IMPLEMENTASI HISTOGRAM EQUALIZATION & DCT
UNTUK DETEKSI TITIK KUNCI PADA CITRA WAJAH
SKRIPSI
Diajukan sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer (S.Kom.)
Lionissa Ratnawati Darmawan 00000015499
PROGRAM STUDI INFORMATIKA FAKULTAS TEKNIK DAN INFORMATIKA UNIVERSITAS MULTIMEDIA NUSANTARA
TANGERANG 2020
ii
HALAMAN PERSETUJUAN
IMPLEMENTASI HISTOGRAM EQUALIZATION & DCT UNTUK DETEKSI TITIK KUNCI PADA CITRA WAJAH
Oleh
Nama : Lionissa Ratnawati Darmawan NIM : 00000015499
Program Studi : Informatika
Fakultas : Teknik dan Informatika
Tangerang, 16 April 2020 Menyetujui,
Ketua Sidang Dosen Penguji
Andrey Andoko, M.Sc Nunik Afriliana, S.Kom, M.M.S.I Dosen Pembimbing
Adhi Kusnadi, S.T., M.Si. Mengetahui,
Ketua Program Studi Informatika
iii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT
Dengan ini saya:
Nama : Lionissa Ratnawati Darmawan
NIM : 00000015499
Program Studi : Informatika
Fakultas : Fakultas Teknik dan Informatika
Menyatakan bahwa Skripsi yang berjudul “Pengaruh Penggunaan Algoritma Histogram Equalization dan DCT Terhadap Kualitas Pengulangan Pada Metode Geometri Epipolar” ini adalah karya ilmiah saya sendiri, bukan plagiat dari karya ilmiah yang ditulis oleh orang lain atau lembaga lain, dan semua karya ilmiah orang lain atau lembaga lain yang dirujuk dalam Skripsi ini telah disebutkan sumber kutipannya serta dicantumkan di Daftar Pustaka.
Jika di kemudian hari terbukti ditemukan kecurangan / penyimpangan, baik dalam pelaksaan Skripsi maupun dalam penulisan laporan Skripsi, saya bersedia menerima konsekuensi dinyatakan TIDAK LULUS untuk mata kuliah Skripsi yang telah saya tempuh.
Tangerang, 21 Maret 2020
iv
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Universitas Multimedia Nusantara, saya yang bertanda tangan dibawah ini:
Nama : Lionissa Ratnawati Darmawan
NIM : 00000015499
Program Studi : Informatika
Fakultas : Fakultas Teknik dan Informatika
Jenis Karya : Skripsi
Demi pengembangan ilmu pengetahuan, menyetujui dan memberikan izin kepada Universitas Multimedia Nusantara hak Bebas Royalti Non-eksklusif (Non-exclusive Royalty-Free Right) atas karya ilmiah saya yang berjudul:
Pengaruh Penggunaan Algoritma Histogram Equalization dan DCT Terhadap Kualitas Pengulangan Pada Metode Geometri Epipolar Beserta perangkat yang diperlukan.
Dengan Hak Bebas Royalti Non-eksklusif ini, pihak Universitas Multimedia Nusantara berhak menyimpan, mengalihmedia atau format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mendistribusi dan menampilkan atau mempublikasikan karya ilmiah saya di internet atau media lain untuk kepentingan akademis, tanpa perlu meminta izin dari saya maupun memberikan royalti kepada saya, selama tetap mencantumkan nama saya sebagai penulis karya ilmiah tersebut.
Demikian pernyataan ini saya buat dengan sebenarnya untuk dipergunakan sebagaimana mestinya.
Tangerang, 21 Maret 2020
v
KATA PENGANTAR
Puji Tuhan atas berkat dan rahmatNya bahwa baik kegiatan penelitian dan penulisan skripsi yang berjudul “Implementasi Histogram Equalization & DCT Untuk Deteksi Titik Kunci Pada Citra Wajah” dapat terselesaikan dengan baik. Tujuan dari penulisan skripsi ini adalah untuk memenuhi syarat kelulusan yang telah ditentukan oleh Fakultas Teknologi dan Informasi Universitas Multimedia Nusantara.
Selama penulisan skripsi ini, telah banyak datang bantuan dari berbagai pihak baik dalam bentuk kritik, saran, maupun dukungan. Dalam kesempatan ini, diucapkanlah terima kasih atas bantuan yang telah diberikan kepada:
1. Dr. Ninok Leksono selaku Rektor Universitas Multimedia Nusantara, 2. Nunik Afriliana, S.Kom., M.M.S.I selaku Ketua Program Studi Informatika
Universitas Multimedia Nusantara,
3. Adhi Kusnadi, S.T., M.Si. selaku dosen pembimbing yang telah memberikan banyak arahan serta masukan selama pengerjaan penelitian dan penulisan skripsi ini,
4. Para dosen yang mengajar selama ini yang telah banyak memberikan pengetahuan dan pelajaran,
5. Kedua orang tua, Kevin Rizaldy Darmawan dan Davina Rachmawati Darmawan atas bantuan dan dukungannya selama ini,
6. Vincent Anderson Ngadiman dan Lianna Nathania yang telah banyak membantu dan menemani selama ini melalui diskusi-diskusi mengenai materi dan prosesnya baik pada saat penelitian maupun penulisan,
vi
vii
IMPLEMENTASI HISTOGRAM EQUALIZATION & DCT
UNTUK DETEKSI TITIK KUNCI PADA CITRA WAJAH
ABSTRAK
Pengenalan wajah merupakan sebuah sistem autentikasi biometrik yang menggunakan ukuran wajah untuk proses verifikasi. Pengenalan wajah sendiri memiliki dua tipe, yaitu: 2D dan 3D. Sistem ini sangat sensitif terhadap pencahayaan karena dapat menyebabkan rancunya identitas seseorang serta masih terdapat banyak permasalahan dalam sistem pengenalan berbasis tiga dimensi. Dalam penelitian ini, digunakan lima gambar dari dua dataset sebagai subjek penelitian, metode geometri epipolar untuk menemukan korespondensi dari dua gambar wajah yang diambil dari sudut pandang yang berbeda, DCT untuk melakukan normalisasi pencahayaan dari gambar dengan cara menghilangkan komponen berfrekuensi rendah, Histogram Equalization untuk meningkatkan kontras dari gambar, menggunakan lima feature detectors untuk mendeteksi
keypoints yang berada di wajah, dan F-measure untuk evaluasi. Dari penelitian,
metode DCT & Histogram Equalization dapat digunakan untuk meningkatkan nilai
F-score dibandingkan tanpa diaplikasikan metode apapun. Dataset Head Pose
Image Dataset menghasilkan nilai F-score sebesar 0,538 saat dijalankan feature
detector BRISK dan dataset The Database of Faces menghasilkan nilai F-score
sebesar 0,550 saat dijalankan feature detector FAST.
Kata Kunci: Histogram Equalization, DCT, Geometri Epipolar, FAST, BRISK, Minimum Eigenvalue, SURF, Harris-Stephens, Facial Keypoints
viii
IMPLEMENTATION OF HISTOGRAM EQUALIZATION &
DCT FOR KEYPOINTS DETECTION ON FACE IMAGE
ABSTRACT
Face recognition is a biometric authentication system that uses the measurement of face for verification. The system itself has two types: 2D and 3D. This system is sensitive to the illumination because it can cause the ambiguity of someone’s identity and there is still a lot of problem around the 3D-based face recognition system. In this experiment, five images from two datasets were used as the subject, epipolar geometry was used to find correspondences from two images of a face that were taken from a different angle, DCT was used to normalize the illumination by removing the low-frequency component, Histogram Equalization was used to increase the contrast of the image, five feature detectors to detect facial keypoints, and F-measure for the evaluation. From the research, DCT & Histogram Equalization can increase the F-score compared to not applying any additional method. Head Pose Image Dataset scored F-score of 0,538 when BRISK feature detector was applied. The Database of Faces scored F-score of 0,550 when FAST feature detector was applied.
Keywords: Histogram Equalization, DCT, Epipolar Geometry, FAST, BRISK, Minimum Eigenvalue, SURF, Harris-Stephens, Facial Keypoints
ix DAFTAR ISI
HALAMAN PERSETUJUAN ... ii
PERNYATAAN TIDAK MELAKUKAN PLAGIAT ... iii
PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS ... iv KATA PENGANTAR ... v ABSTRAK ... vii ABSTRACT ... viii DAFTAR ISI ... ix DAFTAR GAMBAR ... xi
DAFTAR TABEL ... xii
DAFTAR RUMUS ... xv
DAFTAR LAMPIRAN ... xvi
PENDAHULUAN ... 1 1.1 Latar Belakang ... 1 1.2 Rumusan Masalah ... 5 1.3 Batasan Masalah ... 5 1.4 Tujuan Penelitian ... 6 1.5 Manfaat Penelitian ... 6 1.6 Sistematika Penulisan ... 6 LANDASAN TEORI ... 8 2.1 Histogram Equalization... 8
2.2 Discrete Cosine Transform (DCT) ... 9
2.3 Geometri Epipolar ... 10
2.4 Pengulangan ... 11
2.5 Keypoint ... 12
2.6 Feature Detectors ... 12
2.6.1. Binary Robust Invariant Scalable Keypoints (BRISK) ... 13
2.6.2. Features from Accelerated Segment Test (FAST) ... 16
2.6.3. Harris-Stephens ... 18
2.6.4. Minimum Eigenvalue (Shi-Tomasi) ... 19
2.6.5. Speeded-Up Robust Features (SURF) ... 20
2.7 F-Measure ... 22
METODOLOGI PENELITIAN DAN PERANCANGAN APLIKASI ... 24
3.1 Metodologi Penelitian ... 24
3.2 Perancangan Sistem ... 25
3.2.1 Flowchart ... 26
3.2.2 Rancangan Antarmuka ... 31
IMPLEMENTASI DAN ANALISIS ... 34
4.1 Spesifikasi ... 34 4.1.1 Perangkat ... 34 4.1.2 Library ... 34 4.2 Implementasi Aplikasi ... 35 4.3 Pengujian... 40 4.3.1 Hasil Pengujian ... 43 4.4 Analisis Hasil ... 95
x
5.1 Simpulan ... 103 5.2 Saran ... 103 DAFTAR PUSTAKA ... 105
xi
DAFTAR GAMBAR
Gambar 2.1 Geometri Epipolar ... 11
Gambar 2.2 Pola Sampling dari BRISK ... 14
Gambar 2.3 Deteksi Piksel dengan FAST ... 17
Gambar 2.4 Klasifikasi Daerah Datar/Tepi/Sudut ... 19
Gambar 2.5 Box Filter... 21
Gambar 3.1 Flowchart Sistem ... 26
Gambar 3.2 Flowchart Applying Method... 26
Gambar 3.3 Flowchart Low Frequency Removal Using DCT ... 27
Gambar 3.4 Flowchart Histogram Equalization ... 27
Gambar 3.5 Flowchart Feature Detector... 28
Gambar 3.6 Flowchart FAST Feature Detector ... 29
Gambar 3.7 Flowchart Harris-Stephens Feature Detectors ... 29
Gambar 3.8 Flowchart Minimum Eigenvalue Feature Detectors ... 30
Gambar 3.9 Flowchart SURF Feature Detector... 30
Gambar 3.10 Flowchart BRISK Feature Detector ... 31
Gambar 3.11 Rancangan Antarmuka 1 ... 31
Gambar 3.12 Rancangan Antarmuka 2 ... 33
Gambar 4.1 Tampilan Halaman Utama ... 36
Gambar 4.2 Tampilan Halaman Utama 1 dengan Hasil Proses ... 37
Gambar 4.3 Tampilan Halaman Utama 2 dengan Hasil Proses ... 37
Gambar 4.4 Contoh Gambar Grayscale ... 38
Gambar 4.5 Contoh Gambar Setelah Proses DCT ... 38
Gambar 4.6 Contoh Pasangan Gambar Setelah Proses DCT & Histogram Equalization ... 38
Gambar 4.7 Deskripsi Gambar ... 39
Gambar 4.8 Halaman Help & About ... 39
Gambar 4.9 Isi dari Menu... 40
Gambar 4.10 Posisi Key Point pada Gambar dari The Database of Face ... 41
Gambar 4.11 Posisi Key Point pada Gambar dari Head Pose Image Dataset ... 41
Gambar 4.12 Perbandingan Deteksi Antara Metode Original dan DCT ... 96
Gambar 4.13 Perbandingan Jumlah Keypoint ... 98
xii
DAFTAR TABEL
Tabel 2.1 15 Keypoint di Wajah ... 12 Tabel 2.2 Confusion Matrix ... 23 Tabel 4.1 Nilai Threshold Feature Detector ... 40 Tabel 4.2 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 3 (Head Pose Image Dataset) ... 43 Tabel 4.2 (Lanjutan) Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 3 (Head Pose Image Dataset) ... 44 Tabel 4.3 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 6 (Head Pose Image Dataset) ... 45 Tabel 4.4 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 10 (Head Pose Image Dataset) ... 46 Tabel 4.5 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 11 (Head Pose Image Dataset) ... 47 Tabel 4.6 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 13 (Head Pose Image Dataset) ... 48 Tabel 4.7 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 3 (Head Pose Image Dataset) ... 49 Tabel 4.8 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 6 (Head Pose Image Dataset) ... 50 Tabel 4.9 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 6 (Head Pose Image Dataset) ... 51 Tabel 4.10 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 11 (Head Pose Image Dataset) ... 52 Tabel 4.11 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 13 (Head Pose Image Dataset) ... 53 Tabel 4.12 Hasil Feature Detector SURF Pada Gambar Subjek 3 (Head Pose Image Dataset) ... 54 Tabel 4.13 Hasil Feature Detector SURF Pada Gambar Subjek 6 (Head Pose Image Dataset) ... 55 Tabel 4.14 Hasil Feature Detector SURF Pada Gambar Subjek 10 (Head Pose Image Dataset) ... 56 Tabel 4.15 Hasil Feature Detector SURF Pada Gambar Subjek 11 (Head Pose Image Dataset) ... 57 Tabel 4.16 Hasil Feature Detector SURF Pada Gambar Subjek 13 (Head Pose Image Dataset) ... 58 Tabel 4.17 Hasil Feature Detector BRISK Pada Gambar Subjek 3 (Head Pose Image Dataset) ... 59 Tabel 4.18 Hasil Feature Detector BRISK Pada Gambar Subjek 6 (Head Pose Image Dataset) ... 60 Tabel 4.19 Hasil Feature Detector BRISK Pada Gambar Subjek 10 (Head Pose Image Dataset) ... 61
xiii
Tabel 4.20 Hasil Feature Detector BRISK Pada Gambar Subjek 11 (Head Pose Image Dataset) ... 62 Tabel 4.21 Hasil Feature Detector BRISK Pada Gambar Subjek 13 (Head Pose Image Dataset) ... 63 Tabel 4.22 Hasil Feature Detector FAST Pada Gambar Subjek 3 (Head Pose Image Dataset) ... 64 Tabel 4.23 Hasil Feature Detector FAST Pada Gambar Subjek 6 (Head Pose Image Dataset) ... 65 Tabel 4.24 Hasil Feature Detector FAST Pada Gambar Subjek 10 (Head Pose Image Dataset) ... 66 Tabel 4.25 Hasil Feature Detector FAST Pada Gambar Subjek 11 (Head Pose Image Dataset) ... 67 Tabel 4.26 Hasil Feature Detector FAST Pada Gambar Subjek 13 (Head Pose Image Dataset) ... 68 Tabel 4.27 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 1 (The Database of Faces) ... 69 Tabel 4.27 (Lanjutan) Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 1 (The Database of Faces) ... 70 Tabel 4.28 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 10 (The Database of Faces) ... 70 Tabel 4.28 (Lanjutan) Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 10 (The Database of Faces) ... 71 Tabel 4.29 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 18 (The Database of Faces) ... 72 Tabel 4.30 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 23 (The Database of Faces) ... 73 Tabel 4.31 Hasil Feature Detector Minimum Eigenvalue Pada Gambar Subjek 39 (The Database of Faces) ... 74 Tabel 4.32 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 1 (The Database of Faces) ... 75 Tabel 4.33 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 10 (The Database of Faces) ... 76 Tabel 4.34 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 18 (The Database of Faces) ... 77 Tabel 4.35 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 23 (The Database of Faces) ... 78 Tabel 4.36 Hasil Feature Detector Harris-Stephens Pada Gambar Subjek 39 (The Database of Faces) ... 79 Tabel 4.37 Hasil Feature Detector SURF Pada Gambar Subjek 1 (The Database of Faces) ... 80 Tabel 4.38 Hasil Feature Detector SURF Pada Gambar Subjek 10 (The Database of Faces) ... 81 Tabel 4.39 Hasil Feature Detector SURF Pada Gambar Subjek 18 (The Database of Faces) ... 82
xiv
Tabel 4.40 Hasil Feature Detector SURF Pada Gambar Subjek 23 (The Database of Faces) ... 83 Tabel 4.41 Hasil Feature Detector SURF Pada Gambar Subjek 39 (The Database of Faces) ... 84 Tabel 4.42 Hasil Feature Detector BRISK Pada Gambar Subjek 1 (The Database of Faces) ... 85 Tabel 4.43 Hasil Feature Detector BRISK Pada Gambar Subjek 10 (The Database of Faces) ... 86 Tabel 4.44 Hasil Feature Detector BRISK Pada Gambar Subjek 18 (The Database of Faces) ... 87 Tabel 4.45 Hasil Feature Detector BRISK Pada Gambar Subjek 23 (The Database of Faces) ... 88 Tabel 4.46 Hasil Feature Detector BRISK Pada Gambar Subjek 39 (The Database of Faces) ... 89 Tabel 4.47 Hasil Feature Detector FAST Pada Gambar Subjek 1 (The Database of Faces) ... 90 Tabel 4.48 Hasil Feature Detector FAST Pada Gambar Subjek 10 (The Database of Faces) ... 91 Tabel 4.49 Hasil Feature Detector FAST Pada Gambar Subjek 18 (The Database of Faces) ... 92 Tabel 4.50 Hasil Feature Detector FAST Pada Gambar Subjek 23 (The Database of Faces) ... 93 Tabel 4.51 Hasil Feature Detector FAST Pada Gambar Subjek 39 (The Database of Faces) ... 94 Tabel 4.52 Hasil F-Score Pada Head Pose Image Dataset... 95 Tabel 4.53 Hasil F-Score Pada The Database of Faces ... 95
xv
DAFTAR RUMUS
Rumus 2.1 Probabilitas Gray Level ... 8
Rumus 2.2 Histogram Equalization ... 8
Rumus 2.3 DCT-II ... 9
Rumus 2.4 Invers dari DCT-II ... 9
Rumus 2.5 Syarat Untuk 𝛼(𝑢) pada DCT……… ... 9
Rumus 2.6 Syarat Untuk 𝛼(𝑣) pada DCT……….. ... 9
Rumus 2.7 Pengaturan Komponen DC ... 10
Rumus 2.8 Estimasi Gradien Lokal Pada BRISK ... 15
Rumus 2.9 Pasangan Sampling Point Pada BRISK ... 15
Rumus 2.10 Subset Pasangan 𝒮 Pada BRISK ... 15
Rumus 2.11 Subset Pasangan ℒ Pada BRISK ... 15
Rumus 2.12 Estimasi Karakteristik Arah Pada BRISK ... 15
Rumus 2.13 Korespondensi Bit Pada BRISK ... 16
Rumus 2.14 Definisi dari Titik Pada Harris-Stephens ... 18
Rumus 2.15 Ekspansi dari Rumus 2.14 ... 18
Rumus 2.16 Gradien dari Gambar Melalui Matriks Autokorelasi Pada Harris-Stephens ... 18
Rumus 2.17 Syarat Penerimaan Daerah Gambar Pada Minimum Eigenvalue ... 20
Rumus 2.18 Matriks Hessian Pada SURF ... 20
Rumus 2.19 Determinan Matriks Hessian Pada SURF ... 21
Rumus 2.20 F-Measure ... 22
Rumus 2.21 Precision ... 22
Rumus 2.22 Recall ... 22
Rumus 2.23 Precision Pada Pengolahan Citra ... 23
Rumus 2.24 Recall Pada Pengolahan Citra ... 23
Rumus 4.1 Recall Pada Penelitian ... 42
xvi
DAFTAR LAMPIRAN
1. Formulir Bimbingan 2. Riwayat Hidup
