Selain itu, komponen yang durasinya

lebih besar dari lebar jendela tidak dianalisis (Misiti, et al, 2004).

Transformasi wavelet merupakan pengembangan dari STFT. Pada STFT

pengamatan antar-komponen spektral dilakukan dengan mengubah jumlah osilasi di

dalam fungsi jendela. Sedangkan pada transformasi wavelet pengamatan komponen

spektral dilakukan dengan mengubah lebar jendela dengan tetap mempertahankan

jumlah osilasi di dalamnya. Hal inilah yang menyebabkan istilah frekuensi tidak lagi

dipakai dalam analisis wavelet, namun terdapat istilah “skala” yang berkorespondensi

dengan frekuensi. Keunggulan transformasi wavelet, sifat natural sinyal

dipertahankan. Pada komponen berdurasi pendek, fungsi jendela yang digunakan

memiliki lebar yang sempit. Sedangkan komponen yang berdurasi lebih panjang,

fungsi jendela diperlebar.

Gambar 2.3 Teknik Penjendelaan Frekuensi dari Metode

Transformasi Domain

2.5 Sinyal dan Spektrum

Sinyal adalah deskripsi bagaimana satu parameter mengubah parameter lainnya.

Parameter tersebut merupakan sekumpulan informasi yang ditimbulkan oleh suatu

fenomena dan dapat diperlakukan sebagai data. Sinyal dipresentasikan dalam bentuk

grafik gelombang yang menggambarkan suatu siklus pergerakan. Siklus sinyal

(23)

waktu, dan frekuensi. Amplitudo merupakan besar perpindahan maksimum dari titik

kesetimbangan dan bernilai selalu positif. Sudut fase memberitahu pada titik apa

dalam siklus, gerak berada pada t=0. Sedangkan frekuensi adalah banyaknya siklus

pada satu satuan waktu.

Gambar 2.4. Grafik Gelombang

Periode yaitu komponen gelombang yang merepresentasikan waktu dalam

satuan detik pada suatu siklus. Periode merupakan kebalikan dari frekuensi yang

merupakan jumlah siklus pada suatu waktu. Komponen frekuensi yang terkandung

pada suatu sinyal dapat dibagi menjadi dua, yaitu komponen frekuensi tinggi dan

komponen frekuensi rendah. Frekuensi tinggi memiliki periode yang lebih pendek

didandingkan dengan frekuensi rendah.

(24)

13

2.6 Transformasi Sinyal

Transfomasi sinyal adalah dengan menghitung konvolusi sebuah sinyal dengan sebuah

jendela modulasi pada setiap waktu dengan setiap skala yang diinginkan,dimana

jendela modulasi, yang mempunyai skala fleksibel, disebut induk wavelet atau fungsi

dasar wavelet.

Dalam transformasi sinyal digunakan istilah translasi dan skala. Translasi

adalah lokasi jendela modulasi saat digeser sepanjang sinyal, berhubungan dengan

informasi waktu. Skala behubungan dengan frekuensi, skala tinggi (frekuensi rendah)

berhubungan dengan informasi global dari sebuah sinyal, sedangkan skala rendah

(frekuensi tinggi) berhubungan dengan informasi detail.

Transformasi sinyal secara matematika dapat didefinisikan sebagai berikut:

(s, ) adalah fungsi sinyal setelah transformasi, dengan variabel s (skala) dan

(translasi) sebagai dimensi baru. f(t) sinyal asli sebelum transformasi. Fungsi dasar

di sebut sebagai wavelet, dengan * menunjukkan konjugasi kompleks.

Dan inversi dari transformasi sinyal secara matematika dapat didefinisikan

sebagai berikut:

Fungsi dasar wavelet

s,

(t) dapat didesain sesuai kebutuhan untuk

mendapatkan hasil transformasi yang terbaik. Fungsi dasar wavelet secara matematika

dapat didefinisikan sebagi berikut:

(25)

2.7 Transformasi Wavelet

Wavelet adalah fungsi matematika yang menguraikan data atau fungsi menjadi

komponen-komponen frekuensi yang berbeda, wavelet memiliki keunggulan dari

fourier dalam menganalisis situasi-situasi fisis dimana sebuah sinyal memiliki

diskontinuitas dan bentuk yang tajam. Transformasi wavelet merujuk pada

aproksimasi sinyal menggunakan suatu gelombang singkat yang mengalami translasi

dan dilatasi untuk keperluan analisis frekuensi-temporal sinyal. Analisis temporal

menggunakan variasi lokasi gelombang singkat pada waktu tertentu dalam durasi

sinyal, sedangkan analisis frekuensi menggunakan variasi dilatasi gelombang singkat

yang sama (Misiti, et al., 2004). Formulasi matematika representasi sinyal disebut

sebagai transformasi wavelet. Proses transformasi domain citra bertujuan untuk

memunculkan unsur atau karakteristik citra tertentu dapat lebih ditonjolkan. Wavelet

didefinisikan sebagai gelombang singkat (atau gelombang kejut) dengan energi

terkonsentrasi pada domain fisik (spasial atau waktu). Berbeda dengan gelombang

pada umumnya (sinusoid) yang memiliki sifat halus, terprediksi, dan durasi tak

terbatas, wavelet dapat berbentuk tidak simetris, irregular, dan memiliki durasi

terbatas atau berosilasi menuju nol dengan cepat.

Skala dalam tranformasi wavelet adalah melakukan perenggangan dan

pemampatan pada sinyal. Efek dari skala tranformasi wavelet dapat dilihat pada

Gambar 2.6, semakin kecil faktor skala akan menghasilkan induk wavelet yang

semakin mampat.

(26)

15

2.8 Metode Gabor Wavelet

Salah satu bentuk teknik feature extraction adalah dengan menggunakan Gabor filter.

Fungsi wavelet dan fungsi gabor dikenal sangat variatif dalam menggabungkan

pendapat yang berbeda, namun pada prinsipnya semuanya itu akan menghasilkan

fungsi dengan tujuan yang sama. Tujuan utama Gabor Wavelet ini dalam pengolahan

adalah untuk memunculkan ciri-ciri khusus dari gambar yang telah dikonvolusi

terhadap kernel. Proses yang berlangsung dalam bidang frekuensi mempengaruhi

kecepatan proses yang terjadi, baik dalam proses gambar maupun saat proses

konvolusi.

2.8.1 Nilai Jet

Gabor Wavelet dimotivasi oleh konvolusi kemel dalam bentuk plane wave atau

bidang gelombang yang dibatasi oleh sebuah fungsi Gaussian envelope. Kumpulan

dari koefisien-koefisien convolution untuk kemel dari orientasi-orientasi dan

frekuensi-frekuensi yang berbeda pada satu image pixel yang dinamakan jet.

Jet merupakan kumpulan dari grey values dalam sebuah garnbar. I(x)

mengelilingi sebuah pixel yang diberikan x = (x,y). Hal ini didasarkan pada wavelet

transformasi, didefinisikan sebagai proses Gabor Kemel, seperti ditunjukkan pada

gambar berikut:

(27)

2.8.2 Pembandingan Jet

Dari semua variasi yang ada, perbandingan jet tidak dapat dilakukan secara langsung

karena perubahan kecil pada jarak dalam bidang spatial akan berpengaruh pada

koefisien individual secara drastis.

Karena itu dapat digunakan baik hanya nilai magnitude ataupun menganggap

besar terjadinya perubahan phasa terhadap perubahan jarak yang memungkinkan.

Karena fase rotasi tersebut, jets dari titik pada gambar yang berjarak hanya beberapa

pixel satu sama lainnya dapat memiliki koefisien yang berbeda walaupun mewakili

bentuk-bentuk lokal yang hampir sama. Dengan adanya variasi tersebut, maka harus

digunakan suatu fungsi yang bertujuan untuk mencari koefisien yang benar-henar

tepat.

Dengan membandingkan jets dari titik pada gambar, maka didapatkanlah hasil

konvulasi dengan menggunakan Gabor Kemel seperti terlihat pada gambar di bawah

ini:

(28)

BAB 3

PERANCANGAN SISTEM

3.1 Perancangan Sistem

Sistem Pengenalan Wajah Berdasarkan Pengolahan Citra Digital dengan Metode

Gabor Wavelet adalah sistem yang melakukan pengenalan wajah berdasarkan citra

pembanding yang sudah ada pada database yang memerlukan suatu metode feature

extraction yang tepat.

Sistem dibagi menjadi dua bagian yaitu proses enroll (pendaftaran pada

database) dan proses verify (pembuktian). Blok diagram sistem secara umum seperti

(29)

3.2 Pembuatan Gabor Kernel

Gabor Kernel dikonvolusi dengan citra wajah untuk membentuk suatu gabor respon

seperti pada Gambar 3.2.

Untuk membangkitkan kernel digunakan persamaan sebagai berikut:

Frekuensi yang digunakan ada lima, yaitu (v = 0, 1, 2, 3, 4) sehingga didapatkan kv =

2

-1

, 2

-1.5

, 2

-2

, 2

-2.5

, dan 2

-3

. Sudut orientasi yang digunakan ada

delapan,

yaitu ( µ = 0, 1, 2, 3, 4, 5, 6, 7) sehingga didapatkan µ = 0°, 22.5°, 45°, 67.5°, 90°,

112.5°, 135°, dan 157.5°. Pemilihan ini dianggap telah mewakili masing-masing

frekuensi dan sudut orientasi kernel Gabor yang diinginkan.

Hasil pehitungan pembangkit kernel dengan variasi frekuensi dan sudut

orientasi dapat dilihat pada tabel Tabel 3.1.

KONVOLUSI

Citra

Wajah

Gabor

Kernel

Gabor Respon

(30)

[image:30.595.164.468.120.392.2]

19

Tabel 3.1 Pembangkit Kernel dengan variasi frekuensi

No

v

kv

1

0

2

-1

2

1

2

-1.5

3

2

-2

4

3

2

-2.5

[image:30.595.157.478.370.631.2]

5

4

2

-3

Tabel 3.2 Pembangkit Kernel dengan sudut orientasi kernel

No

µ

1

0

0°

2

1

22.5°

3

2

45°

4

3

67.5°

5

4

90°

6

5

112.5°,

7

6

135°

8

7

157.5°

Respon yang dihasilkan berupa kumpulan bilangan real dan bilangan imajiner

yang kalau digabungkan merupakan kumpulan bilangan kompleks, sehingga

didapatkan kernel sebanyak 80 kernel (2 x 5 x 8 = 80 kernel). Kedelapan puluh kernel

ini kemudian disimpan dalam file teks dan digabungkan ke dalam satu file. Dalam

(31)

penjumlahan kuadrat kedua bilangan tersebut. Gabor Kernel dapat dilihat pada

Gambar 3.3.

( complex =

3.3 Proses Enroll

Enroll bertujuan untuk mendapatkan vektor gabor feature dengan konvolusi antara

citra wajah dan kernel kemudian disimpan dalam database.

Database wajah dibagi

menjadi tiga bagian besar, yaitu: database citra, database nilai gabor jet dari citra wajah,

dan database nama yang merujuk pada database citra.

Database citra disimpan dengan format .jpg dan diberi nomor urut yang

sekaligus menjadi nama file-nya, misalnya: 1.jpg, 2.jpg, 3.jpg, dan seterusnya. Perlu

diketahui bahwa nomor urut yang sekaligus menjadi nama file tersebut tidak boleh ada

yang terlewatkan atau terloncati, dimulai dari nomor urut 1. Hal ini dimaksudkan

untuk memudahkan proses pembacaan file. Database nilai gabor jet dari database

citra disimpan dengan format file teks dan diberi nama file sama seperti database citra,

misalnya: nama file gabor jet untuk citra 1.jpg adalah 1.txt, nama file gabor jet untuk

citra 2.jpg adalah 2.txt, dan seterusnya. Database nama adalah daftar nama pemilik

wajah dari database citra yang disimpan dalam bentuk file teks dengan nama db.txt.

Ukuran citra dalam database citra boleh bermacam-macam. Kalkulasi nilai

gabor jet untuk tiap citra dilakukan pada ukuran 100 x 100 (pixel). Jika ukuran citra

[image:31.595.112.455.133.430.2]

baik panjang ataupun lebar lebih dari seratus pixel, maka akan dilakukan resizing

Gambar 3.3. Gabor Kernel

(32)

21

terlebih dahulu. Database citra, database nilai gabor jet, dan database nama disimpan

dalam folder images yang terletak di dalam folder source program utama. Di dalam

folder tersebut juga ada file jml_images.txt yang berisi jumlah file citra yang ada

dalam database.

Pertama kali dilakukan pembacaan terhadap file jml_images.txt untuk

mengetahui berapa jumlah citra yang ada dalam database. Kemudian dilakukan

looping sebanyak jumlah citra tersebut. Dalam looping tersebut dilakukan pembacaan

file citra dan sekaligus membangun database gabor jet untuk tiap-tiap citra.

Citra yang telah dibaca diubah ke mode grayscale. Kedalaman bit dari citra

tersebut diubah menjadi 32 bit floating point. Citra yang telah diproses tersebut

kemudian dimasukkan dalam looping sebanyak scale x rotasi yang digunakan pada

Gabor Kernel. Untuk tiap looping, dilakukan resizing ke ukuran 100x100 pixel.

Selanjutnya disiapkan dua bagian matriks citra untuk menampung hasil

konvolusi kernel untuk bagian real dan bagian imajiner. Masing-masing hasil

konvolusi tersebut dikuadratkan, kemudian dijumlahkan. Hasil penjumlahan tersebut

diakarkuadrat.

Matriks citra hasil perhitungan tersebut dibagi menurut grid 5x5 sehingga akan

diambil 36 titik. Titik-titik itulah yang disimpan ke dalam teks file sebagai database

nilai gabor jet respon.

[image:32.595.199.418.471.765.2]

Bagan Proses Enroll dapat dilihat pada Gambar 3.4.

(33)

Citra wajah yang didapat diubah menjadi 8 bit greyscale terlebih dahulu dan

dipertajam teksturnya dengan histogram equalization. Kemudian dilakukan proses

konvolusi dengan 40 kernel gabor pada 12 titik sampling yang sudah ditentukan

posisinya terlebih dahulu kemudian nilai yang didapat disimpan dalam database.

Proses konvolusi dengan kernel ini dilakukan sebanyak 960 kali (12 titik sampling x

80 kernel (40 real + 40 imajiner) ) yang menghasilkan 480 nilai vektor Gabor. Gabor

Feature Extraction pada 12 titik sampling dapat dilihat pada Gambar 3.5.

3.4 Proses Verify

Verify berarti mendapatkan vektor gabor dengan konvolusi antara citra input dengan

kernel, kemudian membandingkan vektor gabor yang didapat dengan database untuk

[image:33.595.117.473.277.466.2]

mencocokan identitas pengguna. Bagan Proses Verify dapat dilihat pada Gambar 3.6.

Gambar 3.5 Gabor Feature Extraction pada 12 Titik Sampling

[image:33.595.196.464.532.759.2]

(34)

23

Langkah-langkah yang dilakukan sama dengan proses Enroll untuk proses grayscale,

histogram equalization, konvolusi citra dengan kernel gabor, sampai didapatkan nilai

vektor gabor pada 12 titik sampling.

3.4.1 Proses Grayscale

Adapun proses pengubahan citra RGB ke dalam citra grayscale dengan tahap-tahap

citra wajah diekstraksi nilai RGB-nya, kalkulasi nilai grayscale serta pembentukan

citra grayscale yang dapat dilihat pada Gambar 3.7.

Proses pertama adalah mengambil nilai R, G dan B dari suatu citra wajah

bertipe RGB. Pada tipe .bmp citra direpresentasikan dalam 24 bit, sehingga diperlukan

proses untuk mengambil masing masing 3 kelompok 8 bit dari 24 bit tadi. Sebagai

contoh suatu pixel memiliki nilai RGB 24 bit 111100001111000011111111. Untuk

mendapatkan masing-masing nilai R, G dan B dilakukan operasi-operasi sebagai

berikut.

Untuk mendapatkan nilai R dilakukan operasi modulo dengan bilangan 256 sebagai

berikut:

Nilai R = 111100001111000011111111 mod 10000000 = 11111111.

Sedangkan untuk nilai G, dapat dicari dengan cara sebagai berikut:

Nilai G = (111100001111000011111111 dan 1111111100000000) / 100000000

= 11110000

Untuk Nilai B, dapat dicari dengan menggunakan rumus berikut:

[image:34.595.110.489.289.468.2]

Nilai B = (111100001111000011111111 dan 111111110000000000000000) /

Gambar 3.7 Konversi Citra RGB ke Citra Greyscale

Citra RGB Ekstraksi

Komponen R, G, B

Nilai R

Nilai G

Nilai B

Kalkulasi Nilai Grayscale

(35)

10000000000000000 = 11110000.

Sehingga dari nilai pixel 1111000011110000111111112 atau 15790335 diperoleh

nilai R = 11111111

= 255

G = 11110000

= 240

B = 11110000

= 240

Sehingga diperoleh triplet RGB= (255,240,240). Setelah nilai triplet RGB diperoleh,

maka nilai grayscale didapat dari pixel tersebut. Dasar sebenarnya adalah membuat

band tunggal dari 3 band RGB tadi dengan rumus:

Red = (red * 5) \ 10

Green = (green * 8) \ 10

Blue = (blue * 3) \ 10

Gray = ((red + green + blue) * 10) \ 16

Dengan mengaplikasikan prosedur tadi pada semua piksel akan didapat citra

dengan format grayscale.

3.4.2 Proses Histogram Equalization

Konsep dasar dari histogram equalisation adalah dengan men-strecth histogram,

sehingga perbedaan pixel menjadi lebih besar atau dengan kata lain informasi menjadi

lebih kuat sehingga mata dapat menangkap informasi tersebut. Untuk lebih detilnya,

histogram equalisation men-strech histogram sehingga detil yang sebelumnya tidak

terlihat menjadi lebih terlihat. Pada dasarnya metode ini akan memberikan jarak yang

cukup jauh pada dua grey level yang berdekatan tetapi memiliki perbedaan frekuensi

yang mencolok.

Histogram equalisation adalah suatu proses colour mapping dari citra awal

pada citra hasil. Secara matematis bisa dituliskan sebagai berikut.

warna pada citra hasil.

Secara singkat, histogram equalisation dapat dituliskan secara matematis

(36)

25

Setiap grey level value (rk) dari citra awal, akan di-map ke dalam nilai grey

level yang baru (sk) dalam citra baru. Seperti yang kita lihat pada Gambar 3.8, r1 di

map ke dalam s1, r2 di map ke dalam s3, dan r3 serta r4 di map ke dalam s4.

Definisi matematisnya untuk T(x)

Di mana Pr adalah

Jadi rumusan matematis histogram equalisation adalah sebagai berikut,

Di mana n adalah jumlah pixel yang ada (n untuk citra resolusi 32x16 adalah 512), nj

adalah jumlah pixel yang bernilai rk.

3.4.3

Gabor Konvolusi

Konvolusi pada citra bertujuan menghasilkan titik-titik dengan nilai tertentu yang

disebut sebagai gabor jet response. Titik-titik gabor jet response dari citra database

dan citra wajah yang akan dikenali dibandingkan dengan menerapkan prosedur graph

matching pada citra yang akan dikenali, yaitu dengan memaksimalkan kemiripan

magnitude gabor antara graph model wajah yang sudah ditransformasi dengan

[image:36.595.105.486.128.564.2]

representasi graph dari citra yang akan dikenali tersebut. Penerapan graph matching

(37)

)

,

(

max

S

J

′

∀

∑ ∑

∑

= j j j j j j j a a a a J J S 2 ' 2 ' ' ) , (

tersebut dapat didefinisikan dengan persamaan (3.1), dimana J adalah gabor jet model

dari citra database dan J’ adalah gabor jet model dari citra yang akan dikenali.

……….. (3.1)

Fungsi kemiripan S(J, J’) didefinisikan dengan persamaan (3.2), dimana a

j

dan

a’

j

masing-masing adalah titik-titik response dari gabor jet model citra database dan

citra wajah yang akan dikenali.

……….. (3.2)

Sebagai contoh:

Citra wajah dibuat dalam matriks awal 8 x 8 dibuat menjadi matriks 10 x 10 di mana

matriks awal tersebut dibungkus dengan nilai 0:

0 0 0 0 0 0 0 0 0 0

0 5 8 3 4 6 2 3 7 0

0 3 2 1 1 9 5 1 0 0

0 0 9 5 3 0 4 8 3 0

0 4 2 7 2 1 9 0 6 0

0 9 7 9 8 0 4 2 4 0

0 5 2 1 8 4 1 0 9 0

0 1 8 5 4 9 2 3 8 0

0 3 7 1 2 3 5 4 6 0

0 0 0 0 0 0 0 0 0 0

Lalu matriks tersebut dikonvolusikan dengan matriks konvolusi (Konvolution

Mask) K[I,J] :

-2 -1 0

-1 0 +1

(38)

27

Proses konvolusinya adalah mengambil nilai tiap elemen awal matriks awal

menjadi matriks 3 x 3 dimana nilai elemen tersebut terletak pada elemen 2 x 2 dan

yang menjadi elemen lainnya adalah elemen tetangganya jika tidak ada maka elemen

tetangga tersebut diberi nilai 0, lalu dilakukan looping hingga elemen terakhir.

Proses selanjutnya adalah membandingkan nilai vektor gabor yang didapat

dengan nilai vektor gabor yang ada di dalam database. Setelah dibandingkan dengan

seluruh database kemudian dicari nilai similiarity-nya dengan:

Dimana :

x

T

adalah transpose array db (database)

y adalah array input

Operasi yang berlaku adalah operasi cross. Nilai array db ke-n dikalikan dengan

nilai array input yang ke-n, operasi ini dilakukan pada seluruh array db dan input dan

hasil operasi ini dijumlahkan. |x| adalah akar dari penjumlahan kuadarat pada array

db, |y| adalah akar dari penjumlah kuadrat pada array input. Nilai S berada antara -1

sampai 1. Proses ini diulang sebanyak database yang telah disimpan. Dari semua nilai

similarity diambil 3 nilai yang terbesar, kemudian dilakukan klasifikasi k-nearest

neighbor untuk menentukan calon mana yang sering muncul dan mempunyai nilai

similarity terbesar.

3.4.4

Feature Extraction

Feature yang telah diperoleh melalui konvolusi dengan citra wajah dimasukkan ke

dalam database. Feature yang didapat berupa nilai yang dikonversikan ke dalam teks

[image:38.595.129.446.239.378.2]

agar bisa disimpan ke dalam database. Blok Diagram Database dapat dilihat pada

Gambar 3.9.

Citra Input Normalisasi

Dimensi

Konversi Citra Grey Scale

Konvolusi Gabor Feature

Extraction Simpan ke

(39)

Berikut ini langkah-langkah dalam membuat database:

1.

Mengubah citra yang akan dites ke citra greyscale.

Gambar yang akan dites dipanggil ke dalam memori yang berupa citra 8 bit

RGB, kemudian citra RGB ini diubah ke 8 bit greyscale.

2.

Konvolusi Gabor

Pada konvolusi gabor, citra dikonvolusi dengan kernel. Untuk membuat

kernel, sebuah fungsi dengan titik tengah berada pada pusat kernel. Citra

dikonvolusi dengan kernel imaginer dan kernel real. Hasil konvolusi real dan

imaginer ini kemudian dikuadratkan, dijumlah dan diakar. Proses ini dilakukan

sebanyak 40 kali

3.

Feature extraction

Setelah citra di konvolusi dengan kernel maka dilanjutkan dengan feature

extraction. Dalam feature extraction ini diambil 42 titik sampling. Titik

sampling tersebut berjumlah 1680 atau 42 titik sampling x 40 kernel.

Database berfungsi untuk menyimpan hasil nilai feature yang terdiri dari nama

user dan nilai hasil extraction. Database ini dibatasi dengan tidak menerima inputan

dengan nama user dan nilai extraction yang kosong.

Setelah hasil konvolusi disimpan pada database, dilanjutkan dengan

meng-copy citra yang akan dimasukkan ke dalam database.

3.4.5

Proses Pengenalan

Pada proses pengenalan, citra dikonvolusi dengan gabor kernel kemudian nilai feature

extraction yang didapat dibandingkan dengan database yang ada, akan dihasilkan nilai

similarity serta menampilkan citra yang sesuai dengan similarity tersebut. Blok

Diagram Proses Pengenalan dapat dilihat pada Gambar 3.10.

(40)

29

Similarity berfungsi untuk membandingkan feature yang telah didapatkan

dengan komvolusi kernel dengan database yang ada.

Berikut ini adalah langkah-langkah yang dilakukan dalam proses similarity:

a.

Proses yang dilakukan dari citra yang akan dites sampai konvolusi gabor sama

seperti proses yang dilakukan pada database, tetapi pada penyimpanan hasil

konvolusi antara citra dengan kernel tidak dilakukan tetapi menyimpannya ke

dalam array.

b.

Proses selanjutnya adalah memindahkan database ke dalam variabel array dan

kemudian membandingkan array database dengan array citra, nilai array citra

yang terdekat dengan nilai array database dipilih dan disimpan dalam array.

Setelah seluruh array citra diperiksa dan diambil nilai terdekat dengan

database, proses dilanjutkan dengan similarity.

Rumus yang digunakan dalam proses similarity tersebut adalah:

dengan :

= Tingkat similarity

J

= Nilai Jet

A

= Nilai array

Input Citra

Konversi ke Grayscale

Konversi Gabor

Feature Extraction Sampel

Database

Hitung Similarity Output

[image:40.595.170.468.186.370.2]

Pengenalan

(41)

J’

= Turunan

Proses ini dilakukan sebanyak database yang telah didaftarkan dimulai dengan

memindahkan database ke variabel array hingga mendapatkan nilai similarity. Nilai

similarity yang terbesar dinyatakan paling mirip dengan citra wajah.

3.5 Flowchart Sistem Pengenalan Wajah

Crop dimensi 80 x 80

Konversi ke Greyscale

Proses Gabor Konvolusi

Simpan ke teks file

Hitung Similarity Proses Gabor

Kernel Mulai

Input citra

Citra Pada Database Habis

tidak

(42)

[image:42.595.158.444.286.547.2]

31

(43)

BAB 4

IMPLEMENTASI

4.1 Menu Utama

Tampilan menu utama adalah tampilan tempat menu-menu program aplikasi yang

telah dirancang. Tampilan ini terdiri dari Judul Aplikasi, gambar latar belakang serta

Menu File yang berisi Program Pengenalan Wajah, Data Wajah serta Data User,

menu Abaut, Help serta menu Exit Tampilan menu utama dapat dilihat pada Gambar

[image:43.595.114.517.353.673.2]

4.1.

(44)

33

4.1.1 Tampilan Pengenalan Wajah

Tampilan ini berfungsi pengenalan citra wajah dengan metode Gabor Wavelet. Pada

tampilan ini empat buah tombol yang memiliki fungsi masing-masing. Tombol Load

berfungi untuk menginput citra wajah yang hendak dikenali, tombol Cancel untuk

melakukan pembatalan, tombol Exit berfungsi untuk menutup tampilan dan kembali

ke menu utama, tombol Scanning untuk melakukan proses pengenalan. Tampilan

Pengenalan Wajah dapat dilihat pada Gambar 4.2.

4.1.2 Tampilan Data Wajah

Tampilan ini berfungsi tempat pengisian data-data sampel citra wajah sebagi

[image:44.595.108.507.260.609.2]

pembanding dalam proses pengenalan wajah. Pada tampilan ini semblan buah tombol

(45)

yang memiliki fungsi masing-masing. Tombol Tambah berfungi untuk memasukkan

data wajah baru, tombol Load Citra untuk mencari data wajah dari komputer, tombol

Cari untuk mencari data wajah yang sudah disimpan sebelumnya, tombol Hapus untuk

menghapus data, tombol Batal untuk melakukan pembatalan serta tombol Keluar

berfungsi untuk menutup tampilan dan kembali ke menu Utama. Tampilan Data

Wajah dapat dilihat pada Gambar 4.3.

4.1.3 Tampilan Data User

Tampilan ini berfungsi tempat pengisian data user sebagai pengguna sistem ini. Pada

tampilan ini enam buah tombol yang memiliki fungsi masing-masing. Tombol

Tambah berfungi untuk memasukkan data baru, tombol Cari untuk mencari data yang

sudah disimpan sebelumnya, tombol Ubah untuk melakukan perubahan data, tombol

Hapus untuk menghapus data, tombol Batal untuk melakukan pembatalan serta

tombol Keluar berfungsi untuk menutup tampilan dan kembali ke menu utama.

[image:45.595.110.494.225.563.2]

Tampilan data user dapat dilihat pada Gambar 4.4.

(46)

35

4.1.4 Tampilan Help

Tampilan Bantuan berfungsi untuk menampilkan keterangan sisten serta cara

[image:46.595.111.502.85.428.2]

menggunakan sistem. Tampilan Bantuan dapat dilihat pada Gambar 4.5.

[image:46.595.118.516.479.717.2]

(47)

4.1.5 Tampilan About

Tampilan About berfungsi untuk menampilkan keterangan sisten serta profile penulis

tugas akhir ini. Tampilan About dapat dilihat pada Gambar 4.6.

4.2

Teknik Pengujian Sistem

Untuk mengetahui sistem sudah layak untuk diimplementasikan, maka perlu

dilakukan penguji sistem dengan pengimputan data-data citra wajah dan melakukan

pengenalan.

4.2.1 Input data wajah ke database

Citra wajah diinput ke database dengan pemanggilan file citra dengan nama wajah listi

dan jumlah record yang ada pada database sejumlah 6 record. Citra wajah akan

ditampilkan disebelah kanan halaman input data wajah. Pengujian input data wajah

[image:47.595.110.509.190.508.2]

dapat dilihat pada Gambar 4.7 di bawah ini.

(48)

37

Pada tampilan Input data wajah terdapat tombol untuk memanipulasi data serta

melihat data wajah yang sudah direkam sebelumnya.

4.2.2 Pengujian Pengenalan Wajah

Setelah semua data referensi wajah dimasukkan ke dalam database, maka pengujian

[image:48.595.128.478.93.309.2]

dapat dilakukan dengan memanggil sebuah file wajah yang hendak dikenali seperti

Gambar 4.8 dibawah ini.

Gambar 4.7 Pengujian Input Data Wajah

[image:48.595.114.498.536.759.2]

(49)

Hasil pemanggilan file data wajah ditampilkan pada form untuk dilakukan proses

seperti gambar 4.9 dibawah ini.

Hasil pengenalan pengenalan file data wajah ditampilkan pada form setelah

[image:49.595.107.506.150.411.2]

dilakukan proses seperti Gambar 4.10 di bawah ini.

Gambar 4.9 Pengujian Hasil Pemanggilan File Wajah

[image:49.595.108.508.466.703.2]

(50)

39

Hasil pengenalan untuk beberapa contok kasus:

1.

Wajah Mirip Tetapi Orang Berbeda

[image:50.595.151.479.166.391.2]

Hasil pengenalan berdasarkan wajah mirip tetapi orang berbeda ditampilkan seperti

gambar 4.11 dibawah ini.

Gambar 4.11 Hasil Pengujian Wajah MiripTetapi Orang Berbeda

2.

Wajah Sama Tetapi Mimik Berbeda

[image:50.595.156.479.507.754.2]

Hasil pengenalan berdasarkan wajah sama tetapi mimik berbeda ditampilkan seperti

gambar 4.12 dibawah ini.

(51)

3.

Wajah Sama Tetapi Atribut Berbeda

[image:51.595.131.481.135.439.2]

Hasil pengenalan berdasarkan wajah sama tetapi atribut berbeda ditampilkan seperti

gambar 4.13 dibawah ini.

4.

Wajah Sama Tetapi Pose Berbeda

[image:51.595.157.473.504.716.2]

Hasil pengenalan berdasarkan wajah sama tetapi pose berbeda ditampilkan seperti

gambar 4.14 dibawah ini.

(52)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Tugas akhir telah membahas Pengenalan Wajah Berdasarkan Pengolahan Citra Digital

Dengan Metode Gabor Wavelet, yang dapat melakukan pengenalan wajah

berdasarkan data wajah sebagai pembanding.

Berdasarkan hasil pengujian dapat disimpulkan sebagai berikut:

1. Algoritma Gabor Wavelet dengan pengambilan nilai Gabor jet berdasarkan grid dapat

digunakan untuk mengenali wajah frontal dengan cukup akurat, yaitu

hasil pengenalan

rata-rata untuk gambar wajah mirip tetapi orang berbeda adalah 42,7%, wajah sama

tetapi mimik berbeda adalah 68,98%, wajah sama tetapi atribut berbeda adalah

55,2%, dan wajah sama tetapi pose berbeda adalah 42,1%.

2.

Pengenalan dengan variasi cahaya mempunyai pengaruh yang cukup besar terhadap

keakuratan pengidentifikasian wajah. Pengaruh variasi noise kecil terhadap keakuratan

pengidentifikasian.

5.2 Saran

Untuk penelitian selanjutnya penulis menyarankan pengembangan sistem agar

dilakukan perbandingan dengan metode pengenalan wajah lainnya antara lain metode

(53)

DAFTAR PUSTAKA

Acharya, Tinku and Ajoy K. Ray, 2005, Image Processing Principles and

Applications, John Wiley and Sons, Inc. Hoboken, New Jersey.

Anil K, Jain, 1989, Fundamentals of Digital Image Processing, Prentice Hall

International.

Andrew S, Glassner, 1995, ”Principles of Digital Image Synthesis, Vol 1, Chapter 6”,

Morgan Kaufman Publishing.

Awcock, G,J, and Thomas, R, 1996, Aplikasi Proses Image, McGraw-Hill Inc,

Singapore.

Baxes, Gregory A, 1994, Proses Gambar Digital: Principles and Applications, John

Wiley & Sons, New York.

Cai, J, dan Goshtasby, A. 1991, Eigenfaces for Recognition. Image and Vision

Computing 18, J. of Cognitive Neuroscience.

Dana H, Ballard, 1982, Computer Vision, Prentice Hall.

Fagertun, Jeans, 2005, Face Recognitions, Master Thesis, Technical University of

Denmark.

Jain, Anil K., 1989, Fundamentals of Digital Image Processing, Prentice Hall

International.

Lewand, Robert Edward, 2000, Cryptological Mathematics, Mathematical

(54)

43

Lim, Resmana, and M.J.T., Reinders, 2000, Facial Landmark Detection Using a

Gabor Filter Representation and a Genetic Search Algorithm, proceeding of

ASCI 2000 conference, Lommel Belgium.

Munir, Rinaldi. 2004. Pengolahan Citra Digital Dengan Pendekatan Algoritmik

Bandung : Penerbit Informatika, 2004. ISBN: 979-3338-29-6.

Robin, 2007, Sisem Pengolahan Citra dan Deteksi wajah pada Sistem Pengenalan

Wajah, Laporan Tugas Akhir, ITB.

Sarfraz, Muhammad, 2005, Computer Aided Intelligent Recognition Techniques and

Application, John Wiley and Sons.

Wiskott, L, Fellous, J.M., Kruger, N., and von der Malsburg, C, 1997, Face

Recognition by Elastic Bunch Graph Matching, IEEE Transaction on Pattern

(55)

LAMPIRAN A HASIL PENGENALAN WAJAH

1. Wajah mirip tetapi orang berbeda

No Wajah-1

Wajah-2

Kemiripan

1

42,5 %

2

43 %

3

43 %

4

42 %

(56)

45

2. Wajah sama tetapi mimik berbeda

No Wajah-1

Wajah-2

Kemiripan

1

45 %

2

89,49 %

3

75 %

4

40,5 %

5

95

%

(57)

3. Wajah sama tetapi atribut berbeda

No Wajah-1

Wajah-2

Kemiripan

1

90 %

2

75 %

3

34,5 %

4

43 %

5

33,5 %

(58)

47

4. Wajah sama tetapi pose berbeda

No Wajah-1

Wajah-2

Kemiripan

1

41,5 %

2

42 %

3

43,5 %

4

43,5 %

5

40 %

(59)

LAMPIRAN B LISTING PROGRAM

1. Login

Dim rsPasswd As Recordset Dim CN As Connection

Private Sub cmdCancel_Click() End

En