Pengenalan wajah dengan menggunakan

Ekspresi kedua menyatakan bahwa jarak
Euclidean dapat diperoleh dari produk skalar
itu sendiri,
Diberikan nilai
Secara umum
dinotasikan dengan
jarak
Euclidean
dapat
dan
jarak antara X dan Y dapat dihitung dengan
cara
METODE PENELITIAN
Penelitian ini dilakukan dalam beberapa
tahap. Tahapan tersebut dapat dilihat pada
Gambar 3.
Secara geometris, jarak antara dua titik dari
vektor X dan Y dapat diperoleh dengan
hipotenusa dari segitiga sebelah kanan. Gambar
2 menunjukkan konsep dasarnya.
Gambar 2 Jarak Euclidean antar dua titik.
Fungsi jarak Euclidean memiliki ciri seperti
berikut:
1.
Poisitivity – jarak pasti tidak negatif:
kecuali
2.
Simetri – jarak dari
dengan jarak antara
ke
ke
sama
:
Gambar 3 Tahapan penelitian.
Citra Wajah
3.
Triangle inequality – hasil penjumlahan
antara jarak
dan , dan dengan
dan beberapa vektor ketiga
adalah
tidak kurang dari jarak langsung antara
dan :
Citra wajah yang digunakan adalah citra
wajah tampak depan. Citra ini diambil dari 7
orang (7 kelas), masing-masing orang diambil
28 ekspresi wajah. Citra wajah yang digunakan
berdimensi 100 x 90 piksel RGB (Red Green
Blue). Pada percobaan, pengenalan akan
3 dilakukan dengan tiga cara, yaitu tanpa noise,
dengan noise dan dengan diberi pengaruh
pencahayaan. Agar citra dapat diolah maka
pada citra terlebih dahulu harus diubah menjadi
grayscale.
4.
Mengambil nilai acak antara 1
sampai 4500. Didapatkanlah suatu
nilai (flt_pos).
5.
Mengambil nilai dari mean_vector
pada posisi flt_pos -> f(flt_pos).
6.
Menentukan nilai limit. Nilai limit
adalah nilai acak antara 1 sampai
max_mean.
7.
Jika nilai yang didapatkan pada
langkah 5 lebih besar dari nilai yang
didapatkan pada langkah 6 (limit),
maka titik flt_pos akan diambil untuk
dijadikan filter untuk mereduksi
citra.
8.
Mengulangi langkah 4 sampai total
iterasi
(total_sampling_iteration)
tercapai.
Transformasi Fourier
Data citra akan direpresentasikan sebagai
matriks dua dimensi. Agar citra dapat diolah
dengan transformasi Fourier maka citra harus
diubah menjadi vektor atau matriks satu
dimensi sehingga berukuran 1 x (100 x 90) = 1
x 9000. Karena hasil transformasi Fourier
simetris, maka vektor dapat kita bagi dua.
Vektor yang diambil adalah vektor dengan
posisi 1 sampai 4500, sehingga ukuran vektor
yang dibutuhkan hanya berdimensi 1 x 4500.
Gambar 4 Representasi vektor dari citra digital.
Data Latih dan Data Uji
Pada tahap ini data latih dan data uji
dipisahkan. Untuk data latih diambil 18 data
untuk masing-masing kelas, sedangkan sisanya
10 digunakan untuk data uji.
Pembuatan Filter untuk Reduksi Citra
Reduksi data akan dilakukan dengan
memilih posisi vektor sehingga dibutuhkan
filter untuk melakukan hal ini. Pembuatan filter
ini dilakukan dengan metode sampling. Tahaptahap yang akan dilakukan adalah:
1.
2.
3.
Membuat
vektor
rata-rata
(mean_vector) dari data data latih
yang terdiri atas 126 vektor, masingmasing panjang setiap vektor adalah
4500.
Mengambil
(max_mean)
tersebut.
nilai
dari
maksimum
mean_vector
Menentukan total iterasi untuk
sampling (total_sampling_iteration).
Gambar 5 Tahap pembuatan filter.
Reduksi
Agar komputasi menjadi lebih ringan maka
data yang digunakan akan direduksi terlebih
dahulu. Pada tahap sebelumnya telah
4 didapatkan sebuah filter yaitu berupa himpunan
dari titik vektor yang akan digunakan.
Data latih dan data uji direduksi berdasarkan
filter yang sudah dibuat pada tahap sebelumnya.
Data latih setiap kelasnya akan dihitung vektor
rata-ratanya. Dengan demikian data yang
disimpan hanya berupa 7 vektor yang
merupakan vektor rata-rata dari setiap kelas.
Pengenalan
Pengenalan dilakukan dengan menghitung
jarak dari setiap data uji terhadap vektor ratarata setiap kelas.
Akurasi
Pengenalan untuk setiap kelas dilakukan
sebanyak 10 kali sesuai dengan jumlah data uji
yang sudah disediakan. Akurasi diperoleh
dengan rumus:
akurasi = total_benar / total_percobaan x 100%
Akurasi menunjukkan tingkat kebenaran
dalam pengenalan sutau wajah terhadap
individu yang sebenarnya. Semakin rendah nilai
akurasi maka semakin tinggi kesalahannya.
Tingkat akurasi yang baik adalah akurasi yang
mendekati atau bernilai 100%.
6.
Geoff
10
0
100
7.
Harold
10
0
100
Percobaan dengan Noise Gaussian
Kemudian uji coba selanjutnya dilakukan
dengan memberikan noise pada citra uji. Noise
yang digunakan adalah Gaussian.
Noise Gaussian dengan varian 0.0001 dan
0.0002 masih menghasilkan akurasi yang sangat
baik. Untuk setiap kelas dilakukan percobaan
sebanyak 10 kali dan nilai akurasi 100%.
Akurasi mulai menurun ketika nilai varian
diberikan sebesar 0.0003. Pada nilai varian ini,
seperti dapat dilihat pada Tabel 2, terdapat 1
kelas dari 10 kali percobaan didapatkan 1 data
uji yang masuk ke dalam kelas yang salah.
Nilai akurasi rata-rata yang didapatkan adalah
98.5714%.
Tabel 2 Hasil pengenalan dengan varian 0.0003
No
Kelas
Hasil
Benar
Salah
Akurasi
(%)
1.
Andrew
10
0
100
2.
Charles
10
0
100
HASIL DAN PEMBAHASAN
3.
Diana
10
0
100
Penelitian
ini
dilakukan
dengan
menggunakan citra uji untuk pengenalan tanpa
noise, dengan noise dan dengan memberi
pengaruh pencahayaan.
4.
Elizabeth
9
1
90
5.
Fiona
10
0
100
6.
Geoff
10
0
100
7.
Harold
10
0
100
Berdasarkan
data
latih,
dengan
total_sampling_iteration sebanyak 100000 kali
maka dihasilkan filter yang dapat mereduksi
vektor dengan panjang 4500 menjadi 4499.
Pengenalan dengan data uji tanpa noise dan
tanpa pengaruh pencahayaan menghasilkan
akurasi yang sangat baik sebesar 100% seperti
dapat dilihat pada Tabel 1.
Tabel 1 Hasil pengenalan tanpa noise dan tanpa
pengaruh pencahayaan
No
Kelas
Hasil
Benar
Salah
Akurasi
(%)
Rata-rata
98.5714
Tabel 3 Matriks konfusi pengenalan dengan
varian 0.0003
A
C
D
E
F
G
H
A
10
0
0
0
0
0
0
C
0
10
0
0
0
0
0
D
0
0
10
0
0
0
0
E
0
1
0
9
0
0
0
1.
Andrew
10
0
100
F
0
0
0
0
10
0
0
2.
Charles
10
0
100
G
0
0
0
0
0
10
0
3.
Diana
10
0
100
H
0
0
0
0
0
0
10
4.
Elizabeth
10
0
100
5.
Fiona
10
0
100
Pada percobaan dengan menggunakan
varian sebesar 0.0004. Dari 10 kali percobaan
5