BAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude

Teks penuh

(1)

BAB 2

LANDASAN TEORI

2.1 Citra

Menurut Gonzales (2004, p1) “Citra bisa dijelaskan sebagai 2 dimensi dari fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude pada posisi ini disebut dengan intensitas atau gray level dari citra pada point-nya. Ketika x,y dan nilai amplitudo dari f merupakan nilai yang dapat ditentukan, maka dapat kita sebut citra sebagai citra digital. Untuk selanjutnya pada penulisan ini, semua citra yang disebutkan akan mengartikan citra digital. Contoh citra digital berupa file Bitmap, JPEG, GIF, dan lain-lain.

Citra digital disusun dari kumpulan elemen yang angkanya dapat ditentukan. Setiap elemen ini berada pada lokasi yang bersangkutan dan mempunyai nilai. Elemen ini disebut sebagai picture elements. Pada citra digital, elemen ini disebut sebagai piksel, Gonzales (2004, p 1-2).

2.1.1 Pengolahan Citra

Pengolahan citra merupakan bidang studi yang mempelajari proses pengolahan gambar dimana baik masukan maupun keluarannya berbentuk berkas citra digital, seperti yang dijelaskan oleh Aniati Murni Arymurty(1992). Juga dijelaskan bahwa pengolahan citra merupakan pengolahan dan analisis citra yang banyak melibatkan persepsi visual.

(2)

Kebutuhan untuk memproses sebuah gambar dengan cepat dalam satu aplikasi yang melakukan pengolahan citra adalah salah satu masalah utamanya seperti yang dikemukakan oleh Chen (2003, p1), “Walau bagaimanapun, aplikasi yang bekerja secara real time lebih bergantung pada pemrosesan piksel / signal yang cepat daripada metode optimisasi lain yang rumit dan memakan waktu”.

2.1.2 Pengenalan Pola

(Arymurty, 1992, p 168) Pengenalan pola adalah suatu proses analisis gambar, dimana masukkan berupa sebuah citra dan hasil keluarannya berupa sebuah deskripsi citra tersebut. Proses ini bertujuan untuk mengekstrak informasi yang disampaikan oleh citra. Pada pengenalan pola dibutuhkan obyek citra untuk diidentifikasikan. Hasil dari pengenalan pola ini akan berupa kelas yang merupakan kelompok dari klasifikasinya.

(Saphiro dan Stockman, 2001, p 94) Feature Extraction adalah proses mengambil informasi yang relevan, berhubungan dengan klasifikasi data input dengan bantuan suatu alat. Biasanya feature extraction dilakukan dengan bantuan piranti lunak. Pemrosesan ini akan mengubah pola data mentah dari gambar menjadi sebuah vektor ciri. Penggunaaannya akan mengurangi data yang berulang dalam sebuah pola gambar. Teknik feature extraction ini digunakan dalam proses, salah satunya face detection.

(3)

(Saphiro dan Stockman, 2001, p 1) Computer Vision adalah suatu bidang yang bertujuan untuk membuat suatu keputusan yang berguna mengenai obyek fisik nyata dan keadaan berdasarkan atas sebuah citra. Computer vision merupakan kombinasi antara pengolahan citra dan pengenalan pola. Hasil keluaran dari proses computer vision merupakan image understanding.

Anonim (2002, p5): Dalam Computer Vision terdapat bagian untuk mendeteksi muka dengan langkah-langkah face detection, face representation, dan face recognition.

2.2.1 Face Detection

Menurut Waring (2005, p 2-3) Usaha untuk mendeteksi muka membutuhkan fungsi diskriminasi efektif yang membedakan antara pola muka dan bukan muka. Pendekatan dalam face detection ini dibagi menjadi 4 kategori:

- Metode berdasar pengetahuan

Metode ini mencoba menggambarkan semua pola dari wajah dengan menggunakan aturan syarat wajah manusia, seperti sebuah wajah memiliki 2 buah mata dan sebuah mulut.

- Metode berdasar template

Metode ini merepresentasikan wajah dengan template yang diubah-ubah berdasarkan pada poin-poin fitur wajah. Akan tetapi poin-poin tersebut bisa menjadi rusak oleh pencahayaan, posisi wajah, tambahan benda pada wajah, atau perubahan expresi

(4)

wajah, membuat penyesuaian fitur pada citra wajah menjadi sulit. Dan lagi jika batasan yang diberikan terlalu ketat, maka wajah bisa saja gagal ditemukan. Namun jika batasan terlalu longgar, akan terjadi kesalahan deteksi.

- Metode fitur yang serupa

Metode ini sulit digunakan untuk mendeteksi wajah dalam citra nyata karena adalah sulit untuk menemukan suatu fitur yang benar-benar serupa dengan adanya variasi pencahayaan, posisi, dan ekspresi wajah. Untuk mengatasi kesulitan tersebut, metode berdasar penampilan memberikan keuntungan dan banyak digunakan dalam pendeteksian wajah. Karena kemampuannya untuk belajar dari data hasil training, banyaknya variasi, ekspresi, dan posisi bisa digantikan dengan training menggunakan data awal yang banyak.

- Metode berdasar tampilan

Metode ini menggunakan spectral histogram sebagai sebuah representasi dan dukungan mesin vektor sebagi pemilahnya. Spectral histogram mengeneralisasi dengan cara hanya mengelompokan citra yang mirip secara persepsi. Dan dengan dukungan mesin vektor, memberikan sebuah fungsi yang memisahkan antara citra wajah dengan citra selain wajah, walaupun didalam berbagai macam kondisi yang berbeda.

(5)

Menurut ( Mohsin et. al, 2003, p2 ) “Berbagai macam teknik telah digunakan, seperti analisis warna, neural network, mesin vektor pendukung (Support Vector Machines - SVM), klasifikasi penolakan nilai maksimal, dan deteksi berdasarkan contoh. Akan tetapi, sangatlah sulit untuk membuat sebuah algoritma yang bisa bekerja untuk semua jenis pencahayaan, warna wajah, perbedaan ukuran dan geometris, dan latar belakang yang beragam dari gambar.

( Zhang et. Al , 1999, p2 ) Karena permainan warna pada citra sangat populer penggunaannya dan mudah digunakan. Deteksi wajah menggunakan pendekatan klasifikasi pola dari citra berwarna. Proses deteksinya sendiri dilaksanakan dengan dua langkah, yaitu:

- Feature Classification - Candidate Generation

2.2.1.1 Feature Classification

Dalam usaha untuk menghasilkan klasifikasi pola dalam feature space, masalah pertama adalah menjelaskan ciri yang tepat. Ciri yang akan digunakan ini merupakan color thresholding. Warna yang menyerupai warna kulit ini disimpan dan yang tidak berhubungan dengan warna akan dibuang. Sebuah piksel memiliki nilai intensitas warna RGB. Dan kulit juga mempunyai warna dengan intensitas RGB tertentu, sehingga bisa dilakukan suatu pembatasan agar piksel yang memiliki intensitas warna RGB tidak menyerupai kulit dihilangkan.

(6)

Thresholding adalah metode menentukan batasan-batasan nilai yang akan menentukan apakah suatu data diterima atau ditolak. Color Thresholding adalah pengaplikasian penentuan suatu nilai batasan warna tertentu, sehingga warna-warna yang diluar batasan tersebut akan dihapus dari citra. Sebenarnya metode color thresholding ini mempunyai banyak versi. Dan hampir semuanya didapatkan dengan cara trial dan error. Cara pengambilan nilai thresholding yang digunakan disini didapat dengan cara mengamati sifat dan nilai dari warna kulit wajah.

Di metode inilah warna-warna yang tidak menyerupai warna kulit akan dihilangkan. Warna-warna yang nantinya akan tersisa hanya akan berkisar antara warna coklat tua, hingga warna krem agak keputihan. Sedangkan warna-warna yang agak kebiruan, kehijauan, dan terlalu merah akan dihilangkan.

2.2.1.2 Candidate Generation

Hasil yang diperoleh dari klasifikasi ciri akan merupakan kandidat dari warna kulit. Proses candidate generation digunakan untuk memilih yang merupakan warna dari kulit, dan memisahkan warna yang merupakan kumpulan yang terlalu sedikit dan akan dihasilkan kandidat sebenarnya dari muka. Permasalahan pada pembuangan piksel ini akan didapat pada menentukan batas threshold jumlah piksel. Jika jumlah piksel lebih kecil dari batas maka akan dibuang (Zhang et.al, 1999, p3).

(7)

2.2.2 Face Recognition

Menurut Feifei Cao (2005, p7), face recognition merupakan proses penganalisa karakteristik dari bentuk muka yang tidak berubah, seperti:

• Bagian atas dari rongga mata • Area sekitar tulang pipi • Sisi kiri dan kanan dari mulut.

Kesulitan dalam pengenalan wajah sering ditemukan pada

• Noise dan blur yang disebabkan oleh ketidak sempurnaan kamera. • Skala: Ukuran muka terhadap citra.

• Perubahan bentuk : Posisi wajah, ekspresi, usia. • Intensitas Cahaya : Pencahayaan, efek pantulan sinar. • Gangguan : kacamata, jenggot, dan kumis.

Menurut Turk (2005, P3), “Pengenalan wajah bisa dilihat sebagai suatu cara untuk secara tepat mengenali citra dari sebuah wajah, dengan menggunakan data-data dari wajah yang telah lebih dahulu dikenal. Pengenalan wajah memiliki semua kesulitan pengenalan yang berdasarkan pemrosesan citra. Dikarenakan citra yang digunakan bisa berubah secara drastis dikarenakan beberapa faktor yang rumit dan membingungkan, seperti faktor pencahayaan, posisi kamera, setting kamera, dan noise.

Jadi hasil dari face recognition akan berupa informasi dikenal atau tidak sebagai muka dengan sebelumnya membandingkan dengan informasi dari muka yang diketahui. Proses face recognition ini memiliki permasalahan dari

(8)

pencahayaan, posisi kamera, parameter kamera dan noise yang didapatkan pada sebuah citra.

2.4 Principal Component Analysis

Principal Component Analysis merupakan teknik statistikal yang digunakan dalam lingkungan seperti face recognition dan image compression, dan merupakan teknik yang biasa dipakai untuk menemukan pola dalam data dengan dimensi yang besar. Biasa digunakan untuk menganalisa (Smith et al ,2002, p13).

Kegunaan utama dari Principal Component Analysis adalah untuk mengurangi variasi yang ada dengan tetap menjaga informasi yang diperlukan, supaya variasi yang tersisa memang variasi yang paling menonjol dan paling mencerminkan feature yang ada. Sisa variasi yang tersisa ini disebut sebagai Principal Component. Pada proses pengurangan variasi ini dilakukan dengan mereduksi daerah matrix yang mempunyai nilai ciri mulai dari yang paling lemah. Kegunaan lain dari Principal Component Analysis akan membuat aplikasi yang menggunakannya akan lebih cepat. Karena data yang digunakan sudah direduksi.

( Pissarenko, 2002, p 4 )Principal Component Analysis menggunakan nilai intensitas piksel dari citra yang akan ditampung ke dalam matrix.

[

Γ0 Γ1....Γ −1

]

=

Γ M

Γ = vektor citra input berdimensi 1x 2 N M = jumlah dari citra input

Nilai rata-rata dari semua citra yang ada bisa didapatkan dengan membagi rata hasil penjumlahan semua citra yang menjadi input

(9)

− = Γ = Ψ 1 0 1 M i i M

Ψ = nilai rata-rata citra Μ = jumlah dari citra input

Γ = image vector input berdimensi 1x 2 N

Jarak perbedaan dari masing-masing citra input dengan nilai rata-rata citra dihitung dengan mengurangi nilai masing-masing citra tersebut dengan nilai rata-rata citra

Φ = jarak perbedaan citra dengan nilai rata-rata citra Γ = vector citra input berdimensi 1x 2

N Ψ = nilai rata-rata citra

Jarak perbedaan ini kemudian dikelompokkan menjadi matrix 2 dimensi (M×N2)

[

Φ0 Φ1 Φ −1

]

= M A Λ atau ⎥ ⎥ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎢ ⎢ ⎣ ⎡ Φ Φ Φ Φ Φ Φ Φ Φ Φ = − − − − − − 1 , 1 1 , 1 0 , 1 1 , 1 1 , 1 0 , 1 1 , 0 1 , 0 0 , 0 2 2 2 N M M M N N A Λ Μ Μ Μ Λ Λ

Jika sudah didapatkan jarak perbedaan citra dengan nilai rata-rata citra, selanjutnya menghitung covariance matrix dengan

T A A C = . Ψ − Γ = Φi i

(10)

C = Covariance Matrix A = Difference Matrix

Dengan didapatkannya nilai covariance matrix, maka kita akan bisa menghitung nilai eigen.

(

⋅Ι−C

)

=0

Det χ

χ = nilai eigen Ι = matrix identitas

C = covariance matrix Dan vector eigen dengan

(

χ.Ι−C

)

.χρ=0

χ = nilai eigen Ι = matrix identitas

C = covariance matrix

χρ = vector eigen

Hasil vector eigen yang didapatkan ini yang nantinya akan diurutkan lebih lanjut untuk mendapatkan ciri yang terbesar.

2.5 Eigenfaces

Ide utama dari eigenfaces ini didapat dengan mengambil informasi yang terdapat pada citra muka, lalu memasukkan ke dalam perhitungan matematika yang mudah dan membandingkannya dengan masing-masing muka dari muka yang diketahui yang diproses dengan perhitungan yang sama. Jika didapatkan hasil yang

(11)

sama, maka dapat disimpulkan bahwa citra yang diinputkan berupa muka dan diketahui.

( Pissarenko, 2002, p 4 ) Proses pelatihan yang dilakukan oleh perhitungan eigenfaces ini menggunakan teknik PCA. Hasil yang diperoleh dari PCA ini berupa vektor eigen. Vektor eigen selanjutnya diurutkan dari besar sampai ke kecil. Gunanya untuk mendapatkan nilai vektor yang paling menonjolkan cirinya. Dari nilai vektor ini selanjutnya akan bisa didapatkan nilai eigenfaces dengan mengalikan nilai vektor yang sudah didapat dari PCA dengan nilai awal citra yang belum diproses PCA.

i i EigenVector

Eigenface = .Γ Eigenfaces = nilai Vektor eigenfaces

EigenVector = Vektor hasil PCA yang sudah diurutkan Γ = nilai latihan set awal

Vektor eigenfaces yang didapat akan mewakili wajah yang paling menggambarkan subyek.

Seperti yang dituliskan di atas, nilai yang dihitung dengan rumus yang sama akan mempunyai nilai yang sama dengan nilai yang mempunyai rumus yang sama juga. Karena itu, untuk melakukan pengenalan, nilai vektor input yang mengandung data citra, akan diproses dengan menggunakan langkah yang sama, tetapi pada pengenalan ini tidak akan dilakukan perhitungan nilai eigenvektor baru. Tetapi cukup dengan mencerminkan data input baru terhadap nilai rata-rata citra

Ψ − Γ = Φnew new new

Φ = nilai perbedaan dengan rata-rata citra

new

(12)

Ψ = nilai rata-rata yang didapat dari proses pelatihan

dan hasilnya dikalikan dengan nilai vektor eigen yang didapat dari proses pelatihan. new r EigenVecto ageSpace= .Φ Im ageSpace

Im = nilai hasil weight matrix data input r

EigenVecto = Vector hasil PCA yang sudah diurutkan

new

Φ = nilai perbedaan dengan rata-rata citra

Hasil yang didapat dari perhitungan proses pengenalan, selanjutnya akan dibandingkan dengan masing-masing nilai eigenfaces yang paling mencerminkan citra. Hasil perbedaan nilai yang paling kecil ini merupakan citra yang paling mewakili citra yang diinputkan. Pembandingan yang dilakukan akan menggunakan eucledian distance.

2.6 Eucledian Distance

Eucledian distance merupakan teknik dalam pencocokan citra. Nilai perbedaan ukuran dengan eucledian distance akan memberitahukan kesamaan yang terdapat pada 2 buah gambar yang dijadikan sebagai pembanding (Pissarenko, 2002, p 5-6 ).

i i = ImageSpaceEigenface

δ

i

δ = nilai eucledian distance

ageSpace

Im = nilai weight matrix hasil proses pengenalan

i

(13)

2.7 Borland Delphi

Menurut (Neil Moffatt, 2006) Delphi merupakan stuktur bahasa pemrograman tingkat tiga yang menerapkan bahasa Pascal di dalamnya, yang disebut dengan highly typed language. Delphi ini menyediakan pemrograman yang bersih dan konsisten, dan menghasilkan aplikasi yang handal.

Dalam sejarahnya, munculnya pascal agak terlambat, dibandingkan dengan bahasa pemrograman yang lain. Pascal dikembakan oleh Niklaus Wirth pada tahun 1968. Berkembangnya Pascal diikuti dengan kemunculan bahasa C pada tahun 1972. Program bahasa C ini dirancang sebagai bahasa tingkat tinggi yang menyediakan low level language yang disediakan oleh bahasa assembly. Sedangkan bahasa Pascal dirancang untuk pengembangan pemrograman yang terstruktur.

2.8 Penelitian Relevan

Penelitian yang relevan yang dilakukan dengan penelitian yang dilakukan dimana topik utama membahas permasalahan pengembangan eigenfaces atau face detection adalah

- Analisis dan Perancangan Sistem Pengenalan Wajah menggunakan Web- Camera dengan metode Eigenface, (Kusnadi, 2004)

Penulis merancang sitem aplikasi penerapan eigenfaces dengan menggunakan inputan data dari Web-Camera. Dalam penelitian ini, program penulisan dibatasi posisi gambar muka harus berada di tengah dan menjadi pusat dari Web-Camera, sehingga akan membatasi proses kerja dari

(14)

eigenfaces dan ada kemungkinan kesalahan dari faktor pengguna dimana posisi mukanya tidak berada di pusat dari Web-Camera, dan menimbulkan kesalahan dalam pengenalannya.

- Eigenfaces for Recognition, (Turk dan Pentland, 1991).

Algoritma pengenalan muka yang cukup menggunakan ciri karakteristik 2 Dimensi dari target muka.

- Automatic Face Detection Using Color Based Segmentation and Template / Energy Thresholding,( Padilla dan Fan, 2003)

Sebuah grup yang melakukan pendeteksian wajah dari sebuah foto yang berisi beberapa orang. Dengan metode utama yang digunakan adalah Color Based Segmentation.

(15)

Figur

Memperbarui...

Referensi

Memperbarui...

Related subjects :