PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITAL DENGAN METODE GABOR WAVELET SKRIPSI LESTYA DILA RAHMA

Transkripsi

1 PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITAL DENGAN METODE GABOR WAVELET SKRIPSI LESTYA DILA RAHMA PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2009

2 PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITAL DENGAN METODE GABOR WAVELET SKRIPSI Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer LESTYA DILA RAHMA PROGRAM STUDI S1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA MEDAN 2009

3 ii PERSETUJUAN Judul : PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITLA DENGAN METODE GABOR WAVELET Kategori : SKRIPSI Nama : LESTYA DILA RAHMA Nomor Induk Mahasiswa : Program Studi : SARJANA (S1) ILMU KOMPUTER Departemen : ILMU KOMPUTER Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA Komisi Pembimbing : Diluluskan di Medan, Desember 2009 Pembimbing 2 Pembimbing 1 Drs. James P. Marbun,M.Kom Drs. Suyanto,M.Kom NIP NIP Diketahui/Disetujui oleh Program Studi S1 Ilmu Komputer Ketua, Prof. Dr. Muhammad Zarlis NIP

4 iii PERNYATAAN PENGENALAN WAJAH BERDASARKAN PENGOLAHAN CITRA DIGITAL DENGAN METODE GABOR WAVELET SKRIPSI Saya mengakui bahwa SKRIPSI ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya. Medan, Desember 2009 Lestya Dila Rahma

5 iv PENGHARGAAN Puji dan syukur penulis panjatkan kepada Allah SWT Yang Maha Pemurah dan Maha Penyayang, dengan limpah karunia-nya skripsi ini berhasil diselesaikan dalam waktu yang ditetapkan. Ucapan terima kasih saya sampaikan kepada Bapak Drs. Suyanto, M.Kom dan Drs. James Piter Marbun, M.Kom, selaku pembimbing pada penyelesaian skripsi ini yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini. Panduan ringkas, padat dan profesional telah diberikan kepada penulis sehingga tugas ini dapat terselesaikan dengan tepat waktu. Ucapan terima kasih juga ditujukan kepada Ketua dan Sekretaris Departemen Ilmu Komputer Prof. Dr. Muhammad Zarlis dan Syahriol Sitorus, S.Si, MIT, Dekan dan Pembantu Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara, semua dosen dan pegawai pada Departemen Ilmu Komputer FMIPA USU. Teristimewa kepada kedua orang tua, ayahanda H. Mad Kusni dan ibunda Hj. Asridawati Lubis dan keluarga besar penulis yang telah memberikan doa, dukungan, perhatian dan kasih sayang yang tulus serta pengorbanan yang tidak ternilai harganya. Kepada kekasih penulis Zulhamsyah Fachrurrazi Nasution dan sahabat-sahabat penulis, Maya, Fitra, Lia, Afnisah, Dwi, Titin, Indra, Adi,, Ikhsan, Rido, serta seluruh teman kuliah angkatan 05 yang tidak dapat penulis sebutkan satu persatu yang selalu memberikan semangat dan dukungan. Semoga Allah SWT memberikan limpahan karunia kepada semua pihak yang telah memberikan bantuan, perhatian, serta kerja samanya kepada penulis dalam menyelesaikan tugas akhir ini. Akhirnya penulis berharap bahwa tugas akhir ini bermanfaat terutama kepada penulis maupun para pembaca serta semua pihak yang berhubungan dengannya. Penulis menyadari sepenuhnya bahwa kajian ini masih jauh dari sempurna. Oleh karena itu kritik dan saran yang membangun sangat diharapkan demi perbaikan.

6 v ABSTRAK Pengenalan wajah manusia merupakan salah satu bidang penelitian yang penting, dan dewasa ini banyak aplikasi yang dapat menerapkannya, baik dibidang komersial maupun bidang penegakan hukum. Teknik pengenalan wajah pada saat ini telah mengalami kemajuan yang sangat berarti. Melalui pengembangan suatu teknik seperti Gabor Wavelet, komputer sekarang dapat menyerupai kemampuan otak manusia dalam berbagai tugas pengenalan wajah, terutama tugas-tugas yang membutuhkan pencarian pada database wajah yang besar. Tujuan tugas akhir ini adalah untuk membuat suatu perangkat lunak pengenalan wajah dengan menggunakan Gabor Wavelet untuk mereduksi dimensi gambar wajah sekaligus untuk mengetahui kemampuan dari teknik tersebut. Dalam tugas akhir ini, perangkat lunak yang dibuat menggunakan gambar diam sebagai inputnya. Untuk membangun aplikasi ini menggunakan Microsoft Visual Basic. Hasil pengujian sistem menunjukkan bahwa penggunaan Gabor Wavelet untuk pengenalan wajah dapat memberikan tingkat akurasi yang cukup tinggi. Hasil pengenalan rata-rata untuk gambar wajah mirip tetapi orang berbeda adalah 42,7 %, wajah sama tetapi mimik berbeda adalah 68,98 %, wajah sama tetapi atribut berbeda adalah 55,2 %, dan wajah sama tetapi pose berbeda adalah 42,1 %.

7 vi FACE RECOGNITION BASES DIGITAL IMAGE PROCESSING BY GABOR WAVELET'S METHOD. ABSTRACT Face recognition is one of the most important science research, and has been used by a lot of applications, both in commercial or in security systems. Face recognition techniques has been improved very fast. Through developments like Gabor Wavelet, computer can complete with human brains in face recognition task, especially to do a search of a large amount of database. The objective of this final project is to make a face recognition software using gabor wavelet to reduce the dimension of a face image, and to see the capabilities of the technique. In this final assignment, the software used image as the input. To developed this application using Microsoft Visual Basic. The test results for the same face but different people is 42,7 %, the same face but different shape is 68,98 %, the same face but different attribute is 55,2 %,, and the same face but pose is42,1 %.

8 vii DAFTAR ISI Halaman HALAMAN PERSETUJUAN... ii PERNYATAAN... iii PENGHARGAAN... iv ABSTRAK... v ABSTRACT... vi DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR... xi BAB 1 PENDAHULUAN Latar Belakang Rumusan Masalah Batasan Masalah Tujuan Penelitian Manfaat Penelitian Metode Penelitian Sistematika Penulisan... 4 BAB 2 LANDASAN TEORI Computer Vision Image Processing Pencocokan Citra Digital Transformasi Domain Citra Sinyal dan Spektrum Transformasi Sinyal Transformasi Wavelet Metode Gabor Wavelet Nilai Jet Membandingkan Nilai Jet BAB 3 ANALISIS DAN PERANCANGAN SISTEM Perancangan Sistem Pembuatan Gabor Kernel Proses Enroll Proses Verify Proses Grayscale Proses Histogram Equalization Gabor Konvolusi Feature Extraction Proses Pengenalan Flowchart Sistem Pengenalan Wajah BAB 4 IMPLEMENTASI SISTEM Menu Utama Tampilan Pengenalan Wajah Tampilan Data Wajah Tampilan Data User... 34

9 viii Tampilan Help Tampilan About Teknik Pengujian Sistem Input Data Wajah ke Database Pengujian Pengenalan Wajah BAB 5 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN A : Hasil Pengenalan Wajah... A-1 LAMPIRAN B : Listing Program... B-1

10 ix DAFTAR TABEL Halaman Gambar 3.1 Pembangkit Kernel dengan Variasi Frekuensi Gambar 3.2 Pembangkit Kernel dengan Sudut Orientasi Kernel... 19

11 x DAFTAR GAMBAR Halaman Gambar 2.1 Subcitra Acuan dan Subcitra Pencarian... 9 Gambar 2.2 Hubungan Citra Foto, SCA dan CP Gambar 2.3 Teknik Penjendelaan dari Metode Transformasi Domain Gambar 2.4 Grafik Gelombang Gambar 2.5 Frekuensi Hasil Transformasi Fourier Gambar 2.6 Faktor Skala Wavelet Gambar 2.7 Gabor Kernel Gambar 2.8 Hasil Konvolusi dengan Gabor Kernel Gambar 3.1 Blok Diagram Sistem Gambar 3.2 Diagram Gabor Respon Gambar 3.3 Gabor Kernel Gambar 3.4 Bagan Proses Enroll Gambar 3.5 Gabor Feature Extraction pada 12 Titik Sampling Gambar 3.6 Bagan Proses Verify Gambar 3.7 Konversi Citra RGB ke Citra Grayscale Gambar 3.8 Proses Mapping Nilai Gray Citra Gambar 3.9 Blok Diagram Database Gambar 3.10 Blok Diagram Proses Pengenalan Gambar 3.11 Flowchart Sistem Pengenalan Wajah Gambar 4.1 Tampilan Menu Utama Gambar 4.2 Tampilan Pengenalan Wajah Gambar 4.3 Tampilan Data Wajah Gambar 4.4 Tampilan Data User Gambar 4.5 Tampilan Help Gambar 4.6 Tampilan About Gambar 4.7 Pengujian Input Data Wajah Gambar 4.8 Pengujian Wajah Gambar 4.9 Pengujian Hasil Pemanggilan File Wajah Gambar 4.10 Pengujian Hasil Pengenalan Wajah Gambar 4.11 Hasil Pengenalan Wajah Mirip Tetapi Orang Berbeda Gambar 4.12 Hasil Pengenalan Wajah Sama Tetapi Mimik Berbeda Gambar 4.13 Hasil Pengenalan Wajah Sama Tetapi Atribut Berbeda Gambar 4.14 Hasil Pengenalan Wajah Sama Tetapi Pose Berbeda... 40

12 BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan computer vision dan teknologi image processing saat ini terus berkembang dengan sangat pesat. Berbagai aplikasi computer vision dan image processing telah dikembangkan, seperti dalam sistem keamanan, dan dunia robotika. Computer Vision mempunyai tujuan utama untuk membuat keputusan yang berguna tentang objek fisik nyata dan pemandangan (scenes) berdasarkan image yang didapat dari sensor. Secara sederhana, computer vision ingin membangun sebuah mesin pandai yang dapat terlihat. Image processing merupakan salah satu jenis teknologi untuk menyelesaikan masalah mengenai pemrosesan gambar. Dalam image processing gambar yang ada diolah sedemikian rupa sehingga gambar tersebut lebih mudah untuk diproses. Pengenalan wajah manusia adalah salah satu bidang penelitian yang penting dengan banyak aplikasi yang dapat menerapkannya. Penelitian terhadap pengenalan wajah manusia sudah banyak dilakukan dengan kelebihan dan kekurangan tertentu. Hal ini disebabkan karena wajah manusia mempresentasikan sesuatu yang kompleks, sehingga untuk mengembangkan model komputasi yang ideal untuk pengenalan wajah manusia adalah sesuatu hal yang sangat sulit. Teknik pengenalan wajah dapat diaplikasikan ke dalam beberapa bidang seperti bidang, komersial dan bidang penegak hukum. Aplikasi-aplikasi ini dapat diklasifikasikan secara luas ke dalam dua kelompok, yaitu beberapa input aplikasi masih mengunakan gambar diam (seperti credit card, passport, dan SIM) sedangkan aplikasi yang lain menggunakan gambar dinamis real time.

13 2 Pengenalan wajah manusia mendapat banyak perhatian beberapa tahun akhir ini, hal ini karena banyak aplikasi yang menerapkan, antara lain dalam pengamanan gedung, alat identifikasi, alat bantu dalam pencari pelaku kriminal dan lain-lain. Ada banyak teknik pengenalan wajah yang dapat dipakai dan salah satunya adalah Gabor Wavelet. Pada penggunaan Gabor Wavelet agar mendapat hasil yang maksimal digunakan otomatis alignment untuk menentukan feature-featurenya. Berdasarkan uraian di atas, maka penulis tertarik untuk memilih Pengenalan Wajah Berdasarkan Pengolahan Citra Digital dengan Metode Gabor Wavelet sebagai judul skripsi ini. 1.2 Rumusan Masalah Ide dasar dalam pembuatan tugas akhir ini adalah metode pengenalan pola berdasarkan cara-cara pengolahan citra (Image processing) sehingga dapat mengenali bagian wajah. Sebelum penulis melakukan penelitian ini, terlebih dahulu dirumuskan masalah yang dihadapi agar penulis melakukan pembahasan sesuai dengan latar belakang penulisan ini. Adapun yang menjadi permasalahan dalam penulisan skripsi ini adalah pengenalan wajah dengan jaringan saraf tiruan merupakan proses yang sangat sulit dilakukan yaitu kesulitan dalam melakukan pelatihan dimana data yang diberikan sebagai input cukup besar sehingga proses pelatihan akan membutuhkan memori yang sangat besar dan memakan waktu yang lama serta hasilnya belum tentu memuaskan, namun dengan menggunakan metode Gabor Wavelet, pengenalan pola wajah dilakukan berdasarkan cara-cara pengolahan citra (Image processing) sehingga dapat mengenali bagian wajah. Oleh karena itu, perumusan masalah dalam penulisan skripsi ini adalah Bagaimana cara mengenali wajah dalam format gambar berdasarkan pengolahan citra digital dengan metode Gabor Wavelet? 1.3 Batasan Masalah

14 3 Agar penyelesaian masalah tidak menyimpang dari tujuan, maka perlu dibuat batasan masalah, yaitu: 1. Bahasa pemrograman yang digunakan adalah Microsoft Visual Basic. 2. Database editor yang digunakan adalah Microsoft Access. 3. Citra wajah yang dikenali berformat BMP dan JPG. 4. Metode pengenalan yang digunakan adalah metode Gabor Wavelet. 1.4 Tujuan Penelitian Tujuan yang akan dicapai dalarn pembuatan tugas akhir ini adalah untuk membuat perangkat lunak yang dapat mengenali citra wajah dengan menggunakan Gabor Wavelet. 1.5 Manfaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini, adalah: 1. Mengenali bagian wajah dengan pengenalan pola berdasarkan cara-cara pengolahan citra untuk mendapatkan hasil yang lebih akurat. 2. Mempercepat proses pengenalan wajah dengan menginput citra. 3. Hasil pengenalan wajah dapat diimplementasikan dalam sistem absensi pegawai dan sistem keamanan. 1.6 Metode Penelitian Metodologi untuk menyelesaikan masalah dalam tugas akhir ini dilakukan dalam beberapa tahapan, yaitu sebagai berikut: 1. Riset perpustakaan untuk mencari dan mengumpulkan artikel-artikel yang berkaitan dengan topik pembahasan dari berbagai sumber. 2. Identifikasi masalah, yaitu tahap penentuan hal-hal penting sebagai dasar dari permasalahan yang dianalisis. Tahap ini merupakan tahap untuk mengkaji dan membatasi masalah yang akan diimplementasikan dalam sistem.

15 4 3. Konseptualisasi, yaitu hasil identifikasi masalah dikonseptualisasikan dalam bentuk hubungan antar-pengetahuan maupun relasi antardata yang akan diterapkan dalam sistem. 4. Implementasi sistem yaitu, pemecahan masalah yang telah dikonseptualisasikan ke dalam modul-modul sesuai dengan garis besar masalah dengan menentukan input, proses dan output sistem, kemudian diubah ke dalam bahasa pemrograman yang mudah dimengerti komputer. 1.7 Sistematika Penulisan Penulisan tugas akhir ini akan mengikuti sistematika sebagai berikut: BAB 1 : PENDAHULUAN Bab ini menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian yang digunakan dalam penelitian, serta sistematika dalam penulisan tugas akhir ini. BAB 2 : TINJAUAN PUSTAKA Bab ini menjelaskan mengenai teori tentang citra, pencocokan citra dalam fotogrametri dan transformasi wavelet dua dimensi yang berhubungan kegiatan penelitian. BAB 3 : PERANCANGAN SISTEM Bab ini menguraikan tentang analisis terhadap proses yang telah dilakukan dalam mencocokkan citra kiri dengan citra kanan serta hasil yang diperoleh dari proses tersebut. BAB 4 : ALGORITMA DAN IMPLEMENTASI Berisi tentang implementasi aplikasi yang sudah jadi serta pengujian sistem. BAB 5 : KESIMPULAN DAN SARAN Bab ini menjelaskan tentang kesimpulan dari penelitian ini serta saran yang direkomendasikan untuk penelitian selanjutnya.

16 BAB 2 TINJAUAN PUSTAKA 2.1 Computer Vision Computer vision mempunyai tujuan utama untuk membuat keputusan yang berguna tentang objek fisik nyata dan pemandangan (scenes) berdasarkan image yang didapat dari sensor. Computer vision ingin membangun sebuah mesin pandai yang dapat melihat. Tentunya hal ini bukanlah hal mustahil. Ada berbagai contoh dari aplikasi computer vision seperti mesin yang mengawasi atau memeriksa jutaan filaraen dari bola lampu atau ribuan mil serat pabrik setiap hari. ATM telah dibangun dan dilengkapi dengan retina scan. Mobil sudah dapat dikemudikan oleh komputer dengan menggunakan kamera sebagai input. 2.2 Image Processing Pengertian sederhana dari image processing adalah manipulasi dan analisis suatu informasi gambar oleh komputer. Informasi gambar adalah gambar visual dalam dua dimensi. Segala operasi untuk memperbaiki, analisis, atau pengubahan suatu gambar disebut image processing. Konsep dasar dari sistem dari image processing diambil dari kemampuan indera penglihatan manusia yang selanjutnya dihubungkan dengan kemampuan otak manusia. Dalam sejarahnya, image processing telah diaplikasikan dalam berbagai bentuk, dengan tingkat kesuksesan yang cukup besar. Seperti berbagai cabang ilmu lainnya, image processing menyangkut pula berbagai gabungan cabang-

17 6 cabang ilmu. Seperti di antaranya optik, elektronik, matematika, fotografi, dan teknologi komputer. Beberapa faktor menyebabkan perkembangan sistern image processing menjadi berkembang lebih pesat saat ini. Salah satu yang utama adalah penurunan biaya akan peralatan komputer yang dibutuhkan. Kedua peralatan unit processing dan bulk strorage menjadi semakin murah dari tahun ke tahun. Faktor kedua adalah peningkatan tersedianya peralatan untuk proses digital dan tampilan gambar. Berbagai bidang telah banyak menggunakan aplikasi dari image processing baik di bidang komersial, industri, dan medis. Bahkan bidang militer telah menggunakan perkembangan dunia digital image processing ini. Pada umumnya tujuan dari image processing adalah mentransformasikan atau menganalisis suatu gambar sehingga informasi baru tentang gambar dibuat lebih jelas. Ada banyak cara yang dapat diaplikasikan dalam suatu operasi image processing, hampir sebagian besar dalam bentuk optikal. Gambar optikal dikonversikan menjadi sinyal elektrik dengan menggunakan kamera video atau peralatan lain sejenisnya. Konversi ini mengubah representasi gambar dari suatu cahaya optik menjadi sinyal elektrik kontinyu. Sinyal elektrik ini disebut sinyal analog. Lebih lanjut, gambar analog dapat didigitalkan dan berubah menjadi data digital. Operasi pada sistem image processing dapat diaplikasikan pada suatu gambar dengan bentuk optikal, analog, atau digital. 2.3 Pencocokan Citra Digital Teknologi fotogrametri terus mengalami perkembangan dari sistem fotogrametri analog hingga sistem fotogrametri digital yang lebih praktis, murah, dan otomatis. Proses otomatisasi pada fotogrametri digital ditujukan untuk mengurangi proses pengambilan informasi dalam rangkaian kerja fotogrametri. Identifikasi titik sekawan pada fotogrametri digital dapat dilakukan dengan otomatis menggunakan metode pencocokan citra (image matching). Problem dalam otomatisasi sistem fotogrametri digital adalah sulit untuk mengidentifikasi titik sekawan secara otomatis pada citra homogen yang bertampalan. Pekerjaan mencocokan titik sekawan dalam fotogrametri analog membutuhkan seorang operator yang memiliki keahlian khusus untuk

18 7 mengenali karakteristik kesamaan citra kiri dan kanan pada pasangan foto stereo. Otomatisasi pencocokan citra fotogrametri digital diharapkan menjadi solusi terhadap masalah campur tangan dan kelelahan operator sehingga faktor ketelitian dan kecepatan dapat ditingkatkan. Pencocokkan citra adalah dasar proses otomatisasi pada rangkaian proses fotogrametri. Pencocokan citra dapat diaplikasikan untuk orientasi dengan menentukan tanda tepi secara otomatis antara foto yang memiliki tanda tepi (fiducial marks) dan bagian citra lain yang bertampalan sehingga menghasilkan posisi yang ideal dari tanda tepi tersebut. Pencocokan citra juga dapat digunakan dalam proses orientasi relatif untuk menentukan titik sekawan sebanyak minimal lima titik pada citra yang bertampalan dengan mencocokkan matriks pada citra kiri dengan titik sekawan pada citra kanan. Titik sekawan tersebut didefinisikan pada dua foto udara yang bertampalan sebagai titik indikator untuk mengetahui kelaikan model 3D hasil orientasi relatif. Pencocokan citra dalam orientasi absolut berperan dalam pengukuran titik kontrol utama dengan menghasilkan bagian citra lainnya (citra kanan) dari titik utama dibandingkan dengan bagian kecil dari foto udara. Pencocokan citra juga digunakan untuk menghasilkan citra dengan mengotomatisasi serangkaian titik objek pada citra dipilih dalam satu bentuk citra grid teratur untuk dipasangkan dengan serangkaian titik pada citra sebelahnya. Metode pencocokan citra yang banyak dipakai untuk keperluan proses fotogrametri adalah berbasis area (area-based) dan berbasis unsur (feature-based). Metode berbasis area menggunakan komposisi nilai derajat keabuan (gray level) citra sebagai sampel yang akan diuji dalam penelitian. Metode area based matching digunakan dalam penelitian ini karena merupakan metode yang paling mudah dilakukan dan memberikan hasil pencocokan yang relatif cepat (Ilham, 2007). Metode ini juga memiliki akurasi yang cukup tinggi untuk area yang memiliki tekstur baik dan unik, dan pada beberapa kasus tingkat akurasi dari kecocokan dapat dinyatakan kuantitasnya dalam unit metrik. Area based matching pada dasarnya membandingkan nilai derajat keabu-abuan (gray level) suatu bentuk kecil matriks citra dimana pusat matriksnya merupakan lokasi gray value dari titik yang akan dicocokkan. Proses pengidentifikasian titik sekawan dilakukan dengan cara memilih titik di citra kiri pada objek yang mudah dikenal. Titik yang dipilih tersebut dibandingkan

19 8 dengan titik citra di kanan pada objek yang sama di citra kiri. Pusat subcitra tersebut merupakan lokasi nilai keabu-abuan dari titik yang akan dicocokkan. Sampel titik diambil dari citra pada sistem koordinat lokal dalam bentuk posisi kolom-baris. Pada pencocokkan citra berbasis area, setiap titik yang akan dicocokkan adalah pusat dari sebuah jendela pixel yang kecil pada citra acuan, dan jendela ini dibandingkan dengan jendela yang lain pada citra pencarian dengan ukuran tertentu. Ukuran kecocokkan dilihat dengan kecilnya perbedaan nilai yang dihasilkan. Keunikan objek merupakan penentu keberhasilan pencocokan citra. Salah satu penentu keunikan objek adalah ukuran subcitra acuan (SCA). Semakin besar ukuran subcitra acuan, detail yang merupakan bagian dari objek semakin banyak. Ketika ukuran citra acuan diperbesar dapat dilihat adanya keunikan lain dari area yang dikategorikan mewakili jenis objek. Keunikan tersebut dapat berupa objek yang berbeda dan memiliki nilai kecerahan yang berbeda pula. Berdasarkan hal tersebut, rentang nilai kecerahan citra acuan akan melebar sehingga nampak semakin heterogen (Putra, 2008). Proses pencocokan citra diasumsikan berhasil jika diperoleh nilai korelasi 0.7. Dengan memperbesar ukuran subcitra acuan, akan diperoleh karakteristik objek yang makin unik sehingga nilai korelasi akan meningkat dan mendukung tercapainya keberhasilan pencocokan citra. Dengan adanya keunikan tersebut, pencarian area paling berkorelasi dapat lebih mudah dan terhindar dari kesalahan posisi pusat area yang paling berkorelasi. Keunikan yang dimaksud dapat objek tersebut memiliki sebagian area heterogen. Secara umum, makin besar ukuran citra acuan, makin banyak keunikan objek yang terlihat sehingga makin besar pula rentang nilai kecerahan citra acuannya. Teknik mengevaluasi pencocokan citra berbasis area adalah dengan menggunakan teknik korelasi maksimal. Nilai korelasi yang dihasilkan bertujuan untuk mengukur derajat kesamaan antara dua atau lebih citra foto yang bertampalan. Citra pertama adalah subcitra acuan pada citra kiri sedangkan subcitra kedua merupakan subcitra pencarian (SCP) yang dibatasi oleh citra pencarian (CP) di dalam citra foto kedua. Proses pencocokan citra berlangsung semi otomatis, posisi titik awal diambil secara manual untuk citra kiri dan citra kanan. Titik tengah SCA dan CP menjadi pusat dari area citra yang akan dicari. Nilai pergeseran maksimum SCA pada CP digunakan persamaan (1), nilai berguna dalam algoritma pencocokan citra tahap selanjutnya.

20 9 dengan m = baris dan n = kolom. D m,n = CP m,n-sca m,n+1 Subcitra Pencarian Gambar 2.1. Subcitra Acuan dan Subcitra Pencarian Subcitra pencarian akan bergerak dalam citra pencarian, kemudian dihitung nilai korelasi SCA dan semua SCP pada CAP dan nilai korelasi antarkedua citra mempunyai rentang nilai 0 sampai +1 (0 ρ 1). Secara umum nilai pembatas dari nilai koefisien korelasi adalah lebih besar atau sama dengan 0.7 atau 70 % yang dinyatakan cocok atau derajat kesamaannya tinggi. Sampel citra berupa komposisi nilai keabuan array citra yang akan diuji derajat kecocokannya dihitung melalui suatu persamaan matematis untuk kemudian disimpan sebagai nilai korelasi. Metode korelasi dari pencocokan citra berkerja dengan memilih CA dari citra kiri berdasarkan karakteristik tertentu dan jarak objek/area dari titik utama citra untuk dicocokan, dan pencarian posisi yang sekawan akan dilakukan oleh jendela yang bergerak subcitra pencarian pada cita pencarian dari citra kanan.

21 10 Subcitra Pencarian Gambar 2.2 Hubungan Citra Foto, SCA, dan CP 2.4 Transformasi Domain Citra Transformasi wavelet merupakan hasil pengembangan transformasi fourier yang merupakan metode tradisional untuk menentukan kandungan frekuensi dari sebuah sinyal. Transformasi fourier pada dasarnya membawa sinyal dari domain spasial (spatial-domain) ke domain frekuensi (frequency-domain). Transformasi fourier adalah alat mengubah sinyal menjadi fungsi sinus dan cosinus dengan beragam frekuensi. Transformasi fourier menggunakan basis sinus dan cosinus yang memiliki frekuensi berbeda. Hasil transformasi fourier adalah distribusi densitas spektral yang mencirikan amplitudo dan fase dari beragam frekuensi yang menyusun sinyal. Hal ini merupakan salah satu kegunaan transformasi fourier, yaitu untuk mengetahui kandungan frekuensi sinyal (Munir, 2004). Transformasi fourier digunakan dalam pengolahan sinyal untuk merepresentasikan sinyal dalam domain frekuensi murni. Keterbatasan dari transformasi fourier konvensional adalah tidak adanya informasi waktu dari kemunculan suatu frekuensi. Informasi waktu tersembunyi dan tidak terakses dalam domain frekuensi murni, akibatnya transformasi fourier tidak cocok diterapkan pada sinyal yang frekuensinya bervariasi terhadap waktu. Permasalahan tersebut diatasi dengan menggunakan transformasi fourier jangka pendek (STFT, short-time fourier

22 11 transform). Hasil yang diperoleh adalah suatu deret analisis spektral yang berkorespondensi dengan suatu posisi dalam waktu, namun metode ini memiliki kelemahan sebagai akibat dari penggunaan fungsi jendela dengan lebar yang sama untuk tiap komponen spektral. STFT memberikan resolusi waktu dan frekuensi yang buruk pada komponen frekuensi tinggi (durasi rendah). Komponen berdurasi pendek merupakan hasil rata-rata sesuai lebar jendela. Selain itu, komponen yang durasinya lebih besar dari lebar jendela tidak dianalisis (Misiti, et al, 2004). Transformasi wavelet merupakan pengembangan dari STFT. Pada STFT pengamatan antar-komponen spektral dilakukan dengan mengubah jumlah osilasi di dalam fungsi jendela. Sedangkan pada transformasi wavelet pengamatan komponen spektral dilakukan dengan mengubah lebar jendela dengan tetap mempertahankan jumlah osilasi di dalamnya. Hal inilah yang menyebabkan istilah frekuensi tidak lagi dipakai dalam analisis wavelet, namun terdapat istilah skala yang berkorespondensi dengan frekuensi. Keunggulan transformasi wavelet, sifat natural sinyal dipertahankan. Pada komponen berdurasi pendek, fungsi jendela yang digunakan memiliki lebar yang sempit. Sedangkan komponen yang berdurasi lebih panjang, fungsi jendela diperlebar. Gambar 2.3 Teknik Penjendelaan Frekuensi dari Metode Transformasi Domain 2.5 Sinyal dan Spektrum Sinyal adalah deskripsi bagaimana satu parameter mengubah parameter lainnya. Parameter tersebut merupakan sekumpulan informasi yang ditimbulkan oleh suatu fenomena dan dapat diperlakukan sebagai data. Sinyal dipresentasikan dalam bentuk grafik gelombang yang menggambarkan suatu siklus pergerakan. Siklus sinyal terdapat komponen yang membentuk gelombang, yaitu amplitudo, sudut fase, periode,

23 12 waktu, dan frekuensi. Amplitudo merupakan besar perpindahan maksimum dari titik kesetimbangan dan bernilai selalu positif. Sudut fase memberitahu pada titik apa dalam siklus, gerak berada pada t=0. Sedangkan frekuensi adalah banyaknya siklus pada satu satuan waktu. Gambar 2.4. Grafik Gelombang Periode yaitu komponen gelombang yang merepresentasikan waktu dalam satuan detik pada suatu siklus. Periode merupakan kebalikan dari frekuensi yang merupakan jumlah siklus pada suatu waktu. Komponen frekuensi yang terkandung pada suatu sinyal dapat dibagi menjadi dua, yaitu komponen frekuensi tinggi dan komponen frekuensi rendah. Frekuensi tinggi memiliki periode yang lebih pendek didandingkan dengan frekuensi rendah. Gambar 2.5. Frekuensi Hasil Transformasi Fourier

24 Transformasi Sinyal Transfomasi sinyal adalah dengan menghitung konvolusi sebuah sinyal dengan sebuah jendela modulasi pada setiap waktu dengan setiap skala yang diinginkan,dimana jendela modulasi, yang mempunyai skala fleksibel, disebut induk wavelet atau fungsi dasar wavelet. Dalam transformasi sinyal digunakan istilah translasi dan skala. Translasi adalah lokasi jendela modulasi saat digeser sepanjang sinyal, berhubungan dengan informasi waktu. Skala behubungan dengan frekuensi, skala tinggi (frekuensi rendah) berhubungan dengan informasi global dari sebuah sinyal, sedangkan skala rendah (frekuensi tinggi) berhubungan dengan informasi detail. Transformasi sinyal secara matematika dapat didefinisikan sebagai berikut: γ(s,τ) adalah fungsi sinyal setelah transformasi, dengan variabel s (skala) dan τ (translasi) sebagai dimensi baru. f(t) sinyal asli sebelum transformasi. Fungsi dasar di sebut sebagai wavelet, dengan * menunjukkan konjugasi kompleks. Dan inversi dari transformasi sinyal secara matematika dapat didefinisikan sebagai berikut: Fungsi dasar wavelet ψ s,τ (t) dapat didesain sesuai kebutuhan untuk mendapatkan hasil transformasi yang terbaik. Fungsi dasar wavelet secara matematika dapat didefinisikan sebagi berikut: faktor digunakan untuk normalisasi energi pada skala yang berubah-ubah.

25 Transformasi Wavelet Wavelet adalah fungsi matematika yang menguraikan data atau fungsi menjadi komponen-komponen frekuensi yang berbeda, wavelet memiliki keunggulan dari fourier dalam menganalisis situasi-situasi fisis dimana sebuah sinyal memiliki diskontinuitas dan bentuk yang tajam. Transformasi wavelet merujuk pada aproksimasi sinyal menggunakan suatu gelombang singkat yang mengalami translasi dan dilatasi untuk keperluan analisis frekuensi-temporal sinyal. Analisis temporal menggunakan variasi lokasi gelombang singkat pada waktu tertentu dalam durasi sinyal, sedangkan analisis frekuensi menggunakan variasi dilatasi gelombang singkat yang sama (Misiti, et al., 2004). Formulasi matematika representasi sinyal disebut sebagai transformasi wavelet. Proses transformasi domain citra bertujuan untuk memunculkan unsur atau karakteristik citra tertentu dapat lebih ditonjolkan. Wavelet didefinisikan sebagai gelombang singkat (atau gelombang kejut) dengan energi terkonsentrasi pada domain fisik (spasial atau waktu). Berbeda dengan gelombang pada umumnya (sinusoid) yang memiliki sifat halus, terprediksi, dan durasi tak terbatas, wavelet dapat berbentuk tidak simetris, irregular, dan memiliki durasi terbatas atau berosilasi menuju nol dengan cepat. Skala dalam tranformasi wavelet adalah melakukan perenggangan dan pemampatan pada sinyal. Efek dari skala tranformasi wavelet dapat dilihat pada Gambar 2.6, semakin kecil faktor skala akan menghasilkan induk wavelet yang semakin mampat. Gambar 2.6. Faktor Skala Wavelet

26 Metode Gabor Wavelet Salah satu bentuk teknik feature extraction adalah dengan menggunakan Gabor filter. Fungsi wavelet dan fungsi gabor dikenal sangat variatif dalam menggabungkan pendapat yang berbeda, namun pada prinsipnya semuanya itu akan menghasilkan fungsi dengan tujuan yang sama. Tujuan utama Gabor Wavelet ini dalam pengolahan adalah untuk memunculkan ciri-ciri khusus dari gambar yang telah dikonvolusi terhadap kernel. Proses yang berlangsung dalam bidang frekuensi mempengaruhi kecepatan proses yang terjadi, baik dalam proses gambar maupun saat proses konvolusi Nilai Jet Gabor Wavelet dimotivasi oleh konvolusi kemel dalam bentuk plane wave atau bidang gelombang yang dibatasi oleh sebuah fungsi Gaussian envelope. Kumpulan dari koefisien-koefisien convolution untuk kemel dari orientasi-orientasi dan frekuensi-frekuensi yang berbeda pada satu image pixel yang dinamakan jet. Jet merupakan kumpulan dari grey values dalam sebuah garnbar. I(x) mengelilingi sebuah pixel yang diberikan x = (x,y). Hal ini didasarkan pada wavelet transformasi, didefinisikan sebagai proses Gabor Kemel, seperti ditunjukkan pada gambar berikut: Gambar 2.7. Gabor Kernel

27 Pembandingan Jet Dari semua variasi yang ada, perbandingan jet tidak dapat dilakukan secara langsung karena perubahan kecil pada jarak dalam bidang spatial akan berpengaruh pada koefisien individual secara drastis. Karena itu dapat digunakan baik hanya nilai magnitude ataupun menganggap besar terjadinya perubahan phasa terhadap perubahan jarak yang memungkinkan. Karena fase rotasi tersebut, jets dari titik pada gambar yang berjarak hanya beberapa pixel satu sama lainnya dapat memiliki koefisien yang berbeda walaupun mewakili bentuk-bentuk lokal yang hampir sama. Dengan adanya variasi tersebut, maka harus digunakan suatu fungsi yang bertujuan untuk mencari koefisien yang benar-henar tepat. Dengan membandingkan jets dari titik pada gambar, maka didapatkanlah hasil konvulasi dengan menggunakan Gabor Kemel seperti terlihat pada gambar di bawah ini: Gambar 2.8 Hasil Konvulasi dengan Gabor Kernel

28 BAB 3 PERANCANGAN SISTEM 3.1 Perancangan Sistem Sistem Pengenalan Wajah Berdasarkan Pengolahan Citra Digital dengan Metode Gabor Wavelet adalah sistem yang melakukan pengenalan wajah berdasarkan citra pembanding yang sudah ada pada database yang memerlukan suatu metode feature extraction yang tepat. Sistem dibagi menjadi dua bagian yaitu proses enroll (pendaftaran pada database) dan proses verify (pembuktian). Blok diagram sistem secara umum seperti pada Gambar 3.1.

29 Pembuatan Gabor Gambar Kernel 3.1 Blok Diagram Sistem Gabor Kernel dikonvolusi dengan citra wajah untuk membentuk suatu gabor respon seperti pada Gambar 3.2. Citra Wajah KONVOLUSI Gabor Kernel Gabor Respon Gambar 3.2 Diagram Gabor Respon Untuk membangkitkan kernel digunakan persamaan sebagai berikut: Frekuensi yang digunakan ada lima, yaitu (v = 0, 1, 2, 3, 4) sehingga didapatkan kv = 2-1 π, π, 2-2 π, π, dan 2-3 π. Sudut orientasi yang digunakan ada delapan, yaitu ( µ = 0, 1, 2, 3, 4, 5, 6, 7) sehingga didapatkan ϕµ = 0, 22.5, 45, 67.5, 90, 112.5, 135, dan Pemilihan ini dianggap telah mewakili masing-masing frekuensi dan sudut orientasi kernel Gabor yang diinginkan. Hasil pehitungan pembangkit kernel dengan variasi frekuensi dan sudut orientasi dapat dilihat pada tabel Tabel 3.1.

30 19 Tabel 3.1 Pembangkit Kernel dengan variasi frekuensi No v kv π π 2-2 π π 2-3 π Tabel 3.2 Pembangkit Kernel dengan sudut orientasi kernel No µ ϕµ , Respon yang dihasilkan berupa kumpulan bilangan real dan bilangan imajiner yang kalau digabungkan merupakan kumpulan bilangan kompleks, sehingga didapatkan kernel sebanyak 80 kernel (2 x 5 x 8 = 80 kernel). Kedelapan puluh kernel ini kemudian disimpan dalam file teks dan digabungkan ke dalam satu file. Dalam pengunaannya kernel real dan kernel imaginer digabungkan dengan operasi akar dari

31 20 penjumlahan kuadrat kedua bilangan tersebut. Gabor Kernel dapat dilihat pada Gambar 3.3. ( complex = 8 orientasi Gambar 3.3. Gabor Kernel 3.3 Proses Enroll Enroll bertujuan untuk mendapatkan vektor gabor feature dengan konvolusi antara citra wajah dan kernel kemudian disimpan dalam database. Database wajah dibagi menjadi tiga bagian besar, yaitu: database citra, database nilai gabor jet dari citra wajah, dan database nama yang merujuk pada database citra. Database citra disimpan dengan format.jpg dan diberi nomor urut yang sekaligus menjadi nama file-nya, misalnya: 1.jpg, 2.jpg, 3.jpg, dan seterusnya. Perlu diketahui bahwa nomor urut yang sekaligus menjadi nama file tersebut tidak boleh ada yang terlewatkan atau terloncati, dimulai dari nomor urut 1. Hal ini dimaksudkan untuk memudahkan proses pembacaan file. Database nilai gabor jet dari database citra disimpan dengan format file teks dan diberi nama file sama seperti database citra, misalnya: nama file gabor jet untuk citra 1.jpg adalah 1.txt, nama file gabor jet untuk citra 2.jpg adalah 2.txt, dan seterusnya. Database nama adalah daftar nama pemilik wajah dari database citra yang disimpan dalam bentuk file teks dengan nama db.txt. Ukuran citra dalam database citra boleh bermacam-macam. Kalkulasi nilai gabor jet untuk tiap citra dilakukan pada ukuran 100 x 100 (pixel). Jika ukuran citra baik panjang ataupun lebar lebih dari seratus pixel, maka akan dilakukan resizing

32 21 terlebih dahulu. Database citra, database nilai gabor jet, dan database nama disimpan dalam folder images yang terletak di dalam folder source program utama. Di dalam folder tersebut juga ada file jml_images.txt yang berisi jumlah file citra yang ada dalam database. Pertama kali dilakukan pembacaan terhadap file jml_images.txt untuk mengetahui berapa jumlah citra yang ada dalam database. Kemudian dilakukan looping sebanyak jumlah citra tersebut. Dalam looping tersebut dilakukan pembacaan file citra dan sekaligus membangun database gabor jet untuk tiap-tiap citra. Citra yang telah dibaca diubah ke mode grayscale. Kedalaman bit dari citra tersebut diubah menjadi 32 bit floating point. Citra yang telah diproses tersebut kemudian dimasukkan dalam looping sebanyak scale x rotasi yang digunakan pada Gabor Kernel. Untuk tiap looping, dilakukan resizing ke ukuran 100x100 pixel. Selanjutnya disiapkan dua bagian matriks citra untuk menampung hasil konvolusi kernel untuk bagian real dan bagian imajiner. Masing-masing hasil konvolusi tersebut dikuadratkan, kemudian dijumlahkan. Hasil penjumlahan tersebut diakarkuadrat. Matriks citra hasil perhitungan tersebut dibagi menurut grid 5x5 sehingga akan diambil 36 titik. Titik-titik itulah yang disimpan ke dalam teks file sebagai database nilai gabor jet respon. Bagan Proses Enroll dapat dilihat pada Gambar 3.4. Gambar 3.4 Bagan Proses Enroll

33 22 Citra wajah yang didapat diubah menjadi 8 bit greyscale terlebih dahulu dan dipertajam teksturnya dengan histogram equalization. Kemudian dilakukan proses konvolusi dengan 40 kernel gabor pada 12 titik sampling yang sudah ditentukan posisinya terlebih dahulu kemudian nilai yang didapat disimpan dalam database. Proses konvolusi dengan kernel ini dilakukan sebanyak 960 kali (12 titik sampling x 80 kernel (40 real + 40 imajiner) ) yang menghasilkan 480 nilai vektor Gabor. Gabor Feature Extraction pada 12 titik sampling dapat dilihat pada Gambar 3.5. Gambar 3.5 Gabor Feature Extraction pada 12 Titik Sampling 3.4 Proses Verify Verify berarti mendapatkan vektor gabor dengan konvolusi antara citra input dengan kernel, kemudian membandingkan vektor gabor yang didapat dengan database untuk mencocokan identitas pengguna. Bagan Proses Verify dapat dilihat pada Gambar 3.6. Gambar 3.6 Bagan Proses Verify

34 23 Langkah-langkah yang dilakukan sama dengan proses Enroll untuk proses grayscale, histogram equalization, konvolusi citra dengan kernel gabor, sampai didapatkan nilai vektor gabor pada 12 titik sampling Proses Grayscale Adapun proses pengubahan citra RGB ke dalam citra grayscale dengan tahap-tahap citra wajah diekstraksi nilai RGB-nya, kalkulasi nilai grayscale serta pembentukan citra grayscale yang dapat dilihat pada Gambar 3.7. Nilai R Citra RGB Ekstraksi Komponen R, G, B Nilai G Kalkulasi Nilai Grayscale Nilai B Citra Grayscale Gambar 3.7 Konversi Citra RGB ke Citra Greyscale Proses pertama adalah mengambil nilai R, G dan B dari suatu citra wajah bertipe RGB. Pada tipe.bmp citra direpresentasikan dalam 24 bit, sehingga diperlukan proses untuk mengambil masing masing 3 kelompok 8 bit dari 24 bit tadi. Sebagai contoh suatu pixel memiliki nilai RGB 24 bit Untuk mendapatkan masing-masing nilai R, G dan B dilakukan operasi-operasi sebagai berikut. Untuk mendapatkan nilai R dilakukan operasi modulo dengan bilangan 256 sebagai berikut: Nilai R = mod = Sedangkan untuk nilai G, dapat dicari dengan cara sebagai berikut: Nilai G = ( dan ) / = Untuk Nilai B, dapat dicari dengan menggunakan rumus berikut: Nilai B = ( dan ) /

35 = Sehingga dari nilai pixel atau diperoleh nilai R = = 255 G = = 240 B = = 240 Sehingga diperoleh triplet RGB= (255,240,240). Setelah nilai triplet RGB diperoleh, maka nilai grayscale didapat dari pixel tersebut. Dasar sebenarnya adalah membuat band tunggal dari 3 band RGB tadi dengan rumus: Red = (red * 5) \ 10 Green = (green * 8) \ 10 Blue = (blue * 3) \ 10 Gray = ((red + green + blue) * 10) \ 16 Dengan mengaplikasikan prosedur tadi pada semua piksel akan didapat citra dengan format grayscale Proses Histogram Equalization Konsep dasar dari histogram equalisation adalah dengan men-strecth histogram, sehingga perbedaan pixel menjadi lebih besar atau dengan kata lain informasi menjadi lebih kuat sehingga mata dapat menangkap informasi tersebut. Untuk lebih detilnya, histogram equalisation men-strech histogram sehingga detil yang sebelumnya tidak terlihat menjadi lebih terlihat. Pada dasarnya metode ini akan memberikan jarak yang cukup jauh pada dua grey level yang berdekatan tetapi memiliki perbedaan frekuensi yang mencolok. Histogram equalisation adalah suatu proses colour mapping dari citra awal pada citra hasil. Secara matematis bisa dituliskan sebagai berikut., dimana r adalah warna di citra awal, T adalah fungsi mapping, dan s adalah warna pada citra hasil. Secara singkat, histogram equalisation dapat dituliskan secara matematis sebagai berikut:.

36 25 Setiap grey level value (rk) dari citra awal, akan di-map ke dalam nilai grey level yang baru (sk) dalam citra baru. Seperti yang kita lihat pada Gambar 3.8, r1 di map ke dalam s1, r2 di map ke dalam s3, dan r3 serta r4 di map ke dalam s4. Gambar 3.8 Proses mapping nilai gray citra Definisi matematisnya untuk T(x) Di mana Pr adalah Jadi rumusan matematis histogram equalisation adalah sebagai berikut, Di mana n adalah jumlah pixel yang ada (n untuk citra resolusi 32x16 adalah 512), nj adalah jumlah pixel yang bernilai rk Gabor Konvolusi Konvolusi pada citra bertujuan menghasilkan titik-titik dengan nilai tertentu yang disebut sebagai gabor jet response. Titik-titik gabor jet response dari citra database dan citra wajah yang akan dikenali dibandingkan dengan menerapkan prosedur graph matching pada citra yang akan dikenali, yaitu dengan memaksimalkan kemiripan magnitude gabor antara graph model wajah yang sudah ditransformasi dengan representasi graph dari citra yang akan dikenali tersebut. Penerapan graph matching

37 26 tersebut dapat didefinisikan dengan persamaan (3.1), dimana J adalah gabor jet model dari citra database dan J adalah gabor jet model dari citra yang akan dikenali. max S ( J, J ).. (3.1) J Fungsi kemiripan S(J, J ) didefinisikan dengan persamaan (3.2), dimana a j dan a j masing-masing adalah titik-titik response dari gabor jet model citra database dan citra wajah yang akan dikenali. S( J, J ' ) = j j a a 2 j j a j ' j a '2 j.. (3.2) Sebagai contoh: Citra wajah dibuat dalam matriks awal 8 x 8 dibuat menjadi matriks 10 x 10 di mana matriks awal tersebut dibungkus dengan nilai 0: Mask) K[I,J] : Lalu matriks tersebut dikonvolusikan dengan matriks konvolusi (Konvolution

38 27 Proses konvolusinya adalah mengambil nilai tiap elemen awal matriks awal menjadi matriks 3 x 3 dimana nilai elemen tersebut terletak pada elemen 2 x 2 dan yang menjadi elemen lainnya adalah elemen tetangganya jika tidak ada maka elemen tetangga tersebut diberi nilai 0, lalu dilakukan looping hingga elemen terakhir. Proses selanjutnya adalah membandingkan nilai vektor gabor yang didapat dengan nilai vektor gabor yang ada di dalam database. Setelah dibandingkan dengan seluruh database kemudian dicari nilai similiarity-nya dengan: Dimana : x T adalah transpose array db (database) y adalah array input Operasi yang berlaku adalah operasi cross. Nilai array db ke-n dikalikan dengan nilai array input yang ke-n, operasi ini dilakukan pada seluruh array db dan input dan hasil operasi ini dijumlahkan. x adalah akar dari penjumlahan kuadarat pada array db, y adalah akar dari penjumlah kuadrat pada array input. Nilai S berada antara -1 sampai 1. Proses ini diulang sebanyak database yang telah disimpan. Dari semua nilai similarity diambil 3 nilai yang terbesar, kemudian dilakukan klasifikasi k-nearest neighbor untuk menentukan calon mana yang sering muncul dan mempunyai nilai similarity terbesar Feature Extraction Feature yang telah diperoleh melalui konvolusi dengan citra wajah dimasukkan ke dalam database. Feature yang didapat berupa nilai yang dikonversikan ke dalam teks agar bisa disimpan ke dalam database. Blok Diagram Database dapat dilihat pada Gambar 3.9. Citra Input Normalisasi Dimensi Konversi Citra Grey Scale Simpan ke database Feature Extraction Konvolusi Gabor

39 28 Gambar 3.9 Blok Diagram Database Berikut ini langkah-langkah dalam membuat database: 1. Mengubah citra yang akan dites ke citra greyscale. Gambar yang akan dites dipanggil ke dalam memori yang berupa citra 8 bit RGB, kemudian citra RGB ini diubah ke 8 bit greyscale. 2. Konvolusi Gabor Pada konvolusi gabor, citra dikonvolusi dengan kernel. Untuk membuat kernel, sebuah fungsi dengan titik tengah berada pada pusat kernel. Citra dikonvolusi dengan kernel imaginer dan kernel real. Hasil konvolusi real dan imaginer ini kemudian dikuadratkan, dijumlah dan diakar. Proses ini dilakukan sebanyak 40 kali 3. Feature extraction Setelah citra di konvolusi dengan kernel maka dilanjutkan dengan feature extraction. Dalam feature extraction ini diambil 42 titik sampling. Titik sampling tersebut berjumlah 1680 atau 42 titik sampling x 40 kernel. Database berfungsi untuk menyimpan hasil nilai feature yang terdiri dari nama user dan nilai hasil extraction. Database ini dibatasi dengan tidak menerima inputan dengan nama user dan nilai extraction yang kosong. Setelah hasil konvolusi disimpan pada database, dilanjutkan dengan mengcopy citra yang akan dimasukkan ke dalam database Proses Pengenalan Pada proses pengenalan, citra dikonvolusi dengan gabor kernel kemudian nilai feature extraction yang didapat dibandingkan dengan database yang ada, akan dihasilkan nilai similarity serta menampilkan citra yang sesuai dengan similarity tersebut. Blok Diagram Proses Pengenalan dapat dilihat pada Gambar 3.10.

40 29 Input Citra Konversi ke Grayscale Konversi Gabor Sampel Database Feature Extraction Output Pengenalan Hitung Similarity Gambar 3.10 Blok Diagram Proses Pengenalan Similarity berfungsi untuk membandingkan feature yang telah didapatkan dengan komvolusi kernel dengan database yang ada. Berikut ini adalah langkah-langkah yang dilakukan dalam proses similarity: a. Proses yang dilakukan dari citra yang akan dites sampai konvolusi gabor sama seperti proses yang dilakukan pada database, tetapi pada penyimpanan hasil konvolusi antara citra dengan kernel tidak dilakukan tetapi menyimpannya ke dalam array. b. Proses selanjutnya adalah memindahkan database ke dalam variabel array dan kemudian membandingkan array database dengan array citra, nilai array citra yang terdekat dengan nilai array database dipilih dan disimpan dalam array. Setelah seluruh array citra diperiksa dan diambil nilai terdekat dengan database, proses dilanjutkan dengan similarity. Rumus yang digunakan dalam proses similarity tersebut adalah: dengan : = Tingkat similarity J A = Nilai Jet = Nilai array

41 30 J = Turunan Proses ini dilakukan sebanyak database yang telah didaftarkan dimulai dengan memindahkan database ke variabel array hingga mendapatkan nilai similarity. Nilai similarity yang terbesar dinyatakan paling mirip dengan citra wajah. 3.5 Flowchart Sistem Pengenalan Wajah Mulai Input citra Crop dimensi 80 x 80 Konversi ke Greyscale Proses Gabor Kernel Proses Gabor Konvolusi Simpan ke teks file Baca database tidak Hitung Similarity Citra Pada Database Habis ya Tampilkan citra yang paling mirip

42 31 Gambar 3.11 Flowchart Sistem Pengenalan Wajah

43 BAB 4 IMPLEMENTASI 4.1 Menu Utama Tampilan menu utama adalah tampilan tempat menu-menu program aplikasi yang telah dirancang. Tampilan ini terdiri dari Judul Aplikasi, gambar latar belakang serta Menu File yang berisi Program Pengenalan Wajah, Data Wajah serta Data User, menu Abaut, Help serta menu Exit Tampilan menu utama dapat dilihat pada Gambar 4.1. Gambar 4.1 Tampilan Menu Utama

44 Tampilan Pengenalan Wajah Tampilan ini berfungsi pengenalan citra wajah dengan metode Gabor Wavelet. Pada tampilan ini empat buah tombol yang memiliki fungsi masing-masing. Tombol Load berfungi untuk menginput citra wajah yang hendak dikenali, tombol Cancel untuk melakukan pembatalan, tombol Exit berfungsi untuk menutup tampilan dan kembali ke menu utama, tombol Scanning untuk melakukan proses pengenalan. Tampilan Pengenalan Wajah dapat dilihat pada Gambar 4.2. Gambar 4.2 Tampilan Pengenalan Wajah Tampilan Data Wajah Tampilan ini berfungsi tempat pengisian data-data sampel citra wajah sebagi pembanding dalam proses pengenalan wajah. Pada tampilan ini semblan buah tombol

45 34 yang memiliki fungsi masing-masing. Tombol Tambah berfungi untuk memasukkan data wajah baru, tombol Load Citra untuk mencari data wajah dari komputer, tombol Cari untuk mencari data wajah yang sudah disimpan sebelumnya, tombol Hapus untuk menghapus data, tombol Batal untuk melakukan pembatalan serta tombol Keluar berfungsi untuk menutup tampilan dan kembali ke menu Utama. Tampilan Data Wajah dapat dilihat pada Gambar 4.3. Gambar 4.3 Tampilan Data Wajah Tampilan Data User Tampilan ini berfungsi tempat pengisian data user sebagai pengguna sistem ini. Pada tampilan ini enam buah tombol yang memiliki fungsi masing-masing. Tombol Tambah berfungi untuk memasukkan data baru, tombol Cari untuk mencari data yang sudah disimpan sebelumnya, tombol Ubah untuk melakukan perubahan data, tombol Hapus untuk menghapus data, tombol Batal untuk melakukan pembatalan serta tombol Keluar berfungsi untuk menutup tampilan dan kembali ke menu utama. Tampilan data user dapat dilihat pada Gambar 4.4.