BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi. Dalam sistem pengenalan wajah, kendalanya yaitu keakuratan dan besarnya memori yang dibutuhkan. Kesalahan dalam pengenalan wajah dapat disebabkan oleh perbedaan ekspresi wajah, aksesoris pada wajah (kacamata, kumis, janggut, dan lain-lain). Pada suatu kasus misalnya, database hanya memiliki citra seseorang dengan ekspresi wajah yang biasa, tetapi ketika diinput dengan wajah yang sama namun dengan ekspresi tersenyum, sistem belum tentu bisa mengenali wajah yang diinput. Citra yang disimpan di dalam basis data tentu tidak hanya satu gambar. Citra tersebut nantinya akan disimpan dalam bentuk matriks. Besarnya matriks bergantung pada jumlah dan resolusi gambar. Semakin banyak gambar, semakin besar resolusi, semakin besar memori yang dibutuhkan. Metode pengenalan wajah yang banyak digunakan saat ini adalah pengenalan wajah dengan menggunakan Principal Component Analysis (PCA). PCA banyak digunakan karena tingkat keakuratan yang cukup tinggi. Ukuran matriks atau memori yang dibutuhkan PCA bergantung pada resolusi citra dan jumlah citra yang diretriv, semakin besar resolusi, dan semakin banyak citra, semakin besar pula ukuran matriks. Hal ini akan membuat waktu proses menjadi lama dan karena ukuran matriks yang besar, memori yang dibutuhkan juga sangatlah besar, sedangkan memori internal yang 35
36 disediakan oleh suatu aplikasi pemrograman seperti C/C/Matlab sangat kecil, sehingga tidak banyak citra yang dapat ditampung dalam basis data. 3. Alternatif Penyelesaian Masalah Penggunaan teknik DT-CWT ditujukan untuk mereduksi citra sehingga berdampak pada ukuran matriks dengan mengekstrak citra dan mengambil unsur terbaiknya. Matriks tersebut kemudian digunakan dalam PCA. DTCWT mereduksi ukuran matriks dari suatu citra. Hasilnya citra dibagi menjadi berbagai rentang frekuensi yang terdiri dari citra yang diskalakan, dimana citra mengalami reduksi, dan rentang informasi yang berisi detil dari citra asli. Pereduksian menghasilkan matriks citra yang lebih kecil, tanpa mengurang informasi detil didalamnya, sehingga tidak mengurangi kualitas gambar maupun hasil pengenalan wajah. 3.3 Metodologi Masalah-masalah diatas kemudian diselesaikan dengan membagi menjadi beberapa tahap. Teknik yang digunakan untuk menyelesaikan masalah tersebut berupa prosedur-prosedur atau algoritma-algoritma. Face Image Gray Scale Cropped Acquisition Preprocessing DTCWT PCA Face Database EigenFaces Calculate Show Gambar 3.1 Diagram Kerja Sistem
37 a. Acquisition : Merupakan blok input dari proses pengenalan wajah, sumbernya berasal dari file citra. Dalam sistem ini digunakan hanya file citra wajah. b. Pre-processing Module : Merupakan proses penyesuaian citra input yang meliputi grayscale. Ukuran citra input sudah sama sebelumnya, sehingga tidak diperlukan proses normalisasi ukuran citra. c. DTCWT Module : Merupakan proses mereduksi ukuran matriks dari suatu citra. Proses ini dilakukan untuk menghasilkan matriks yang lebih kecil lagi. d. PCA Module : Module ini digunakan untuk mengutip bagian terpenting sebagai suatu vektor yang merepresentasikan wajah dan bersifat unik atau biasa disebut dengan feature etraction. e. Calculate : Pada modul ini dilakukan perhitungan terhadap eigenface query input dan juga eigenface dari citra-citra yang ada di database, sehingga menghasilkan nilai eigen. Pada modul ini juga terjadi pengurutan nilai-nilai eigen yang ada. f. Face Database : Berisi kumpulan citra wajah yang telah dimasukkan ke dalam database. g. Eigenfaces : Berisi matriks-matriks dari semua citra wajah yang ada di dalam database. Matriks-matriks ini akan disimpan di dalam file berekstensi.mat. h. Show Images : Akan menampilkan 10 citra yang memiliki nilai eigen yang paling dekat dengan nilai eigen dari citra input.
38 3.3. Proses DTCWT Gambar 3. Citra input, sebelum DT-CWT Gambar 3.3 Citra output dari DT-CWT Seluruh citra yang akan digunakan dalam aplikasi ini, baik yang akan digunakan sebagai input, maupun citra yang akan digunakan sebagai basis data akan melalui proses DTCWT sebanyak dua kali. Semua citra asli berukuran 640 480 piel. Pada proses DTCWT pertama citra menghasilkan citra output (sementara) berukuran 161 11 piel. Proses DTCWT kedua mengolah citra output (sementara) dari proses sebelumnya sehingga menghasilkan citra output yang akan disimpan dengan resolusi beukuran 4 3 piel.
39 3.3.3 Proses PCA 3.3.3.1 Algoritma Start Query Input Ea = Eigenface Citra database En = Eigenface n=1; n n>500? Ei = Ea En Sort Ei Show Images Gambar 3.4 Alur Program
40 1. Start.. Ambil citra X (*.jpg) sebagai query. 3. Tentukan nilai mean berikut eigenvalue dari citra input. 4. Ambil sebuah citra (*.jpg) dari database yang akan dicocokan dengan citra input. 5. Tentukan nilai mean dan eigenvaluenya. 6. Ulangi lagi langkah no 4 jika semua citra yang ada di dalam database belum diambil semua nilai eigennya. 7. Kurangi nilai eigen citra query dengan nilai eigen citra database. 8. Lakukan pengurutan terhadap nilai-nilai eigen yang diperoleh dari langkah 7 secara ascending. 9. Tampilkan 10 citra dengan hasil nilai eigen yang terdekat. 3.3.3. Eigenface Langkah-langkah transformasi : 1. Jika terdapat himpunan P buah citra pelatihan yang dapat direpresentasikan ke dalam X = [X1, X,.., Xp] dengan dimensi tiap citra adalah p q (baris kolom), maka dapat dibentuk matriks data pelatihan Y dengan orientasi vektor kolom. Y = 11 1 p 1 1 p 1 q pq q
41. Matriks Y kemudian di normalisasi menjadi 11 1 p 1 11 1 p1 1 q q pq 11 p 1 1 q pq 1 q pq 3. Selanjutnya cari rata- rata vektor citra sehingga dapat dibentuk sebuah matrik rata- rata µ = [µ 1, µ,, µ q ] μ j = i p 1 p = 1 Z j 4. Kemudian hitung selisih vektor citra dengan rata- rata vektor citra A=Z- μ 5. Dari matriks A diatas dapat dihitung matriks total scatter berupa matriks kovarian (real, simetrik) S= ATA (berordo qq). 6. Cari eigen vektor V dan nilai eigen D dari matriks S dan urutkan eigen vektor berdasarkan nilai eigen terbesar. 7. Tentukan dimensi ruang ciri m n = min q q i = 1 p i = 1 D D i i 8. Reduksi vektor eigen menjadi vektor eigen V (eigenfaces) sesuai dengan nilai m
4 9. Transformasi vektor citra menjadi vektor ciri AVT Gambar 3.5 Citra Pelatihan