i Universitas Kristen Maranatha
PENGELOMPOKAN CITRA WAJAH DENGAN
TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN
ALGORITMA LSA – SC
(LOCAL SUBSPACE AFFINITY – SPECTRAL CLUSTERING)
Disusun oleh :
Febryan Setiawan (0922081)
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jl. Prof. Drg. Suria Sumantri, MPH, No. 65, Bandung, Indonesia
E – mail : f3b_ry4n@rocketmail.com
ABSTRAK
Pengelompokan citra wajah (face clustering) dapat membantu sistem pengenalan wajah (face recognition) untuk meningkatkan keandalan, efisiensi, dan keakuratan sistem dalam hal mengenali identitas suatu citra wajah. Pengelompokan citra wajah ini bertujuan untuk mengelompokan setiap citra wajah dalam database berdasarkan identitas wajah. Permasalahan yang muncul adalah citra wajah merupakan data berdimensi tinggi yang dapat dikelompokkan secara berbeda pada subruang – subruang tertentu. Untuk mengatasi masalah ini dikembangkan suatu teknik pengelompokan subruang (subspace clustering) untuk memilihkan subruang yang tepat untuk proses clustering.
Dalam Tugas Akhir ini digunakan suatu algoritma untuk menentukan subruang yang tepat untuk proses clustering. Algoritma Local Subspace Affinity diterapkan untuk melakukan perkiraan penentuan subruang yang tepat dengan sampling lokal kemudian mencari matriks affinity dan melakukan clustering berdasarkan matriks tersebut dengan menggunakan algoritma Spectral Clustering (k –
means).
Berdasarkan hasil percobaan Tugas Akhir ini, sistem pengelompokan citra wajah menggunakan algoritma Local Subspace Affinity – Spectral Clustering mampu mengelompokkan citra wajah tepat berdasarkan identitasnya jika di dalam database terdapat 5 identitas orang yang berbeda. Untuk 6≤ �����ℎ��������� ≤10 dalam
database maka presentase classification error adalah 12,5%−23.81%. Selain itu, diketahui bahwa sistem pengelompokan citra wajah dengan menggunakan algoritma ini lebih baik dalam hal menemukan cluster yang tepat dibandingkan algoritma lain untuk database citra wajah yang sama diujikan dalam Tugas Akhir ini.
Kata Kunci : face clustering, data berdimensi tinggi, subruang, clustering, cluster,
ii Universitas Kristen Maranatha
FACE CLUSTERING WITH
SUBSPACE CLUSTERING TECHNIQUE USING LSA – SC
(LOCAL SUBSPACE AFFINITY – SPECTRAL CLUSTERING)
ALGORITHM
Composed by :
Febryan Setiawan (0922081)
Department of Electrical Engineering, Faculty of Engineering, Maranatha Christian University, Bandung, Indonesia
E – mail : f3b_ry4n@rocketmail.com
ABSTRACT
Face clustering could help face recognition system to increase reliability, efficiency, and accuracy that system for recognizing the identity of face image. Face clustering is aim to cluster each face images in the database based on identity of the people’s faces. But the problem what appears is a face image is a high dimensional data which could be clustered in different cluster in the specific subspaces. To solve this problem developed a subspace clustering technique to choose the exactly subspaces for clustering process.
In this final project proposed an algorithm to determine the exactly subspaces for clustering process. Local Subspace Affinity algorithm is used to estimate the exactly subspaces with local sampling then find the affinity matrix and cluster based on that matrix using Spectral Clustering (k – means) algorithm.
On the experiment in this final project, face clustering system using Local Subspace Affinity – Spectral Clustering could find cluster of face images in correctly based on its identity if in the database there are 5 different identities of the face images. For 6≤ �ℎ������������������� ≤10 in the database, the presentation of error classification is 12,5%−23,81%. Beside it, known from the experiment that face clustering system using this algorithm is better in the case of finding the exactly cluster compared with the other algorithms for the same face database which were tested in this final project.
vi Universitas Kristen Maranatha
DAFTAR ISI
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... vi
DAFTAR GAMBAR ... ix
DAFTAR TABEL ... xi
BAB I PENDAHULUAN 1.1 Latar Belakang ... 1
1.2 Identifikasi Masalah ... 3
1.3 Rumusan Masalah ... 3
1.4 Tujuan ... 3
1.5 Pembatasan Masalah ... 4
1.6 Sistematika Penulisan ... 5
BAB II LANDASAN TEORI 2.1 Pengenalan Pola (Pattern Recognition) ... 7
2.2 Pengenalan Wajah (Face Recognition) ... 7
2.2.1 Proses Pengenalan Wajah ... 9
2.2.2 Image Space dan Face Space ... 10
2.3 Algoritma Deteksi Wajah ... 11
2.3.1 Local Mean Quantization Transform (Local SMQT) ... 11
2.3.2 Pengklasifikasi Split Up SNoW (Sparse Network of Winnows) ... 15
2.4 Pengelompokan (Clustering) ... 17
2.4.1 Objek dan Atribut ... 18
2.4.2 Tipe Data dan Ukuran Data ... 19
2.5 Pengelompokan Subruang (Subspace Clustering) ... 19
vii Universitas Kristen Maranatha
2.7 Kontruksi Eigenface/Principal Component Analysis (PCA) ... 21
2.8 Singular Value Decomposition (SVD) ... 22
2.9 Teknik Face Clustering ... 23
2.9.1 Algoritma LSA – SC ... 23
2.9.2 Algoritma Spectral Clustering ... 26
2.9.3 Algoritma k – means ... 27
BAB III PERANCANGAN SISTEM PENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA – SC 3.1 Proses Face Clustering ... 30
3.2 Deteksi Wajah ... 32
3.3 Konstruksi Eigenface ... 33
3.4 Algoritma Local Subspace Affinity ... 35
3.4.1 Local Normal Subspace Affinity ... 36
3.5 Algoritma Spectral Clustering ... 38
3.6 Algoritma k – means ... 40
BAB IV SIMULASI DAN ANALISA HASIL PERCOBAAN 4.1 Database Citra Wajah ... 42
4.2 Hasil Percobaan ... 43
4.2.1 Algoritma LSA – SC Untuk PERCOBAAN (1) ... 43
4.2.2 Algoritma LSA – SC Untuk PERCOBAAN (2) ... 49
4.3 Analisa Hasil Percobaan ... 54
4.3.1 Analisa Hasil PERCOBAAN (1) ... 54
4.3.2 Analisa Hasil PERCOBAAN (2) ... 54
viii Universitas Kristen Maranatha BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan ... 57 5.2 Saran ... 58
ix Universitas Kristen Maranatha
DAFTAR GAMBAR
Gambar 1.1 Variasi Citra Wajah ... 2
Gambar 2.1 Ilustrasi Penggunaan Sistem Biometric MRTD ... 8
Gambar 2.2 Proses Pengenalan Wajah Secara Umum ... 9
Gambar 2.3 Image Space dan Face Space ... 10
Gambar 2.4 Mean Quantization Unit (MQU) ... 12
Gambar 2.5 Successive Mean Quantization Transform (SMQT) ... 13
Gambar 2.6 Proses Clustering ... 17
Gambar 2.7 Tipe Data dan Ukuran Data ... 19
Gambar 2.8 Pengelompokan Wajah (Face Clustering) ... 21
Gambar 2.9 Proses Clustering dengan Algoritma k - means ... 28
Gambar 2.10 Hasil Clustering dengan Centroid Awal Berbeda ... 29
Gambar 3.1 Flowchart Proses Face Clustering ... 32
Gambar 3.2 Flowchart Proses Deteksi Wajah ... 33
Gambar 3.3 Flowchart Konstruksi Eigenface ... 34
Gambar 3.4 Flowchart Algoritma Local Subspace Affinity ... 35
Gambar 3.5 Flowchart Subroutine Mencari Matriks Affinity ... 37
Gambar 3.6 Flowchart Algoritma Spectral Clustering ... 39
Gambar 3.7 Flowchart Algoritma k – means ... 41
Gambar 4.1 Database Citra Wajah ... 42
Gambar 4.2 Hasil PERCOBAAN (1) dengan Terdapat ���� Identitas Wajah ... 44
Gambar 4.3 Hasil PERCOBAAN (1) dengan Terdapat ����� Identitas Wajah . 44 Gambar 4.4 Hasil PERCOBAAN (1) dengan Terdapat ���� Identitas Wajah .... 44
Gambar 4.5 Hasil PERCOBAAN (1) dengan Terdapat ���� Identitas Wajah .. 45
x Universitas Kristen Maranatha Gambar 4.7 Hasil PERCOBAAN (1) dengan Terdapat
������� Identitas Wajah ... 46 Gambar 4.8 Hasil PERCOBAAN (1) dengan Terdapat
�������� Identitas Wajah ... 46 Gambar 4.9 Hasil PERCOBAAN (1) dengan Terdapat
������ℎ Identitas Wajah ... 47 Gambar 4.10 Hasil PERCOBAAN (2�) dengan Terdapat ���� Identitas Wajah .. 50
Gambar 4.11 Hasil PERCOBAAN (2�) dengan Terdapat
����� Identitas Wajah ... 40 Gambar 4.12 Hasil PERCOBAAN (2�) dengan Terdapat ���� Identitas Wajah .. 51
Gambar 4.13 Hasil PERCOBAAN (2�) dengan Terdapat ���� Identitas Wajah .. 51 Gambar 4.14 Hasil PERCOBAAN (2�) dengan Terdapat
xi Universitas Kristen Maranatha
DAFTAR TABEL
Tabel 4.1 Hasil face clustering dengan menggunakan
algoritma LSA – SC untuk percobaan 1 ... 48 Tabel 4.2 Hasil face clustering dengan menggunakan
algoritma LSA – SC untuk percobaan 2 ... 53 Tabel 4.3 Perbandingan presentase error classification face clustering
LAMPIRAN
LAMPIRAN
A - 1 PERCOBAAN 1 FACE CLUSTERING MENGGUNAKAN ALGORITMA LOCAL SUBSPACE AFFINITY – SPECTRAL CLUSTERING
%
%Program Utama 'Pengelompokan Citra Wajah dengan Menerapkan Algoritma LSA - SC
%(LOCAL SUBSPACE AFFINITY - SPECTRAL CLUSTERING)' %
% PERCOBAAN 1 %
%% Tutup semua jendela, hapus semua variabel, dan bersihkan command windows
close all; clear all; clc;
DETEKSI WAJAH
jum_gbr = input('Total Gambar dalam database = ');
for m=1:jum_gbr
% Proses membaca input indeks=num2str(m); ind=[indeks,'.jpg'];
LAMPIRAN
A - 2 KONSTRUKSI EIGENFACE
%% Konstruksi Eigenface [eigenface lamda vektor A
rata]=konstruksi_eigenface(gbr_sama);
ProjectedImage = []; Train_Number = jum_gbr;
for i = 1 : Train_Number
temp = eigenface'*A(:,i); % Projection of centered images into facespace
temp=temp./max(temp); % normalisasi nilai projection image
ProjectedImage = [ProjectedImage temp];
end;
Function : konstruksi_eigenface
function [keluar1 keluar2 keluar3 keluar4 keluar5]=konstruksi_eigenface(masuk)
% %
%Fungsi ini melakukan konstruksi eigenface %
%variabel masukan : masuk = citra wajah yang sama ukurannya
%
%variabel keluaran : keluar1 = eigenface % keluar2 = nilai eigen
%Proses ubah citra menjadi vektor
for m=1:length(masuk) temp=masuk{m}; temp=double(temp);
temp=reshape(temp,size(temp,1)*size(temp,2),1); vektor_citra(:,m)=temp;
LAMPIRAN
A - 3 %Proses mencari rata-rata citra
vektor_rata=mean(vektor_citra,2);
for m=1:size(vektor_citra,2)
citra_selisih(:,m)=vektor_citra(:,m)-vektor_rata;
end
ALGORITMA LOCAL SUBSPACE AFFINITY – SPECTRAL CLUSTERING
%% Algoritma Local Subspace Affinity (LSA)
Function : local_subspace_affinity
function [group,ranks]=local_subspace_affinity(x,n,k,d) %
% Fungsi ini akan mencari local normal subspace dan affinity matrix untuk
% proses clustering %
% Local Subspace Affinity (LSA) % Input : x = data points
% n = jumlah subspace (jumlah identitas citra wajah)
LAMPIRAN
% Mengetahui ukuran dari data points [K,N]=size(x);
% Melakukan Normalisasi terhadap data points x = cnormalize(x);
% Menemukan neighbors
angles=acos(min(max(x'*x,-1),1)); [sorted,neighbours]=sort(angles);
% Memperkirakan local normal subspace bases=zeros(size(x,1),d,N);
ranks=zeros(N,1);
for i=1:N
[U,S,V]=svd(x(:,neighbours(1:k+1,i))); bases(:,:,i)=U(:,1:d);
ranks(i)=d;
end
% Menghitung sudut (angle) antara dua subspace => similarity matrix
LAMPIRAN
A - 5 [diagMat,LMat,X,Y,group,errorsum]=spectralcluster(distanc e,n,n);
Function : cnormalize
function [xn,normx] = cnormalize(x)
% Fungsi ini digunakan untuk melakukan normalisasi terhadap input (dalam
% Tugas Akhir ini input = Projected Image hasil konstruksi eigenface)
% Menentukan ukuran dari data points [K,N] = size(x);
% Mencari panjang vektor
normx = sqrt(sum(conj(x).*x,1));
% Normalisasi
xn = x ./ (ones(K,1)*normx);
Function : subspaceaffinity
function d=subspaceaffinity(base1, base2) %
% Fungsi ini akan menghitung pengukuran affinity (affinity matrix) antara
% dua subspace yang direpresentasikan dengan basis ORTHONORMAL (base1 dan
% base2) %
% Subspace Affinity
% Input : base1 = vektor normal subspace pertama % base2 = vektor normal subspace kedua
% Output : d = jarak antara dua subspace ("distance") %
LAMPIRAN
A - 6 % Menghitung sudut (angle) dari dua subspace
theta=subspaceangle(base1,base2);
% Menghitung jarak ("distance") d=exp(-sum((sin(theta).^2)));
Function : subspaceangle
function [theta]=subspaceangle(base1, base2) %
% Fungsi ini akan menghitung sudut (angle) principal antara dua subspace
%
% SUBSPACE ANGLE
% Input : base1 = basis ORTHONORMAL subspace pertama % base2 = basis ORTHONORMAL subspace kedua
% Mencari SVD dari kedua basis ORTHONORMAL [U,S,V]=svd(base1'*base2,'econ');
% Mencari cosinus sudut (angle) kedua basis ORTHONORMAL costheta=flipud(svd(base2'*base1));
% Mencari sudut (angle)
theta=acos(min(1,costheta));
Function : spectralcluster
function [diagMat,LMat,X,Y,IDX,errorsum]= spectralcluster(affMat,k,num_class)
LAMPIRAN
A - 7 % Fungsi ini akan melakukan proses clustering dengan
menggunakan algoritma % spectral clustering %
% SPECTRAL CLUSTERING
% Input : affMat = affinity matrix
% Menentukan ukuran dari affinity matrix numDT=size(affMat,2);
% Menghitung matrix diagonal dengan mencari vektor normal diagMat= diag((sum(affMat,2)).^(-1./2));
% Mencari matrix L
LMat=diagMat*affMat*diagMat;
% Mencari eigenvektor dari matrix L [v,d]=eigs(LMat,k);
Y(index,:)=X(index,:)./normX(index,1);
end
% Proses clustering menggunakan algoritma k - means [IDX,C,sumd] =
kmeans(Y,num_class,'EmptyAction','drop','Replicates',10);
LAMPIRAN
A - 8 PERCOBAAN 2 FACE CLUSTERING MENGGUNAKAN ALGORITMA LOCAL SUBSPACE AFFINITY – SPECTRAL CLUSTERING
%
%Program Utama 'Pengelompokan Citra Wajah dengan Menerapkan Algoritma LSA - SC
%(LOCAL SUBSPACE AFFINITY - SPECTRAL CLUSTERING)' %
% PERCOBAAN 2 %
%% Tutup semua jendela, hapus semua variabel, dan bersihkan command windows
close all; clear all; clc;
DETEKSI WAJAH
jum_gbr = input('Total Gambar dalam database = ');
for m=1:jum_gbr
% Proses membaca input indeks=num2str(m); ind=[indeks,'.jpg'];
LAMPIRAN
A - 9 KONSTRUKSI EIGENFACE
%% Konstruksi Eigenface [eigenface lamda vektor A
rata]=konstruksi_eigenface(gbr_sama);
ProjectedImage = []; Train_Number = jum_gbr;
for i = 1 : Train_Number
temp = eigenface'*A(:,i); % Projection of centered images into facespace
temp=temp./max(temp); % normalisasi nilai projection image
ProjectedImage = [ProjectedImage temp];
end;
Function : konstruksi_eigenface
function [keluar1 keluar2 keluar3 keluar4 keluar5]=konstruksi_eigenface(masuk)
% %
%Fungsi ini melakukan konstruksi eigenface %
%variabel masukan : masuk = citra wajah yang sama ukurannya
%
%variabel keluaran : keluar1 = eigenface % keluar2 = nilai eigen
%Proses ubah citra menjadi vektor
for m=1:length(masuk) temp=masuk{m}; temp=double(temp);
temp=reshape(temp,size(temp,1)*size(temp,2),1); vektor_citra(:,m)=temp;
LAMPIRAN
A - 10 %Proses mencari rata-rata citra
vektor_rata=mean(vektor_citra,2);
for m=1:size(vektor_citra,2)
citra_selisih(:,m)=vektor_citra(:,m)-vektor_rata;
end
ALGORITMA LOCAL SUBSPACE AFFINITY – SPECTRAL CLUSTERING
%% Algoritma Local Subspace Affinity (LSA)
jum_identitas=input('Jumlah identitas wajah = ');
LAMPIRAN
Function : local_subspace_affinity
function [group,ranks]=local_subspace_affinity(x,n,k,d) %
% Fungsi ini akan mencari local normal subspace dan affinity matrix untuk
% proses clustering %
% Local Subspace Affinity (LSA) % Input : x = data points
% Mengetahui ukuran dari data points [K,N]=size(x);
% Melakukan Normalisasi terhadap data points x = cnormalize(x);
% Menemukan neighbors
angles=acos(min(max(x'*x,-1),1)); [sorted,neighbours]=sort(angles);
LAMPIRAN
A - 12 bases=zeros(size(x,1),d,N);
ranks=zeros(N,1);
for i=1:N
[U,S,V]=svd(x(:,neighbours(1:k+1,i))); bases(:,:,i)=U(:,1:d);
ranks(i)=d;
end
% Menghitung sudut (angle) antara dua subspace => similarity matrix
% Melakukan spectral clustering untuk proses clustering [diagMat,LMat,X,Y,group,errorsum]=spectralcluster(distanc e,n,n);
Function : cnormalize
function [xn,normx] = cnormalize(x)
% Fungsi ini digunakan untuk melakukan normalisasi terhadap input (dalam
% Tugas Akhir ini input = Projected Image hasil konstruksi eigenface)
% Menentukan ukuran dari data points [K,N] = size(x);
% Mencari panjang vektor
normx = sqrt(sum(conj(x).*x,1));
% Normalisasi
LAMPIRAN
A - 13 Function : subspaceaffinity
function d=subspaceaffinity(base1, base2) %
% Fungsi ini akan menghitung pengukuran affinity (affinity matrix) antara
% dua subspace yang direpresentasikan dengan basis ORTHONORMAL (base1 dan
% base2) %
% Subspace Affinity
% Input : base1 = vektor normal subspace pertama % base2 = vektor normal subspace kedua
% Output : d = jarak antara dua subspace ("distance") %
% Menghitung sudut (angle) dari dua subspace theta=subspaceangle(base1,base2);
% Menghitung jarak ("distance") d=exp(-sum((sin(theta).^2)));
Function : subspaceangle
function [theta]=subspaceangle(base1, base2) %
% Fungsi ini akan menghitung sudut (angle) principal antara dua subspace
%
% SUBSPACE ANGLE
LAMPIRAN
A - 14 % Mencari SVD dari kedua basis ORTHONORMAL
[U,S,V]=svd(base1'*base2,'econ');
% Mencari cosinus sudut (angle) kedua basis ORTHONORMAL costheta=flipud(svd(base2'*base1));
% Mencari sudut (angle)
theta=acos(min(1,costheta));
Function : spectralcluster
function [diagMat,LMat,X,Y,IDX,errorsum]= spectralcluster(affMat,k,num_class)
%
% Fungsi ini akan melakukan proses clustering dengan menggunakan algoritma
% spectral clustering %
% SPECTRAL CLUSTERING
% Input : affMat = affinity matrix
% Menentukan ukuran dari affinity matrix numDT=size(affMat,2);
% Menghitung matrix diagonal dengan mencari vektor normal diagMat= diag((sum(affMat,2)).^(-1./2));
% Mencari matrix L
LMat=diagMat*affMat*diagMat;
% Mencari eigenvektor dari matrix L [v,d]=eigs(LMat,k);
LAMPIRAN
A - 15 X=v(:,1:k);
normX=(sum(X.^2,2)).^(1./2); Y=zeros(size(X));
for index=1:numDT
Y(index,:)=X(index,:)./normX(index,1);
end
% Proses clustering menggunakan algoritma k - means [IDX,C,sumd] =
kmeans(Y,num_class,'EmptyAction','drop','Replicates',10);
1 Universitas Kristen Maranatha
BAB I
PENDAHULUAN
1.1. Latar Belakang
Pengenalan wajah (face recognition) merupakan salah satu teknologi
biometric yang sangat dibutuhkan dalam berbagai aplikasi, seperti keamanan,
verifikasi (pembuktian) identitas, komunikasi (khususnya yang membutuhkan lawan bicara/video phone), dan lain – lain. Penelitian untuk pengenalan wajah bukanlah
merupakan hal baru karena sudah dimulai sejak tahun 1960[1]. Walaupun demikian, penelitian di bidang ini mengalami perkembangan yang pesat baru dua dasawarsa terakhir ini, terutama sejak berkembangnya penelitian tentang pemodelan wajah (face
modeling) dan teknik – teknik analisa. Tantangan untuk merancang suatu sistem
pengenalan wajah yang andal memotivasi penelitian di bidang ini khususnya yang menekuni computer vision dan pattern recognition.
Terdapat beberapa alasan meningkatnya penelitian di bidang pengenalan wajah, yaitu peningkatan fokus masyarakat umum dalam hal keamanan, kebutuhan untuk pembuktian identitas di dunia digital, dan kebutuhan untuk analisa wajah dan teknik pemodelan pada multimedia data management dan computer entertaintment. Penelitian terakhir untuk analisa wajah, pengenalan pola, dan machine learning sudah membuat pengembangan sistem pengenalan wajah secara automatic yang dapat menangani aplikasi – aplikasi tersebut.
Untuk meningkatkan keandalan dan efisiensi dari sistem pengenalan wajah dikembangkan teknik face clustering. Teknik ini akan mengelompokkan tepat setiap citra wajah dalam database menurut identitasnya. Jika setiap citra wajah dapat dikelompokkan tepat menurut identitasnya, maka pencocokan (matching) hanya akan dilakukan kepada cluster identitasnya tidak perlu kepada anggota setiap cluster. Hal
BAB I PENDAHULUAN
2 Universitas Kristen Maranatha Citra wajah seseorang dapat digunakan untuk mengenali identitas seseorang. Namun permasalahan yang timbul adalah ketika terdapat variasi pencahayaan (photometric variation) pada citra wajah dan variasi geometrik (geometric variation), meliputi posisi wajah pada citra yang tidak selalu tampak depan, variasi ekspresi wajah, penggunaan aksesories (kacamata, kerudung, syal, dll.), dan terdapat oklusi (kerusakan atau cacat) pada citra wajah.
Gambar 1.1. Variasi yang terjadi pada citra wajah meliputi pose, pencahayaan, ekspresi, oklusi, aksesories, warna, dan kecerahan[1].
Citra wajah juga merupakan suatu fitur ruang (array) kumpulan dari pixel –
pixel yang berdimensi tinggi. Permasalahan yang timbul adalah himpunan data citra
wajah tersebut sering mengandung cluster – cluster yang tersembunyi di berbagai subruang dari fitur ruang yang asli. Objek – objek tersebut akan dikelompokkan secara berbeda pada subruang yang bervariasi. Untuk mengatasi hal – hal tersebut dilakukan penelitian untuk menemukan teknik – teknik analisa yang andal dan efisien. Teknik pengelompokan subruang (subspace clustering technique) adalah suatu teknik yang dikembangkan untuk menemukan secara otomatis semua cluster pada semua subruang dari fitur ruang yang asli, baik dengan memperhitungkan
cluster – cluster subruang atau dengan memilih tingkat pentingnya subruang dalam
BAB I PENDAHULUAN
3 Universitas Kristen Maranatha 1.2. Identifikasi Masalah
Pengenalan wajah adalah suatu teknologi yang sangat berkembang dan diperlukan dalam berbagai aplikasi sehingga diperlukan keandalan dan keakuratan. Untuk itu dalam Tugas Akhir ini dikemukakan suatu teknik subspace clustering untuk mengelompokkan citra wajah agar pengenalan wajah dapat lebih akurat dan andal jika citra wajah yang sama identitasnya ter – cluster dalam satu cluster. Dalam Tugas Akhir ini digunakan LSA – SC (Local Subspace Affinity – Spectral Clustering) untuk melakukan pengelompokan citra wajah dengan teknik subspace clustering.
1.3. Rumusan Masalah
Pada Tugas Akhir ini, penulis merumuskan masalah berdasarkan penelitian yang dilakukan adalah sebagai berikut :
1) Bagaimana menerapkan algoritma LSA – SC untuk proses pengelompokan
citra wajah dengan teknik pengelompokan subruang (subspace
clustering)?
2) Bagaimana hasil pengelompokan citra wajah dengan menggunakan algoritma LSA – SC dibandingkan dengan teknik clustering yang lain?
1.4. Tujuan
Adapun tujuan dari penulis mengerjakan Tugas Akhir ini adalah :
1) Menerapkan teknik subspace clustering dengan menggunakan algoritma
LSA – SC untuk pengelompokan citra wajah.
BAB I PENDAHULUAN
4 Universitas Kristen Maranatha 1.5. Pembatasan Masalah
1) Proses deteksi wajah dengan menggunakan algoritma Local SMQT (Local
Successive Mean Quantization Transform) dan Pengklasifikasi Split Up SNoW (Sparse Network of Winnows) yang diambil dari
http://www.mathworks.com/matlabcentral/fileexchange/13701-face-detection-in-matlab.
2) Proses melakukan rekonstruksi citra wajah menggunakan teknik konstruksi eigenface/Principal Component Analysis (PCA).
3) Proses untuk menemukan/pemilihan subruang menggunakan algoritma
LSA (Local Subspace Affinity) dan algoritma untuk proses clustering
subruang tersebut adalah menggunakan algoritma Spectral Clustering. 4) Teknik clustering lain yang digunakan untuk membandingkan hasil
pengelompokan citra wajah untuk database wajah yang sama adalah teknik subspace clustering menggunakan algoritma GPCA (Generalized
Principal Component Analysis) menggunakan algoritma Adaptif k – means untuk proses clustering – nya dan teknik clustering biasa
menggunakan algoritma Adaptif k – means dan algoritma Spectral
Clustering.
5) Database citra wajah yang digunakan adalah database yang dibuat sendiri.
6) Dalam database terdapat citra wajah pria dan wanita serta terdapat citra wajah yang menggunakan aksesories.
7) Citra wajah berukuran 133 � 178 pixel dan merupakan citra RGB
(berwarna).
8) Semua citra wajah memiliki extensi ‘*.jpg’.
9) Total citra wajah dalam database adalah 30 buah yang terdiri dari 10 identitas orang yang berbeda dan masing – masing identitas disimpan 3 buah citra wajah.
10) Hanya terdapat satu wajah di dalam citra wajah.
BAB I PENDAHULUAN
5 Universitas Kristen Maranatha 12) Simulasi untuk program pengelompokan citra wajah ini menggunakan
perangkat lunak (software) MATLAB R2008b.
1.6. Sistematika Penulisan
Laporan Tugas Akhir ini terdiri dari lima bab utama. Berikut ini merupakan uraian singkat sistematika penulisan beserta penjelasan dari masing – masing bab, yaitu :
BAB I – PENDAHULUAN
Pada bab ini dijelaskan latar belakang penulis yang menjadi alasan dilakukannya penelitian, identifikasi masalah yang diselesaikan dalam Tugas Akhir ini, tujuan yang dicapai, pembatasan masalah agar ruang lingkup masalah tidak terlalu luas, dan sistematika penulisan yang menjelaskan uraian
singkat penulisan Laporan Tugas Akhir ini.
BAB II – LANDASAN TEORI
Pada bab ini diuraikan teori – teori yang menjadi referensi penulis dalam mengerjakan Tugas Akhir ini. Teori yang diuraikan lebih lanjut pada bab ini adalah algoritma LSA (Local Subspace Affinity) untuk melakukan proses pemilihan subruang citra wajah, algoritma Spectral Clustering untuk melakukan proses pengelompokan subruang citra wajah tersebut, teori
eigenface/Principal Component Analysis (PCA) untuk melakukan
dimensionality reduction, SVD (Singular Value Decomposition) dan teori –
teori lain sebagai pendukung.
BAB III – PERANCANGAN SISTEM PENGENALAN WAJAH
BAB I PENDAHULUAN
6 Universitas Kristen Maranatha BAB IV – SIMULASI DAN ANALISA DATA PENGAMATAN
Pada bab ini ditampilkan data pengamatan dan analisa hasil percobaan pengenalan wajah dengan algoritma LSA – SC dengan berbagai input citra wajah yang sudah ditentukan dalam batasan masalah.
BAB V – KESIMPULAN DAN SARAN
57 Universitas Kristen Maranatha
BAB V
KESIMPULAN DAN SARAN
Bab ini menguraikan mengenai kesimpulan dari data pengamatan serta analisa penelitian yang dilakukan dalam tugas akhir dan saran – saran yang dapat ditambahkan untuk penelitian selanjutnya agar mendapatkan hasil penelitian yang
lebih baik.
5.1. Kesimpulan
Berdasarkan data pengamatan dan analisa penelitian pada BAB IV, dapat diambil beberapa kesimpulan sebagai berikut.
1) Teknik subspace clustering menggunakan algoritma LSA – SC dapat mengelompokan dengan tepat setiap citra wajah ke dalam identitasnya pada �����ℎ��������� ≤5.
2) Error classification algoritma LSA – SC untuk 6≤ �����ℎ��������� ≤ 10 berkisar antara 12,5% sampai 23,81%.
3) Jika terdapat tambahan citra wajah dengan identitas baru ke dalam database maka akan mengubah struktur cluster yang sudah terbentuk sebelumnya. 4) Dengan bertambahnya jumlah identitas wajah (orang) dalam database maka
akan dapat mengakibatkan dua hal, yaitu :
(a) Beberapa citra wajah dengan identitas yang berbeda dapat dikelompokan sebagai satu identitas.
(b) Terdapat cluster dengan satu anggota karena sistem tidak dapat mengenali citra tersebut.
5) Dengan bertambahnya jumlah citra wajah (variasi) dalam database dengan jumlah identitas yang tetap akan menurunkan keakuratan sistem face
BAB V KESIMPULAN DAN SARAN
58 Universitas Kristen Maranatha
5.2. Saran
1) Dengan menambah jumlah variasi citra wajah suatu identitas wajah dan apabila teknik face clustering dapat meng – cluster – nya dengan benar berdasarkan identitasnya maka kemampuan sistem dalam melakukan face
clustering dapat dikatakan meningkat.
2) Dapat dilakukan pemilihan kombinasi antara algoritma subspace clustering dengan algoritma clustering – nya agar sistem face clustering dapat lebih andal dan akurat.
59 Universitas Kristen Maranatha
DAFTAR PUSTAKA
[1] Li, Stan Z. and Anil K. Jain. (2005). Handbook of Face Recognition. New York, USA : Springer Science + Business Media, Inc.
[2] Gan, Guojun, Chaogun Ma, and Jianhong Wu. Data Clustering : Theory,
Algorithms, and Applications. ASA – SIAM Series on Statistics and Applied
Probability, SIAM, Philadelphia, ASA, Alexandria, VA, 2007.
[3] A.K. Jain, Robert P.W. Duin, and Jianchang Mao. Statistical Pattern
Recognition : A Review. IEEE Transaction On Pattern Analysis and Machine
Intelligence, Vol. 22, No. 1, January 2000.
[4] Nilsson, Mikael, Jorgen Nordberg, and Ingvar Claesson. (2006). Face Detection
Using Local SMQT Features and Split Up Snow Classifier. Blekinge Institute of
Technology, School of Engineering, Department of Signal Processing.
[5] Nilsson, Mikael, Mattias Dahl, and Ingvar Claesson. The Successive Mean
Quatization Transform. IEEE International Conference on Acoustics, Speech,
and Signal Processing (ICASSP), March 2005, Vol. 4, pp. 429 – 432.
[6] Vidal, Rene. Subspace Clustering : Application in Motion Segmentation and
Face Clustering. IEEE Signal Processing Magazine, pp. 52 – 68, March 2011.
[7] Baumgartner, Christian, C. Plant, K. Kailing, H. – P Kriegel, P. Kroger.
Subspace Selection for Clustering High – Dimensional Data. Proceeding 4th
IEEE International Conference on Data Mining, Brighton, UK, 2004.
[8] Elhamifar, Ehsan and Rene Vidal. Sparse Subspace Clustering : Algorithm,
Theory, and Applications. IEEE, February 2013.
[9] Smith, Lindsay. Tutorial On Principal Component Analysis. The MathWorks, Inc., 2002.
[10] Turk, M. A., Pentland, A. P. Eigenfaces for Recognition. Cognitive Neuroscience, Vol. 3, No. 1, 1991.
60 Universitas Kristen Maranatha [12] Yan, Jingyu and Marc Pollefeys. (2010). A General Framework for Motion
Segmentation : Independent, Articulated, Rigid, Non – Rigid, Degenerate, and Non – Degenerate. Departement of Computer Science, The University of North
Carolina.
[13] Rajalakshmi, K., Thilaka, B., Rajeswari, N., An Adaptive K – Means Clustering
Algorithm and Its Application to Face Recognition, Computer Science &
Mathematics, V. 4, no. 9, Suceava, 2010.