PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI - USD

PENERAPAN FACE RECOGNITION MENGGUNAKAN

METODE EIGENFACE PADA SISTEM PRESENSI KARYAWAN

UNIVERSITAS SANATA DHARMA

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh:

Yunita Wahayuning Putri

NIM : 085314082

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI


YOGYAKARTA

2012

Simpo PDF Merge and Split Unregistered Version - http://www.simpopdf.comPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJIPLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

FACE RECOGNITION APPLICATION USING

EIGENFACE METHOD IN SANATA DHARMA UNIVERSITY OFFICIAL

ATTENDANCE SYSTEM

A THESIS

Presented as Partial Fulfillment of the Requirements

For the Degree of Sarjana Komputer

In Department of Informatics Engineering

By:


NIM : 085314082

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2012


iii


iv


v

HALAMAN PERSEMBAHAN

MOTIVASI DAN SEMANGAT TERBESAR

ADALAH DARI DIRI KITA SENDIRI

Bagaikan bejana dari tanah liat yang bersedia dibentuk

dan menghasilkan kerajinan yang indah,

demikian diri kita siap dibentuk melalui kesulitan-kesulitan

yang kelak akan menjadikan kita pribadi yang berguna

Skripsi ini kupersembahkan untuk :

Tuhan Yesus Kristus

Keluargaku

Teman-temanku

Kekasihku


vi

PERNYATAAN KEASLIAN KARYA

Saya menyatakan dengan sesungguhnya bahwa dalam skripsi yang saya tulis

ini tidak memuat karya/bagian karya orang lain, kecuali yang secara tertulis

diacu dalam naskah ini dan disebutkan dalam daftar pustaka.

Yogyakarta, 23 Juli 2012 Penulis



vii

LEMBAR PERNYATAAN PERSETUJUAN

PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma :

Nama : Yunita Wahayuning Putri

Nomor Mahasiswa : 085314082

Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan

Universitas Sanata Dharma karya ilmiah dengan judul :

PENERAPAN FACE RECOGNITION MENGGUNAKAN METODE

EIGENFACE PADA SISTEM PRESENSI KARYAWAN UNIVERSITAS

SANATA DHARMA

Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata

Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain,

mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan

mempublikasikannya di internet atau media lain untuk kepentingan akademis

tanpa perlu meminta ijin dari saya maupun memberikan royalti kepada saya

selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini yang saya buat dengan sebenarnya.

Dibuat di Yogyakarta

Pada tanggal 23 Juli 2012

Yang menyatakan



viii

ABSTRAK

Saat ini sistem presensi pada beberapa instansi, perusahaan, atau

perkantoran sudah menggunakan teknologi biometrik salah satunya pemindaian

wajah. Saat melakukan proses presensi, pengguna harus berada pada posisi

tertentu agar dapat dikenali sistem.

Skripsi ini bertujuan untuk mengetahui akurasi sistem dalam mengenali

citra masukan berupa citra wajah dengan berbagai posisi dan ekspresi. Proses

pengenalan citra wajah dilakukan menggunakan metode ekstraksi ciri yaitu

metode Eigenfaces dan menggunakan Euclidean Distance untuk mengukur

kemiripan antara kedua buah citra wajah.

Pada penelitian ini dilakukan 2 jenis pengujian, yaitu pengujian

menggunakan 3-fold cross validation dan pengujian menggunakan user interface.

Pengujian pertama menggunakan data training sebanyak 210 citra dan 105 citra

sebagai data testing. Pada pengujian 3-fold cross validation ini diperoleh error

rate sebesar 13.333% untuk kelompok A dan C yang kemudian digunakan sebagai

model klasifikasi. Untuk pengujian menggunakan user interface diperoleh hasil

bahwa sistem dapat mengenali citra masukan dengan baik ketika resolusinya sama

dengan data citra pelatihan yaitu 2736x3648 piksel.


ix

ABSTRACT

Today’s presence system of multiple agencies, companies, or the offices

are already using biometric technology such as face scan. However, the users

must be at certain position to be recognized by the system.

This thesis aims to do research about the accurate of the system in

recognizing the input face image with a variety of position and facial expressions.

Facial image recognition performed using Eigenfaces feature extraction method

and it uses Euclidean Distance method to measure the similarity of two face

images.

This research was done by using two kinds of testing method. The first

was 3-fold cross validation test and second was a test using user interface. The

first test uses 210 training images and 105 images as the testing data. 3-fold cross

validation test obtained 13.333% error rate for the A and C data group which is

used for classification. For test using the user interface, the system can recognize

correctly if the input image has 2736x3648 pixels resolution that similar to the

trained face images.


x

KATA PENGANTAR

Citra wajah yang menunjukkan suatu ciri fisik dari seseorang telah banyak

diimplementasikan untuk proses pengenalan. Pendekatan paling umum untuk

proses pengenalan wajah didasarkan pada ciri wajah seperti hidung, mata, alis,

dan sebagainya atau analisis wajah secara keseluruhan. Proses pengenalan telah

banyak diimplemntasikan untuk sistem keamanan, sistem presensi, dan

sebagainya.

Skripsi dengan judul “Penerapan Face Recognition Menggunakan Metode

Eigenface Pada Sistem Presensi Karyawan Universitas Sanata Dharma” yang

telah disusun ini diharapkan dapat memberikan sumbangsih untuk perkembangan

ilmu pengetahuan khususnya dalam bidang pengenalan pola untuk membantu

proses ekstraksi ciri dan proses pengenalan pada sistem presensi.

Terima kasih sebesarnya-besarnya kepada pihak-pihak yang telah membantu

serta mendukung terselesaiknnya penyusunan skripsi ini:

1. Tuhan Yesus Kristus yang selalu melindungi dan memberkati di setiap

langkah.

2. Ibu Sri Hartati Wijono, S.Si, M.Kom selaku selaku dosen pembimbing

atas waktu dan saran yang telah diberikan.

3. Bapak Eko Hari Parmadi, S.Si, M.Kom. dan Bapak Albertus Agung

Hadhiatma,S.T.,M.T. atas saran dan kritikan yang diberikan.

4. Kedua orangtuaku tercinta, Bapak Robin Haryanto dan Ibu Tuty

Sumaryati untuk doa dan perhatian yang selalu diberikan.


xi

5. Kedua kakakku tercinta, Mega Sapta Aria dan Bayu Agung Satriya untuk

motivasi dan dukungan yang selalu diberikan.

6. Yosaphat Samodra yang setia menemani dan memberikan semangat dalam

penyelesaian skripsi ini.

7. Teman-teman seperjuangan (Linardi, S.Kom., Roy Syahputra) yang

bersedia meluangkan waktunya untuk berdiskusi bersama.

8. Sahabat-sahabat penulis (Ayu Budi Setiawan, Septina Susanti, Mahesa

Ahening Raras Kaesthi, Aditya Bayu Putranto, Regina Ditya Ardhiayana,

Fransisca Siti Sudaryati, Anggit Purbarani) yang selalu memberikan

keceriaan dan berbagi suka duka bersama.

9. Teman-teman kos Edelweis yang selalu mengisi hari-hari bersama penulis

serta dukungan dan doa yang diberikan.

10. Seluruh teman-teman angkatan Teknik Informatika angkatan 2008 serta

pihak-pihak yang tidak dapat penulis sebutkan satu per satu.

Penulis menyadari bahwa masih terdapat kekurangan dalam penyusunan

skripsi ini. Oleh karena itu penulis mengharapkan adanya kritik dan saran dari

berbagai pihak yang bersifat membangun dalam penyempurnaan skripsi ini.

Yogyakarta, 23 Juli 2012

Penulis


xii

DAFTAR ISI

HALAMAN JUDUL BAHASA INDONESIA..………………………….. i

HALAMAN JUDUL BAHASA INGGRIS……..………………………….. ii

HALAMAN PERSETUJUAN……………………………………………… iii

HALAMAN PENGESAHAN……………………………………………… iv

HALAMAN PERSEMBAHAN……………………………………………. v

HALAMAN PERNYATAAN KEASLIAN KARYA……………………… vi

HALAMAN PERSETUJUAN PUBLIKASI………………………………. vii

ABSTRAK………………………………………………………………….. viii

ABSTRACT………………………………………………………………… ix

KATA PENGANTAR……………………………………………………… x

DAFTAR ISI………………………………………………………………... xii

DAFTAR TABEL ………………………………………………………….. xvi

DAFTAR GAMBAR ………………………………………………………. xvii

BAB I PENDAHULUAN………………………………………………….. 1

1.1 Latar Belakang Masalah…………………………………………... 1

1.2 Rumusan Masalah………………………………………………… 3

1.3 Tujuan…………………………………………………………….. 3

1.4 Batasan Masalah …………………………………………………. 4

1.5 Metodologi Penelitian…………………………………………….. 4

1.6 Sistematika Penulisan…………………………………………….. 5

BAB II LANDASAN TEORI……………………………………………… 7

2.1 Wajah…………..…...…………………………………………….. 7

2.2. Pengenalan Wajah ….……………..……………………………... 8

2.2.1. Pengertian Pengenalan Wajah…...………………………….. 8

2.2.2. Tahap-Tahap Pengenalan Wajah……………………………. 9

2.2.2.1.Pencarian Ciri/Ekstraksi Ciri……….…………………….. 10

2.2.2.2.Proses Pengenalan Wajah………………………………… 12


xiii

2.3. Metode Eigenface………………………………………………… 12

2.4. Principal Component Analysis (PCA)……………………………. 13

2.4.1. Proses Perhitungan PCA……………………………………. 14

2.5. Metode Euclidean Distance………………………………………. 16

BAB III ANALISA DAN PERANCANGAN SISTEM…………………. 18

3.1 Analisis Data.………………………..……………………………. 18

3.1.1. Jenis Data.…………………………………………………. 18

3.1.2. Prosedur Pengambilan Data………………………………… 18

3.2 Perancangan Sistem Secara Umum……………………….……… 20

3.2.1 Use Case………………..………..……………………… 22

3.2.2. Gambaran Sistem ………………………………………. 23

3.3. Perancangan Pelatihan Data……………………………………… 24

3.3.1. Proses Awal…………………………………………….. 25

3.3.2. Ekstraksi Ciri…………………………………………… 25

3.3.3. Proses Pengujian………………………………………... 35

3.4. Perancangan Proses Pengenalan Wajah………………………….. 38

3.5. Perancangan Antarmuka……………...………………………….. 41

3.5.1. Tampilan Antarmuka Proses Pengenalan Wajah……….. 42

3.5.2. Tampilan Antarmuka Menu File………………………... 43

3.5.3. Tampilan Antarmuka Menu Help ……………………… 43

3.5.4. Tampilan Antarmuka Menu About …………………….. 43

3.5.5. Tampilan Open Image………………………….……….. 44

3.5.6. Tampilan Cara Menggunakan Sistem………….……….. 45

3.5.7. Tampilan Tentang Program…………………………….. 45

BAB IV IMPLEMENTASI DAN PENGUJIAN…………………………… 46

4.1 Implementasi Pelatihan Data……………………………………... 46

4.1.1 Implementasi Pemrosesan Awal………………………... 46

4.1.2 Implementasi Proses Ekstraksi Ciri...…………………... 47

4.1.3 Implementasi Proses Pengujian.………………………... 50

4.2 Implementasi Proses Pengenalan Wajah...………………………... 53

4.3 Implementasi Perancangan Antarmuka.…………………………... 55


xiv

4.3.1 Tampilan Proses Pengenalan Wajah..…………………... 55

4.3.2 Tampilan Cara menggunakan Sistem…………………... 58

4.3.3 Tampilan Tentang Program………...…………………... 58

4.4 Hasil Pengujian……………………….…………………………... 59

4.4.1 Hasil Pengujian 3-fold cross validation..……….……..... 59

4.4.1.1.Hasil Pengujian 3-fold cross validation

menggunakan kamera digital………………………..

60


menggunakan webcam ……………………………...

66


menggunakan kamera digital dengan data training

menghadap ke depan ………………………………..

71


menggunakan data training kamera digital dan data

testing webcam ……………………………………..

73


menggunakan data training webcam dan data testing

kamera digital ………………………………………

73

4.4.2 Hasil Pengujian melalui User Interface....……….……... 74

4.4.2.1 Hasil Pengujian Citra Masukan menggunakan data

training dari kamera digital……………………….

74


training dari webcam………………………………..

77

4.5 Analisa Hasil Pengujian…...………….…………………………... 81

4.5.1 Analisa Hasil Pengujian Pelatihan Data..……….……..... 81

4.5.2 Analisa Hasil Pengujian melalui User Interface....……... 83


training dari kamera digital…………………………

83


training dari webcam………………………………..

83


xv

BAB V KESIMPULAN DAN SARAN……………………………………. 85

5.1 Kesimpulan…………………….……………………………... 85

5.2 Saran…………………………………………………………... 87

DAFTAR PUSTAKA………………………………………………………. 88

LAMPIRAN………………………………………………………………… 89


xvi

DAFTAR TABEL

Tabel Keterangan Halaman

2.1 Kategori Teknik Pengenalan Wajah 11

3.1 Daftar Nama Karyawan Fakultas Sains dan Teknologi 19

3.2 Pengelompokkan Data 36

3.3 Tabel Rancangan Pengujian Data training 37

4.1 Tabel Hasil Pengujian Data training menggunakan

kamera digital 63

4.2 Tabel Hasil Pengujian Data training menggunakan

webcam 68

4.3

Tabel Hasil Pengujian Data training menggunakan

kamera digital dengan data training menghadap ke

depan

70

4.4 Tabel Hasil Pengujian menggunakan data training

kamera digital dan data testing webcam 71

4.5 Tabel Hasil Pengujian menggunakan data training

webcam dan data testing kamera digital 71


xvii

DAFTAR GAMBAR

Gambar Keterangan Halaman

2.1 Susunan Proses Pengenalan Wajah 9

2.2 Matriks N2 x 1 15

3.1 Gambaran Umum Proses Pengenalan Wajah 21

3.2 Use Case 23

3.3 Gambaran Umum Pengenalan Wajah,

(a) Proses pelatihan model menggunakan data training

(b) Proses pengenalan (testing)

24

3.4 Proses Awal 25

3.5 Kombinasi Pengujian 36

3.6 Tampilan antarmuka proses pengenalan wajah 42

3.7 Tampilan antarmuka Menu File 43

3.8 Tampilan antarmuka Menu Help 43

3.9 Tampilan antarmuka Menu About 44

3.10 Tampilan antarmuka Open Image 44

3.11 Tampilan antarmuka System Help 45

3.12 Tampilan antarmuka Tentang Program 45

4.1 Pemrosesan Awal 45

4.2 Implementasi Tampilan Proses Pengenalan Wajah 54

4.3 Implementasi Tampilan Open Image 54

4.4 Implementasi Tampilan Open File 55

4.5 Implementasi hasil proses pengenalan wajah 55

4.6 Implementasi tampilan Menu Help 56

4.7 Implementasi tampilan cara menggunakan sistem 56

4.8 Implementasi Tampilan Menu About 57

4.9 Implementasi Tampilan Tentang Program 57

4.10 Data training kombinasi 1 59

4.11 Data testing kombinasi 1 59


xviii





4.16 Data training kombinasi webcam 1 65

4.17 Data testing kombinasi webcam 1 65





4.22

Hasil Pengujian Citra Masukan menggunakan 1 data

testing dari kamera digital dan data training kamera

(a)pengujian ke-1

(b)pengujian ke-2

(c)pengujian ke-3

73

4.23


testing dari webcam dan data training kamera

(a)pengujian ke-1

(b)pengujian ke-2

(c)pengujian ke-3

74

4.24


testing dari webcam dan data training webcam

(a)pengujian ke-1

(b)pengujian ke-2

(c)pengujian ke-3

76

4.25


testing dari kamera digital dan data training webcam

(a)pengujian ke-1

(b)pengujian ke-2

(c)pengujian ke-3

77


xviiii

4.26 Citra masukan menggunakan webcam

(a)citra asli (b)citra hasil cropping 78

4.27 Hasil Pengujian Citra masukan menggunakan webcam

(a)citra asli (b)citra hasil cropping 78


1

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Setiap instansi, perusahaan, perkantoran, perkuliahan, sekolah-sekolah,

maupun lembaga-lembaga yang lain tentunya menerapkan sistem presensi untuk

mencatat kehadiran karyawan, mahasiswa, atau murid-muridnya. Sistem

presensi pada tiap instansi tersebut tentu berbeda, ada instansi yang masih

menerapkan sistem presensi secara manual dan ada yang sudah menggunakan

teknologi. Saat ini, sistem presensi secara manual sudah tidak efektif digunakan.

Beberapa hal menunjukkan ketidakefektifan tersebut, seperti pemalsuan tanda

tangan, pemborosan biaya (kertas, tinta cetak, dan sebagainya), pengolahan data

kehadiran yang tidak akurat karena menggunakan tenaga manusia, serta

pembuatan laporan untuk rekapitulasi menjadi lambat. Ketidakefektifan tersebut

mendorong instansi-instansi meninggalkan sistem presensi secara manual.

Sebagai salah satu contoh, Universitas Sanata Dharma, telah beralih dari

sistem presensi karyawan secara manual menjadi sistem presensi berbasis

teknologi biometrik, yaitu pengenalan sidik jari. Pengenalan sidik jari ini

menggunakan sebuah sensor untuk mengenali sidik jari seseorang yang

kemudian sensor dihubungkan dengan sistem presensi karyawan. Dalam

penggunaannya, sistem presensi baru ini sudah cukup efektif dalam hal

pendataan, efisiensi waktu, dan keakuratan data kehadiran. Walaupun sudah


2

cukup efektif, sistem presensi dengan sidik jari ini masih menimbulkan

beberapa permasalahan, antara lain sensor yang digunakan sering mengalami

kerusakan, sensor terkadang kurang dapat mengenali dengan baik sidik jari

seseorang, sensor menjadi tidak akurat dalam mengenali sidik jari seseorang

ketika kondisi tangan basah (berkeringat), terluka (tergores), dan sebagainya.

Beberapa kekurangan tersebut dapat diatasi dengan sebuah pengembangan

sistem yang menerapkan teknologi biometrik yang lain, yaitu pengenalan wajah

(face recognition). Pengenalan wajah telah banyak diaplikasikan dalam sistem

security. Selain digunakan dalam sistem security, pengenalan wajah telah

dikembangkan menjadi aplikasi yang mendukung suatu proses pendataan yang

berhubungan dengan sistem informasi, seperti pendataan alamat paket barang,

pendataan karyawan, dan sebagainya. Dalam aplikasinya sendiri pengenalan

wajah menggunakan sebuah kamera untuk menangkap wajah seseorang

kemudian dibandingkan dengan sistem pengenalan wajah yang sebelumnya

telah mengolah pola koleksi wajah. Pengenalan wajah ini akan

diimplementasikan dengan menggunakan metode Eigenface. Konsep Eigenface

adalah serangkaian eigenvector yang digunakan untuk mengenali wajah

manusia dalam suatu computer vision. Eigenvector berasal dari covariance

matrix yang memiliki distribusi probabilitas yang tinggi dan dimensi ruang

vektor untuk mengenali kemungkinan sebuah wajah.

Pengenalan wajah menggunakan metode eigenface pernah dilakukan oleh

(Bayu, S., Hendriawan, A., Susetyoko, R., 2009) untuk sistem keamanan


3

rumah. Konsep pembuatan aplikasi tersebut yaitu untuk membedakan antara

pemilik dan pencuri. Tingkat keberhasilan penggunaan metode tersebut

mencapai 87,5% untuk mengenali wajah pemilik rumah. Kelebihan penggunaan

metode ini adalah dapat mengenali berbagai ekspresi wajah secara real time.

Berdasarkan permasalahan yang ada, penulis akan menerapkan

pengenalan wajah (face recognition) dengan metode eigenface pada prototype

sistem presensi karyawan USD dengan tujuan untuk mendata kehadiran

karyawan-karyawan USD dan untuk dapat mengenali identitas karyawan-

karyawan berdasarkan masukan citra wajah. Data yang digunakan masih berupa

sampel dari 15 karyawan Fakultas Sains dan Teknologi.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah disebutkan sebelumnya, maka dapat

dirumuskan permasalahan, yaitu: berapa akurasi metode eigenface membantu

mengenali wajah.

1.3 Tujuan

Adapun tujuan dari penelitian ini, antara lain :

1. Mengimplementasikan metode eigenface dengan masukan berupa data

wajah.


4

2. Melakukan proses pengenalan wajah dengan masukan wajah pada posisi

yang berbeda-beda.

1.4 Batasan Masalah

Penelitian ini memiliki batasan permasalahan, antara lain :

1. Pengambilan citra wajah karyawan dilakukan di dalam ruangan dengan latar

belakang polos (tidak terdapat obyek-obyek yang lain).

2. Sistem yang dibuat merupakan prototipe sistem pengenalan wajah untuk

presensi karyawan.

1.5 Metodologi Penelitian

Metodologi penelitian yang dilakukan sebagai berikut :

1. Studi literatur untuk mempelajari teori pengenalan wajah dan teknik

Principal Component Analysis dalam hal ini metode Eigenface yang

digunakan untuk proses pengenalan.

2. Analisis data bertujuan untuk mengetahui bagaimana cara memperoleh data

yang akan digunakan dalam penelitian.

3. Pengembangan sistem menggunakan model Waterfall (Pressman, 2002).

Tahapan-tahapan pengembangan sistem sebagai berikut :

- Analisis

Analisis adalah tahap untuk menentukan analisis terhadap permasalahan

yang dihadapi dan menentukan kebutuhan software.


5

- Desain

Desain adalah proses menterjemahkan kebutuhan sistem ke dalam sebuah

gambaran program, yaitu dengan mendesain use case, penggunaan

algoritma dan desain model data yang akan digunakan.

- Implementasi

Implementasi merupakan proses penterjemahan desain ke dalam bentuk

yang dapat dieksekusi. Implementasi dilakukan dengan menggunakan

MATLAB.

- Pengujian

Pengujian memastikan apakah semua fungsi-fungsi program berjalan

dengan baik dan menghasilkan output yang sesuai dengan yang

dibutuhkan. Pengujian dilakukan dengan menguji data training

menggunakan k-fold cross validation (Refaeilzadeh, dkk, 2008). Data

training dibagi menjadi 3 bagian. Pengujian dilakukan untuk mengetahui

akurasi sistem pengenalan wajah dan metode Eigenface yang digunakan.

1.6 Sistematika Penulisan

Sistematika penulisan laporan tugas akhir ini adalah sebagai berikut :

BAB I PENDAHULUAN

Berisi latar belakang masalah, rumusan masalah, batasan masalah, tujuan

sistem, manfaat sistem dan metode penelitian serta sistematika penulisan

laporan.


6

BAB II DASAR TEORI

Bab ini berisi landasan teori yang dipakai untuk pembahasan laporan tugas

akhir.

BAB III ANALISIS DAN PERANCANGAN SISTEM

Bab ini berisi tentang analisis dan perancangan sistem yang akan

diimplementasikan.

BAB IV IMPLEMENTASI SISTEM

Bab ini berisi tentang proses implementasi sesuai dengan rancangan sistem

yang dibuat.

BAB V ANALISIS HASIL

Bab ini berisi tentang analisis hasil implementasi sistem.

BAB VI PENUTUP

Bab ini berisi tentang kesimpulan dan saran untuk sistem.


7

BAB II

LANDASAN TEORI

2.1 Wajah

Wajah merupakan kontur kulit manusia yang terdapat pada bagian

kepala depan (Nugroho, 2009). Wajah pada tiap orang pasti memliki

perbedaan, sehingga dapat dilakukan pengenalan identitas seseorang.

Pengenalan tersebut dapat dilakukan secara real time dengan menggunakan

suatu teknologi komputer. Sebelum melakukan pengenalan, sebuah wajah

harus diambil/difoto menggunakan kamera digital /webcam, hasilnya menjadi

sebuah citra digital.

Citra digital tersusun dari titik-titik atau kumpulan elemen-elemen

gambar yang disebut piksel (picture element). Piksel adalah element terkecil

dari sebuah citra digital. Dengan jumlah total piksel adalah M x N. Dimana M

merupakan nilai height atau nilai tinggi citra digital dan N adalah nilai width

atau nilai lebar citra digital.

Sebuah citra wajah digital berupa sebuah matriks yang berisi nilai-

nilai intensitas warna. Nilai-nilai tersebut yang nantinya akan digunakan

untuk proses pengenalan.


8

2.2 Pengenalan Wajah

2.2.1. Pengertian Pengenalan Wajah

Pengenalan wajah adalah salah satu teknologi biometrik yang telah

banyak diaplikasikan untuk sistem keamanan, sistem absensi, pembuatan

SIM, dan sebagainya. Pengenalan wajah akan melakukan pengenalan

secara otomatis atas identitas seseorang berdasarkan ciri wajah dengan

mencocokkan ciri tersebut dengan ciri wajah yang telah disimpan pada

basisdata (Putra, 2009).

Secara umum, sistem biometrika atau sistem pengenalan memiliki

5 modul dasar (Putra, 2009), antara lain :

1. Modul sensor, merupakan modul untuk mengumpulkan data,

mengambil data biometrika pengguna dan mengolahnya menjadi

bentuk yang layak untuk proses pengolahan berikutnya.

2. Modul pemisahan ciri, yaitu modul untuk menghasilkan ciri unik dari

biometrika yang digunakan yang dapat membedakan seseorang

dengan yang lain. Modul ini akan mengubah data dari modul sensor

ke dalam representasi matematika yang diperlukan oleh modul

pencocokan.

3. Modul pencocokan, modul untuk menentukan tingkat

kesamaan/ketidaksamaan antara ciri biometrika yang diuji dengan ciri

biometrika acuan pada basisdata.


9

4. Modul keputusan, modul untuk memutuskan apakah pengguna yang

diuji diterima atau ditolak berdasarkan skor hasil pencocokan. Sah

atau tidak sahnya pengguna diputuskan berdasarkan suatu nilai

ambang (threshold).

5. Modul penyimpanan data, merupakan modul untuk mendaftarkan ciri

biometrika pengguna ke dalam basisdata acuan. Basisdata ini yang

akan digunakan sebagai acuan saat proses pengenalan.

2.2.2. Tahap-tahap Pengenalan Wajah

Dalam melakukan pengenalan wajah (face recognition), ada

beberapa tahapan proses yang harus dilalui, seperti :

Deteksi Wajah

Citra input

Pengenalan Wajah

Ekstraksi Ciri

Identifikasi / Verifikasi

simultan

Gambar 2.1 Susunan Proses Pengenalan Wajah

(disesuaikan dengan Zhao dan Chellapa, 2006: 5)


10

Deteksi wajah (face detection) merupakan proses awal yang harus

dilakukan pada citra input untuk mendeteksi adanya citra wajah di

dalam citra masukan. Namun, berdasarkan Gambar 2.1 tahap-tahap

proses pengenalan wajah dikelompokkan menjadi 2 bagian, yaitu

proses ekstraksi ciri dan proses pengenalan wajah (Zhao dan Chellapa,

2006). Proses deteksi wajah akan dilakukan bersama dalam proses

ekstraksi ciri. Hal ini dikarenakan dalam proses deteksi wajah

diperlukan ekstraksi ciri di dalam citra masukan yang akan mendeteksi

apakah citra masukan merupakan citra yang mengandung ciri wajah.

2.2.2.1 Pencarian Ciri / Ekstraksi Ciri

Secara umum, (Zhao dan Chellapa 2006) menjelaskan ada dua

macam ciri (feature) pada wajah, yaitu holistic features dan facial

feature. Facial feature contoh cirinya adalah warna dan bentuk,

besar dan letak hidung, mulut, mata, telinga, dan lain-lain.

Sedangkan pada holistic features setiap cirinya adalah merupakan

suatu karakteristik dari seluruh wajah. Wajah dianggap sebagai

kesatuan yang utuh.

Untuk melakukan ekstrak ciri pada wajah, (Zhao dan Chellapa,

2006) membedakan teknik pengenalan wajah menjadi tiga metode,

sebagai berikut :


11

Tabel 2.1 Kategori Teknik Pengenalan Wajah

Holistic methods

Principal Component Analysis

- Eigenfaces

- Probabilistic eigenfaces

- Fisherfaces

- SVM

- Evolution pursuit

- Feature line

- ICA

Gambaran lain

- LDA/FLD

- PDBNN

- Kernel faces

- Tensorfaces

Features-based methods

- Method Geometri Murni

- Arsitektur Dinamis

- Model Hidden Markov

- Konvolusi Jaringan Syaraf

Hybrid methods

- Modular eigenfaces

- Hybrid LFA

- Normalisasi Bentuk

- Dasar Komponen

(disesuaikan dengan Zhao dan Chellapa, hal. 15)

a. Holistic methods

Metode ini digunakan untuk menyelesaikan kasus holistic

features yaitu mencari informasi secara keseluruhan pada

wajah.


12

b. Features-based

Metode ini digunakan untuk menyelesaikan kasus facial

features yaitu mencari informasi berdasarkan ciri yang ada

pada wajah seperti hidung, mata, telinga, dan lain-lain.

c. Hybrid methods

Metode ini merupakan penggabungan dari metode holistic

methods dan features-based.

2.2.2.2 Proses Pengenalan Wajah

Proses pengenalan wajah atau biometrika yang lain merupakan

proses pencocokan yang digunakan untuk menentukan tingkat

kesamaan dan ketidaksamaan dua vektor ciri (Putra, 2009). Tingkat

kesamaan berupa suatu skor yang kemudian akan digunakan untuk

mengenali (mengklasifikasi) suatu vektor ciri apakah sah atau tidak

dengan membandingkannya dengan suatu nilai ambang (threshold

value).

2.3 Metode Eigenface

Metode Eigenface merupakan metode yang menggunakan teknik PCA

(lihat Tabel 2.1). Pengenalan citra wajah dengan metode Eigenface dilakukan

berdasarkan pada pengurangan dimensi ruang wajah dengan menggunakan

Principal Component Analysis (PCA) untuk memperoleh ciri wajah.


13

Pencarian ciri dari suatu wajah dilakukan dengan mencari eigenvalue dan

eigenvektor. Eigenvalue dapat disebut sebagai nilai karakteristik dari suatu

matriks. Sedangkan Eigenvector adalah vector karakteristik dari matriks yang

selalu bersesuaian dengan eigenvalue (Putra, 2009).

Pencarian eigenvalue pada matriks A berukuran n x n dapat dilakukan

dengan menggunakan rumus :

𝐴 .𝑥 = 𝜆 . 𝑥 (2.1)

Scalar λ dinamakan eigenvalue dari matriks A, sedangkan x merupakan

eigenvector yang bersesuaian dengan λ.

Dari persamaan (2.1), penyelesaiannya dengan mencari karakteristik equation

melalui determinan dari matriks A tersebut.

𝐴 − 𝐼𝜆 = 0 (2.2)

Pencarian eigenvector dapat dilakukan ketika nilai scalar λ sudah ditemukan,

pencarian eigenvector dengan menggunakan rumus :

𝐴 − λI . x = 0 (2.3)

2.4 Principal Component Analysis (PCA)

Principal Component Analysis (PCA) merupakan sebuah teknik dari

metode holistic methods (lihat Tabel 2.2). Di tahun 1933, Hotelling

mengajukan sebuah teknik untuk mengurangi dimensi sebuah ruang yang


14

direpresentasikan oleh variabel statistik x1, x2, … xn, dimana variabel tersebut

biasanya saling berkorelasi satu dengan yang lain. Selanjutnya Hotelling

menyebut metode tersebut sebagai Principal Component Analysis (PCA) atau

kadang juga Transformasi Hotelling atau disebut juga Transformasi

Karhunen-Loeve (Prasetyo dan Rahmatun, 2008).

Principal Components Analysis (PCA) digunakan untuk mereduksi

dimensi dari sekumpulan atau ruang gambar sehingga basis atau sistem

koordinat yang baru dapat menggambarkan model yang khas dari kumpulan

tersebut dengan lebih baik (Gunadi dan Pongsitanan, 2004). Tujuan utama

penggunaan metode PCA pada pengenalan wajah dengan menggunakan

eigenfaces adalah membentuk (ruang wajah) dengan cara mencari vektor

eigen yang berkoresponden dengan nilai eigen terbesar dari citra wajah.

Vektor eigen ini menyatakan posisi dari Principal Component dalam suatu

ruang dimensi n. Sebelum mengaplikasikan metode PCA dalam hal ini

mereduksi dimensi dari vektor fitur yang ada maka nilai eigen dari citra wajah

yang ada perlu diurutkan terlebih dahulu sehingga nantinya didapat nilai eigen

yang tereduksi yang diinginkan.

2.4.1. Proses Perhitungan PCA

Menurut (Turk dan Pentland, 1991) proses perhitungan PCA dapat

dilakukan dengan langkah-langkah sebagai berikut :


15

1. Mengambil satu set training citra wajah (M). Misalkan M berjumlah 8

buah citra wajah.

2. Inisialisasi r untuk tiap citra wajah dari set training. r adalah sebuah

vektor N2 x 1 berdasarkan matriks dari citra wajah yang berukuran

NxN seperti pada Gambar 2.3 berikut ini.

Gambar 2.2 Matriks N2 x 1

3. Menghitung rata-rata vektor citra wajah

𝑌 = 1

𝑀 𝑟𝑖

𝑀

𝑖=1

(2.4)

4. Melakukan normalisasi ukuran citra dengan melakukan pengurangan

vektor citra wajah dengan nilai rata-rata tersebut.

𝑄 = 𝑟𝑖 − 𝑌 (2.5)

5. Menghitung matriks kovarian

𝐶 = 1

𝑀 𝑄𝑛 𝑄𝑛

𝑇 = 𝐴 𝐴𝑇 (𝑚𝑎𝑡𝑟𝑖𝑘𝑠 𝑁2 𝑥 𝑁2)

𝑀

𝑛=1

(2.6)

Dimana A = [Q1 Q2 Q3 … QM ] (matriks N2

x M)


16

6. Dikarenakan ukuran matriks terlalu besar, maka pencarian matriks

kovarian menjadi :

𝐶 = 𝐴𝑇𝐴 (2.7)

7. Menghitung eigenvalue (λ) dan eigenvector (x) dari matriks kovarian

𝐶 = 𝐴𝑡 𝐴 .

8. Menghitung eigenvector sebanyak M dari matriks kovarian 𝐶 =

𝐴𝐴𝑡 dengan persamaan :

𝑢𝑖 = 𝐴. 𝑥𝑖 (2.8)

9. Melakukan normalisasi terhadap u menggunakan persamaan (2.11).

10. Mengumpulkan eigenvector sebanyak K (K berhubungan dengan

eigenvalue terbaik).

2.5 Metode Euclidean Distance

Metode Euclidean Distance merupakan metode yang sering digunakan

untuk menghitung kesamaan 2 buah vector (Putra, 2010). Pencarian jarak

antar kedua vector dapat dilihat pada persamaan di bawah ini :

𝑑𝑖𝑗 = (𝑥𝑖𝑘 − 𝑥𝑗𝑘 )2

𝑛

𝑘=1

(2.9)

Dari persamaan (2.9) masih harus mengalami normalisasi. Persamaan untuk

melakukan normalisasi sebagai berikut :


17

𝑑 𝑢,𝑣 = 𝑢𝑖 − 𝑣𝑖 2

𝑖

12

(2.10)

Dengan 𝑢𝑖 =𝑢𝑖

| 𝑢 | ,𝑣𝑖 =

𝑣𝑖

| 𝑣 | (2.11)

| 𝑣 | disebut norm atau normalisasi dari v yang dinyatakan sebagai :

𝑣 = 𝑣𝑖

2

𝑖

1/2

(2. 12)

Semakin kecil nilai𝑑 (𝑢,𝑣) maka semakin mirip kedua vector fitur

yang dicocokkan. Sebaliknya, semakin besar nilai 𝑑 (𝑢, 𝑣) maka semakin

berbeda kedua vector ciri tersebut. Sifat dari jarak Euclidean ternormalisasi

adalah bahwa hasilnya berada pada rentang 0 ≤ 𝑑 (𝑢, 𝑣) ≤ 2.


18

BAB III

ANALISA DAN PERANCANGAN SISTEM

Analisis dan perancangan sistem digunakan untuk menggambarkan sistem

yang akan dibangun, proses-proses yang dibutuhkan dalam penelitian, prosedur

pengambilan data, serta rancangan interface yang akan dibangun dalam sistem.

3.1 Analisis Data

3.1.1 Jenis Data

Data yang akan digunakan untuk menyelesaikan tugas akhir ini berupa

citra (image) dalam format *.jpg yang sudah otomatis merupakan format

citra digital dari kamera digital yang digunakan. Citra yang digunakan

merupakan citra wajah karyawan-karyawan Fakultas Sains dan Teknologi

Universitas Sanata Dharma Yogyakarta.

3.1.2 Prosedur Pengumpulan Data

Prosedur pengumpulan data dilakukan dengan melakukan

pengumpulan data primer. Pengumpulan data primer adalah pengumpulan

data yang diperoleh dari pengukuran langsung oleh peneliti yang bukan

berasal dari data yang telah ada. Pada tugas akhir ini, penulis melakukan

pengumpulan data dengan mengambil citra wajah karyawan Fakultas Sains


19

dan Teknologi (Universitas Sanata Dharma) dengan menggunakan kamera

digital yang memiliki resolusi 2736x3648 piksel dan webcam yang memiliki

resolusi 640x480 piksel. Beberapa nama karyawan Fakultas Sains dan

Teknologi yang akan diambil gambar wajahnya, adalah :

Tabel 3.1 Daftar Nama Karyawan Fakultas Sains dan Teknologi

NO. NAMA NIP

1. Dra.M.A. Titik Setyaningsih P.897

2. Erma Linda Santyas Rahayu P.1386

3. Intan Widanarko P.1505

4. Hardi Subarja P.1535

5. Petrus Sumardi P.1554

6. Yustinus Hastoro Nur Cahyoadi P.1555

7. Rusdanang Ali Basuni P.1751

8. Fransiscus Xaverius Surya Asih Subrata P.1869

9. Emanuel Bele Bau P.1944

10. Ignatius Tri Widaryanta P.2000

11. Leander Adik Tri Sulistiono P.2172

12. Catharina Maria Sri Wijayanti, S.Pd P.2175

13. Agustinus Rony Windaryawan P.2216

14. Susilo Dwiratno P.2218

15. Zaerilus Tukija P.1604

Untuk setiap karyawan citra wajah akan diambil sebanyak 21 kali,

yang kemudian akan terbagi dalam 2 bagian yaitu 14 citra wajah

digunakan sebagai data training dan 7 citra wajah sebagai data testing.

Hal serupa diberlakukan untuk seluruh karyawan, sehingga jumlah data


20

training dari 15 karyawan adalah 210 citra, sedangkan data testing

berjumlah 105 citra. Citra wajah tersebut masing-masing berdimensi

100x100 piksel yang kemudian akan diubah menjadi vektor kolom

berukuran 10.000x1. Oleh karena proses tersebut, data training akan

menjadi matriks dari kumpulan vektor yang telah terbentuk sehingga

menjadi matriks berukuran 10.000x210 dan untuk data testing menjadi

matriks berukuran 10.000x105. Data training akan mengalami proses

pelatihan data, sedangkan data testing akan mengalami beberapa proses

awal. Data testing kemudian akan diujikan terhadap data training,

sehingga akan diperoleh akurasi sistem.

3.2 Perancangan Sistem Secara Umum

Sistem pengenalan wajah harus dapat mengenali/mengidentifikasi sebuah

citra masukan dengan mencocokkannya/membandingkannya dengan file wajah

yang telah tersimpan sebelumnya pada suatu database. Hasil pencocokan

tersebut berupa informasi yang menyatakan bahwa citra masukan sesuai dengan

salah satu ciri wajah pada database wajah.

Perancangan sistem merupakan gambaran mengenai alur kerja / proses-

proses yang akan dilakukan oleh sistem. Perancangan sistem untuk aplikasi

pengenalan wajah ditunjukkan pada Gambar 3.1.


21

File wajah karyawan

webcam

Citra wajah

masukan

Interface

pengguna

Hasil

pengenalan

Citra wajah training

Proses

pengenalan

Proses training

(Perhitungan eigenface)Pemrosesan awal

Reshape matriks

Gambar 3.1 Gambaran Umum Proses Pengenalan Wajah

Keterangan :

1. Dengan menggunakan webcam, proses yang dilakukan adalah mengambil

citra wajah seseorang. Hasil capture tersebut akan menjadi sebuah citra

masukan.

2. File wajah karyawan merupakan sebuah data store yang akan menyimpan

citra wajah masukan di dalam suatu file dan terpisah dari database citra

wajah training.

3. Pemrosesan awal merupakan proses mengubah citra masukan RGB menjadi

citra grayscale.

4. Proses reshape matriks merupakan proses mengubah matriks dari citra

masukan menjadi vector kolom. Namun, untuk citra masukan yang ukuran

matriksnya lebih besar dai 100x100 piksel akan di-resize terlebih dahulu

menjadi matriks berukuran 100x100 piksel kemudian dilakukan reshape

matriks.


22

5. Proses pengenalan merupakan proses mencari kesamaan ciri antara citra

masukan dengan nilai eigenface yang telah didapat dari proses pelatihan.

6. Database citra wajah training berupa kumpulan data wajah karyawan yang

akan digunakan untuk proses pelatihan (training).

7. Proses pelatihan (training) merupakan proses untuk mendapatkan

eigenfaces dari citra wajah training.

8. Hasil pengenalan berupa informasi yang menyatakan bahwa citra masukan

memiliki kesamaan ciri dengan salah satu citra wajah dari file wajah

karyawan.

9. Interface pengguna digunakan untuk menampilkan hasil dari proses

pengenalan wajah (recognition).

3.2.1 Use case

Terdapat satu pengguna pada sistem ini, yaitu karyawan.

Karyawan dapat melakukan fungsi memilih citra wajah, dan melakukan

proses pengenalan wajah. Digaram use case untuk sistem pengenalan

wajah, sebagai berikut :


23

Karyawan

SISTEM PENGENALAN WAJAH

KARYAWAN

Memilih Citra Wajah

Melakukan Proses

Pengenalan

«extends»

Gambar 3.2 Use Case

3.2.2 Gambaran Sistem

Sistem pengenalan wajah dilakukan melalui beberapa proses.

Pengguna (karyawan) dapat memilih citra wajah yang akan dicocokkan.

Citra wajah yang dipilih oleh pengguna (karyawan) dan kumpulan citra

wajah untuk pelatihan akan mengalami proses awal, yaitu deteksi wajah

dan normalisasi ukuran citra. Kemudian menuju proses pencarian ciri

dari citra wajah tersebut. Proses pengenalan wajah dilakukan dengan

mencari jarak minimum dari vektor ciri yang dihasilkan oleh citra

masukan dan kumpulan citra hasil pelatihan. Gambaran mengenai proses-

proses pengenalan dapat dilihat pada Gambar 3.3.


24

Citra wajah Citra wajah

Proses awal Proses awal

Reshape matriksEkstrak ciri

(Metode Eigenface)

Perhitungan jarak

(Euclidean Distance)

Tampilan hasil

pengenalan

(a)

(b)

Gambar 3.3 Gambaran Umum Sistem Pengenalan Wajah. (a) Proses pelatihan

model menggunakan data training, (b) Proses pengenalan (testing)

3.3 Perancangan Pelatihan Data

Data citra wajah yang diperoleh sebanyak 21 buah citra untuk tiap

karyawan, sehingga jumlah data citra wajah yang diperoleh ada 315 citra.

Pelatihan data dilakukan untuk mencari ciri wajah dari kumpulan citra yang

sudah terkumpul. Untuk melakukan pelatihan data, ada tiga tahap yang harus

dilakukan yaitu proses awal, ekstrak ciri, dan proses pengujian.


25

3.3.1 Proses Awal

Pada proses pelatihan data, deteksi wajah tidak dilakukan menjadi suatu

proses tersendiri, melainkan proses deteksi wajah akan dilakukan bersamaan

dengan proses ekstrak ciri. Hal tersebut dikarenakan pengambilan data citra

wajah karyawan sudah dilakukan dengan menggunakan latar belakang

(background) gambar yang sama dan diambil dengan kamera digital yang

memiliki resolusi yang sama (misal: 2736x3748 piksel).

Proses awal ini hanya akan mengubah citra wajah RGB menjadi citra

wajah grayscale. Hal ini dimaksudkan untuk memudahkan proses

perhitungan yang akan dilakukan pada proses ekstrak ciri. Rangkaian proses

pada proses awal dapat dilihat pada Gambar 3.4.

Citra Wajah RGB ke

grayscale

Citra wajah hasil

proses awal

Gambar 3.4 Proses Awal

3.3.2 Ekstraksi Ciri

Proses ekstraksi ciri atau pencarian ciri dapat dilakukan terhadap citra

wajah yang telah mengalami pemrosesan awal. Langkah-langkah yang harus

dilakukan adalah sebagai berikut :

1. Mengambil satu set data training (M) yang sudah mengalami proses

awal. Mengenai satu set data training dapat dilihat pada sub bab (3.3.3

Proses Pengujian).


26

2. Mentransformasikan matriks NxN menjadi sebuah vektor kolom untuk

tiap citra. Misal (M) ada 3 buah citra wajah training.

𝑖𝑚𝑎𝑔𝑒1 = 5 13 8

− −> 𝑟1 =

𝑖𝑚𝑎𝑔𝑒2 = 4 72 9

− −> 𝑟2 =

𝑖𝑚𝑎𝑔𝑒3 = 1 23 4

− −> 𝑟3 =

Hasil transformasi tersebut kemudian dijadikan sebuah matriks,

sehingga diperoleh ukuran matriks N2

x M.

S =

3. Mencari rata-rata vektor citra wajah menggunakan persamaan (2.4)

𝑌1 = 5 + 4 + 1

3=

10

3= 3,33

𝑌2 = 1 + 7 + 2

3=

10

3= 3,33

𝑌3 = 3 + 2 + 3

3=

8

3= 2,66

𝑌4 = 8 + 9 + 4

3=

21

3= 7

5

1

3

8

4

7

2

9

1

2

3

4

5 4 1

1 7 2

3 2 3

8 9 4


27

Sehingga didapat sebuah vektor Y =

4. Mengurangi vektor citra wajah dengan nilai rata-rata tersebut

menggunakan persamaan (2.5)

5 3,33 1.67

Q1 = 1 - 3,33 = -2.33

3 2,66 0.34

8 7 1

4 3,33 0.67

Q2 = 7 - 3,33 = 3.67

2 2,66 -0.66

9 7 2

1 3,33 -2.33

Q3 = 2 - 3,33 = -1.33

3 2,66 0.34

4 7 -3

Dari perhitungan tersebut, Q1 Q2 Q3 digabung menjadi suatu matriks A.

1.67 0.67 -2.33

A= -2.33 3.67 -1.33

0.34 -0.66 0.34

1 2 -3

5. Menghitung matriks kovarian menggunakan persamaan (2.7)

𝐶 = 𝐴𝑡𝐴

3,33

3,33

2,66

7


28

1.67 -2.33 0.34 1 1.67 0.67 -2.33

C= 0.67 3.67 -0.66 2 . -2.33 3.67 -1.33

-2.33 -1.33 0.34 -3 0.34 -0.66 0.34

1 2 -3

9.3334 -5.6566 -3.6766

C= -5.6566 18.3534 -12.6666

-3.6766 -12.6666 16.3134

6. Menghitung eigenvalue dengan menggunakan persamaan (2.2) dan

eigenvektor dengan menggunakan persamaan (2.3) dari matriks kovarian

𝐶 = 𝐴𝑡 𝐴

Untuk memudahkan perhitungan eigenvalue dan eigenvector, maka nilai

C akan diubah (hanya untuk memudahkan perhitungan).

2 0 1

C= -1 4 -1

-1 2 0

Dengan menggunakan persamaan (2.2), maka terbentuk matriks

determinan seperti di bawah ini :

(2 − 𝜆) 0 1

-1 (4 − 𝜆) -1 = 0

-1 2 −𝜆

Dari matriks determinan yang terbentuk, maka perhitungannya menjadi

seperti berikut :


29

((2 - 𝜆)*(4 -𝜆) (-𝜆) – (2) (-1)) – (0*(-1) (-𝜆 ) – (-1) (-1)) + (1*(-1)

(2) – (4 - 𝜆 ) (-1)) = 0

2 − 𝜆 −4𝜆 + 𝜆2 + 2 – 0 + −𝜆 + 2 = 0

2 − 𝜆 (𝜆2 − 4𝜆 + 2 + 1 = 0

2 − 𝜆 𝜆2 − 4𝜆 + 3 = 0

2 − 𝜆 (𝜆 − 1)(𝜆 − 3) = 0

𝜆1 = 2 𝜆2 = 1 𝜆3 = 3

Nilai 𝜆1, 𝜆2, 𝜆3 merupakan eigenvalue yang diperoleh matriks C.

Eigenvalue yang sudah diperoleh akan digunakan untuk mencari

eigenvector dengan menggunakan persamaan (2.3)

Untuk 𝜆1 = 2

(2 − 2) 0 1

−1 (4 − 2) −1−1 2 −2

𝑥1

𝑥2

𝑥3

= 0

0 0 1

−1 2 −1−1 2 −2

𝑥1

𝑥2

𝑥3

= 0

Sehingga diperoleh persamaan seperti berikut :

𝑥3 = 0

−𝑥1 + 2𝑥2 − 𝑥3 = 0

−𝑥1 + 2𝑥2 − 2𝑥3 = 0

Karena 𝑥3 bernilai 0, maka untuk 𝑥1 dan 𝑥2 dicari dengan

menyelesaikan persamaan −𝑥1 + 2𝑥2 − 𝑥3 = 0 menjadi


30

−𝑥1 + 2𝑥2 = 0 sehingga diperoleh bahwa 𝑥1 = 2𝑥2.

Eigenvector yang tebentuk 2𝑥2

𝑥2

0

, nilai yang mendekati adalah

𝑥1 = 210

Untuk 𝜆2 = 1

(2 − 1) 0 1

−1 (4 − 1) −1−1 2 −1

𝑥1

𝑥2

𝑥3

= 0

1 0 1

−1 3 −1−1 2 −1

𝑥1

𝑥2

𝑥3

= 0


𝑥1 + 𝑥3 = 0 −→ 𝑥1 = −𝑥3

−𝑥1 + 3𝑥2 − 𝑥3 = 0

−𝑥1 + 2𝑥2 − 𝑥3 = 0

Karena 𝑥1 = −𝑥3 , maka untuk 𝑥2 dicari dengan menyelesaikan

persamaan −𝑥1 + 3𝑥2 − 𝑥3 = 0 dan −𝑥1 + 2𝑥2 − 𝑥3 = 0

menjadi 𝑥3 + 3𝑥2 − 𝑥3 = 0 dan 𝑥3 + 2𝑥2 − 𝑥3 = 0 sehingga

kedua persamaan tersebut saling dieliminasi seperti berikut :

𝑥3 + 3𝑥2 − 𝑥3 = 0

𝑥3 + 2𝑥2 − 𝑥3 = 0

-

𝑥2 = 0


31

Eigenvector yang tebentuk

−𝑥3

0𝑥3


𝑥2 = −101

Untuk 𝜆3 = 3

(2 − 3) 0 1

−1 (4 − 3) −1−1 2 −3

𝑥1

𝑥2

𝑥3

= 0

−1 0 1−1 1 −1−1 2 −3

𝑥1

𝑥2

𝑥3

= 0


−𝑥1 + 𝑥3 = 0 −→ 𝑥3 = 𝑥1

−𝑥1 + 𝑥2 − 𝑥3 = 0

−𝑥1 + 2𝑥2 − 3𝑥3 = 0

Karena 𝑥3 = 𝑥1 , maka untuk 𝑥2 dicari dengan menyelesaikan

persamaan −𝑥1 + 𝑥2 − 𝑥3 = 0 dan −𝑥1 + 2𝑥2 − 3𝑥3 = 0

menjadi −𝑥1 + 𝑥2 − 𝑥1 = 0 dan −𝑥1 + 2𝑥2 − 3𝑥1 = 0

sehingga kedua persamaan tersebut saling dieliminasi seperti

berikut :

−𝑥1 + 𝑥2 − 𝑥1 = 0 −→ −2𝑥1 + 𝑥2 = 0

−𝑥1 + 2𝑥2 − 3𝑥1 = 0 −→ −4𝑥1 + 2𝑥2 = 0

-

2𝑥1 = 𝑥2


32

Eigenvector yang tebentuk

𝑥1

2𝑥1

𝑥1


𝑥3 = 121

7. Menghitung eigenvector sebanyak M dari matriks kovarian 𝐶 = 𝐴 𝐴𝑡

dengan persamaan (2.8)

𝑢𝑖 = 𝐴. 𝑥𝑖

1.67 0.67 -2.33 2 4.01

𝑢1= -2.33 3.67 -1.33 . 1 = -0.99

0.34 -0.66 0.34 0 0.02

1 2 -3 4

1.67 0.67 -2.33 -1 4

𝑢2= -2.33 3.67 -1.33 . 0 = 2

0.34 -0.66 0.34 1 0

1 2 -3 -4

1.67 0.67 -2.33 1 0.68

𝑢3= -2.33 3.67 -1.33 . 2 = 3.68

0.34 -0.66 0.34 1 2

1 2 -3 2

8. Melakukan normalisasi terhadap u yang diperoleh menggunakan

persamaan (2.12)


33

𝑢1 = (4.01)2 + (−0.99)2 + (0.22)2 + (4)2 = 5.75

𝑢2 = (4)2 + (2)2 + (0)2 + (−4)2 = 6

𝑢3 = (0.68)2 + (3.68)2 + (2)2 + (2)2 = 2.45

9. Mengumpulkan eigenvector sebanyak K (K berhubungan dengan

eigenvalue terbaik). Eigenvalue dan eigenvector diurutkan dari besar ke

kecil. Berdasarkan perhitungan yang telah dilakukan, maka diperoleh

eigenvalue terbaik sebanyak tiga buah, sehingga K=3.

Eigenvalue Eigenvector

𝜆3 = 3 0.68

3.68

2

2

𝜆1 = 2 4.01

-0.99 0.02

4

𝜆2 = 1 4

2 0

-4

10. Memproyeksikan Qi ke dalam eigenspace dengan persamaan 𝑤𝑗 = 𝑢𝑗𝑇𝑄𝑖

0.68 3.68 2 2 1.67

𝑤1= . -2.33 = -4.7588

0.34

1


34

0.68 3.68 2 2 0.67

. 3.67 = 16.6412

-0.66

2

0.68 3.68 2 2 -2.33

. -1.33 = -11.7988

0.34

-3

4.01 -0.99 -0.02 4 1.67

𝑤2= . -2.33 = 12.9286

0.34

1

4.01 -0.99 -0.02 4 0.67

. 3.67 = 7.1986

-0.66

2

4.01 -0.99 -0.02 4 -2.33

-1.33 = -20.1014

0.34

-3


35

4 2 0 -4 1.67

𝑤3= . -2.33 = -1.98

0.34

1

4 2 0 -4 0.67

. 3.67 = 2.02

-0.66

2

4 2 0 -4 -2.33

-1.33 = 0.02

0.34

-3

11. Merepresentasikan wi ke dalam sebuah vector.

3.3.3 Proses Pengujian

Proses pengujian dilakukan untuk menguji keakuratan dan keberhasilan

sistem pengenalan wajah. Sebelum melakukan pengujian, keseluruhan data

yang diperoleh akan diklasifikasi. Proses klasifikasi dilakukan

-4.7588 12.9286 -1.98

Ωl = 16.6412 7.1986 2.02

-11.7988 -20.1014 0.02


36

menggunakan metode 3-fold cross validation, yaitu membagi keseluruhan

data menjadi 3 bagian.

Setiap karyawan memiliki 21 data citra wajah. Dari 21 data tersebut

dibagi ke dalam 3 bagian seperti berikut :

Tabel 3.2 Pengelompokkan Data

Karyawan ke- A

Citra wajah ke-

B

Citra wajah ke-

C

Citra wajah ke-

1 1-7 8-14 15-21

2 1-7 8-14 15-21

3 1-7 8-14 15-21

… 1-7 8-14 15-21

15 1-7 8-14 15-21

Setelah keseluruhan data dikelompokkan, tahap berikutnya adalah

melakukan kombinasi pengujian. Untuk 3 kelompok data tersebut akan

menghasilkan 3 kombinasi pengujian.

A CB

Group Data

A B

A C

B C

C

B

A

Training Data

1

3

2

Gambar 3.5 Kombinasi Pengujian


37

Hasil kombinasi pengujian tersebut berlaku untuk seluruh karyawan.

Pada setiap kombinasi, akan dilakukan pengujian (testing) 7 citra wajah

terhadap 14 citra wajah pelatihan (data training). Karena hal tersebut

berlaku untuk seluruh karyawan, maka pada setiap kombinasi terdapat 14

citra x 15 karyawan (210 citra wajah pelatihan) dan 7 citra x 15 karyawan

(105 citra wajah testing).

Pengujian dilakukan berdasarkan metode eigenface yang digunakan.

Data testing sebanyak 105 citra wajah akan diujikan terhadap data pelatihan.

Dari pengujian tersebut akan diperoleh jumlah citra yang benar dan jumlah

yang salah sehingga diperoleh 3 hasil pengujian dari 3 kombinasi tersebut.

Perhitungan jumlah benar dan salah akan disajikan dalam bentuk persen,

sehingga perhitungan tersebut akan dilakukan sebagai berikut :

𝑐𝑜𝑟𝑟𝑒𝑐𝑡 = 𝑏𝑒𝑛𝑎𝑟

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔∗ 100%

𝑒𝑟𝑟𝑜𝑟 = 𝑠𝑎𝑙𝑎ℎ

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑡𝑒𝑠𝑡𝑖𝑛𝑔∗ 100%

Rancangan tabel pengujian data training dapat dilihat pada Tabel 3.3.

Tabel 3.3 Tabel Rancangan Pengujian Data training

No Kelompok

Training

Kelompok

Testing

Correct rate Error rate

1 A B C

2 A C B

3 B C A


38

3.4 Perancangan Proses Pengenalan Wajah

Proses pengenalan wajah melibatkan suatu citra masukan. Citra

masukan dapat berupa citra yang diambil dari kamera/webcam atau dapat

diambil dari data yang telah tersimpan sebelumnya.

Untuk memudahkan proses pengenalan, citra masukan diambil dari

database wajah yang sudah diperoleh sebelumnya.

Langkah-langkah yang harus dilakukan untuk proses pengenalan wajah, antara

lain :

1. Mengambil suatu citra wajah dari database wajah.

2. Melakukan proses awal terhadap citra masukan. Proses awal yang dilakukan

telah dijelaskan sebelumnya pada sub bab perancangan pelatihan data.

3. Mengubah citra masukan yang berupa matriks berdimensi NxN menjadi

vector kolom r.

𝑐𝑖𝑡𝑟𝑎 𝑚𝑎𝑠𝑢𝑘𝑎𝑛 = 2 46 8

−→ 𝑟 =

4. Melakukan normalisasi r. Normalisasi dilakukan dengan melakukan

pengurangan r dengan Y dari pelatihan data.

2 3,33 -1.33

Q= 4 - 3,33 = 0.67

6 2,66 3.34

8 7 1

2

4

6

8


39

5. Memproyeksikan Q ke dalam eigenspace.

𝑤𝑖 = 𝑢𝑖𝑇𝑄 dengan ui sebanyak K pada pelatihan data.

0.68 3.68 2 2 -1.33

𝑤1= . 0.67 = 10.2412

3.34

1

4.01 -0.99 0.02 4 -1.33

𝑤2= . 0.67 = -1.9265

3.34

1

4 2 0 -4 -1.33

𝑤3= . 0.67 = -7.98

3.34

1

6. Merepresentasikan nilai wi ke dalam sebuah vector.

7. Melakukan pencocokan citra masukan dengan citra pelatihan menggunakan

metode Euclidean Distance menggunakan persamaan (2.8). Sebelum

10.2412

Ω = -1.9265

-7.98


40

mencari jarak terhadap dua vector tersebut, maka akan dilakukan

normalisasi nilai vector tersebut menggunakan persamaan (2.12).

Ω = 𝑣𝑖2

𝑖

1/2

= (10.2412)2 + (−1.9265)2 + (−7.98)2 = 13.1253

ΩL1 = 𝑣𝑖2

𝑖

12

= −4.7588 2 + 16.6412 2 + −11.7988 2

= 20.9473

ΩL2 = 𝑣𝑖2

𝑖

12

= 12.9286 2 + 7.1986 2 + −20.1014 2

= 24.9607

ΩL3 = 𝑣𝑖2

𝑖

12

= −1.98 2 + 2.02 2 + 0.02 2 = 2.8286

Setelah melakukan normalisasi nilai vector, kemudian menyelesaikan

persamaan (2.11) seperti berikut :

Ω = 10.2412

13.1253,−1.9265

13.1253,

−7.98

13.1253 = [0.78, −0.15, −0.61]

ΩL1 =

−4.7588

13.9182,12.9286

13.9182,

−1.98

13.9182 = [−0.2272; 0.7944; −0.5633]

ΩL2 =

16.6412

18.2436,

7.1986

18.2436,

2.02

18.2436 = 0.5180; 0.2884; −0.8053

ΩL3 =

−11.7988

23.3083,−20.1014

23.3083,

0.02

23.3083 = [−0.7; 0.7141; 0.007]


41

Tahap terkahir metode Euclidean ini adalah mencari jarak kedua vector

yang telah ternormalisasi seperti berikut :

𝑑 𝑢, 𝑣 = 0.78 + 0.2272 2 + −0.15 − 0.7944 2 + −0.61 + 0.5633 2

= 1.3815

𝑑 𝑢, 𝑣 = 0.78 − 0.5180 2 + −0.15 − 0.2884 2 + −0.61 + 0.8053 2

= 0.5468

𝑑 𝑢, 𝑣 = 0.78 + 0.7 2 + −0.15 − 0.7141 2 + −0.61 − 0.007 2

= 1.8215

Dari perhitungan pencarian jarak tersebut, maka dapat diketahui bahwa nilai

yang bernilai paling kecil yaitu 𝑑 𝑢, 𝑣 = 0.5468 menunjukkan bahwa citra

wajah masukkan memiliki ciri yang mendekati dengan citra wajah kedua

dari citra wajah training.

3.5 Perancangan Antarmuka

Antarmuka sistem terdiri dari 3 tampilan yaitu tampilan proses pengenalan

wajah, tampilan cara menggunakan sistem, dan tampilan tentang program.

Sistem ini memiliki 3 menu, yaitu menu File, Help dan About. Pada menu File,

terdapat 2 submenu yaitu Open Image dan Exit. Pada menu Help hanya terdapat

satu submenu yaitu System Help. Pada menu About juga hanya terdapat satu

submenu yaitu About Program. Desain tampilan sistem disajikan sebagai

berikut :


42

3.5.1 Tampilan Proses Pengenalan Wajah

Pada tampilan ini, terdapat 2 panel yaitu panel Image Input dan Image

Similarity. Panel Image Input digunakan untuk menampilkan citra wajah

yang akan digunakan pada proses pengenalan. Panel Image Similarity

digunakan untuk menampilkan citra wajah dari proses training yang

memliki kesamaan ciri dengan citra wajah masukan. Tombol Recognition

digunakan untuk melakukan proses pengenalan wajah. Di bagian bawah

terdapat teks field yang akan memberikan informasi mengenai tingkat

kemiripan antara citra wajah masukan dan citra wajah training. Terdapat

pula tombol Refresh untuk mengkosongkan panel dan teks field dari proses

yang telah dilakukan sebelumnya. Perancangan tampilan proses pengenalan

wajah disajikan pada Gambar 3.6.

X-

File Help About

SISTEM PENGENALAN WAJAH KARYAWAN

Image Input Image Similarity

RECOGNITION

Tingkat Kemiripan : REFRESH

Gambar 3.6 Tampilan antarmuka proses pengenalan wajah


43

3.5.2 Tampilan Menu File

Perancangan tampilan menu File disajikan pada Gambar 3.7 sebagai

berikut :

X-

Help AboutFile

Open Image Ctrl+O

Exit Ctrl+Q


Gambar 3.7 Tampilan antarmuka Menu File

3.5.3 Tampilan Menu Help

Perancangan tampilan menu Help disajikan pada Gambar 3.8 sebagai

berikut :

X-

File AboutHelp

System Help


Gambar 3.8 Tampilan antarmuka Menu Help

3.5.4 Tampilan Menu About

Perancangan tampilan menu About disajikan pada Gambar 3.9 sebagai

berikut :


44

X-

File Help About

About Program


Gambar 3.9 Tampilan antarmuka Menu About

3.5.5 Tampilan Open Image

Tampilan ini merupakan submenu dari menu File. Pada tampilan ini,

pengguna dapat memilih citra wajah yang akan digunakan untuk proses

pengenalan dengan mengakses folder-folder yang ada pada komputer. Pada

tampilan ini juga terdapat dua buah tombol, yaitu tombol Open dan Cancel.

Open berfungsi untuk membuka gambar yang sudah dipilih dan Cancel

berfungsi untuk membatalkan proses memilih gambar dan kembali ke

tampilan sebelumnya. Perancangan tampilan submenu Open Image

disajikan pada Gambar 3.10 sebagai berikut :

X-Select image that you want to recognition

My Recent

Document

My Network

Places

My

Computer

My

Document

Desktop

Look in :

File Name :

File Type :

Open

Cancel

Gambar 3.10 Tampilan antarmuka Open Image


45

3.5.6 Tampilan Cara Menggunakan Sistem

Tampilan ini memberikan informasi mengenai cara menggunakan

sistem. Perancangan tampilan submenu System Help disajikan pada Gambar

3.11 sebagai berikut :

Cara Menggunakan Sistem :

1. Masukkan foto wajah dengan memilih

submenu Open Image pada menu File

2. Tekan tombol Recognition

3. Tekan tombol Refresh untuk mengkosongkan (clear)

item-item di dalam figure

X-System Help


Gambar 3.11 Tampilan antarmuka System Help

3.5.7 Tampilan Tentang Program

Tampilan ini memberikan informasi tentang program yang dibuat.

Perancangan tampilan submenu System Help disajikan pada Gambar 3.12

sebagai berikut :

Penerapan Face Recognition Menggunakan Metode Eigenface Pada Sistem

Presensi Karyawan Universitas Sanata Dharma

Dibuat oleh : Yunita Wahayuning Putri

NIM : 085314082

PRODI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI


X-About Program


Gambar 3.12 Tampilan antarmuka Tentang Program


46

BAB IV

IMPLEMENTASI DAN PENGUJIAN

Implementasi dengan menggunakan Matlab 7.1 pada komputer dengan

spesifikasi processor Intel Core i5 , RAM 2GB , VGA NVidia , dan Harddisk 640GB.

4.1 Implementasi Pelatihan Data

4.1.1 Implementasi Pemrosesan Awal

Pemrosesan awal berfungsi untuk mengubah citra RGB menjadi

grayscale. Proses ini dilakukan terhadap seluruh data training. Sebelum

melakukan pemrosesan awal, file yang berisi database citra wajah akan

dipanggil terlebih dahulu. Sebagai contoh, file yang akan digunakan yaitu

“kombinasi1.txt”. Proses ini dilakukan dengan menggunakan sintaks pada

Matlab yaitu :

fidA=fopen('kombinasi1.txt'); readA=textscan(fidA, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); strA=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',readB1,i1,1,'.jpg')); imgTrain=strA; imgTrain=rgb2gray(imgTrain);


47

Berikut merupakan contoh citra wajah training yang diubah menjadi

grayscale :

Gambar 4.1 Pemrosesan Awal

4.1.2 Implementasi Proses Ekstraksi Ciri

Ekstrak ciri dilakukan dengan menggunakan metode eigenface.

Implementasi ekstrak ciri dilakukan dengan :

1. Mentransformasikan matriks NxN menjadi vektor kolom untuk tiap citra

wajah yang telah mengalami pemrosesan awal. Untuk proses ektraks ciri

pada pelatihan data, jumlah data training yang digunakan sebanyak 210

citra wajah.Sintaks pada Matlab :

jumTrain=210; STrain=[]; %matriks yang menampung vektor kolom citra training for i=1:jumTrain strA=imread(strcat(F:\KULIAH\TA meme_JUNI\data kamera\',readB1,i1,1,'.jpg')); imgTrain=strA; [imgTrain=rgb2gray(imgTrain); [irowTrain icolTrain]=size(imgTrain); %mendapatkan jumlah baris dan kolom dr citra training r=reshape(imgTrain,irowTrain*icolTrain,1); %mengubah matriks menjadi vektor kolom (N^2 x 1) r=im2double(r); STrain=[STrain r]; end


48

2. Melakukan normalisasi ukuran citra dengan melakukan pengurangan

vector kolom dari citra wajah dengan nilai rata-rata vektor wajah.

Sintaks pada Matlab :

%melakukan normalisasi ukuran citra y=[]; for i=1:size(STrain,1) penjumlahan=sum(STrain(i,:)); avg=penjumlahan/jumTrain; y=[y; avg]; end Q=[]; for i=1:size(STrain,2) r=STrain(:,i); pengurangan=r-y; Q=[Q pengurangan]; end

3. Mencari matriks kovarian dengan menggabungkan matriks Q ke dalam

matriks A.

A=[]; for i=1:jumTrain r=Q(:,i); A=[A r]; end %mencari Covariance matrix C=A'A C=A'*A;

4. Menghitung eigenvalue dan eigenvector dari matriks kovarian yang

diperoleh dengan memanggil sebuah function pada Matlab.

[eigenvector eigenvalue]=eig(C);

5. Melakukan eliminasi eigenvalue untuk mengeliminasi eigenvalue yang

bernilai 0 atau negatif.

%Mengurutkan dan mengeliminasi eigenvalue eigvector=[]; eigvalue=[];


49

for i=1:size(eigenvector,2) if(eigenvalue(i,i)>1e-4) eigvector=[eigvector eigenvector(:,i)]; eigvalue=[eigvalue eigenvalue(i,i)]; end end

6. Menghitung eigenfaces dari eigenvector yang terbentuk setelah proses

pengurutan dan eliminasi.

%Eigenfaces dari matriks kovarian u=[]; for i=1:size(eigvector,2) %r=sqrt(eigvalue(i)); u=[u (A*eigvector(:,i))]; end

7. Melakukan normalisasi terhadap eigenfaces yang diperoleh.

%Normalisasi eigenfaces for i=1:size(u,2) kk=u(:,i); r=sqrt(sum(kk.^2)); u(:,i)=u(:,i)./r; end

8. Mencari bobot dari masing-masing citra wajah training yaitu dengan

memproyeksikan Qi ke dalam eigenspace dengan persamaan =

% mencari bobot tiap wajah dari data training omega = []; for h=1:size(A,2) WW=[]; for i=1:size(u,2) t = u(:,i)'; WeightOfImageTrain = dot(t,A(:,h)'); WW = [WW; WeightOfImageTrain]; end omega = [omega WW]; end


50

4.1.3 Implementasi Proses Pengujian

Untuk melakukan pengujian, data citra wajah dibagi ke dalam 3 group

kombinasi. Pengelompokkan dilakukan menggunakan metode 3-fold cross

validation. Pada tiap kombinasi, 1 grup akan diujikan terhadap 2 grup yang

lain. Citra wajah yang telah dikelompokkan disimpan dalam notepad

sehingga saat akan dilakukan pengujian, data teks tersebut dipanggil.

Sintaks pada Matlab sebagai berikut:

fidA=fopen('kombinasi1.txt'); readA=textscan(fidA, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); fileA=fopen('kombinasi1.txt'); bacaA=textscan(fileA, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membuka dan menscan database dari notepad untuk grup B fidB=fopen('kombinasi2.txt'); readB=textscan(fidB, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ',');


51

fileB=fopen('kombinasi2.txt'); bacaB=textscan(fileB, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membuka dan menscan database dari notepad untuk grup C fidC=fopen('kombinasi3.txt'); readC=textscan(fidC, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); fileC=fopen('kombinasi3.txt'); bacaC=textscan(fileC, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ',');

Proses pengujian dilakukan dengan membaca salah satu file teks

tersebut. Citra wajah yang menjadi input akan dibaca dan akan mengalami

pemrosesan awal. Setelah mengalami pemrosesan awal, citra wajah

masukan akan diubah menjadi vektor kolom yang kemudian akan dilakukan

pengurangan terhadap nilai tengah dari citra wajah training.


52

testA=imread(strcat(F:\KULIAH\TA meme_JUNI\data kamera\',bacaB1,z1,1,'.jpg')); imgTest=rgb2gray(testA); [rowTest colTest]=size(imgTest); rTest=reshape(imgTest,rowTest*colTest,1); rTest=im2double(rTest); %menghitung mean dari citra input Difference=rTest-y;

Hasil pengurangan tersebut disimpan dalam variabel Difference.

Variabel tersebut akan digunakan untuk proses pencarian bobot dari citra

wajah masukan terhadap citra wajah training.

%menghitung bobot data testing InImWeightTest = []; for i=1:size(u,2) tA = u(:,i)'; WeightOfInputImageTest =dot(tA,Difference'); InImWeightTest=[InImWeightTest; WeightOfInputImageTest]; end

Pencarian bobot tersebut disimpan dalam matriks InImWeightTest

yang kemudian akan digunakan untuk perhitungan jarak Euclidean.

Perhitungan jarak Euclidean tersebut digunakan untuk mencari kemiripan

antara citra wajah masukan dengan citra wajah training. Sebelum proses

pencarian jarak minimum dilakukan, kumpulan vektor omega dari proses

pelatihan dan vektor InImWeightTest akan dinormalisasi terlebih dahulu.

Proses normalisasi ini bertujuan untuk menghasilkan nilai kemiripan yang

bernilai 0 ≤ du, v≤ 2. Setelah kedua vektor tersebut dinormalisasi,

proses selanjutnya adalah perhitungan jarak menggunakan Euclidean

Distance.


53

%normalisasi bobot citra masukan normInImWeightTest=norm(InImWeightTest); omegaInImage=InImWeightTest/normInImWeightTest; %normalisasi bobot citra training normOm=[]; for j=1:size(omega,2) normOmega=norm(omega(:,j)); normOm=[normOm normOmega]; end omegaTrain=[]; for i=1:size(omega,2) omTrain=omega(:,i)/normOm(i); omegaTrain=[omegaTrain omTrain]; end %menghitung jarak euclidean dari data testing thdp data training e=[]; for i=1:size(omega,2) q = omegaTrain(:,i); DiffWeight = omegaInImage-q; mag = norm(DiffWeight); e = [e mag]; end MinimumValue=min(e) %mencari nilai minimum dari jarak euclidean yg diperoleh

Dalam perhitungan jarak Euclidean, nilai minimum (nilai yang

terendah) adalah nilai yang menunjukkan bahwa kedua citra tersebut saling

mirip. Nilai minimum tersebut disimpan dalam variabel MinimumValue.

4.2 Implementasi Proses Pengenalan Wajah

Proses pengenalan wajah dilakukan dalam beberapa langkah.

Implementasi proses pengenalan wajah adalah sebagai berikut :

1. Mengambil suatu citra wajah dari database wajah melalui GUI yang

kemudian disimpan dalam suatu varibel.


54

insert=getimage(handles.foto);

2. Melakukan pemrosesan awal terhadap citra masukan. Pemrosesan awal

yang dilakukan adalah mengubah citra RGB menjadi grayscale.

InputImage=masukan; InImage=rgb2gray(InputImage);

3. Mengubah matriks NxN dari citra masukan menjadi vector kolom.

InImage=reshape(InImage,rowIn*colIn,1);

4. Melakukan normalisasi ukuran citra masukan. Normalisasi dilakukan

dengan melakukan pengurangan vektor kolom terhadap nilai tengah citra

wajah training.

rImage=im2double(InImage); Difference = rImage-y;

5. Memproyeksikan hasil pengurangan tersebut ke eigenspace sehingga

diperoleh bobot dari citra masukan yang kemudian disimpan dalam sebuah

vektor.

%menghitung bobot data testing InImWeightTest = []; for i=1:size(u,2) tA = u(:,i)'; WeightOfInputImageTest =dot(tA,Difference'); InImWeightTest=[InImWeightTest; WeightOfInputImageTest]; end


55

6. Mencari jarak terdekat antara citra masukan dengan citra wajah training

sehingga diperoleh kemiripan. Pencarian jarak ini menggunakan algoritma

Euclidean distance.

%normalisasi bobot citra masukan normInImWeightTest=norm(InImWeightTest); omegaInImage=InImWeightTest/normInImWeightTest; %normalisasi bobot citra training normOm=[]; for j=1:size(omega,2) normOmega=norm(omega(:,j)); normOm=[normOm normOmega]; end omegaTrain=[]; for i=1:size(omega,2) omTrain=omega(:,i)/normOm(i); omegaTrain=[omegaTrain omTrain]; end %menghitung jarak euclidean dari data testing thdp data training e=[]; for i=1:size(omega,2) q = omegaTrain(:,i); DiffWeight = omegaInImage-q; mag = norm(DiffWeight); e = [e mag]; end MinimumValue=min(e) %mencari nilai minimum dari jarak euclidean yg diperoleh

4.3 Implementasi Perancangan Antarmuka

4.3.1 Tampilan Proses Pengenalan Wajah

Tampilan ini merupakan tampilan utama proses pengenalan wajah.

untuk dapat melakukan proses pengenalan wajah, pengguna dapat memilih

citra wajah dengan memilih submenu Open Image pada menu File. Untuk


56

mengetahui citra masukan memiliki kemiripan dengan cotra data training,

pengguna dapat menekan tombol Recognition. Hasil implementasi tampilan

proses pengenalan wajah adalah sebagai berikut :

Gambar 4.2 Implementasi Tampilan Proses Pengenalan Wajah

Gambar 4.3 Implementasi Tampilan Open Image


57

Gambar 4.4 Implementasi Tampilan Open File

Gambar 4.5 Implementasi hasil proses pengenalan wajah


58

4.3.2 Tampilan Cara Menggunakan Sistem

Tampilan Cara Menggunakan Sistem dapat dibuka dengan memilih

submenu System Help pada menu Help. Implementasi tampilan cara

menggunakan sistem adalah sebagai berikut :

Gambar 4.6 Implementasi tampilan Menu Help

Gambar 4.7 Implementasi tampilan cara menggunakan sistem

4.3.3 Tampilan Tentang Program

Tampilan Tentang Program dapat dibuka dengan memilih submenu

About Program pada menu About. Implementasi tampilan cara

menggunakan sistem adalah sebagai berikut :


59

Gambar 4.8 Implementasi Tampilan Menu About

Gambar 4.9 Implementasi Tampilan Tentang Program

4.4 Hasil Pengujian

Terdapat dua macam pengujian, yaitu pengujian terhadap data training

menggunakan 3-fold cross validation dan pengujian dengan menggunakan satu

masukan yang dipilih oleh pengguna melalui user interface yang disediakan.

4.4.1 Hasil Pengujian 3-fold cross validation

Pada pengujian ini keseluruhan data citra wajah disimpan dalam sebuah

folder. Pengelompokkan data training dan data testing dilakukan pada

notepad seperti berikut ini :


60

4.4.1.1 Hasil Pengujian 3-fold cross validation menggunakan kamera digital

File “kombinasi1.txt”

linda1,titik1,tri1,bele1,mardi1,has1,tukijo1,susilo1,adek1,broto1,hardi1,danan V g1,roni1,intan1,rina1,linda2,titik2,tri2,bele2,mardi2,has2,tukijo2,susilo2,adek2,broto2,hardi2,danang2,roni2,intan2,rina2,linda3,titik3,tri3,bele3,mardi3,has3,tukijo3,susilo3,adek3,broto3,hardi3,danang3,roni3,intan3,rina3,linda4,titik4,tri4,bele4,mardi4,has4,tukijo4,susilo4,adek4,broto4,hardi4,danang4,roni4,intan4,rina4,linda5,titik5,tri5,bele5,mardi5,has5,tukijo5,susilo5,adek5,broto5,hardi5,danang5,roni5,intan5,rina5,linda6,titik6,tri6,bele6,mardi6,has6,tukijo6,susilo6,adek6,broto6,hardi6,danang6,roni6,intan6,rina6,linda7,titik7,tri7,bele7,mardi7,has7,tukijo7,susilo7,adek7,broto7,hardi7,danang7,roni7,intan7,rina7,linda8,titik8,tri8,bele8,mardi8,has8,tukijo8,susilo8,adek8,broto8,hardi8,danang8,roni8,intan8,rina8,linda9,titik9,tri9,bele9,mardi9,has9,tukijo9,susilo9,adek9,broto9,hardi9,danang9,roni9,intan9,rina1,linda10,titik10,tri10,bele10,mardi10,has10,tukijo10,susilo10,adek10,broto10,hardi10,danang10,roni10,intan10,rina10,linda11,titik11,tri11,bele11,mardi11,has11,tukijo11,susilo11,adek11,broto11,hardi11,danang11,roni11,intan11,rina11,linda12,titik12,tri12,bele12,mardi12,has12,tukijo12,susilo12,adek12,broto12,hardi12,danang12,roni12,intan12,rina12,linda13,titik13,tri13,bele13,mardi13,has13,tukijo13,susilo13,adek13,broto13,hardi13,danang13,roni13,intan13,rina13,linda14,titik14,tri14,bele14,mardi14,has14,tukijo14,susilo14,adek14,broto14,hardi14,danang14,roni14,intan14,rina14,linda15,titik15,tri15,bele15,mardi15,has15,tukijo15,susilo15,adek15,broto15,hardi15,danang15,roni15,intan15,rina15,linda16,titik16,tri16,bele16,mardi16,has16,tukijo16,susilo16,adek16,broto16,hardi16,danang16,roni16,intan16,rina16,linda17,titik17,tri17,bele17,mardi17,has17,tukijo17,susilo17,adek17,broto17,hardi17,danang17,roni17,intan17,rina17,linda18,titik18,tri18,bele18,mardi18,has18,tukijo18,susilo18,adek18,broto18,hardi18,danang18,roni18,intan18,rina18,linda19,titik19,tri19,bele19,mardi19,has19,tukijo19,susilo19,adek19,broto19,hardi19,danang19,roni19,intan19,rina19,linda20,titik20,tri20,bele20,mardi20,has20,tukijo20,susilo20,adek20,broto20,hardi20,danang20,roni20,intan20,rina20,linda21,titik21,tri21,bele21,mardi21,has21,tukijo21,susilo21,adek21,broto21,hardi21,danang21,roni21,intan21,rina21


61

Gambar 4.10 Data training kombinasi 1

Gambar 4.11 Data testing kombinasi 1


62


linda1,titik1,tri1,bele1,mardi1,has1,tukijo1,susilo1,adek1,broto1,hardi1,danang1,roni1,intan1,rina1,linda2,titik2,tri2,bele2,mardi2,has2,tukijo2,susilo2,adek2,broto2,hardi2,danang2,roni2,intan2,rina2,linda3,titik3,tri3,bele3,mardi3,has3,tukijo3,susilo3,adek3,broto3,hardi3,danang3,roni3,intan3,rina3,linda4,titik4,tri4,bele4,mardi4,has4,tukijo4,susilo4,adek4,broto4,hardi4,danang4,roni4,intan4,rina4,linda5,titik5,tri5,bele5,mardi5,has5,tukijo5,susilo5,adek5,broto5,hardi5,danang5,roni5,intan5,rina5,linda6,titik6,tri6,bele6,mardi6,has6,tukijo6,susilo6,adek6,broto6,hardi6,danang6,roni6,intan6,rina6,linda7,titik7,tri7,bele7,mardi7,has7,tukijo7,susilo7,adek7,broto7,hardi7,danang7,roni7,intan7,rina7,linda15,titik15,tri15,bele15,mardi15,has15,tukijo15,susilo15,adek15,broto15,hardi15,danang15,roni15,intan15,rina15,linda16,titik16,tri16,bele16,mardi16,has16,tukijo16,susilo16,adek16,broto16,hardi16,danang16,roni16,intan16,rina16,linda17,titik17,tri17,bele17,mardi17,has17,tukijo17,susilo17,adek17,broto17,hardi17,danang17,roni17,intan17,rina17,linda18,titik18,tri18,bele18,mardi18,has18,tukijo18,susilo18,adek18,broto18,hardi18,danang18,roni18,intan18,rina18,linda19,titik19,tri19,bele19,mardi19,has19,tukijo19,susilo19,adek19,broto19,hardi19,danang19,roni19,intan19,rina19,linda20,titik20,tri20,bele20,mardi20,has20,tukijo20,susilo20,adek20,broto20,hardi20,danang20,roni20,intan20,rina20,linda21,titik21,tri21,bele21,mardi21,has21,tukijo21,susilo21,adek21,broto21,hardi21,danang21,roni21,intan21,rina21,linda8,titik8,tri8,bele8,mardi8,has8,tukijo8,susilo8,adek8,broto8,hardi8,danang8,roni8,intan8,rina8,linda9,titik9,tri9,bele9,mardi9,has9,tukijo9,susilo9,adek9,broto9,hardi9,danang9,roni9,intan9,rina1,linda10,titik10,tri10,bele10,mardi10,has10,tukijo10,susilo10,adek10,broto10,hardi10,danang10,roni10,intan10,rina10,linda11,titik11,tri11,bele11,mardi11,has11,tukijo11,susilo11,adek11,broto11,hardi11,danang11,roni11,intan11,rina11,linda12,titik12,tri12,bele12,mardi12,has12,tukijo12,susilo12,adek12,broto12,hardi12,danang12,roni12,intan12,rina12,linda13,titik13,tri13,bele13,mardi13,has13,tukijo13,susilo13,adek13,broto13,hardi13,danang13,roni13,intan13,rina13,linda14,titik14,tri14,bele14,mardi14,has14,tukijo14,susilo14,adek14,broto14,hardi14,danang14,roni14,intan14,rina14


63




64


linda8,titik8,tri8,bele8,mardi8,has8,tukijo8,susilo8,adek8,broto8,hardi8,danang8,roni8,intan8,rina8,linda9,titik9,tri9,bele9,mardi9,has9,tukijo9,susilo9,adek9,broto9,hardi9,danang9,roni9,intan9,rina1,linda10,titik10,tri10,bele10,mardi10,has10,tukijo10,susilo10,adek10,broto10,hardi10,danang10,roni10,intan10,rina10,linda11,titik11,tri11,bele11,mardi11,has11,tukijo11,susilo11,adek11,broto11,hardi11,danang11,roni11,intan11,rina11,linda12,titik12,tri12,bele12,mardi12,has12,tukijo12,susilo12,adek12,broto12,hardi12,danang12,roni12,intan12,rina12,linda13,titik13,tri13,bele13,mardi13,has13,tukijo13,susilo13,adek13,broto13,hardi13,danang13,roni13,intan13,rina13,linda14,titik14,tri14,bele14,mardi14,has14,tukijo14,susilo14,adek14,broto14,hardi14,danang14,roni14,intan14,rina14,linda15,titik15,tri15,bele15,mardi15,has15,tukijo15,susilo15,adek15,broto15,hardi15,danang15,roni15,intan15,rina15,linda16,titik16,tri16,bele16,mardi16,has16,tukijo16,susilo16,adek16,broto16,hardi16,danang16,roni16,intan16,rina16,linda17,titik17,tri17,bele17,mardi17,has17,tukijo17,susilo17,adek17,broto17,hardi17,danang17,roni17,intan17,rina17,linda18,titik18,tri18,bele18,mardi18,has18,tukijo18,susilo18,adek18,broto18,hardi18,danang18,roni18,intan18,rina18,linda19,titik19,tri19,bele19,mardi19,has19,tukijo19,susilo19,adek19,broto19,hardi19,danang19,roni19,intan19,rina19,linda20,titik20,tri20,bele20,mardi20,has20,tukijo20,susilo20,adek20,broto20,hardi20,danang20,roni20,intan20,rina20,linda21,titik21,tri21,bele21,mardi21,has21,tukijo21,susilo21,adek21,broto21,hardi21,danang21,roni21,intan21,rina21,linda1,titik1,tri1,bele1,mardi1,has1,tukijo1,susilo1,adek1,broto1,hardi1,danang1,roni1,intan1,rina1,linda2,titik2,tri2,bele2,mardi2,has2,tukijo2,susilo2,adek2,broto2,hardi2,danang2,roni2,intan2,rina2,linda3,titik3,tri3,bele3,mardi3,has3,tukijo3,susilo3,adek3,broto3,hardi3,danang3,roni3,intan3,rina3,linda4,titik4,tri4,bele4,mardi4,has4,tukijo4,susilo4,adek4,broto4,hardi4,danang4,roni4,intan4,rina4,linda5,titik5,tri5,bele5,mardi5,has5,tukijo5,susilo5,adek5,broto5,hardi5,danang5,roni5,intan5,rina5,linda6,titik6,tri6,bele6,mardi6,has6,tukijo6,susilo6,adek6,broto6,hardi6,danang6,roni6,intan6,rina6,linda7,titik7,tri7,bele7,mardi7,has7,tukijo7,susilo7,adek7,broto7,hardi7,danang7,roni7,intan7,rina7


65




66

Setelah dilakukan pengelompokkan, data testing akan diujikan terhadap

data training. Hasil pengujian 3 kombinasi tersebut adalah sebagai

berikut :

Jumlah data training tiap kombinasi : 210 citra wajah

Jumlah data testing tiap kombinasi : 105 citra wajah

Tabel 4.1. Tabel Hasil Pengujian Data training menggunakan

kamera digital

No Kelompok

Training

Kelompok

Testing

Correct

rate (%)

Error

rate(%)

1 A B C 73.333 26.667

2 A C B 86.667 13.333

3 B C A 77.143 22.857

Hasil terbaik adalah kelompok kombinasi kedua yaitu kelompok AC

dengan error rate 13.33%.

4.1.1.2 Hasil Pengujian 3-fold cross validation menggunakan webcam

File “kombinasiWebcam1.txt”

linda1,rina1,titik1,tri1,tukijo1,has1,linda2,rina2,titik2,tri2,tukijo2,has2,linda3,rina3,titik3,tri3,tukijo3,has3,linda4,rina4,titik4,tri4,tukijo4,has4,linda5,rina5,titik5,tri5,tukijo5,has5,linda6,rina6,titik6,tri6,tukijo6,has6,linda7,rina7,titik7,tri17,tukijo7,has7,linda8,rina8,titik8,tri8,tukijo8,has8,linda9,rina9,titik9,tri9,tukijo9,has9,linda10,rina10,titik10,tri10,tukijo10,has10,linda11,rina11,titik11,tri11,tukijo11,has11,linda12,rina12,titik12,tri12,tukijo12,has12,linda13,rina13,titik13,tri13,tukijo13,has13,linda14,rina14,titik14,tri14,tukijo14,has14,linda15,rina15,titik15,tri15,tukijo15,has15,linda16,rina16,titik


67

16,tri16,tukijo16,has16,linda17,rina17,titik17,tri17,tukijo17,has17,linda18,rina18,titik18,tri18,tukijo18,has18,linda19,rina19,titik19,tri19,tukijo19,has19,linda20,rina20,titik20,tri20,tukijo20,has20,linda21,rina21,titik21,tri21,tukijo21,has21

Gambar 4.16 Data training kombinasi webcam 1

Gambar 4.17 Data testing kombinasi webcam 1


68


linda1,rina1,titik1,tri1,tukijo1,has1,linda2,rina2,titik2,tri2,tukijo2,has2,linda3,rina3,titik3,tri3,tukijo3,has3,linda4,rina4,titik4,tri4,tukijo4,has4,linda5,rina5,titik5,tri5,tukijo5,has5,linda6,rina6,titik6,tri6,tukijo6,has6,linda7,rina7,titik7,tri17,tukijo7,has7,linda15,rina15,titik15,tri15,tukijo15,has15,linda16,rina16,titik16,tri16,tukijo16,has16,linda17,rina17,titik17,tri17,tukijo17,has17,linda18,rina18,titik18,tri18,tukijo18,has18,linda19,rina19,titik19,tri19,tukijo19,has19,linda20,rina20,titik20,tri20,tukijo20,has20,linda21,rina21,titik21,tri21,tukijo21,has21,linda8,rina8,titik8,tri8,tukijo8,has8,linda9,rina9,titik9,tri9,tukijo9,has9,linda10,rina10,titik10,tri10,tukijo10,has10,linda11,rina11,titik11,tri11,tukijo11,has11,linda12,rina12,titik12,tri12,tukijo12,has12,linda13,rina13,titik13,tri13,tukijo13,has13,linda14,rina14,titik14,tri14,tukijo14,has14



69



linda8,rina8,titik8,tri8,tukijo8,has8,linda9,rina9,titik9,tri9,tukijo9,has9,linda10,rina10,titik10,tri10,tukijo10,has10,linda11,rina11,titik11,tri11,tukijo11,has11,linda12,rina12,titik12,tri12,tukijo12,has12,linda13,rina13,titik13,tri13,tukijo13,has13,linda14,rina14,titik14,tri14,tukijo14,has14,linda15,rina15,titik15,tri15,tukijo15,has15,linda16,rina16,titik16,tri16,tukijo16,has16,linda17,rina17,titik17,tri17,tukijo17,has17,linda18,rina18,titik18,tri18,tukijo18,has18,linda19,rina19,titik19,tri19,tukijo19,has19,linda20,rina20,titik20,tri20,tukijo20,has20,linda21,rina21,titik21,tri21,tukijo21,has21,linda1,rina1,titik1,tri1,tukijo1,has1,linda2,rina2,titik2,tri2,tukijo2,has2,linda3,rina3,titik3,tri3,tukijo3,has3,linda4,rina4,titik4,tri4,tukijo4,has4,linda5,rina5,titik5,tri5,tukijo5,has5,linda6,rina6,titik6,tri6,tukijo6,has6,linda7,rina7,titik7,tri17,tukijo7,has7


70



Setelah dilakukan pengelompokkan, data testing akan diujikan terhadap

data training. Hasil pengujian 3 kombinasi tersebut adalah sebagai

berikut :


71




webcam

No Kelompok

Training

Kelompok

Testing

Correct

rate (%)

Error

rate(%)

1 A B C 66.667 33.333

2 A C B 66.667 33.333

3 B C A 76.19 23.81

Hasil terbaik adalah kelompok kombinasi ketiga yaitu kelompok BC


4.1.1.3 Hasil Pengujian 3-fold cross validation menggunakan kamera digital

dengan data training menghadap ke depan

Selain menggunakan data training dari kamera digital dan

webcam, pengujian sistem akan dilakukan dengan menggunakan data

training yang diambil menggunakan kamera digital (2736x3748 piksel)

dengan ketentuan bahwa citra wajah diambil hanya dari 1 sudut pandang

(dari depan), dan objek yang difoto tetap fokus ke arah kamera tetapi

ekspresi wajah boleh dengan berbagai ekspresi. Data citra wajah yang

digunakan tetap berasal dari karyawan yang sama, masing-masing

diambil 21 citra wajah. Pengujian dilakukan dengan mengujikan data


72

testing ke data training terhadap 3 kombinasi pengelompokkan data.

Hasil pengujian adalah sebagai berikut :




kamera digital dengan data training menghadap ke depan

No Kelompok

Training

Kelompok

Testing

Correct

rate (%)

Error

rate(%)

1 A B C 93.333 6.667

2 A C B 97.143 2.8571

3 B C A 80.952 19.048

Hasil terbaik adalah kelompok kombinasi kedua yaitu kelompok AC


4.1.1.4 Hasil Pengujian 3-fold cross validation menggunakan data training

kamera digital dan data testing webcam

Pengujian dilakukan dengan membandingkan data citra wajah

yang diambil dari 2 media dan resolusi yang berbeda. Hasil pengujian

adalah sebagai berikut :


73

Tabel 4.4. Tabel Hasil Pengujian menggunakan data training

kamera digital dan data testing webcam

No Kelompok

Training

Kelompok

Testing

Correct

rate (%)

Error

rate(%)

1 A B C 33.333 66.667

2 A C B 21.429 78.571

3 B C A 30.952 69.048

Hasil terbaik dari pengujian tersebut adalah kelompok kombinasi BC

dengan correct rate 33.333%

4.1.1.5 Hasil Pengujian 3-fold cross validation menggunakan data training

webcam dan data testing kamera digital

Pengujian dilakukan dengan membandingkan data citra wajah

yang diambil dari 2 media dan resolusi yang berbeda. Hasil pengujian

adalah sebagai berikut :

Tabel 4.5. Tabel Hasil Pengujian menggunakan data training

webcam dan data testing kamera digital

No Kelompok

Training

Kelompok

Testing

Correct

rate (%)

Error

rate(%)

1 A B C 23.81 76.19

2 A C B 23.81 76.19

3 B C A 16.667 83.333


74

Hasil terbaik dari pengujian tersebut adalah kelompok kombinasi AB dan

AC karena keduanya memiliki correct rate yang sama yaitu 33.333%

4.4.2 Hasil Pengujian melalui User Interface

4.4.2.1 Hasil Pengujian Citra Masukan menggunakan data training dari

kamera digital

Dari pengujian data training menggunakan kamera digital diperoleh

hasil kombinasi terbaik yaitu kelompok AC. Hasil pengujian citra

masukan adalah sebagai berikut :

(a)

(b)


75

(c)

Gambar 4.22 Hasil Pengujian Citra Masukan menggunakan 1 data testing dari kamera digital dan data training kamera

(a)pengujian ke-1 (b)pengujian ke-2 (c)pengujian ke-3

Untuk hasil pengujian pada Gambar 4.22, citra masukan yang

digunakan sebagai data testing merupakan citra wajah dari grup B karena

sistem menggunakan kombinasi AC untuk melakukan proses pengenalan.

Hal tersebut dilakukan untuk menguji apakah sistem dapat mengenali

dengan baik citra wajah yang menjadi masukan.

(a)


76

(b)

(c)

Gambar 4.23 Hasil Pengujian Citra Masukan menggunakan 1 data testing dari webcam dan data training kamera

(a)pengujian ke-1 (b)pengujian ke-2 (c)pengujian ke-3 Untuk hasil pengujian pada Gambar 4.23, citra masukan yang

digunakan sebagai data testing merupakan salah satu citra wajah dari

database citra wajah menggunakan webcam.


77


webcam

Dari hasil pengujian data training menggunakan webcam diperoleh

hasil kombinasi terbaik yaitu kelompok BC. Hasil pengujian citra

masukan adalah sebagai berikut :

(a)

(b)


78

(c)

Gambar 4.24 Hasil Pengujian Citra Masukan menggunakan 1 data testing dari webcam dan data training webcam

(a)pengujian ke-1 (b)pengujian ke-2 (c)pengujian ke-3


digunakan sebagai data testing merupakan citra wajah dari grup A

karena sistem menggunakan kombinasi BC untuk melakukan proses

pengenalan. Hal tersebut dilakukan untuk menguji apakah sistem dapat

mengenali dengan baik citra wajah yang menjadi masukan.

(a)


79

(b)

(c)

Gambar 4.25 Hasil Pengujian Citra Masukan menggunakan 1 data testing dari kamera digital dan data training webcam (a)pengujian ke-1 (b)pengujian ke-2 (c)pengujian ke-3


digunakan sebagai data testing merupakan salah satu citra wajah dari

database citra wajah menggunakan kamera digital.


80

(a) (b)

Gambar 4.26 Citra masukan menggunakan webcam (a)citra asli (b)citra hasil cropping

(a)

(b)

Gambar 4.27 Hasil Pengujian Citra masukan menggunakan webcam (a)citra asli (b)citra hasil cropping


81

4.5 Analisa Hasil Pengujian

4.5.1 Analisa Hasil Pengujian Pelatihan Data

Berdasarkan hasil pengujian pelatihan data menggunakan kamera

digital, diperoleh hasil terbaik pengujian yaitu berdasarkan data dari

kombinasi kedua. Kombinasi kedua yaitu grup data A dan grup data C

menjadi data training, sedangkan grup data B menjadi data testing. Dari

hasil pengujian kombinasi kedua tersebut, sistem mampu mengenali data

testing dengan baik sebanyak 91 citra wajah, sedangkan jumlah error yang

dihasilkan sebanyak 14 citra wajah. Kombinasi kedua ini akan digunakan

oleh sistem untuk melakukan proses pengenalan dengan kemungkinan error

kecil.

Berdasarkan hasil pengujian pelatihan data menggunakan webcam,

diperoleh hasil terbaik pengujian yaitu berdasarkan data dari kombinasi

ketiga. Kombinasi ketiga yaitu grup data B dan grup data C menjadi data

training, sedangkan grup data A menjadi data testing. Dari hasil pengujian

kombinasi kedua tersebut, sistem mampu mengenali data testing dengan

baik sebanyak 32 citra wajah, sedangkan jumlah error yang dihasilkan

sebanyak 10 citra wajah. Kombinasi ketiga ini akan digunakan oleh sistem

untuk melakukan proses pengenalan dengan kemungkinan error kecil.

Berdasarkan hasil pengujian pelatihan data menggunakan data training

dan data testing yang diambil menggunakan kamera digital dengan

ketentuan bahwa citra wajah diambil hanya dari 1 sudut pandang (dari


82

depan), dan objek yang difoto tetap fokus ke arah kamera tetapi ekspresi

wajah boleh dengan berbagai ekspresi, kombinasi terbaik adalah kombinasi

kedua. Kombinasi kedua menggunakan data training dari grup A dan grup

C, sedangkan data testing menggunakan data dari grup B. Dari pengujian

menggunakan data citra wajah yang diambil dari kamera digital dari

berbagai sudut dan data dari webcam, dapat diketahui bahwa akurasi sistem

dapat melakukan pengenalan terhadap citra masukan adalah ketika data citra

yang digunakan adalah citra yang diambil dari 1 sudut pandang. Hal

tersebut terbukti dengan akurasi yang dihasilkan sistem sebesar 97.143%,

yaitu dari 105 data testing diperoleh 102 citra wajah dapat dikenali dengan

baik.

Berdasarkan pengujian yang dilakukan dengan menggunakan data

training dari kamera digital dan data testing dari webcam, diperoleh hasil

bahwa akurasi sistem rata-rata di bawah 50%. Demikian pula berdasarkan

pengujian yang dilakukan dengan menggunakan data training dari webcam

dan data testing dari kamera digital, diperoleh hasil bahwa akurasi sistem

rata-rata di bawah 50%. Hal tersebut menunjukkan bahwa sistem tidak

mampu mengenali dengan baik data citra wajah yang diambil dengan

menggunakan media yang memiliki resolusi berbeda.


83

4.5.2 Analisa Hasil Pengujian melalui User Interface


kamera digital

Berdasarkan hasil pengujian menggunakan data training dari

kamera digital dengan data testing juga menggunakan kamera digital

diperoleh hasil bahwa sistem mampu mengenali dengan baik citra

masukan sehingga citra masukan dikenali sebagai orang itu sendiri. Hal

tersebut dikarenakan citra training dan citra testing diambil

menggunakan kamera digital dengan resolusi yang sama yaitu

2736x3648 piksel dengan latar belakang polos, mengalami pemotongan

(cropping) pada bagian wajah, serta mengalami resize terlebih dahulu.

Untuk hasil pengujian menggunakan data training dari kamera

digital dengan data testing menggunakan webcam diperoleh hasil bahwa

sistem tidak dapat mengenali dengan baik citra masukan sebagai subjek

itu sendiri. Hal tersebut dikarenakan citra training diambil menggunakan

kamera digital dengan resolusi 2736x3648 piksel, sedangkan citra

testing diambil menggunakan webcam dengan resolusi 640x480 piksel.

4.5.2.2 Analisa Hasil Pengujian menggunakan data training dari webcam

Berdasarkan hasil pengujian menggunakan data training dari

webcam dengan data testing juga menggunakan webcam diperoleh hasil

bahwa sistem mampu mengenali dengan baik citra masukan sehingga


84

citra masukan dikenali sebagai orang itu sendiri. Hal tersebut

dikarenakan citra training dan citra testing diambil menggunakan

webcam dengan resolusi yang sama yaitu 640x480 piksel, kemudian

mengalami pemotongan (cropping) pada bagian wajah, serta mengalami

resize terlebih dahulu.

Untuk hasil pengujian menggunakan data training dari webcam

dengan data testing menggunakan kamera digital diperoleh hasil bahwa

sistem tidak dapat mengenali dengan baik citra masukan sebagai subjek

itu sendiri. Hal tersebut dikarenakan citra training diambil menggunakan

webcam dengan resolusi 640x480 piksel, sedangkan citra testing diambil

menggunakan kamera digital dengan resolusi 2736x3648 piksel.

Pengujian pada Gambar 4.27 menggunakan citra wajah yang

diambil menggunakan webcam. Dari pengujian tersebut diperoleh hasil

bahwa citra masukan asli tidak dapat dikenali sebagai orang tersebut

oleh sistem, sedangkan citra masukan yang mengalami cropping dapat

dikenali sebagai orang itu sendiri oleh sistem.


85

BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil penelitian penerapan face recognition menggunakan

metode eigenface pada sistem presensi karyawan Universitas Sanata Dharma,

maka dapat ditarik kesimpulan sebagai berikut :

1. Metode Eigenface merupakan metode yang cukup baik untuk mengenali

citra wajah dengan berbagai posisi dan ekspresi. Batasan data adalah citra

wajah menggunakan kamera digital yang memiliki resolusi 2736x3648

piksel dan citra wajah menggunakan webcam yang memiliki resolusi

640x480 piksel. Hal ini dibuktikan oleh hasil pengujian pelatihan data

menggunakan kamera digital dengan 315 data berupa 105 data testing dan

210 data training menghasilkan akurasi terbesar 86.667% . Untuk hasil

pengujian pelatihan data menggunakan webcam dengan 126 data berupa 42

data testing dan 84 data training menghasilkan akurasi terbesar 76.19%.

2. Metode Eigenface merupakan metode yang cukup baik untuk mengenali

citra wajah yang diambil dari 1 sudut pandang (dari depan). Hal ini

dibuktikan oleh pengujian pelatihan data menggunakan kamera digital

beresolusi 2736x3648 piksel dengan 105 data testing diujikan ke 210 data

training diperoleh akurasi terbesar 97.143%.


86

3. Pengujian pelatihan data menggunakan kamera digital berupa 105 data

testing dan 210 data training menggunakan 3-fold cross validation

menghasilkan kelompok data terbaik yaitu kelompok kombinasi AC dengan

error rate 13.333%. Pengujian pelatihan data menggunakan webcam berupa

42 data testing dan 84 data training menggunakan 3-fold cross validation

menghasilkan kelompok data terbaik yaitu kelompok kombinasi BC dengan

error rate 23.81%.

4. Penerapan face recognition menggunakan metode eigenface pada sistem

presensi karyawan Universitas Sanata Dharma masih memiliki beberapa

kekurangan antara lain :

• Citra masukan menggunakan webcam dengan resolusi 640x480 piksel

harus mengalami cropping secara manual agar dapat dikenali sebagai

orang tersebut.

• Data citra wajah keseluruhan diambil dengan latar belakang yang

masih polos, sehingga ketika ada citra masukan dengan latar belakang

tidak polos, maka tidak mampu dikenali dengan baik oleh sistem.

5. Citra masukan dapat dikenali dengan baik oleh sistem jika citra masukan

memiliki resolusi yang sama dengan citra training dengan resolusi

2736x3648 piksel. Misal, citra training diambil menggunakan webcam,

maka citra masukan juga harus diambil menggunakan webcam dengan

resolusi 640x480 piksel.


87

5.2 Saran

Beberapa saran yang dapat dilakukan untuk pengembangan penelitian ini

lebih lanjut adalah sebagai berikut :

1. Jika akan digunakan secara real, proses deteksi wajah sebaiknya dilakukan

secara terpisah dengan proses ekstraksi ciri dengan melakukan proses

segmentasi atau deteksi kulit pada citra masukan agar sistem dapat

mengenali dengan baik bahwa ada citra wajah di dalam citra masukan

secara otomatis tanpa harus memotong (cropping) secara manual.

2. Perlu dicoba menggunakan metode ekstraksi ciri yang lain.


88

DAFTAR PUSTAKA

Bayu S., Hendriawan A., Susetyoko R. 2007. Penerapan Face Recognition Dengan

Metode Eigenface Dalam Intelligent Home Security. Jurnal Institut

Teknologi Sepuluh Maret. Surabaya

Gunadi K., Pongsitanan S.R. 2004. Pembuatan Perangkat Lunak Pengenalan Wajah

Menggunakan Principal Component Analysis. Jurnal Universitas Kristen

Petra. Surabaya

Nugroho, E. 2009. Biometrika Mengenal Sistem Identifikasi Masa Depan. ANDI

OFFSET : Yogyakarta

Prasetyo E., Rahmantun I. 2008. Desain Sistem Pengenalan Wajah Dengan Variasi

Ekspresi dan Posisi Menggunakan Metode Eigenface. Jurnal Universitas

Gunadarama. Depok

Pressman, R.S. 2002. Rekayasa Perangkat Lunak. ANDI OFFSET : Yogyakarta

Putra, D. 2010. Pengolahan Citra Digital. ANDI OFFSET : Yogyakarta

Refaeilzadeh, Payam., Lie Tang. dan Huan Liu. 2008. Cross-Validation. Arizona :

Arizona State University

Turk M., Pentland A. 1991. Eigenfaces for Recognition. Journal of Cognitive

Neuroscience, vol. 3, pp 71-86

Zhao W., Chellapa R. 2006. Face Processing Advanced Modeling and Methods.

ELSEIVER : USA


LAMPIRAN


SistemKamera.m

function varargout = SistemKamera(varargin) % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @SistemKamera_OpeningFcn, ... 'gui_OutputFcn', @SistemKamera_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin1) gui_State.gui_Callback = str2func(varargin1); end if nargout [varargout1:nargout] = gui_mainfcn(gui_State, varargin:); else gui_mainfcn(gui_State, varargin:); end % End initialization code - DO NOT EDIT % --- Executes just before SistemKamera is made visible. function SistemKamera_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to SistemKamera (see VARARGIN) % Choose default command line output for SistemKamera handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes SistemKamera wait for user response (see UIRESUME) % uiwait(handles.figure1); % --- Outputs from this function are returned to the command line. function varargout = SistemKamera_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)


% Get default command line output from handles structure varargout1 = handles.output; set(handles.button_recognition,'Enable','off'); %mengeset button recognition mjd disable set(handles.refresh_button,'Enable','off'); %mengeset button refresh mjd disable % ------------------------------------------------------------------ function File_Callback(hObject, eventdata, handles) % hObject handle to File (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % ------------------------------------------------------------------ function help_Callback(hObject, eventdata, handles) % hObject handle to help (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % ------------------------------------------------------------------ function about_Callback(hObject, eventdata, handles) % hObject handle to about (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % ------------------------------------------------------------------ function open_Callback(hObject, eventdata, handles) % hObject handle to open (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) [namafile, lokasipath] = uigetfile('*.jpg','Select Image You want to Recognition'); if isequal(namafile,0) else ambil=strcat(lokasipath,namafile); info = imfinfo(ambil); %mengetahui info dari file ambil if info.Width<=100 && info.Height<=100 handles.banner = imread(ambil); axes(handles.foto); image(handles.banner) %menampilkan file yg dipilih ke dlm axes pnl=get(handles.panel_input,'Position'); xImage=(pnl(3))+(info.Width/4); yImage=(pnl(4))+(info.Height/4);


set(handles.foto, ... 'Visible', 'off', ... 'Units', 'pixels', ... 'Position', [xImage yImage info.Width info.Height]); set(handles.panel_input,'Title',ambil); else masuk=imread(ambil); %crop=imcrop(masuk,[200 120 200 200]); ubahUkuran=imresize(masuk,[100 100],'bilinear'); axes(handles.foto); image(ubahUkuran) pnl=get(handles.panel_input,'Position'); xImage=(pnl(3))+(100/4); yImage=(pnl(4))+(100/4); set(handles.foto, ... 'Visible', 'off', ... 'Units', 'pixels', ... 'Position', [xImage yImage 100 100]); set(handles.panel_input,'Title',ambil); end set(handles.button_recognition,'Enable','on'); %button recognition di-enable-kan end % ------------------------------------------------------------------ function keluar_Callback(hObject, eventdata, handles) % hObject handle to keluar (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) keluar = get(hObject,'Tag'); if keluar=='Exit' delete(handles.figure1); end % ------------------------------------------------------------------ function sistem_help_Callback(hObject, eventdata, handles) % hObject handle to sistem_help (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) sis = get(hObject,'Tag'); if sis=='sistem' System_Help; end % ------------------------------------------------------------------ function tentang_Callback(hObject, eventdata, handles) % hObject handle to tentang (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) about = get(hObject,'Tag');


if about=='tentang' About_Program; end % --- Executes on button press in button_recognition. function button_recognition_Callback(hObject, eventdata, handles) % hObject handle to button_recognition (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) insert=getimage(handles.foto); tombol = get(handles.button_recognition,'Value'); if tombol==1 RecognitionKamera(insert,handles.foto_kemiripan,handles.panel_mirip,handles.field_mirip); end set(handles.refresh_button,'Enable','on'); % --- Executes on button press in refresh_button. function refresh_button_Callback(hObject, eventdata, handles) % hObject handle to refresh_button (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) reset=128; axes(handles.foto); image(reset) axes(handles.foto_kemiripan); image(reset) a=' '; set(handles.field_mirip,'String',a); b='Image Input'; set(handles.panel_input,'Title',b); c='Image Similarity'; set(handles.panel_mirip,'Title',c);


RecognitionKamera.m

function InImage=RecognitionKamera(masukan,handleskemiripan,panelmirip,handlesfieldkemiripan) % jmlah data training jumTrain=210; %membuka dan menscan database dari notepad untuk grup A fidA=fopen('kombinasi1.txt'); readA=textscan(fidA, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membuka dan menscan database dari notepad untuk grup B fidB=fopen('kombinasi2.txt'); readB=textscan(fidB, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membuka dan menscan database dari notepad untuk grup C fidC=fopen('kombinasi3.txt'); readC=textscan(fidC, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membaca dan menampilkan data training STrain=[]; figure(1); for i=1:jumTrain strA=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',readB1,i1,1,'.jpg')); imgTrain=strA;


subplot(ceil(sqrt(jumTrain)),ceil(sqrt(jumTrain)),i) imshow(imgTrain) if i==3 title('Training set','fontsize',18) end drawnow; imgTrain=rgb2gray(imgTrain); [irowTrain icolTrain]=size(imgTrain); %mendapatkan jumlah baris dan kolom dr citra training r=reshape(imgTrain,irowTrain*icolTrain,1); % mengubah menjadi vektor kolom (N^2 x 1) r=im2double(r); STrain=[STrain r]; %matriks yang menampung vektor kolom citra training end %melakukan normalisasi ukuran citra y=[]; for i=1:size(STrain,1) penjumlahan=sum(STrain(i,:)); avg=penjumlahan/jumTrain; y=[y; avg]; end Q=[]; for i=1:size(STrain,2) r=STrain(:,i); pengurangan=r-y; Q=[Q pengurangan]; end %menampilkan normalisasi citra dari data training figure(2); for i=1:jumTrain strTrain=strcat(int2str(i),'.jpg'); imgTrain=reshape(STrain(:,i),icolTrain,irowTrain); eval('imwrite(imgTrain,strTrain)'); subplot(ceil(sqrt(jumTrain)),ceil(sqrt(jumTrain)),i) imshow(imgTrain) drawnow; if i==3 title('Normalized Training Set','fontsize',18) end end % mean image yTrain=mean(Q,2); tmimgTrain=uint8(yTrain); imgTrain=reshape(tmimgTrain,icolTrain,irowTrain); figure(3); imshow(imgTrain);


title('Mean Image','fontsize',18) %manipulasi citra A=[]; for i=1:jumTrain r=Q(:,i); A=[A r]; end %mencari Covariance matrix C=A'A C=A'*A; [eigenvector eigenvalue]=eig(C); %eliminasi eigenvalue eigvector=[]; eigvalue=[]; for i=1:size(eigenvector,2) if(eigenvalue(i,i)>1e-4) eigvector=[eigvector eigenvector(:,i)]; eigvalue=[eigvalue eigenvalue(i,i)]; end end %sorting secara ascending [B index]=sort(eigvalue); ind=zeros(size(index)); eigvalueTemp=zeros(size(index)); eigvectorTemp=zeros(size(eigvector)); len=length(index); for i=1:len eigvalueTemp(i)=B(len+1-i); ind(i)=len+1-index(i); eigvectorTemp(:,ind(i))=eigvector(:,i); end eigvalue=eigvalueTemp; eigvector=eigvectorTemp; %Normalisasi eigenvektor for i=1:size(eigvector,2) kk=eigvector(:,i); temp=sqrt(sum(kk.^2)); eigvector(:,i)=eigvector(:,i)./temp; end %Eigenfaces dari matriks kovarian u=[]; for i=1:size(eigvector,2) u=[u (A*eigvector(:,i))]; end


%Normalisasi eigenface for i=1:size(u,2) kk=u(:,i); r=sqrt(sum(kk.^2)); u(:,i)=u(:,i)./r; end % show eigenfaces figure(4); for i=1:size(u,2) img=reshape(u(:,i),icolTrain,irowTrain); img=histeq(img,255); subplot(ceil(sqrt(jumTrain)),ceil(sqrt(jumTrain)),i) imshow(img) drawnow; if i==3 title('Eigenfaces','fontsize',18) end end % mencari bobot tiap wajah dari data training omega = []; for h=1:size(A,2) WW=[]; for i=1:size(u,2) t = u(:,i)'; WeightOfImageTrain = dot(t,A(:,h)'); WW = [WW; WeightOfImageTrain]; end omega = [omega WW]; end %--------------------START TO RECOGNITION--------------------------% InputImage=masukan; figure(5) subplot(2,2,3) imshow(InputImage);colormap('gray'); title('Input image','fontsize',18) InImage=rgb2gray(InputImage); [rowIn colIn]=size(InImage); InImage=reshape(InImage,rowIn*colIn,1); rImage=im2double(InImage); Difference = rImage-y; %menghitung bobot data testing InImWeightTest = []; for i=1:size(u,2) tA = u(:,i)'; WeightOfInputImageTest =dot(tA,Difference');


InImWeightTest=[InImWeightTest; WeightOfInputImageTest]; end %normalisasi bobot citra masukan normInImWeightTest=norm(InImWeightTest); omegaInImage=InImWeightTest/normInImWeightTest; %normalisasi bobot citra training normOm=[]; for j=1:size(omega,2) normOmega=norm(omega(:,j)); normOm=[normOm normOmega]; end omegaTrain=[]; for i=1:size(omega,2) omTrain=omega(:,i)/normOm(i); omegaTrain=[omegaTrain omTrain]; end % menghitung jarak euclidean dari data testing thdp data training e=[]; for i=1:size(omega,2) q = omegaTrain(:,i); DiffWeight = omegaInImage-q; mag = norm(DiffWeight); e = [e mag]; end kk = 1:size(e,2); subplot(2,2,[1 2]) stem(kk,e) title('Eucledian distance of input image','fontsize',14) MinimumValue=min(e) % minimum eucledian distance subplot(2,2,4) for z=1:size(e,2) if(e(z)==MinimumValue) showTrain=strcat('F:\KULIAH\TA meme_JUNI\data kamera\',readB1,z1,1,'.jpg'); imshow(showTrain);title('Citra Training','fontsize',18) info = imfinfo(showTrain); % mengetehui info dari citra masukan if info.Width<=100 && info.Height<=100 re=imread(showTrain); axes(handleskemiripan); image(re) pnl=get(panelmirip,'Position');


xImage=(pnl(3))+(info.Width/4); yImage=(pnl(4))+(info.Height/4); set(handleskemiripan, ... 'Visible', 'off', ... 'Units', 'pixels', ... 'Position', [xImage yImage info.Width info.Height]); set(handlesfieldkemiripan,'String',MinimumValue); set(panelmirip,'Title',showTrain); end end end

prosesTrainingKamera.m

%banyaknya data untuk training jumTrain=210; %membuka dan menscan database dari notepad untuk kombinasi 1 fidA=fopen('kombinasi1.txt'); readA=textscan(fidA, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); fileA=fopen('kombinasi1.txt'); bacaA=textscan(fileA, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membuka dan menscan database dari notepad untuk kombinasi 2 fidB=fopen('kombinasi2.txt'); readB=textscan(fidB, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ',');


fileB=fopen('kombinasi2.txt'); bacaB=textscan(fileB, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %membuka dan menscan database dari notepad untuk kombinasi 3 fidC=fopen('kombinasi3.txt'); readC=textscan(fidC, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); fileC=fopen('kombinasi3.txt'); bacaC=textscan(fileC, '%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s%s', 'delimiter', ','); %--------------------------DATA TRAINING---------------------------% %membaca dan menampilkan data training STrain=[]; %matriks yang menampung vektor kolom citra training figure(1); for i=1:jumTrain strA=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',readB1,i1,1,'.jpg')); imgTrain=strA; subplot(ceil(sqrt(jumTrain)),ceil(sqrt(jumTrain)),i) imshow(imgTrain) if i==3 title('Training set','fontsize',18) end drawnow;


imTrain=rgb2gray(imgTrain); [irowTrain icolTrain]=size(imTrain); %mendapatkan jumlah baris dan kolom dr citra training r=reshape(imTrain,irowTrain*icolTrain,1);% mengubah menjadi vektor kolom (N^2 x 1) r=im2double(r); STrain=[STrain r]; %matriks yang menampung vektor kolom citra training end %melakukan normalisasi ukuran citra y=[]; for i=1:size(STrain,1) penjumlahan=sum(STrain(i,:)); avg=penjumlahan/jumTrain; y=[y; avg]; end Q=[]; for i=1:size(STrain,2) r=STrain(:,i); pengurangan=r-y; Q=[Q pengurangan]; end %menampilkan normalisasi citra dari data training figure(2); for i=1:jumTrain strTrain=strcat(int2str(i),'.jpg'); imgTrain=reshape(STrain(:,i),icolTrain,irowTrain); eval('imwrite(imgTrain,strTrain)'); subplot(ceil(sqrt(jumTrain)),ceil(sqrt(jumTrain)),i) imshow(imgTrain) drawnow; if i==3 title('Normalized Training Set','fontsize',18) end end % mean image yTrain=mean(STrain,2); tmimgTrain=uint8(yTrain); imgTrain=reshape(tmimgTrain,icolTrain,irowTrain); figure(3); imshow(imgTrain); title('Mean Image','fontsize',18) % manipulasi citra A=[]; for i=1:jumTrain


r=Q(:,i); A=[A r]; end %mencari Covariance matrix C=A'A C=A'*A; %mencari eigenvector dan eigenvalue [eigenvector eigenvalue]=eig(C); % mengeliminasi eigenvalue yang bernilai negatif atau 0 eigvector=[]; eigvalue=[]; for i=1:size(eigenvector,2) if(eigenvalue(i,i)>1e-4) eigvector=[eigvector eigenvector(:,i)]; eigvalue=[eigvalue eigenvalue(i,i)]; end end %mengurutkan eigenvalue secara ascending (dari kecil ke besar) [B index]=sort(eigvalue); ind=zeros(size(index)); % 209-1 eigvalueTemp=zeros(size(index)); %B descending eigvectorTemp=zeros(size(eigvector)); len=length(index); for i=1:len %1-209 eigvalueTemp(i)=B(len+1-i); %B(210-i) ind(i)=len+1-index(i); eigvectorTemp(:,ind(i))=eigvector(:,i); end eigvalue=eigvalueTemp; %pengurutan mjd descending eigvector=eigvectorTemp; %Normalisasi eigenvektor for i=1:size(eigvector,2) kk=eigvector(:,i); temp=sqrt(sum(kk.^2)); eigvector(:,i)=eigvector(:,i)./temp; end %Eigenfaces dari matriks kovarian u=[]; for i=1:size(eigvector,2) u=[u (A*eigvector(:,i))]; end %Normalisasi eigenface for i=1:size(u,2) kk=u(:,i);


r=sqrt(sum(kk.^2)); u(:,i)=u(:,i)./r; end % show eigenfaces figure(4); for i=1:size(u,2) img=reshape(u(:,i),icolTrain,irowTrain); img=histeq(img,255); subplot(ceil(sqrt(jumTrain)),ceil(sqrt(jumTrain)),i) imshow(img) drawnow; if i==3 title('Eigenfaces','fontsize',18) end end % mencari bobot tiap wajah dari data training omega = []; mod=[]; for h=1:size(A,2) WW=[]; for i=1:size(u,2) t = u(:,i)'; WeightOfImageTrain = dot(t,A(:,h)'); WW = [WW; WeightOfImageTrain]; end omega = [omega WW]; end %---------------------------DATA TESTING---------------------------% jumTest=jumTrain/2; %membaca data testing dari notepad figure(5); for a=1:jumTest z=jumTrain+a; testA=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',bacaB1,z1,1,'.jpg')); imgA=testA; subplot(ceil(sqrt(jumTest)),ceil(sqrt(jumTest)),a) imshow(imgA) if a==3 title('Data Testing','fontsize',18) end drawnow; end %mengubah matriks dari data testing mjd vektor benar=0; %mengeset nilai benar utk proses pengenalan salah=0; %mengeset nilai salah utk proses pengenalan


e=[]; for a=1:jumTest z=jumTrain+a; testA=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',bacaB1,z1,1,'.jpg')); imgTest=rgb2gray(testA); [rowTest colTest]=size(imgTest); rTest=reshape(imgTest,rowTest*colTest,1); rTest=im2double(rTest); %menghitung mean dari 105 input Difference=rTest-y; %menghitung bobot data testing InImWeightTest = []; for i=1:size(u,2) tA = u(:,i)'; WeightOfInputImageTest =dot(tA,Difference'); InImWeightTest=[InImWeightTest; WeightOfInputImageTest]; end %normalisasi bobot citra masukan normInImWeightTest=norm(InImWeightTest); omegaInImage=InImWeightTest/normInImWeightTest; %normalisasi bobot citra training normOm=[]; for j=1:size(omega,2) normOmega=norm(omega(:,j)); normOm=[normOm normOmega]; end omegaTrain=[]; for i=1:size(omega,2) omTrain=omega(:,i)/normOm(i); omegaTrain=[omegaTrain omTrain]; end % menghitung jarak euclidean dari data testing thdp data training e=[]; for i=1:size(omega,2) q = omegaTrain(:,i); DiffWeight = omegaInImage-q; mag = norm(DiffWeight); e = [e mag]; end figure(5+a) kk = 1:size(e,2);


subplot(2,2,[1 2]) stem(kk,e) title('Eucledian distance of input image','fontsize',14) MinimumValue=min(e) %mencari nilai minimum dari jarak euclidean yg diperoleh for z=1:size(e,2) jum=jumTrain+a; if(e(z)==MinimumValue) disp(['jarak minimum sesuai dengan data training ke :',num2str(z)]); %menampilkan index dari minimum value yg sesuai %membaca data testing showInput=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',bacaB1,jum1,1,'.jpg')); in=bacaA1,jum1,1; %membaca karakter file testing %membaca data training showTrain=imread(strcat('F:\KULIAH\TA meme_JUNI\data kamera\',readB1,z1,1,'.jpg')); train=readA1,z1,1; %membaca karakter file training tampungIn=[]; tampungTrain=[]; for loop=1:3 %membaca 3karakter pertama tampungIn=[tampungIn in(loop)]; tampungTrain=[tampungTrain train(loop)]; end subplot(2,2,3) imshow(showInput);title('Citra Testing','fontsize',18) subplot(2,2,4) imshow(showTrain);title('Citra Training','fontsize',18) end end if(tampungIn==tampungTrain) benar=benar+1; else disp(['SALAH pada pengujian ke:',num2str(a),' testing:',tampungIn,' training:',tampungTrain]) salah=salah+1; end bn=[benar salah]; end correct=benar/(benar+salah)*100; error=salah/(benar+salah)*100;


PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI - USD

Documents

Transcript of PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI - USD