BAB 1 PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi komputer pada dewasa ini telah mengalami kemajuan, termasuk dalam bidang Computer Vision. Computer Vision membuat komputer dapat melihat dan mengenali suatu citra layaknya manusia. Pengenalan citra yang dimaksudkan salah satunya adalah pengenalan wajah (face recognition). Manusia memiliki kemampuan untuk mengenal puluhan bahkan ratusan wajah selama hidupnya. Seseorang dapat mengenali wajah orang lain meskipun tidak bertemu untuk beberapa waktu lamanya dan mungkin sudah terdapat perubahan pada wajah orang yang dikenal tersebut. Perubahan itu misalnya variasi ekspresi wajah, penggunaan kacamata, perubahan warna maupun perubahan gaya rambut. Penelitian terhadap pengenalan wajah dalam beberapa dekade ini telah menarik banyak minat peneliti dalam mengembangkan teknik-teknik pengenalan wajah yang ada, sehingga dapat melakukan proses recognisi dengan akurasi yang baik (W. Zhao, R. Chellappa, A. Rosenfeld and J. Phillips, 2000). Hal ini sangat penting, mengingat kebutuhan sekarang ini, telah banyak pekerjaan-pekerjaan yang sudah tidak lagi dilakukan oleh manusia sendiri, melainkan oleh sistem komputer yang cerdas, seperti sistem keamanan, pengenalan wajah di foto secara otomatis, bahkan 1
2 indentifikasi pelaku kejahatan. Sistem dengan pengenalan citra ini akan terus berkembang, sehingga memiliki kinerja seefisiensi mungkin. Komputer saat ini dapat menangani pengenalan manusia dengan menggunakan pengenalan wajah, tetapi muncul permasalahan baru dalam pengenalan wajah. Pengenalan wajah menjadi sulit untuk dikembangkan dengan adanya berbagai masalah seperti perbedaan ekspresi wajah, posisi menghadap wajah, detail wajah (mata tertutup atau tidak, mengenakan kaca mata atau tidak) dan kualitas dari citra wajah (noise). Selain itu permasalahan lain dari pengenalan wajah sekarang ini adalah penggunaan database yang sangat besar. Ketika database wajah menjadi besar beberapa metode tradisional menjadi tidak efektif atau bahkan sama sekali tidak berfungsi dalam pengenalan wajah yang mengakibatkan transmisi menjadi lambat karena ukuran database yang digunakan besar. Principal Component Analysis (PCA) adalah sebuah teknik ekstraksi fitur yang umum dan sering digunakan dalam pengenalan pola (terutama dalam face recognition), Computer Vision dan signal processing (I.T. Jolliffe, New York, 1986). Walaupun PCA merupakan teknik yang terkenal dalam pengenalan citra, ternyata PCA menghadapi permasalahan dalam menghadapi database wajah yang sangat besar, dimana waktu proses dari pengenalan menjadi lama dan akurasinya menjadi menurun dengan cepat apabila jumlah data semakin bertambah banyak (Li, S.Z., Hou, X.W., Zhang, H.J., Cheng, Q.S.. 2001). Selain itu hasil rekonstruksi gambar yang telah diekstraksi (eigen face) tidak sebaik dengan gambar aslinya.
3 Baru-baru ini dikembangakan sebuah teknik ekstraksi fitur yang baru, yaitu Nonnegative Matrix Factorization (NMF) (Lee D.D., Seung, H.S, 1999). NMF pun sekarang ini telah banyak diimplementasikan kedalam berbagai aplikasi seperti face recognition (pengenalan muka) (Liu, W., Zheng, N, 2004), image classification (klasifikasi citra) (Buchsbaum, G., Bloch, O, 2002), face expression recognition (pengenalan ekspresi wajah) (Buciu, I., Pitas,I, 2004), face detection (deteksi wajah) (Chen, X., Gu, L., Li, S.Z., Zhang, H.J, 2001), dan object recognition (pengenalan objek) (Liu, W., Zheng, N, 2004). Berbeda dengan PCA, selain mengekstraksi fitur citra, NMF juga dapat mereduksi dimensi ukuran storage penyimpanan, dalam arti lain mengkompresi (Michael W.Berry, Jacob Kogan, 2010). NMF memiliki akurasi yang baik dalam menghadapi permasalahan-permasalahan yang telah disebutkan diatas, selain itu penurunan akurasi yang diakibatkan oleh pertambahan data citra pada database relatif lebih lambat dibandingkan dengan metode PCA yang mengalami penurunan akurasi secara drastis. Hasil rekonstruksi NMF pun menghasilkan kualitas citra yang mendekati citra aslinya. Tetapi selain kelebihan diatas, NMF memiliki kelemahan dalam proses training yang membutuhkan waktu iterasi yang lama untuk database yang besar. Dengan menggunakan tradisional NMF (Lee and Sung, 1999) waktu interasi relatif cepat tetapi akurasi yang diberikan dalam pengenalan citra tidak baik, sedangkan menggunakan NMFSC (Patrik O. Hoyer, 2002) atau disebut Non-negative Matrix Factorization with Sparseness Contraints (NMFSC) memiliki akurasi yang baik tetapi waktu iterasinya menjadi tidak efisien. Pada penulisan tugas akhir, penulis
4 menggabungkan teknik NMF (Lee and Sung, 1999) dengan teknik NMFSC sehingga proses waktu iterasi dalam training menjadi lebih efisien dan memiliki akurasi yang baik dalam pengenalan citra. 1.2. Ruang Lingkup Ruang lingkup atau batasan yang akan dibahas dalam penelitian metode kompresi dan pengenalan citra wajah dengan teknik Non-negative Matrix Factorization (NMF) adalah sebagai berikut : a. Pengenalan citra yang dilakukan sebagai penelitian adalah pengenalan citra wajah (face recognition). b. Jenis citra wajah yang dipakai sebagai data percobaan merupakan citra skala abu-abu, dengan format (.pgm) yang memiliki ukuran 92 x 112 piksel. c. Pengujian dan penelitian pengenalan citra wajah menggunakan dataset image Olivetti Research Laboratory (ORL) d. Citra wajah yang digunakan dalam pengujian merupakan citra wajah dengan beberapa ekspresi dan posisi (tampak depan; condong kanan, kiri, atas, bawah; hadap kanan,kiri), dan aksesoris tambahan wajah (kaca mata berlensa bening). e. Menggunakan MATLAB sebagai bahasa pemrograman dalam penelitian. f. Penelitian menggunakan Teknik Non-Negative Matrix Factorization (NMF) dan Pricipal Component Analysis sebagai metode pembanding.
5 1.3. Tujuan dan Manfaat Tujuan dari penelitian kompresi dan pengenalan citra wajah dengan teknik Nonnegative Matrix Factorization (NMF) adalah : a. Menguji algoritma pintar yang digunakan untuk pengenalan citra wajah. b. Database yang digunakan dalam proses pengenalan citra wajah memiliki ukuran memori yang kecil. c. Mendapatkan perbandingan hasil antara teknik Non-negative Matrix Factorization (NMF) dengan teknik Principal Component Analysis (PCA) Beberapa manfaat dari penelitian kompresi dan pengenalan citra wajah dengan teknik Non-negative Matrix Factorization (NMF) adalah : a. Mengetahui cara kerja teknik Non-negative Matrix Factorization (NMF) dalam melakukan pengenalan citra wajah. b. Hasil penelitian ini diharapkan dapat memperoleh hasil pengenalan citra wajah (face recognition) dengan tingkat akurasi yang tinggi, cepat dan mudah. c. Hasil penelitian ini juga diharapkan dapat diperoleh pemahaman yang lebih baik terhadap metode Non-negative Matrix Factorization (NMF), dan pengaruh berbagai parameter yang digunakan terhadap unjuk kerja pengklasifikasi Non-negative Matrix Factorization (NMF).
6 1.4 Metodologi Metode yang digunakan dalam penelitian kompresi dan pengenalan citra wajah dengan Non-negative Matrix Factorization (NMF) sebagai berikut a. Melakukan studi literatur terhadap berbagai referensi yang berkaitan dengan penelitian yang dilakukan. Topik-topik yang akan dikaji antara lain meliputi: pengertian citra, pengolahan citra digital, kompresi citra digital, Computer Vision, pengenalan citra wajah (face recognition), dan macam-macam teknik reduksi dimensi terutama teknik Non-negative Matrix Factorization (NMF). b. Menyiapkan training dataset (ORL dataset) citra wajah mentah yang digunakan untuk proses training dari sistem. Citra wajah yang digunakan dengan format (.pgm) dengan ukuran dimensi 92 x 112 piksel dengan citra skala keabuan. c. Merancang sistem pengenalan wajah dengan teknik Non-negative Matrix Factorization (NMF). d. Melakukan training pada sistem dengan menggunakan dataset citra wajah yang telah disiapkan sebelumnya. e. Melakukan pengujian pada kerja sistem. Pengujian sistem dilakukan dengan menguji berapa kali sistem dapat mengenali citra wajah dengan benar serta seberapa reliable data yang telah ditraining ulang sebagai akibat adanya data citra wajah baru yang masuk. f. Melakukan evalusi dengan melakukan perbandingan hasil pengenalan citra wajah antara metode Non-negative Matrix Factorization (NMF) dengan metode Pricipal Component Analysis (PCA).
7 1.4. Sistematika Penulisan BAB I : PENDAHULUAN Dalam bab ini penulis menjelaskan latar belakang, ruang lingkup, tujuan dan manfaat dari perancangan sistem, metodologi perancangan, dan sistematika penulisan skripsi ini. BAB II : KAJIAN PUS TAKA Dalam bab ini penulis mengkaji keseluruhan teori-teori yang mendasari penelitian dari teknik kompresi dan pengenalan citra wajah. BAB III : METODOLOGI Dalam bab ini penulis menjelaskan tentang proses dari Non-negative Matrix Factorization (NMF) dalam proses kompresi dan pengenalan citra wajah. Disertai bagan proses kompresi dan pengenalan citra. BAB IV : PENGUJIAN DAN EVALUASI Dalam bab ini penulis menerangkan hasil evaluasi dari pengujian yang telah dilakukan, serta metode-metode yang digunakan. BAB V : KES IMPULAN DAN S ARAN Dalam bab ini penulis membuat kesimpulan yang telah didapat selama skripsi yang disertai dengan saran saran untuk pengembangan selanjutnya.