48

BAB 3

ANALISIS DAN PERANCANGAN

3.1 Analisis

3.1.1 Gambaran Umum Pengenalan Wajah

Pengenalan wajah merupakan suatu teknologi dimana komputer dapat meniru

kemampuan otak manusia dalam mengenali wajah manusia. Pada manusia, sistem

pengenalan wajahnya yaitu adalah mengunakan alat indera penglihatan manusia yaitu

mata sebagai input bagi sistem. Kemudian melalui berbagai proses, hasil input dari mata

dikirim ke otak sebagai informasi untuk melakukan proses selanjutnya yaitu proses

pengenalan atau mengingat wajah manusia.

Pada pengenalan wajah pada komputer, fungsi alat indra penglihatan pada

manusia dapat ditangani oleh berbagai alat media seperti kamera digital, scanner

ataupun webcam. Citra wajah yang diambil menggunakan media-media tersebut

merupakan hasil input yang nantinya akan diproses lebih lanjut oleh aplikasi dalam

komputer. Dimulai dari mengubah format warna dari citra wajah dengan format 24 bit

menjadi format grayscale 8 bit yang kemudian dilanjutkan dengan melakukan training

untuk mendapatkan feature-feature dari citra wajah.

3.1.1.1 Permasalahan

Pengenalan wajah merupakan salah satu bidang yang sangat menarik untuk

diteliti dan sampai sekarang masih belum ditemukan suatu metode yang benar-benar

sempurna dalam mengenal suatu gambar wajah. Hal ini dikarenakan wajah manusia

49

terlalu kompleks, sehingga untuk mengembangkan suatu perhitungan yang ideal adalah

hal yang sulit.

Banyak peneliti yang sudah menggunakan metode-metode berbeda, dan tentu

saja dari tiap metode-metode itu ada kelebihan dan juga kekurangannya, bahkan metode

tersebut banyak yang digabungkan, dengan hasil yang lebih baik tetapi masih belum

dapat dikatakan sempurna. Dapat dikatakan bahwa dari sekian banyak pengembangan

dan implementasi aplikasi pengenalan wajah, belum ada suatu aplikasi yang

mengkombinasikan kecepatan, keakuratan, dan ketahanan terhadap variasi citra wajah.

Kesulitan utama yang dihadapi dalam analisa dan pengenalan wajah adalah karena

variasi dalam satu wajah bisa sangat besar, sedangkan variasi antara wajah yang berbeda

sangat kecil.

3.1.1.2 Alternatif Solusi

Di dalam setiap penelitian tentang pengenalan pola, pasti akan kita temukan

sesuatu yang berhubungan dengan image processing dan computer vision. Image

Processing adalah salah satu jenis teknologi untuk menyelesaikan masalah mengenai

pemrosesan gambar. Dalam Image Processing, gambar yang ada diolah sedemikian rupa

sehingga gambar tersebut lebih mudah diproses, sedangkan Computer Vision

mempunyai tujuan utama yaitu untuk membuat suatu keputusan yang berguna tentang

obyek fisik nyata yang didapat dari perangkat atau sensor.

Dari sekian banyak metode pengenalan wajah yang telah digunakan, kami

menggunakan metode Gabor Wavelet untuk memecahkan solusi yang dihadapi. Hal ini

didasari oleh kelebihan-kelebihan pada metode ini antara lain dapat merepresentasi

image wajah dengan sangat rapi, proses yang cepat, tingkat keakurasian yang tinggi.

50

3.1.2 Analisis Proses Pengenalan Wajah

3.1.2.1 Tahap-tahap Pengenalan Wajah

Gambar 3.1 Tahap pengenalan wajah

Menggambarkan tahapan-tahapan yang terjadi dalam pengenalan wajah, dimulai dari

penginputan citra dari user sampai dengan menghitung nilai kemiripan antara kedua

gambar. Pada penelitian kami ini menggunakan 7 tahapan, yaitu :

1. User.

User adalah orang yang menjalankan aplikasi ini.

2. Input Image.

Pada tahapan ini, user memasukan citra yang diinginkan melalui button load

gambar. Citra yang diambil telah tersedia pada data citra wajah yang telah

disediakan.

Input Image

Konvolusi Gabor

Feature Extraction

Hitung Similarity

Nilai Similarity

User

User

Input Image Pembanding

Konvolusi Gabor

Feature Extraction

Ouput Pengenalan

51

3. Konvolusi Gabor.

Tahapan ini merupakan cirri unik dari gabor wavelet. Pada tahapan ini dilakukan

perhitungan dengan rumus gabor untuk menghasilkan gabor kernel.

4. Feature Extraction.

Pada tahapan ini akan menjumlahkan nilai hasil gabungan antara gabor kernel

dan image. Hasil yang diperoleh dari satu gambar dengan gambar yang lain akan

berbeda.

5. Hitung Similarity.

Hasil perhitungan Feature Extraction citra input image dengan citra input image

pembanding akan dibandingkan untuk menghasilkan Nilai Similarity.

Tahapan ini diperoleh dari algoritma sebagai berikut :

sim = ((jet1 + jet2 + jet3 + jet4 + jet5 + jet6 + jet7 + jet8 + jet9 + jet10 + jet11 +

jet12 + jet13 + jet14 + jet15 + jet16 + jet17 + jet18 + jet19 + jet20 + jet21 + jet22

+ jet23 + jet24 + jet25 + jet26 + jet27 + jet28 + jet29 + jet30 + jet31 + jet32 +

jet33 + jet34 + jet35 + jet36 + jet37 + jet38 + jet39 + jet40)/40)*100;

6. Nilai Similarity.

Merupakan hasil dari Hitung Similarity yang dipakai untuk menentukan apakah

citra input image dengan citra input image pembanding bisa dikatakan Mirip atau

Tidak Mirip.

7. Output Pengenalan

Tahapan ini hanya akan menampilkan “ MIRIP ” atau “Tidak MIRIP” dari hasil

pehitungan Similarity.

52

Tahapan ini diperoleh dari algoritma sebagai berikut :

set(handles.edit1,'string',sim);

sim = str2num(sim);

if sim >= 75

set(handles.textmirip,'string','MIRIP');

else

set(handles.textmirip,'string','TIDAK MIRIP');

end;

3.1.2.2 Data Citra Wajah

Pada penelitian ini, digunakan sebanyak 400 citra wajah yang terdiri dari 40

orang, masing-masing diambil 10 citra wajah dengan posisi sudut berbeda, dengan

kacamata ataupun tidak memakai kacamata. 10 citra wajah tersebut akan diambil 5 citra

wajah untuk input pada tahap pelatihan (sample learning) dan 5 citra wajah lainnya akan

digunakan dalam tahap pengujian.

Setiap citra wajah menggunakan format PGM berdimensi 92 piksel x 112 piksel

dan berwarna grayscale 8 bit ( 256 tingkat keabuan ). Sudah banyak software pengolah

citra yang dapat digunakan untuk membaca format PGM ini, salah satunya yang kami

pakai adalah ACDSee 6.0. Format PGM ini mendefinisikan citra 8 bit per piksel dan

menyimpannya dalam piksel per piksel, sehingga tidak akan terjadi kehilangan informasi

yang dapat mengurangi keakuratan. Citra wajah tersebut diambil dari Database citra

standar yang sudah ada dan tersedia di ORL (Ollivety Research Laboratory).

Berikut ini data citra wajah yang akan digunakan dalam penelitian ini :

53

54

55

56

57

58

59

60

61

62

63

64

Gambar 3.2 Data citra wajah

3.1.3 Analisis Kebutuhan

3.1.3.1 Perangkat Keras

Berikut adalah perangkat keras yang dibutuhkan dalam menjalankan aplikasi

pengenalan wajah :

• RAM diatas 512MB.

• OS Microsoft Windows XP Professional Version 2002 Service Pack 2.

• VGA ATI Radeon Xpress 1100.

• Harddisk 80Gb.

• Monitor 15.4”.

.

65

3.1.3.2 Perangkat Lunak

Dalam pengembangan aplikasi ini akan dibutuhkan piranti lunak sebagai berikut:

• Matrix Laboratory (MatLab)

Dalam penyelesaian masalah matematika pada aplikasi dalam penelitian ini,

MatLab merupakan salah satu software aplikasi yang dipercaya handal dan juga sangat

mudah dalam pemakaiannya dengan antarmuka yang sederhana. Selain sebagai alat

bantu pemecahan masalah matematika, baik secara interaktif maupun melalui

pemrograman, MatLab juga dipercaya melakukan penyelesaikan masalah-masalah yang

melibatkan operasi matematika elemen, matrik, optimasi, aproksimasi, dan lain-lain.

Dengan demikian dalam perhitungannya dapat memformulasikan masalah ke dalam

format matriks, maka MatLab merupakan software terbaik untuk penyelesaian numeric

dalam aplikasi sistem pengenalan wajah.

3.2 Perancangan

3.2.1 Pembuatan Gabor Kernel

Gambar 3.3 Pembentukan gabor respon

Dalam membentuk suatu gabor respon dibutuhkan konvolusi antara gabor kernel

dan image. Dalam pengolahannya, gabor respon akan memunculkan ciri-ciri khusus

66

yang terbentuk dari konvolusi antara gambar dengan gabor kernel. Proses tersebut

berlangsung dalam bidang frekuensi yang berpengaruh pada kecepatan proses yang

terjadi, baik dalam pemrosesan gambar maupun proses konvolusi.

Perhitungan diperoleh dari :

function [G,gabout] = gabor(I, sx, sy, wavelength, orientasi, fase, thao, ratio);

for x =-(sx):(sx)

for y = -(sy):(sy)

xPrime = x * cos(orientasi) + y * sin(orientasi);

yPrime = y * cos(orientasi) - x * sin(orientasi);

G(fix(sx)+x+1,fix(sy)+y+1)=exp(-.5*(((xPrime)^2

((ratio)^2*(yPrime)^2))/(thao)^2)) * cos((2*pi*(xPrime/wavelength))+ fase);

end;

end;

3.2.2 Proses Pengenalan

Pada proses pengenalan, terjadi proses pencocokan antara query image yang

akan dikenali dengan database image yang tersedia. Proses yang terjadi yaitu query

image dikonvolusi dengan gabor kernel begitu juga dengan image database kemudian

feature extraction yang didapat dibandingkan sehingga dihasilkan nilai similarity.

Similarity merupakan suatu nilai yang digunakan untuk matching suatu gambar wajah

dengan gambar wajah lainnya.