Proposal TA 5111100195
Proposal TA 5111100195
1. IDENTITAS PENGUSUL
NAMA
NRP
DOSEN WALI
DOSEN PEMBIMBING
:
:
:
:
3. LATAR BELAKANG
Face Recognition adalah bidang penelitian yang mendapatkan perhatian besar beberapa
tahun ini. Digunakan dibeberapa aplikasi contohnya, identifikasi kriminal, verifikasi
kartu kredit, sistem keamanan, dll. Berbagai penelitian telah dilakukan demi
mendapatkan hasil akurasi yang tinggi, komputasi yang efisien, dan jumlah sampel
wajah yang digunakan untuk setiap individu pada data training. Pada tugas akhir ini,
berfokus untuk mendapatkan nilai akurasi pengenalan wajah yang tinggi.
Metode yang digunakan adalah laplacianfaces untuk ektraksi fitur dari gambar wajah.
Pada metode ini akan dicari beberapa vektor proyeksi optimal(vektor eigen),
selanjutnya dibentuk matriks fitur. Matriks fitur adalah kumpulan vektor fitur proyeksi.
Vektor fitur proyeksi adalah hasil perkalian vektor gambar dengan matriks
laplacianfaces. Klasifikasi menggunakan metode k-nearest neighbor.
ParafPembimbing 1:
ParafPembimbing 2:
hal : 1/12
Pada tugas akhir ini, diharapkan hasil pengenalan wajah menggunakan laplacianfaces
menunjukkan nilai akurasi yang lebih tinggi atau error rate yang rendah dibandingkan
metode eigenfaces dan fisherfaces. Dataset yang digunakan terbagi atas 2 macam, yakni
beberapa sampel gambar wajah FERET database dan kumpulan gambar wajah peserta
kelas visi komputer 2014.
4. RUMUSAN MASALAH
Rumusan masalah yang diangkat dalam tugas akhir ini dapat dipaparkan sebagai berikut
:
1. Bagaimana cara mengimplementasikan metode laplacianfaces untuk melakukan
ekstraksi fitur dari gambar wajah?
2. Bagaimana cara klasifikasi menggunakan k-nearest neighbor classifier untuk
menentukan label suatu gambar testing?
5. BATASAN MASALAH
Permasalahan yang dibahas dalam tugas akhir ini memiliki beberapa batasan antara lain
:
1. Aplikasi ini berbasis desktop dengan menggunakan bahasa pemrograman Matlab.
2. Sampel gambar wajah yang diuji berasal dari 2 dataset, yakni FERET database dan
gambar wajah peserta kelas visi komputer 2014 yang telah di-crop, gambar
merupakan gambar bagian wajah saja.
3. Metode pembanding adalah eigenfaces dan fisherfaces.
ParafPembimbing 1:
ParafPembimbing 2:
hal : 2/12
8. TINJAUAN PUSTAKA
8.1. Principal Component Analysis (PCA)
Sebuah gambar 2D dengan dimensi b baris dan k kolom dapat direpresentasikan
kedalam bentuk gambar 1D dengan dimensi n (n=b*k). Dengan ekspresi lain dapat
n
dituliskan sebagai , adalah ruang gambar dengan dimensi n. Gambar training yang
digunakan sebanyak K sampel dinyatakan dengan {x1 , x2 ,..., xK } yang diambil dari
sebanyak c obyek/kelas yang dinyatakan dengan { X1 , X 2 ,..., X c } . Total matriks scatter
S T (atau matriks covariance) didefinisikan sebagai berikut [3]:
K
S T ( x k )( x k ) T
k 1
(1)
Dimana adalah rata-rata sampel gambar yang diperoleh dengan merata-rata training
image {x1 , x2 ,..., xK } . Dengan dekomposisi eigen, matriks covariance ini dapat
didekomposisi menjadi [3]:
S T T
(2)
dimana adalah matriks eigenvector, dan adalah sebuah matriks diagonal dari
nilai eigen. Kemudian dipilih sejumlah m kolom eigenvector dari matriks yang
berasosiasi dengan sejumlah m nilai eigen terbesar. Pemilihan eigenvector ini
menghasilkan matriks transformasi atau matriks proyeksi m , yang mana terdiri dari
m kolom eigenvector terpilih yang biasa disebut juga dengan eigenimage. Berikutnya
sebuah gambar x (berdimensi n) dapat diekstraksi kedalam fitur baru y (berdimensi m
(3)
n
Dengan kata lain metode PCA memproyeksikan ruang asal kedalam ruang baru
m
yang berdimensi lebih rendah , yang mana sebanyak mungkin kandungan informasi
asal tetap dipertahankan untuk tidak terlalu banyak hilang setelah dibawa ke dimensi
fitur yang lebih kecil. Disini terlihat reduksi fitur yang signifikan dari n buah menjadi
m buah yang tentunya akan sangat meringankan komputasi dalam proses pengenalan
berikutnya.
ParafPembimbing 1:
ParafPembimbing 2:
hal : 3/12
Total matriks scatter S T diatas sesungguhnya adalah jumlahan dari matriks scatter
dalam kelas (within-class scatter matrix) SW dan matriks scatter antar kelas (betweenclass scatter matrix) S B yaitu, ST SW S B . Dengan demikian, kekurangan utama
yang terlihat disini adalah bahwa dalam proses PCA ke dua matrika scatter ini
termaksimalkan bersama-sama. Sesungguhnya yang diinginkan adalah hanya
maksimalisasi S B saja, sedangkan SW sebisa mungkin diminimalkan agar anggota
didalam kelas lebih terkumpul penyebarannya yang pada akhirnya dapat meningkatkan
keberhasilan pengenalan. Misalkan pada variasi perubahan iluminasi maupun skala
dari gambar yang terjadi pada obyek yang sama, dapat menyebabkan matriks scatter
dalam kelas menjadi besar yang cukup menyulitkan dalam proses pengenalan. Bila ini
terjadi, dengan demikian PCA akan menyertakan variasi iluminasi didalam
eigenimage-nya, dan konsekuensinya PCA menjadi tidak handal terhadap variasi
iluminasi yang terjadi pada obyek. Dengan metode LDA, SW akan diminimisasi
sehingga ekstrasi fitur yang dihasilkan menjadi lebih handal terhadap variasi yang
terjadi didalam kelas [3].
8.2 Linear Discriminant Analysis (LDA)
Matriks scatter dalam kelas SW , dan matriks scatter antar kelas S B didefinisikan
masing-masing sebagai berikut [3]:
c
SW
(x
i 1 xk X i
i )(x k i ) T
(4)
S B N i ( i )( i ) T
(5)
i 1
dimana N i adalah jumlah sampel pada kelas X i , dan i adalah image rata-rata dari
kelas X i . Seperti diutarakan sebelumnya bahwa sangat diharapkan agar matriks scatter
dalam kelas SW bisa diminimalisasi sementara matriks scatter antar kelas S B
dimaksimalkan. Dengan kata lain akan dicari matriks proyeksi l agar rasio
persamaan (6) menjadi maksimal [3].
det(l S B lT )
det(l SW lT )
(6)
ParafPembimbing 1:
ParafPembimbing 2:
(7)
hal : 4/12
Dimana adalah matriks eigenvector, dan adalah matriks diagonal nilai eigen.
Dengan kata lain akan dicari eigenvector dan eigenvalue dari matriks C yang
merupakan kombinasi within & beetwin matriks scatter seperti pada persamaan (8).
Kembali dilakukan pemilihan sebanyak l kolom eigenvector dari yang berasosiasi
dengan nilai-nilai eigen terbesar. Pemilihan l kolom eigenvector ini menghasilkan
matriks proyeksi l yang selanjutnya digunakan untuk ekstraksi fitur seperti halnya
pada PCA [3].
C Sb S w
(8)
(9)
Dimana yi adalah representasi 1 dimensi dari xi dan matriks S adalah nilai similaritas.
S didefinisikan sebagai berikut [9]:
= {exp (
||||
) , atau sebaliknya,
Jika tidak
(10)
ParafPembimbing 1:
ParafPembimbing 2:
hal : 5/12
(11)
Dimana XT = [X1, X2, ..., Xn]T dan X = [X1, X2, ..., Xn] . D adalah matriks diagonal
dengan ukuran N x N, dimana diagonalnya adalah dii, dii = , adalah jumlah nilai
similaritas dari semua sampel gambar. S adalah matriks similaritas dan L adalah
matriks laplacian [2] dimana L = D - S, keduanya berukuran N x N.
Sebuah pembatas ditentukan sebagai berikut [9].
(12)
Minimasi masalah dikurangi untuk menemukan [9]:
(13)
Vektor proyeksi optimal w yang meminimasi fungsi objektif diberikan oleh solusi nilai
eigen minimun dengan memecahkan permasalahan eigen berikut [9]:
(14)
ParafPembimbing 1:
ParafPembimbing 2:
hal : 6/12
ParafPembimbing 1:
ParafPembimbing 2:
hal : 7/12
Ekstraksi dan
reduksi fitur
PCA + LPP
Fitur wajah
Klasifikasi
KNN
Pelabelan
Ekstraksi dan
reduksi fitur
PCA + LPP
Pada gambar 3 menunjukkan diagram flowchart dari proses training sistem pengenalan
wajah dan gambar 4 menunjukkan diagram flowchart dari proses testing sistem
pengenalan wajah.
Masukkan gambar wajah Ii,
ubah Ii ke vektor kolom Vi,
V = [V1, V2, , Vn]
Sij ,
L=DS
Ai = Vi M,
(ZDZT)-1ZLZTE = E
, ambil sejumlah k vektor
eigen(E) berdasarkan terkecil,
WLPP = [E1, E2, , Ek]
Hitung laplacianfaces
W = WPCAWLPP
ParafPembimbing 1:
ParafPembimbing 2:
hal : 8/12
Hitung k nearest-neighbor
menggunakan euclidean
distance, d(B,Ni)
Klasifikasi
10.METODOLOGI
a. Penyusunan proposal tugas akhir
Proposal tugas akhir ini berisi tentang deskripsi pendahuluan dari tugas akhir
yang akan dibuat. Pendahuluan ini terdiri atas hal yang menjadi latar belakang
diajukannya usulan tugas akhir, rumusan masalah yang diangkat, batasan
masalah untuk tugas akhir, tujuan dari pembuatan tugas akhir, dan manfaat dari
hasil pembuatan tugas akhir. Selain itu dijabarkan pula tinjauan pustaka yang
digunakan sebagai referensi pendukung pembuatan tugas akhir serta ringkasan
isi tugas akhir. Sub bab metodologi berisi penjelasan mengenai tahapan
penyusunan tugas akhir mulai dari penyusunan proposal hingga penyusunan
ParafPembimbing 1:
ParafPembimbing 2:
hal : 9/12
buku tugas akhir. Terdapat pula sub bab jadwal kegiatan yang menjelaskan
jadwal pengerjaan tugas akhir.
b. Studi literatur
Pada studi literatur ini, akan dipelajari sejumlah referensi yang diperlukan dalam
pembuatan aplikasi yakni mengenai PCA, LDA, LPP dan metode evaluasi yang
digunakan yaitu perhitungan akurasi.
c. Analisis dan desain perangkat lunak
Aktor dari aplikasi adalah siapa saja yang ingin mengetahui kinerja dari metodemetode yang digunakan untuk mengenali wajah dalam tugas akhir ini. Fitur yang
tersedia pada aplikasi ini antara lain :
1.
2.
3.
4.
ParafPembimbing 1:
ParafPembimbing 2:
hal : 10/12
aplikasi perangkat lunak yang telah dibuat. Sistematika penulisan buku tugas
akhir secara garis besar antara lain :
1. Pendahuluan
a. Latar Belakang
b. Rumusan Masalah
c. Batasan Tugas Akhir
d. Tujuan
e. Metodologi
f. Sistematika Penulisan
2. Tinjauan Pustaka
3. Desain dan Implementasi
4. Pengujian dan Evaluasi
5. Kesimpulan dan Saran
6. Daftar Pustaka
2014
Desember
Januari
2015
Februari
Maret
April
Penyusunan
Proposal
Studi Literatur
Perancangan
Sistem
Implementasi
Pengujian dan
Evaluasi
Penyusunan
Buku
Tabel 1. Jadwal Pengerjaan Tugas Akhir
ParafPembimbing 1:
ParafPembimbing 2:
hal : 11/12
ParafPembimbing 1:
ParafPembimbing 2:
hal : 12/12