PERBANDINGAN PCA (PRINCIPAL COMPONENT
ANALYSIS) DAN KERNEL PCA DALAM PENGENALAN
WAJAH AKIBAT VARIASI POSE
Fredo Adrian Arliawan
Email: fredoadrian@ymail.com
Jurusan Teknik Elektro, Fakultas Teknik
Universitas Kristen Maranatha
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
ABSTRAK
Tugas Akhir ini membandingkan metode PCA (Princpial Component
Analysis) dan kernel PCA untuk pengenalan wajah akibat variasi pose.
Sistem yang dibuat dalam Tugas Akhir ini dibagi menjadi beberapa tahap
yaitu mulai dari preproccessing lalu ke tahap feature extraction dan masuk ke
dalam tahap classification. Tahap yang menjadi modul utama yaitu feature
extraction dimana terjadi konstruksi PCA dan konstruksi KPCA, sementara
proses klasifikasi menggunakan nearest neighbor.
Pada laporan Tugas Akhir ini dapat dibuktikan bahwa metode KPCA lebih
baik dari PCA dalam pengenalan wajah akibat variasi pose, dengan akurasi
pengenalan rata-rata 63,75% dan 53,05%, masing-masing berturut-turut untuk
kernel PCA dan PCA pada database AT&T, Weizmann, dan gabungan kedua
database. Persen perbaikan akurasi pengenalan wajah rata-rata ketika menerapkan
metoda kernel PCA dibandingkan PCA jika dipengaruhi oleh faktor pose untuk
dua citra latih adalah 3,44%.
THE COMPARISON OF PCA (PRINCIPAL COMPONENT
ANALYSIS) AND KERNEL PCA IN FACE RECOGNITION DUE
TO VARIATION IN POSE
Fredo Adrian Arliawan
Email: fredoadrian@ymail.com
Department of Electrical Engineering, Faculty of Engineering
Maranatha Christian University
Jl. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia
ABSTRACT
The purpose of this Final Project is to compare the method of PCA
(Princpial Components Analysis) and Kernel PCA for face recognition due to
variations in pose.
The system is made in this thesis is divided into several stages, starting
from the last preproccessing to feature extraction stage and into the classification
stage. The stage became main feature extraction module where there is
construction and construction KPCA PCA, the classification process using the
nearest neighbor.
In the final report can be proved that the method KPCA is better than PCA
in face recognition due to variations in pose, with average recognition accuracy
are 63.75% and 53.05%, respectively consecutive to kernel PCA and PCA on the
database AT & T, Weizmann, and a combination of both databases. Percent
improvement in recognition accuracy average face when applying the method of
kernel PCA compared PCA if influenced by two factors pose to practice imagery
is 3.44%.
DAFTAR ISI
LEMBAR PENGESAHAN
PERNYATAAN ORISINALITAS LAPORAN
PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR
KATA PENGANTAR
ABSTRAK ... i
ABSTRACT ...ii
DAFTAR ISI ... iii
DAFTAR GAMBAR ... vi
DAFTAR TABEL ... viii
BAB I PENDAHULUAN ... 1
I.1 Latar Belakang ... 1
I.2 Perumusan Masalah ... 2
I.3 Tujuan Penelitian ... 2
I.4 Hipotesis ... 2
I.5 Kontribusi ... 2
I.6 Pembatasan Masalah ... 2
I.7 Sistematika Penulisan ... 3
BAB II LANDASAN TEORI ... 4
II.1.1 Citra ... 4
II.1.2 PGM ... 4
II.1.3 Gray Scale ... 4
II.2 Konsep Dasar Pengolahan Citra ... 5
II.3 Pengenalan Wajah ... 6
II.4 Metode Kernel ... 9
II.4.1 Kernel PCA ... 11
II.5 Principal Component Analysis ... 12
II.6 Vektor Eigen dan Nilai Eigen ... 15
II.7 Jarak Eucliden ... 16
II.8 Face Recognition rate dan Error rate ... 16
II.9 Studi Literatur ... 17
BAB III PERANCANGAN DAN REALISASI ... 23
III.1 PCA ... 23
III.1.1 Konstruksi PCA ... 25
III.1.2 Proyeksi Citra Uji ... 27
III.1.3 Klasifikasi Nearest Neighbor ... 28
III.2 Kernel PCA ... 29
III.2.1 Konstruksi KPCA... 31
III.2.2 Proyeksi Citra Uji ... 33
BAB IV DATA PENGAMATAN DAN ANALISIS DATA ... 36
IV.1 Konstruksi PCA ... 36
IV.2 Pengujian Metode PCA dan KPCA ... 40
IV.3 Data Pengamatan ... 52
IV.4 Analisis Data ... 54
BAB V SIMPULAN DAN SARAN ... 59
V.1 Simpulan ... 59
V.2 Saran ... 59
DAFTAR PUSTAKA ... 60
DAFTAR GAMBAR
Gambar II.1 Proses Pengenalan Wajah ... 7
Gambar II.2 Penentuan batasan dan vektor pendukung saat menggunakan kernel Gaussian ... 9
Gambar II.3 Ide Dasar KPCA (Schölkopf et al. 1996) ... 9
Gambar III.1 Diagram Alir Proses Pengenalan Wajah PCA ... 24
Gambar III.2 Diagram Alir Proses Konstruksi PCA ... 26
Gambar III.3 Diagram Alir Proses Proyeksi Citra Uji ... 27
Gambar III.4 Diagram Alir Proses Klasifikasi Nearest Neighbor ... 28
Gambar III.1 Diagram Alir Proses Pengenalan Wajah Kernel PCA ... 30
Gambar III.2 Diagram Alir Proses Konstruksi KPCA ... 32
Gambar III.3 Diagram Alir Proses Proyeksi Citra Uji ... 34
Gambar III.4 Diagram Alir Proses Klasifikasi Nearest Neighbor ... 35
Gambar IV.1 Set Citra Latih AT&T ... 36
Gambar IV.2 Set Citra Latih Weizmann ... 37
Gambar IV.3 Mean Face AT&T ... 38
Gambar IV.4 Hasil Konstruksi Eigenface AT&T ... 38
Gambar IV.5 Mean Face Weizmann... 39
Gambar IV.6 Hasil Konstruksi Eigenface Weizmann ... 39
Gambar IV.8 Pengujian KPCA Citra Uji AT&T ... 42
Gambar IV.9 Pengujian PCA Citra Uji Weizmann ... 44
Gambar IV.10 Pengujian KPCA Citra Uji Weizmann ... 46
Gambar IV.11 Pengujian PCA Citra Uji Dua Database ... 48
Gambar IV.12 Pengujian KPCA Citra Uji Dua Database ... 50
Gambar IV.13 Diagram Batang Recognition perbandingan metode KPCA dan PCA ... 53
DAFTAR TABEL
BAB I
PENDAHULUAN
I.1 Latar Belakang
Pengenalan wajah sedang menjadi topik penelitian yang sedang populer saat ini
terutama dalam computer vision, pengolahan citra dan pengenalan pola. Akurasi
pengenalan wajah ini dipengaruhi oleh beberapa faktor, seperti variasi pencahayaan, pose,
ekspresi dan lainnya. Kegunaan pengenalan wajah dapat diterapkan dalam bidang
perdagangan, penegak hukum, militer dan masih banyak lagi, seperti pengawasan
bangunan dan monitoring, keamanan bandara dan akses kontrol, smart environment pada
rumah, kantor, dan mobil, dan juga human robot inteligent yang dapat berinteraksi [2].
Suatu sistem pengenalan wajah yang baik adalah sistem yang mampu mengenali
identitas citra wajah uji bagaimana pun kondisi citra wajah tersebut. Secara umum
terdapat dua proses penting yang harus diperhatikan untuk memperoleh akurasi
pengenalan wajah yang baik, yaitu ekstraksi ciri dan klasifikasi. Ekstraksi ciri adalah
sebuah proses untuk memperoleh informasi yang penting dari suatu citra, sedangkan
klasifikasi adalah proses menentukan identitas dari citra yang sedang diuji. Ada beberapa
teknik untuk melakukan ekstraksi ciri. Salah satunya adalah PCA (Principal Component
Analysis) [3].
Di antara faktor yang mempengaruhi akurasi pengenalan wajah, di dalam Tugas
Akhir ini akan dibahas lebih lanjut mengenai salah satu faktor, yaitu pengaruh pose
terhadap akurasi pada pengenalan wajah. Karena citra wajah akibat variasi pose adalah
data yang non-linier,maka untuk mengatasi citra wajah ini harus digunakan metode yang
non-linier juga. Salah satu teknik non-linier yang ada adalah menggunakan kernel. Di
I.2 Perumusan Masalah
1. Berapa besar persen perbaikan akurasi pengenalan wajah ketika menerapkan
metoda Kernel PCA dibandingkan PCA jika dipengaruhi oleh faktor pose?
2. Sejauh mana pengaruh penggunaan database lebih dari satu terhadap akurasi
pengenalan wajah?
I.3 Tujuan
Tujuan yang ingin dicapai dari Tugas Akhir ini adalah :
1. Mengevaluasi hasil pengenalan wajah dengan menggunakan metoda PCA dan
Kernel PCA akibat variasi pose.
2. Menganalisa error rate akibat penggunaan database yang berbeda.
I.4 Hipotesis
Hipotesis pada Tugas Akhir ini adalah:
1. Pengenalan wajah dengan Kernel PCA di harapkan mempunyai akurasi yang
lebih tinggi dibandingkan dengan PCA dan juga mempunyai error rate
yang kecil untuk masalah variasi pose.
I.5 Kontribusi
Kontribusi pada Tugas Akhir ini adalah:
1. Penggunaan metode Kernel PCA untuk penggabungan dua database yang
berbeda, yang difokuskan pada masalah variasi pose untuk pengenalan wajah.
I.6 Pembatasan Masalah
1. Ukuran citra 112x92 pixel
2. Citra masukan berupa citra gray scale (database Weizmann dan AT&T)
3. Realisasi pengenalan wajah menggunakan program MATLAB
4. Dalam satu citra terdapat hanya satu wajah
5. Proses deteksi wajah sudah dilakukan
I.7 Sistematika Penulisan
Sistematika penulisan yang akan digunakan untuk menyusun laporan Tugas
Akhir ini adalah sebagai berikut:
BAB I : PENDAHULUAN
Pada bab ini dijelaskan latar belakang, perumusan masalah, tujuan,
hipotesis, kontribusi, pembatasan masalah, serta sistematika penulisan yang
digunakan untuk menyusun laporan Tugas Akhir.
BAB II : LANDASAN TEORI
Pada bab ini dijelaskan teori-teori yang digunakan serta studi literatur
sebagai referensi penulis dalam pengerjaan Tugas Akhir ini. Teori yang diuraikan
berkaitan dengan metode Kernel PCA dan PCA.
BAB III : PERANCANGAN PERANGKAT LUNAK
Pada bab ini dijelaskan mengenai sistem dari Tugas Akhir ini serta
perancangan perangkat lunak dengan menggunakan software MATLAB.
BAB IV : DATA PENGAMATAN DAN ANALISIS DATA
Bab ini berisikan percobaan-percobaan yang dilakukan terhadap perangkat
lunak dan menampilkan data pengamatan serta analisa hasil percobaan.
BAB V : KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan dari hasil percobaan yang telah didapatkan
dari Tugas Akhir serta saran-saran yang dapat digunakan untuk membantu dalam
BAB V
SIMPULAN DAN SARAN
V.1 Simpulan
Berdasarkan data pengamatan dan analisa pada BAB IV, dapat
diambil kesimpulan sebagai berikut:
1. Persen perbaikan akurasi pengenalan wajah rata-rata ketika menerapkan
metoda Kernel PCA dibandingkan PCA jika dipengaruhi oleh faktor pose
untuk database AT&T, Weizmann, dan penggabungan dua database
dengan dua citra latih adalah 3,44%.
2. Untuk penggunaan database lebih dari satu , terjadi penurunan akurasi
pengenalan pada metoda KPCA dan PCA. Penurunannya adalah sebesar
5,63% untuk KPCA dan 0,47% untuk PCA.
V.2 Saran
Pada topik selanjutnya sebaiknya dikembangkan metode multikernel,
dan diharapkan metode ini menunjukkan hasil pengenalan yang lebih baik
DAFTARA PUSTAKA
[1] Stan Z. Li, Lie Gu, Bernhard Sch¨olkopf, and HongJiag Zhang. 2001.
Kernel Machine Based Learning For Multi-View Face Detection and Pose
Estimation
[2] Jun-Bao Li,Shu-Chuan Chu, and Jeng-Shyang Pan. 2014. Kernel Learning
Algorithms for Face Recognition.
[3] http://www.library.binus.ac.id > eThesisdoc > Bab2. 19 Mei 2015
[4] Ismail Djakaria, Suryo Guritno, Haryatmi Kartiko. Januari 2010.
Visualisasi Data Iris Menggunakan Analisis Komponen Utama dan Analisis
Komponen Utama Kernel
[5] Marian Stewart BartlettTerrence J. Sejnowski. 1997. Viewpoint Invariant
Face Recognition Using Independent ComponentAnalysis And Attractor
Network
[6] Ming-Hsuan Yang. 2002. Kernel Eigenfaces vs. Kernel Fisherfaces: Face
Recognition Using Kernel Methods
[7] Jun-Bao Li, Shu-Chuan Chu, Jeng-Shyang Pan Lakhmi C. Jain. October
2012. Multiple Viewpoints Based Overview for Face Recognition
[8] Philippe G. Schyns & Heinrich H. Bülthoff. Agustus 1993. Condition For
Viewpoint Dependent Face Recognition
[9] Cristianini, Nello Shawe-Taylor, John. 2004. Kernel Methods for Pattern
Analysis.
[10] http://reasearch.cs.tamu.edu/prism/lectures/pr/pr_128.pdf . 20 Mei 2015
[11] https://www.youtube.com/watch?v=G9q5gD0sqqc. 29 Mei 2015
[12] Štruc V., Pavešic, N.: The Complete Gabor-Fisher Classifier for Robust
Face Recognition, EURASIP Advances in Signal Processing, vol. 2010,
[13] Štruc V., Pavešic, N.:Gabor-Based Kernel Partial-Least-Squares
Discrimination Features for Face Recognition, Informatica (Vilnius),
vol.20, no. 1, pp. 115-138, 2009.
[14] http://luks.fe.uni-lj.si/sl/osebje/vitomir/face tools/PhDface/, 15 Februari
2016
[15]
http://library.binus.ac.id/eColls/eThesisdoc/Bab2/2012-1-00178IF%20Bab2001.pdf, 15 Februari2016
[16] http://kilelme.blogspot.co.id/2010/02/image-file-format.html, 4 Maret 2016
[17] Bernard Scholkopf, Alexander Smola, dan Klaus-Robert Muller.Desember
1996. Nonlinear Componen Analysis as a Kernel Eigenvalue Problem.
[18] Stan Z.Li, Anil K. Jain. 2011. Handbook of Face Recognition Second
Edition.
[19] http://dendieisme.blogspot.co.id/2011/03/matlab-grayscale-image.html, 4 Maret 2016
[20] M. Turk and A. Pentland, 1991, “Eigenface for Recognition”, Massachusetts Institue of Technology: Vision and Modeling Group, The Media Laboratory.
[21] Smith, Lindsay., Tutorial On Principle Component Analysis, The MathWorks, Inc., 2002.
[22] Pissarenko, Dimitri., Eigenface-Based Facial Recognition, 2002.
