bab 3 analisis dan perancangan 3.1 analisisthesis.binus.ac.id/doc/bab3/2008-1-00110-if bab...
TRANSCRIPT
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.