JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INFORMASI

INSTITUT TEKNLOGI SEPULUH NOPEMBER

USULAN TUGAS AKHIR

1. IDENTITAS PENGUSUL
NAMA
NRP
DOSEN WALI
DOSEN PEMBIMBING

:
:
:
:

Muhammad Iqbal Bachmid

5111100195
Arya Yudhi Wijaya, S.Kom., M.Kom.
1. Isye Arieshanti, S.Kom., M.Phil.
2. Anny Yuniarti, S.Kom., M.Comp.Sc.

2. JUDUL TUGAS AKHIR

Implementasi Sistem Pengenalan Wajah menggunakan Metode Laplacianfaces dan
Klasifikasi KNN

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.

6. TUJUAN PEMBUATAN TUGAS AKHIR

Tujuan dari pembuatan tugas akhir ini antara lain :
1. Membuat aplikasi yang dapat mengenali wajah.
2. Membandingkan sistem pengenalan wajah menggunakan metode laplacianfaces
dengan metode penelitian terdahulu yaitu eigenfaces dan fisherfaces.

7. MANFAAT TUGAS AKHIR

Manfaat dari hasil pembuatan tugas akhir ini antara lain :
1. Sebuah aplikasi sistem pengenalan wajah yang dapat mengenali wajah seseorang
yang bervariasi pencahayaan dan bervariasi ekspresi dengan sangat baik.

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

< n) dengan memproyeksikan x searah dengan m sebagai berikut [3]:

y m x

(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)

Kriteria ini menghasilkan solusi dengan persamaan sebagai berikut [1]:

S B SW

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)

8.3 Locality Preserving Projection (LPP)

PCA dan LDA bertujuan untuk mempertahankan struktur global. Namun, pada
beberapa aplikasi di dunia nyata, struktur lokal lebih penting. LPP [8] adalah sebuah
algoritma untuk mempelajari sub ruang yang mempertahankan lokalitas. LPP berupaya
mempertahankan geometri intrinsik dari data dan struktur lokal. Fungsi objektif LPP
sebagai berikut [9]:
Min ( )2

(9)

Dimana yi adalah representasi 1 dimensi dari xi dan matriks S adalah nilai similaritas.
S didefinisikan sebagai berikut [9]:

= {exp (

||||

Jika xi diantara k nearest neighbors xj,

) , atau sebaliknya,
Jika tidak

(10)

Dengan menggunakan beberapa langkah aljabar, fungsi objektif dapat diminimasi

sebagai berikut [9]:

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)

8.4 Metode evaluasi menggunakan accuracy

Accuracy didefinisikan sebagai tingkat kedekatan antara nilai prediksi dengan nilai
aktual. Perbandingan antara nilai sebenarnya dengan nilai prediksi ditunjukkan pada
gambar 1 [10].

ParafPembimbing 1:

ParafPembimbing 2:

hal : 6/12

Gambar 1. Perbandingan nilai sebenarnya dengan nilai prediksi

Secara umum, accuracy dapat dirumuskan sebagai berikut [10].

(15)

9. RINGKASAN ISI TUGAS AKHIR

Pada tahun 1991, Turk and Pentland [4,5] mengajukan teknologi eigenfaces yang sangat
dikenal. Sejak itu, berbagai pendekatan sistem pengenalan wajah yang berbeda-beda
telah dikembangkan dan berhasil diaplikasikan pada dunia nyata. Pada dasarnya,
pendekatan ini dapat dibagi atas tiga kategori [7]: metode pencocokan holistik, metode
pencocokan berbasis fitur, dan metode hybrid. Pada tipe pertama, sebuah gambar
seluruh wajah digunakan untuk pengenalan pola. Salah satu yang sangat populer adalah
teknologi eigenfaces yaitu berbasis principal component analysis (PCA). Pada kategori
kedua, fitur lokal seperti mata, hidung, dan mulut, dan posisi geometrisnya pertama kali
diekstrak, lalu hubungannya digunakan untuk klasifikasi. Namun, metode hybrid,
seperti sistem persepsi manusia, menggunakan pencocokan holistik dan berbasis fitur
untuk mengenali sebuah wajah [6].
Pada tugas akhir ini digunakan metode laplacianfaces, metode ini termasuk dalam
kelompok metode hybrid, dimana pada metode laplacianfaces ini digunakan algoritma
PCA dan LPP. Terdapat 2 tahapan dalam sistem pengenalan wajah yaitu training dan
testing/recognizing. Pada tahapan training, setiap gambar wajah pada data training akan
dilakukan proses perhitungan menggunakan algoritma PCA dan LPP untuk
menghasilkan matriks laplacianfaces dan setiap gambar diproyeksikan terhadap matriks
laplacianfaces untuk mendapatkan matriks fitur, selanjutnya pada tahapan testing,
vektor gambar diproyeksikan terhadap matriks laplacianfaces untuk menghasilkan
vektor fitur, selanjutnya dilakukan klasifikasi menggunakan KNN antar fitur gambar
testing dan gambar training untuk menentukan kelas atau label dari gambar testing.
Diagram blok sistem pengenalan wajah ditunjukkan pada gambar 2.

ParafPembimbing 1:

ParafPembimbing 2:

hal : 7/12

Ekstraksi dan
reduksi fitur
PCA + LPP

Fitur wajah

Klasifikasi
KNN

Pelabelan

Gambar wajah testing

Fitur wajah

Ekstraksi dan
reduksi fitur
PCA + LPP

Gambar wajah training

Gambar 2. Diagram blok sistem pengenalan wajah

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]

Hitung, Ei = AEi , normalisasi Ei,

WPCA = [E1, E2, , Ek]

Hitung matriks D dan L,

Dii =

Sij ,

L=DS

Hitung vektor wajah rata-rata

Proyeksikan vektor wajah,

Zi = ViTWPCA,
Z = [Z1, Z2, , Zn]

Ai = Vi M,

Konstruksi graf nearestneighbor dimana setiap node

merepresentasikan sebuah
gambar wajah Zi

(ZDZT)-1ZLZTE = E
, ambil sejumlah k vektor
eigen(E) berdasarkan terkecil,
WLPP = [E1, E2, , Ek]

Hitung laplacianfaces
W = WPCAWLPP

A = [A1, A2, , An]

Gunakan persamaan (10)

ATAE = E
, ambil sejumlah k vektor
eigen(E) berdasarkan terbesar

Hitung fitur wajah Ni = ViTW,

N = [N1, N2, , Nn]

Gambar 3. Diagram flowchart training sistem pengenalan wajah

ParafPembimbing 1:

ParafPembimbing 2:

hal : 8/12

Masukkan gambar wajah I, ubah

I ke vektor kolom V

Hitung fitur wajah B = VTW

Hitung k nearest-neighbor
menggunakan euclidean
distance, d(B,Ni)

Hitung bobot k nearestneighbor

Klasifikasi

Gambar 4. Diagram flowchart testing sistem pengenalan wajah

Aplikasi sistem pengenalan wajah ini dibangun menggunakan bahasa pemrograman

Matlab dengan GUI. Fitur yang tersedia antara lain, training gambar wajah, testing 1
gambar wajah, testing kumpulan gambar wajah, pilihan metode yang digunakan untuk
pengenalan wajah.

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.

Training kumpulan gambar wajah.

Klasifikasi per 1 gambar wajah.
Klasifikasi kumpulan gambar wajah.
Perbandingan metode yang diusul dengan metode eigenfaces dan
fisherfaces.

d. Implementasi perangkat lunak

Aplikasi ini dibangun dengan bahasa pemrograman Matlab menggunakan
Matlab GUI.
e. Pengujian dan evaluasi
Pengujian dari aplikasi ini akan dilakukan dalam beberapa cara yaitu :
1. Pengujian black box
Pengujian black box adalah pengujian yang berfokus pada spesifikasi
fungsional dari perangkat lunak, tester dapat mendefiniskan kumpulan
kondisi input dan melakukan pengetesan pada spesifikasi fungsioanal
program [9]. Pengujian ini dilakukan untuk mengetahui apakah fungsional
dari aplikasi berjalan sesuai dengan harapan.
2. Pengujian tingkat akurasi.
Pengujian tingkat akurasi digunakan untuk mengukur kemampuan aplikasi
dalam melakukan klasifikasi terhadap kumpulan testing gambar wajah.
Perhitungan akurasi menggunakan persamaan (15).
f. Penyusunan Buku Tugas Akhir
Pada tahap ini dilakukan penyusunan laporan yang menjelaskan dasar teori dan
metode yang digunakan dalam tugas akhir ini serta hasil dari implementasi

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

11. JADWAL KEGIATAN

Jadwal pengerjaan tugas akhir ditunjukkan pada Tabel 1.
Tahapan

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

12. DAFTAR PUSTAKA

[1] Etemad, K., & Chellappa, R. (1997). Discriminant Analysis for Recognition of Human
Face Images. Journal of Optical Society of America A, 1724-1733.
[2] Fan R. K., C. (1997). Spectral Graph Theory. Regional Conferences Series in
Mathematics.
[3] Lim, R., Raymond, & Gunadi, K. (2002). Face Recognition Menggunakan Metode
Linear Discriminant Analysis (LDA). Komputer dan Sistem Intelijen (KOMMIT2002).
Jakarta.
[4] M., T., & A., P. (1991). Eigenfaces for recognition. J. Cognitive Neurosci. 3, 71-86.
[5] M., T., & A., P. (1991). Face recognition using eigenfaces. Proceedings of IEEE
Conference on Computer Vision and Pattern Recognition, (pp. 586-591).
[6] Ping-Cheng, H., & Pi-Cheng, T. (2008). A novel hybrid approach based on sub-pattern
technique and whitened PCA for face recognition. Pattern Recognition, 1.
[7] W., Z., R., C., R.J., P., & A., R. (2003). Face recognition : a literature survey. ACM
Comput. Surv. 35, 399-458.
[8] Xiaofei, H., & Partha, N. (2003). Locality Preserving Projections. Advances in Neural
Information Processing Systems.
[9] Xiaofei, H., Shuicheng, Y., Yuxiao, H., Partha, N., & Hong-jiang, Z. (2005). Faces
recognition using laplacianfaces.
[10] DATAQ. (2013). Perbedaan: precision, recall & accuracy. [Online]. Tersedia:
https://dataq.wordpress.com/2013/06/16/perbedaan-precision-recall-accuracy/ [24
desember 2014]

ParafPembimbing 1:

ParafPembimbing 2:

hal : 12/12