proposal ta 5111100195

ParafPembimbing 1: ParafPembimbing 2: hal : 1/12

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNLOGI SEPULUH NOPEMBER

USULAN TUGAS AKHIR

1. IDENTITAS PENGUSUL

NAMA : Muhammad Iqbal Bachmid

NRP : 5111100195

DOSEN WALI : Arya Yudhi Wijaya, S.Kom., M.Kom.

DOSEN PEMBIMBING : 1. Isye Arieshanti, S.Kom., M.Phil.

2. Anny Yuniarti, S.Kom., M.Comp.Sc.

2. JUDUL TUGAS AKHIR

Implementasi Sistem Pengenalan Wajah menggunakan Metode Laplacianfaces dan Klasifikasi KNN

3. LATAR BELAKANG

Face Recognition adalah bidang penelitian yang mendapatkan perhatian besar beberapa

tahun ini. Digunakan dibeberapa aplikasi contohnya, identifikasi kriminal, verifikasi

kartu kredit, sistem keamanan, dll. Berbagai penelitian telah dilakukan demi

mendapatkan hasil akurasi yang tinggi, komputasi yang efisien, dan jumlah sampel

wajah yang digunakan untuk setiap individu pada data training. Pada tugas akhir ini,

berfokus untuk mendapatkan nilai akurasi pengenalan wajah yang tinggi.

Metode yang digunakan adalah laplacianfaces untuk ektraksi fitur dari gambar wajah.

Pada metode ini akan dicari beberapa vektor proyeksi optimal(vektor eigen),

selanjutnya dibentuk matriks fitur. Matriks fitur adalah kumpulan vektor fitur proyeksi.

Vektor fitur proyeksi adalah hasil perkalian vektor gambar dengan matriks

laplacianfaces. Klasifikasi menggunakan metode k-nearest neighbor.


Pada tugas akhir ini, diharapkan hasil pengenalan wajah menggunakan laplacianfaces

menunjukkan nilai akurasi yang lebih tinggi atau error rate yang rendah dibandingkan

metode eigenfaces dan fisherfaces. Dataset yang digunakan terbagi atas 2 macam, yakni

beberapa sampel gambar wajah FERET database dan kumpulan gambar wajah peserta

kelas visi komputer 2014.

4. RUMUSAN MASALAH

Rumusan masalah yang diangkat dalam tugas akhir ini dapat dipaparkan sebagai berikut

:

1. Bagaimana cara mengimplementasikan metode laplacianfaces untuk melakukan ekstraksi fitur dari gambar wajah?

2. Bagaimana cara klasifikasi menggunakan k-nearest neighbor classifier untuk menentukan label suatu gambar testing?

5. BATASAN MASALAH

Permasalahan yang dibahas dalam tugas akhir ini memiliki beberapa batasan antara lain

:

1. Aplikasi ini berbasis desktop dengan menggunakan bahasa pemrograman Matlab. 2. Sampel gambar wajah yang diuji berasal dari 2 dataset, yakni FERET database dan

gambar wajah peserta kelas visi komputer 2014 yang telah di-crop, gambar

merupakan gambar bagian wajah saja.

3. Metode pembanding adalah eigenfaces dan fisherfaces.

6. TUJUAN PEMBUATAN TUGAS AKHIR

Tujuan dari pembuatan tugas akhir ini antara lain :

1. Membuat aplikasi yang dapat mengenali wajah. 2. Membandingkan sistem pengenalan wajah menggunakan metode laplacianfaces

dengan metode penelitian terdahulu yaitu eigenfaces dan fisherfaces.

7. MANFAAT TUGAS AKHIR

Manfaat dari hasil pembuatan tugas akhir ini antara lain :

1. Sebuah aplikasi sistem pengenalan wajah yang dapat mengenali wajah seseorang yang bervariasi pencahayaan dan bervariasi ekspresi dengan sangat baik.


8. TINJAUAN PUSTAKA

8.1. Principal Component Analysis (PCA)

Sebuah gambar 2D dengan dimensi b baris dan k kolom dapat direpresentasikan

kedalam bentuk gambar 1D dengan dimensi n (n=b*k). Dengan ekspresi lain dapat

dituliskan sebagai n , adalah ruang gambar dengan dimensi n. Gambar training yang

digunakan sebanyak K sampel dinyatakan dengan },...,,{ 21 Kxxx yang diambil dari

sebanyak c obyek/kelas yang dinyatakan dengan },...,,{ 21 cXXX . Total matriks scatter

TS (atau matriks covariance) didefinisikan sebagai berikut [3]:

K

k

T

kkT xxS1

))(( (1)

Dimana adalah rata-rata sampel gambar yang diperoleh dengan merata-rata training

image },...,,{ 21 Kxxx . Dengan dekomposisi eigen, matriks covariance ini dapat

didekomposisi menjadi [3]:

T

TS (2)

dimana adalah matriks eigenvector, dan adalah sebuah matriks diagonal dari

nilai eigen. Kemudian dipilih sejumlah m kolom eigenvector dari matriks yang berasosiasi dengan sejumlah m nilai eigen terbesar. Pemilihan eigenvector ini

menghasilkan matriks transformasi atau matriks proyeksi m

, yang mana terdiri dari

m kolom eigenvector terpilih yang biasa disebut juga dengan eigenimage. Berikutnya sebuah gambar x (berdimensi n) dapat diekstraksi kedalam fitur baru y (berdimensi m

< n) dengan memproyeksikan x searah dengan m

sebagai berikut [3]:

xy m (3)

Dengan kata lain metode PCA memproyeksikan ruang asal n kedalam ruang baru

yang berdimensi lebih rendah m , yang mana sebanyak mungkin kandungan informasi

asal tetap dipertahankan untuk tidak terlalu banyak hilang setelah dibawa ke dimensi

fitur yang lebih kecil. Disini terlihat reduksi fitur yang signifikan dari n buah menjadi

m buah yang tentunya akan sangat meringankan komputasi dalam proses pengenalan

berikutnya.


Total matriks scatter TS diatas sesungguhnya adalah jumlahan dari matriks scatter

dalam kelas (within-class scatter matrix) WS dan matriks scatter antar kelas (between-

class scatter matrix) BS yaitu, BWTSSS

. Dengan demikian, kekurangan utama

yang terlihat disini adalah bahwa dalam proses PCA ke dua matrika scatter ini

termaksimalkan bersama-sama. Sesungguhnya yang diinginkan adalah hanya

maksimalisasi BS saja, sedangkan WS

sebisa mungkin diminimalkan agar anggota

didalam kelas lebih terkumpul penyebarannya yang pada akhirnya dapat meningkatkan

keberhasilan pengenalan. Misalkan pada variasi perubahan iluminasi maupun skala

dari gambar yang terjadi pada obyek yang sama, dapat menyebabkan matriks scatter

dalam kelas menjadi besar yang cukup menyulitkan dalam proses pengenalan. Bila ini

terjadi, dengan demikian PCA akan menyertakan variasi iluminasi didalam

eigenimage-nya, dan konsekuensinya PCA menjadi tidak handal terhadap variasi

iluminasi yang terjadi pada obyek. Dengan metode LDA, WS akan diminimisasi

sehingga ekstrasi fitur yang dihasilkan menjadi lebih handal terhadap variasi yang

terjadi didalam kelas [3].

8.2 Linear Discriminant Analysis (LDA)

Matriks scatter dalam kelas WS , dan matriks scatter antar kelas BS didefinisikan

masing-masing sebagai berikut [3]:

Tik

c

i Xx

ikW xxSik

))((1

(4)

Ti

c

i

iiB NS ))((1

(5)

dimana iN adalah jumlah sampel pada kelas iX , dan i adalah image rata-rata dari

kelas iX . Seperti diutarakan sebelumnya bahwa sangat diharapkan agar matriks scatter

dalam kelas WS bisa diminimalisasi sementara matriks scatter antar kelas BS

dimaksimalkan. Dengan kata lain akan dicari matriks proyeksi l agar rasio

persamaan (6) menjadi maksimal [3].

)det(

)det(T

lWl

T

lBl

S

S

(6)

Kriteria ini menghasilkan solusi dengan persamaan sebagai berikut [1]:

WB SS (7)


Dimana adalah matriks eigenvector, dan adalah matriks diagonal nilai eigen.

Dengan kata lain akan dicari eigenvector dan eigenvalue dari matriks C yang

merupakan kombinasi within & beetwin matriks scatter seperti pada persamaan (8).

Kembali dilakukan pemilihan sebanyak l kolom eigenvector dari yang berasosiasi

dengan nilai-nilai eigen terbesar. Pemilihan l kolom eigenvector ini menghasilkan

matriks proyeksi l yang selanjutnya digunakan untuk ekstraksi fitur seperti halnya

pada PCA [3].

1

wb SSC (8)

8.3 Locality Preserving Projection (LPP)

PCA dan LDA bertujuan untuk mempertahankan struktur global. Namun, pada

beberapa aplikasi di dunia nyata, struktur lokal lebih penting. LPP [8] adalah sebuah

algoritma untuk mempelajari sub ruang yang mempertahankan lokalitas. LPP berupaya

mempertahankan geometri intrinsik dari data dan struktur lokal. Fungsi objektif LPP


Min ( )2 (9)

Dimana yi adalah representasi 1 dimensi dari xi dan matriks S adalah nilai similaritas.

S didefinisikan sebagai berikut [9]:

= {exp (||||

2

) ,

0

(10)

Dengan menggunakan beberapa langkah aljabar, fungsi objektif dapat diminimasi


Jika xi diantara k nearest neighbors xj,

atau sebaliknya,

Jika tidak


(11)

Dimana XT = [X1, X2, ..., Xn]T dan X = [X1, X2, ..., Xn]

. D adalah matriks diagonal

dengan ukuran N x N, dimana diagonalnya adalah dii, dii = , adalah jumlah nilai similaritas dari semua sampel gambar. S adalah matriks similaritas dan L adalah

matriks laplacian [2] dimana L = D - S, keduanya berukuran N x N.

Sebuah pembatas ditentukan sebagai berikut [9].

(12)

Minimasi masalah dikurangi untuk menemukan [9]:

(13)

Vektor proyeksi optimal w yang meminimasi fungsi objektif diberikan oleh solusi nilai

eigen minimun dengan memecahkan permasalahan eigen berikut [9]:

(14)

8.4 Metode evaluasi menggunakan accuracy

Accuracy didefinisikan sebagai tingkat kedekatan antara nilai prediksi dengan nilai

aktual. Perbandingan antara nilai sebenarnya dengan nilai prediksi ditunjukkan pada

gambar 1 [10].


Gambar 1. Perbandingan nilai sebenarnya dengan nilai prediksi

Secara umum, accuracy dapat dirumuskan sebagai berikut [10].

(15)

9. RINGKASAN ISI TUGAS AKHIR

Pada tahun 1991, Turk and Pentland [4,5] mengajukan teknologi eigenfaces yang sangat

dikenal. Sejak itu, berbagai pendekatan sistem pengenalan wajah yang berbeda-beda

telah dikembangkan dan berhasil diaplikasikan pada dunia nyata. Pada dasarnya,

pendekatan ini dapat dibagi atas tiga kategori [7]: metode pencocokan holistik, metode

pencocokan berbasis fitur, dan metode hybrid. Pada tipe pertama, sebuah gambar

seluruh wajah digunakan untuk pengenalan pola. Salah satu yang sangat populer adalah

teknologi eigenfaces yaitu berbasis principal component analysis (PCA). Pada kategori

kedua, fitur lokal seperti mata, hidung, dan mulut, dan posisi geometrisnya pertama kali

diekstrak, lalu hubungannya digunakan untuk klasifikasi. Namun, metode hybrid,

seperti sistem persepsi manusia, menggunakan pencocokan holistik dan berbasis fitur

untuk mengenali sebuah wajah [6].

Pada tugas akhir ini digunakan metode laplacianfaces, metode ini termasuk dalam

kelompok metode hybrid, dimana pada metode laplacianfaces ini digunakan algoritma

PCA dan LPP. Terdapat 2 tahapan dalam sistem pengenalan wajah yaitu training dan

testing/recognizing. Pada tahapan training, setiap gambar wajah pada data training akan

dilakukan proses perhitungan menggunakan algoritma PCA dan LPP untuk

menghasilkan matriks laplacianfaces dan setiap gambar diproyeksikan terhadap matriks

laplacianfaces untuk mendapatkan matriks fitur, selanjutnya pada tahapan testing,

vektor gambar diproyeksikan terhadap matriks laplacianfaces untuk menghasilkan

vektor fitur, selanjutnya dilakukan klasifikasi menggunakan KNN antar fitur gambar

testing dan gambar training untuk menentukan kelas atau label dari gambar testing.

Diagram blok sistem pengenalan wajah ditunjukkan pada gambar 2.


Gambar 2. Diagram blok sistem pengenalan wajah

Pada gambar 3 menunjukkan diagram flowchart dari proses training sistem pengenalan

wajah dan gambar 4 menunjukkan diagram flowchart dari proses testing sistem

pengenalan wajah.

Hitung vektor wajah rata-rata

Ai = Vi M,

A = [A1, A2, , An]

Hitung, Ei = AEi , normalisasi Ei, WPCA = [E1, E2, , Ek]

Proyeksikan vektor wajah, Zi = Vi

TWPCA, Z = [Z1, Z2, , Zn]

Konstruksi graf nearest-neighbor dimana setiap node merepresentasikan sebuah

gambar wajah Zi

Gunakan persamaan (10)

Hitung matriks D dan L,

Dii = j Sij ,

L = D S

(ZDZT)-1ZLZTE = E, ambil sejumlah k vektor

eigen(E) berdasarkan terkecil, WLPP = [E1, E2, , Ek]

Hitung laplacianfaces W = WPCAWLPP

Hitung fitur wajah Ni = ViTW,

N = [N1, N2, , Nn]ATAE = E, ambil sejumlah k vektor

eigen(E) berdasarkan terbesar

Masukkan gambar wajah Ii,ubah Ii ke vektor kolom Vi,

V = [V1, V2, , Vn]

Gambar 3. Diagram flowchart training sistem pengenalan wajah

Ekstraksi dan reduksi fitur PCA + LPP

Klasifikasi KNN

Pelabelan

Ekstraksi dan reduksi fitur PCA + LPP

Gambar wajah training

Gambar wajah testing

Fitur wajah

Fitur wajah


Masukkan gambar wajah I, ubah I ke vektor kolom V

Hitung fitur wajah B = VTW

Hitung k nearest-neighbor menggunakan euclidean

distance, d(B,Ni)

Hitung bobot k nearest-neighbor

Klasifikasi

Gambar 4. Diagram flowchart testing sistem pengenalan wajah

Aplikasi sistem pengenalan wajah ini dibangun menggunakan bahasa pemrograman

Matlab dengan GUI. Fitur yang tersedia antara lain, training gambar wajah, testing 1

gambar wajah, testing kumpulan gambar wajah, pilihan metode yang digunakan untuk

pengenalan wajah.

10. METODOLOGI

a. Penyusunan proposal tugas akhir

Proposal tugas akhir ini berisi tentang deskripsi pendahuluan dari tugas akhir

yang akan dibuat. Pendahuluan ini terdiri atas hal yang menjadi latar belakang

diajukannya usulan tugas akhir, rumusan masalah yang diangkat, batasan

masalah untuk tugas akhir, tujuan dari pembuatan tugas akhir, dan manfaat dari

hasil pembuatan tugas akhir. Selain itu dijabarkan pula tinjauan pustaka yang

digunakan sebagai referensi pendukung pembuatan tugas akhir serta ringkasan

isi tugas akhir. Sub bab metodologi berisi penjelasan mengenai tahapan

penyusunan tugas akhir mulai dari penyusunan proposal hingga penyusunan


buku tugas akhir. Terdapat pula sub bab jadwal kegiatan yang menjelaskan

jadwal pengerjaan tugas akhir.

b. Studi literatur

Pada studi literatur ini, akan dipelajari sejumlah referensi yang diperlukan dalam

pembuatan aplikasi yakni mengenai PCA, LDA, LPP dan metode evaluasi yang

digunakan yaitu perhitungan akurasi.

c. Analisis dan desain perangkat lunak

Aktor dari aplikasi adalah siapa saja yang ingin mengetahui kinerja dari metode-

metode yang digunakan untuk mengenali wajah dalam tugas akhir ini. Fitur yang

tersedia pada aplikasi ini antara lain :

1. Training kumpulan gambar wajah. 2. Klasifikasi per 1 gambar wajah. 3. Klasifikasi kumpulan gambar wajah. 4. Perbandingan metode yang diusul dengan metode eigenfaces dan

fisherfaces.

d. Implementasi perangkat lunak

Aplikasi ini dibangun dengan bahasa pemrograman Matlab menggunakan

Matlab GUI.

e. Pengujian dan evaluasi

Pengujian dari aplikasi ini akan dilakukan dalam beberapa cara yaitu :

1. Pengujian black box Pengujian black box adalah pengujian yang berfokus pada spesifikasi

fungsional dari perangkat lunak, tester dapat mendefiniskan kumpulan

kondisi input dan melakukan pengetesan pada spesifikasi fungsioanal

program [9]. Pengujian ini dilakukan untuk mengetahui apakah fungsional

dari aplikasi berjalan sesuai dengan harapan.

2. Pengujian tingkat akurasi. Pengujian tingkat akurasi digunakan untuk mengukur kemampuan aplikasi

dalam melakukan klasifikasi terhadap kumpulan testing gambar wajah.

Perhitungan akurasi menggunakan persamaan (15).

f. Penyusunan Buku Tugas Akhir

Pada tahap ini dilakukan penyusunan laporan yang menjelaskan dasar teori dan

metode yang digunakan dalam tugas akhir ini serta hasil dari implementasi


aplikasi perangkat lunak yang telah dibuat. Sistematika penulisan buku tugas

akhir secara garis besar antara lain :

1. Pendahuluan a. Latar Belakang b. Rumusan Masalah c. Batasan Tugas Akhir d. Tujuan e. Metodologi f. Sistematika Penulisan

2. Tinjauan Pustaka 3. Desain dan Implementasi 4. Pengujian dan Evaluasi 5. Kesimpulan dan Saran 6. Daftar Pustaka

11. JADWAL KEGIATAN

Jadwal pengerjaan tugas akhir ditunjukkan pada Tabel 1.

Tahapan 2014 2015

Desember Januari Februari Maret April

Penyusunan

Proposal

Studi Literatur

Perancangan

Sistem

Implementasi

Pengujian dan

Evaluasi

Penyusunan

Buku

Tabel 1. Jadwal Pengerjaan Tugas Akhir


12. DAFTAR PUSTAKA

[1] Etemad, K., & Chellappa, R. (1997). Discriminant Analysis for Recognition of Human

Face Images. Journal of Optical Society of America A, 1724-1733.

[2] Fan R. K., C. (1997). Spectral Graph Theory. Regional Conferences Series in

Mathematics.

[3] Lim, R., Raymond, & Gunadi, K. (2002). Face Recognition Menggunakan Metode

Linear Discriminant Analysis (LDA). Komputer dan Sistem Intelijen (KOMMIT2002).

Jakarta.

[4] M., T., & A., P. (1991). Eigenfaces for recognition. J. Cognitive Neurosci. 3, 71-86.

[5] M., T., & A., P. (1991). Face recognition using eigenfaces. Proceedings of IEEE

Conference on Computer Vision and Pattern Recognition, (pp. 586-591).

[6] Ping-Cheng, H., & Pi-Cheng, T. (2008). A novel hybrid approach based on sub-pattern

technique and whitened PCA for face recognition. Pattern Recognition, 1.

[7] W., Z., R., C., R.J., P., & A., R. (2003). Face recognition : a literature survey. ACM

Comput. Surv. 35, 399-458.

[8] Xiaofei, H., & Partha, N. (2003). Locality Preserving Projections. Advances in Neural

Information Processing Systems.

[9] Xiaofei, H., Shuicheng, Y., Yuxiao, H., Partha, N., & Hong-jiang, Z. (2005). Faces

recognition using laplacianfaces.

[10] DATAQ. (2013). Perbedaan: precision, recall & accuracy. [Online]. Tersedia:

https://dataq.wordpress.com/2013/06/16/perbedaan-precision-recall-accuracy/ [24

desember 2014]

proposal ta 5111100195

Documents