Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60 E-mail : ema_love_snoopy@yahoo.co.id Abstrak - Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur dan pendekatan penampilan. Pada tugas akhir ini digunakan teknik pengenalan wajah dengan pendekatan fitur berdasarkan fitur gabor yang dihasilkan dari ekstraksi filter gabor. Tugas akhir ini bertujuan untuk merepresentasikan pengenalan wajah dengan tiga metoda berdasarkan fitur gabor, metoda yang pertama yaitu pengenalannya berdasarkan titik-titik fitur gabor pada citra dengan diambil energi tertinggi, metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis) dan metoda yang ke tiga adalah pengenalannya dengan cara pendekatan holistic static berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini menggabungkan PCA dan LDA dimana titik-titik fitur gabor pada citra wajah diproyeksikan ke PCA dan hasil proyeksi diproyeksikan lagi menuju ruang klasifikasi LDA. Hasil dari penelitian ini menunjukkan bahwa terjadi peningkatan laju pengenalan dari filter gabor, gabor-pca dan gabor-lda, dimana pemilihan jumlah eigenface yang dipakai juga menentukan kerja pengenalan. Kata kunci : Pengenalan Wajah, Ekstraksi Filter Gabor, Algoritma PCA, Subspace LDA I. PENDAHULUAN Pengenalan wajah manusia adalah salah satu bidang penelitian yang penting dengan banyak aplikasi yang dapat menerapkannya. Proses pengenalan wajah dipengaruhi oleh faktor-faktor variabilitas intrapersonal yang memiliki dimensi tinggi sehingga harus melalui proses reduksi terlebih dahulu sebelum data diolah. Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur (feature-based) dan pendekatan penampilan (appearance-based) []. Pada tugas akhir ini digunakan pendekatan fitur berdasarkan Gabor Filter yaitu filter linier yang digunakan dalam pengekstrasian fitur wajah sebagai detektor ciri [2]. Salah satu metoda yang digunakan untuk mengurangi dimensi-dimensi fitur yaitu, algoritma PCA (Principal Component Analysis)[][3] dikarenakan dapat mengurangi dimensi ruang fitur dan algoritma LDA (Linear Discriminant Analysis)[8] yang memberlakukan properti statistik yang terpisah untuk tiap-tiap kelas.. II. TEORI PENUNJANG 2. Pengolahan Citra Pengolahan citra adalah suatu pengolahan data yang masukannya berupa gambar dan luarannya juga gambar. Tujuan dari pengolahan citra adalah memperbaiki informasi pada gambar sehingga mudah terbaca atau memperbaiki kualitas dari gambar itu sendiri [4]. 2.2 Pengenalan wajah Algoritma pengenalan wajah pendekatan fitur (feature-based) menggunakan suatu landmark atau marker (penanda) yang digunakan sebagai detektor ciri. Dalam hal ini informasi pada citra wajah diharapkan dapat diperoleh atau diekstrak sehingga memungkinkan untuk digunakan sebagai pembanding dalam pengenalan wajah. Salah satu teknik feature extraction adalah dengan menggunakan gabor filter. Representasi fitur wajah menggunakan filter gabor telah menjadi bahasan yang luas dan sukses digunakan dalam pengenalan wajah karena fungsi gabor dikenal sangat variatif dalam proses ekstraksi untuk pengenalan wajah [2] 2.3 Filter gabor [2] Fungsi Gabor pertama kali diperkenalkan oleh Denis Gabor sebagai tools untuk deteksi sinyal dalam noise. Daugman mengembangkan kerja Gabor kedalam filter dua dimensi. Filter gabor adalah filter linier yang digunakan dalam pengekstrasian fitur wajah sebagai detektor ciri. Filter Gabor dikenal sebagai detektor ciri yang sukses karena memiliki kemampuan menghilangkan variabilitas yang disebabkan oleh iluminasi kontras dan sedikit pergeseran serta deformasi citra, output filter Gabor telah digunakan dengan sukses untuk pengenalan wajah. Gabor filter (G (x,y)) merupakan suatu kompleks sinusoida yang berkombinasi dengan gaussian envelope yang berdomain spasial. Gabor kernel dengan 5 frekuensi spasial (ω=0,, 2, 3, 4) dan 8 orientasi (θ = 0,, 2, 3, 4, 5, 6, 7) [3, 5, 6, 0] Gambar seperti di tunjukkan Gambar.
test. Selisih terkecil, yang mendekati 0 merupakan citra yang dikenali Variasi frekuensi spasial Gambar. Gabor kernel dengan 5 frekuensi spasial dan 8 orientasi sudut [2] bentuk umum persamaan gabor kernel Setelah cita di konvolusi dengan gabor kernel maka terbentuklah 40 magnitude, dimana magnitude pertama dicari nilai maksimum dengan prosedur menempatkan window Wo dengan ukuran 4x4, nilai maksimum tersebut merupakan feature points yang koordinatnya akan di proyeksikan ke magnitude 2 sampai 40. Sehingga bentuknya seperti berikut RRRR (xx oo, yy oo ) = RRRR (xx oo, yy oo ) > Variasi sudut orientasi kernel G(x,y) = exp 2 2ππσσ 2 xx + yy 2 exp (j(2ππ(ωω cos θθ x + ωω sin θθ y))) 2σσ 2 max (xx,yy ) WWWW (RRRR (xx, yy)) NN NN2 RRRR (xx, yy) NN NN2 xx= yy= Setelah didapatkan feature points maka disusun untuk membentuk suatu feature vector dimana dari citra menjadi 40 gabor hasil ekstraksi, maka terdapat 42 komponen feature vector dimana 2 adalah representasi lokasi feature points dengan x,y koordinat dan 40 merupakan komponen respon gabor filter yaitu feature point, yang didefinisikan dengan persamaan berikut, VV ii,kk = xx kk, yy kk, RR ii,jj (xx kk, yy kk jj =,,40) Selanjutnya yaitu proses similarity yaitu proses matching dengan mengukur kesamaan antara 2 fitur vv ii,kk (ll) vv (tt,jj ) (ll) SS ii (kk, jj) = vv (ii,kk) (ll) 2 vv (tt,jj ) (ll) 2 Si (k, j) merupakan persamaan fitur vektor j dari wajah tes, (vt, j), ke k yang merupakan vektor fitur wajah referensi dengan, (vi, k), di mana l adalah jumlah elemen vektor. Untuk mengukur kesamaan antara dua vektor harus memenuhi batasan 0<Si< dan jika foto training wajah digunakan juga sebagai image tes, maka S i (j, j) =. Proses pengenalannya adalah dengan mencari nilai maksimum dari hasil similarity citra training dan citra 2.4 Metoda PCA (Principal Component Analysis)[] PCA adalah ekstrasi fitur klasik dan teknik representasi data yang umum digunakan pada pola pengenalan dan computer vision. Ide dasar dari algoritma PCA ini adalah menentukan komponenkomponen atau dimensi-dimensi dimana koleksi dari semua citra-citra diharapkan memperoleh distribusi energi maksimal pada komponen-komponen tersebut. Maka dimensi-dimensi yang berkontribusi tersebutlah yang dipertahankan dan sisanya dihilangkan untuk tahap pemrosesan berikutnya. Penggunaan algoritma PCA pada Tugas Akhir ini digunakan untuk mereduksi dimensi dari titik yang berdimensi tinggi menuju titik yang berdimensi lebih rendah sehingga dapat lebih mudah dalam proses penghitungannya. 2.5. Eigenface, eigenvector, eigenvalue Metode eigenface digunakan untuk mencari komponen prinsip (principal component) dari distribusi citra wajah atau eigenvector dari covariant matrix dari kumpulan citra wajah. Eigenvector ini dapat juga dinyatakan sebagai kumpulan fitur-fitur, dimana didapat dari variasi antar citra wajah. Satu hal yang penting dari metode eigenface ini adalah mendapatkan eigenvector-eigenvector dari matrik kovarian pada citra wajah dengan ukuran (Nx x Ny) fitur. Matrik kovarian ini berukuran (N x N), dimana N adalah (Nx x Ny) sehingga sangat sulit untuk dikerjakan karena ukurannya yang sangat besar (computational complexity). Oleh karena itu pada metode ini, perhitungan eigenvector tidak diperoleh secara langsung dari matrik (N x N) melainkan melalui matrik (Mt x Mt). Dengan Mt merupakan jumlah dari citra-citra wajah. Eigenvector dari matrik (N x N) kemudian diperoleh melalui eigenvectoreigenvector matrik (Mt x Mt) tersebut. 2.5 Metoda subspace LDA (Linear Discriminant Analysis) [5] Linear Discriminant Analysis (LDA) pertama kali diterapkan pada proses pengenalan wajah oleh etemad dan chellapa. LDA bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal yang dapat memaksimumkan penyebaran antar kelas dan meminimumkan penyebaran dalam kelas data wajah. Algoritma LDA memiliki karakteristik perhitungan matriks yang hampir sama dengan PCA. Perbedaan dasarnya adalah pada LDA diusahakan adanya perbedaan yang minimum dari citra dalam kelas. Perbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). Matriks covariance didapatkan dari kedua matriks tersebut. Untuk memaksimalkan jarak antar kelas dan meminimumkan jarak dalam kelas digunakan suatu discriminant power 2
JJ(WW) = WWTT. SS bb. WW WW TT. SS w. WW 2.6 Euclidean distance Ruang Euclidean merupakan ruang dengan dimensi terbatas yang bernilai riil. Dalam ruang tersebut anggap saja terdapat dua titik dua dimensi yang memiliki koordinat masing-masing. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku. Dimana x adalah citra training, dan y adalah citra input test. Jika x = (x, x 2, x 3,, x n ) dan y = (y, y 2, y 3,, y n ) merupakan dua titik dalam Euclidean ruang n, maka jarak Euclidean x ke y adalah: dd(xx, yy) = (xx yy ) 2 + (xx 2 yy 2 ) 2 + +(xx nn yy nn ) 2 Gambar 2 Tampilan Matlab GUI 3.4 Perancangan Algoritma Gabor Proses ekstraksi fitur adalah dengan mengkonvolusikan citra dengan gabor filter, dan untuk pengenalannya dilakukan proses similarity. Start dd(xx, yy) = (xx ii yy ii ) 2 nn ii= Citra wajah III. PERANCANGAN SISTEM 3. Perancangan Perangkat Lunak Perancangan perangkat lunak pada proses pengenalan wajah pada Tugas Akhir ini, diimplementasikan melalui program MATLAB versi 7.5 serta pembuatan tampilan menggunakan GUI (Graphic User Interface) seperti pada Gambar 2. 3.2 Perancangan Data Pada perancangan data digunakan dua macam database citra wajah yang berbeda, yaitu database YaleB dengan beda pencahayaan serta Att_face dengan beda headpose. 3.3 Perancangan Algoritma Blok diagram sistem pengenalan wajah keseluruhan ini dapat dilihat pada Gambar 6. Pada awal proses pengenalan wajah dimulai dengan Preprocessing yang dimaksud proses pre-processing dalam tugas akhir ini yaitu dengan normalisasi intensitas piksel, menentukan keseragaman nilai piksel serta memperkecil dimensi piksel menjadi lebih kecil, dilakukan dengan proses cropping dan resize. Proses cropping dilakukan terpisah dengan program agar hasil cropping dapat sesuai dengan yang diinginkan. Normalisasi ukuran menyamakan ukuran citra training dan citra test dari ukuran sebenarnya 68 x 92 menjadi 64 x 64. selanjutnya Gabor Feature points Feature vector Stop Gambar 3 Diagram alir ekstraksi fitur gabor Gambar 4 Mencari fitur point Gambar 5 Membentuk fitur vektor 3
Gambar 6 Blok diagram sistem keseluruhan 3.5 Perancangan Algoritma PCA Metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis). Diagram alir dapat dilihat pada Gambar 7 3.6 Perancangan Algoritma LDA Metoda yang ke tiga pengenalannya berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini terdiri dari dua tahap yaitu citra wajah diproyeksikan ke ruang eigenface yang telah dibentuk oleh PCA dan kemudian vektor-vektor yang telah terproyeksi diproyeksikan kembali menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier. Perbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). IV. PENGUJIAN DAN ANALISA SISTEM Dalam perancangan sistem pengenalan wajah ini, terdapat dua macam masukan citra, yaitu citra training dan tes. Kedua citra ini akan dilakukan pengujian dengan tiga metoda. Metoda yang pertama yaitu pengenalannya berdasarkan titik-titik fitur gabor pada citra dengan diambil energi tertinggi, metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis) dan metoda yang ke tiga adalah pengenalannya dengan cara pendekatan holistic static berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini menggabungkan PCA dan LDA dimana titik-titik fitur gabor pada citra wajah diproyeksikan ke PCA dan hasil proyeksi diproyeksikan lagi menuju ruang klasifikasi LDA. Pada awalnya dilakukan pengujian citra training terlebih dahulu untuk mengetahui apakah sistem mengenali dirinya sendiri. 4. Pengujian Citra Training Untuk pengujian citra training hasil yang diperoleh adalah tingkat pengenalannya sebesar 00% baik untuk database YaleB dengan beda pencahayaan maupun database att_face dengan beda headpose. 4.2 Pengujian filter gabor Untuk database YaleB, citra training yang digunakan berjumlah 0 citra dengan ketentuan orang dengan masing-masing citra, citra tes yang digunakan sebanyak 00 citra dengan ketentuan 0 orang dengan masing-masing 0 citra. Dengan hasil persentase laju pengenalan dengan rata rata kecocokan 80,6%. Untuk database Att_Faces, citra training yang digunakan berjumlah 0 citra dengan ketentuan orang dengan msing-masing citra, citra tes yang digunakan sebanyak 90 citra dengan ketentuan 0 orang dengan masing-masing 9 citra. Dengan hasil persentase laju pengenalan dengan rata rata kecocokan 50% Gambar 7 Diagram Alir Perancangan Algoritma PCA 4.3 Pengujian filter Gabor PCA dan Gabor-LDA Citra training terdiri dari 5 kelas dimana tiap kelas berisi orang dengan 5 pencahayaan., sehingga citra training berjumlah 75 citra yang nantinya akan disimpan dalam database dan 4
digunakan dalam proses pengenalan. Sedangkan citra tes yang digunakan terdiri dari 5 orang dengan masing-masing 0 perbedaan pencahayaan, sehingga total 50 citra. Pada pengujian dilakukan seleksi pemilihan eigenvector dari 00%, 80%, 60%, 40%, 20% dengan tujuan untuk mengetahui perbedaan tingkat pengenalan. Dengan hasil persentase laju pengenalan untuk Gabor-PCA seperti pada Gambar 8 dan persentase laju pengenalan untuk Gabor-LDA seperti pada Gambar 9 Laju Pengenalan (%) Gambar 8 Grafik rata rata pengujian filter gabor- PCA Laju Pengenalan (%) Perbandingan laju pengenalan Gabor-PCA 00 80 60 40 20 0 20 40 60 80 00 Yale-B 77.3 83.3 84 84 84 Att_Faces 86.6 92 92 92 92 Perbandingan Laju Pengenalan Gabor-LDA 20 00 80 60 40 20 0 20 40 60 80 00 Yale-B 77.3 00 00 99.3 90 Att_Faces 86.6 94.6 94.6 93.3 88 Gambar 9 Grafik rata rata pengujian filter gabor- LDA V. KESIMPULAN database att_faces dan pada eigenvector 40 sampai 00. 4. Penambahan algoritma Linear Discriminant Analysis (LDA) dapat memperbaiki pengenalan dengan peningkatan menjadi 00% untuk database Yale-B dan pada eigenvector 40 sampai 60. 5. Penambahan algoritma Linear Discriminant Analysis (LDA) dapat memperbaiki pengenalan dengan peningkatan menjadi 94.6% untuk database att_faces dan pada eigenvector 40 sampai 60. DAFTAR PUSTAKA [] Hendra Kusuma dan Wirawan., Appearance-based face recognition dengan menggunakan Principal Component analysis (PCA) dan Nearest Mean Classifier, 2008 [2] Burcu Kepenekci. Face recognition using gabor wavelet transform, September 200. [3] David Zhang, Xiaoyuan Jing, Jian Yang.. Biometric Image Discrimination Technologies. 65 30, July 2006. [4] T Suyono, S.Si, Teori Pengolahan Citra Digital, Universitas Dian Nuswantoro, 2009. [5] Hendra Kusuma dan Wirawan., Teknik Pengenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis), 2008 RIWAYAT PENULIS Erma Rachmawati, lahir di Sidoarjo pada tanggal 22 Agustus 987, merupakan anak kedua dari empat bersaudara pasangan Bapak Samuri dan Ibu Supiyati. Melanjutkan pendidikan di SLTPN I Waru, Sidoarjo hingga selesai pada tahun 2002. Kemudian melanjutkan pendidikan di SMA Negeri 7 Surabaya dan lulus tahun 2005. Dilanjutkan dengan menempuh studi di Diploma 3 Jurusan Komputer Kontrol, ITS. Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS, bidang Studi Telekomunikasi Multimedia pada tahun 2008. Berdasarkan hasil perancangan, pengujian serta analisa pada tugas akhir ini dapat disimpulkan bahwa:. Ekstraksi fitur gabor dengan pengambilan nilai maksimum hasil gabor dapat digunakan untuk mengenali wajah dengan hasil pengenalan 80.6% untuk database Yale-B dan 50% untuk database att_faces. 2. Penambahan kelas pada algoritma Principal Component Analysis (PCA) dapat memperbaiki laju pengenalan dengan peningkatan menjadi 84% untuk database Yale-B dan pada eigenvector 60 sampai 00. 3. Penambahan kelas pada algoritma Principal Component Analysis (PCA) dapat memperbaiki laju pengenalan dengan peningkatan menjadi 92% untuk 5