Anda di halaman 1dari 31

BAB 3

ANALISIS DAN PERANCANGAN SISTEM

3.1 Analisis Sistem

Analisis

sistem

bertujuan

untuk

mengidentifikasi

permasalahan-

permasalahan yang ada pada komponen yang dibangun yang meliputi perangkat

keras

(hardware),

diperlukan

sebagai

perangkat

lunak

(software)

dan

dasar

bagi

tahapan

perancangan

pengguna.

Analisis

ini

sistem.

Analisis

sistem

meliputi identifikasi permasalahan, spesifikasi aplikasi, spesifikasi pengguna, dan

lingkungan operasi.

3.1.1 Identifikasi Masalah

Pada sistem pendeteksian wajah dengan jaringan saraf tiruan, piksel citra

wajah masukan akan diproses oleh jaringan saraf tiruan untuk memperolah letak

posisi wajah pada citra. Pada skripsi ini, komponen pendeteksian wajah dirancang

adalah untuk mendeteksi wajah tampak depan yang terdapat pada citra.

Hasil dari sistem pendeteksian wajah yang berupa posisi letak wajah dapat

digunakan untuk keperluan pengawasan atau proses pengenalan wajah pada citra.

Untuk komponen pendeteksian wajah, proses pada sistem pendeteksian wajah

dengan jaringan saraf tiruan dapat berupa sekumpulan fungsi-fungsi yang mudah

untuk digunakan.

Permasalahan yang teridentifikasi pada sistem pendeteksian wajah dengan

jaringan saraf adalah:

Ektraksi data citra untuk proses pelatihan dan pedeteksian pada jaringan

saraf tiruan.

29

Variasi kualitas citra masukan yang berupa arah pencahayaan, perbedaan

format warna dan perbedaan kamera yang digunakan.

Perbedaan posisi dan skala wajah pada citra masukan.

Arsitektur dan metode pembelajaran yang cocok digunakan untuk sistem

pendeteksian wajah.

Solusi untuk permasalahan-permasalahan diatas adalah sebagai berikut:

Data yang diekstrak dari citra adalah nilai piksel citra. Banyaknya nilai

piksel dari citra yang diambil adalah sebanyak 400 data. Ukuran citra yang

digunakan adalah 18*27 dan data yang diambil adalah:

o

Untuk lebar dari posisi 2 sebanyak 16 data atau posisi 2-17

o

Untuk tinggi dari posisi 2 sebanyak 26 data atau posisi 2-26

Dengan demikian akan dihasilkan data piksel sebanyak 400 data dan

toleransi kesalahan posisi sebesar 1 piksel.

Untuk mengurangi variasi citra masukan dapat dilakukan dengan proses

berikut:

o Grayscale untuk menyamakan format warna yang berbeda

o Masking unutk menghilangkan latar belakang pada citra

o Lighting correction untuk menghilangkan arah pencahayaan

o Histogram equalization untuk menyamakan tingkat keabuan citra

dan mengatasi perbedaan kamera input

Untuk mengatasi permasalahan skala dan posisi digunakan teknik image

pyramid dan menggeser window berukuran 18x27 pada seluruh daerah

citra.

30

Pada penelitian ini, arsitekstur jaringan saraf yang digunakan adalah

multilayer

perceptron

dengan

metode

pembelajaran

backpropagation.

Metode ini terbukti dapat memberikan hasil yang lebih baik dibanding

arsitektur jaringan saraf yang lain.

 

3.1.2

Spesifikasi Komponen

 

Komponen yang akan dibangun memiliki kemampuan sebagai berikut:

Komponen hanya mampu memproses citra dengan format JPEG, GIF dan

PNG

Memberikan jumlah wajah yang terdapat pada citra

 

Memberikan koordinat letak wajah beserta ukurannya

Dapat menentukan sendiri banyak dan jenis himpunan citra pelatihan

yang berektensi JPEG

 

Dapat mengatur parameter pembelajaran jaringan saraf tiruan

Dapat mengatur parameter pada proses pendeteksian wajah

Dapat menyimpan dan memuat nilai-nilai bobot yang didapatkan dari

proses pelatihan

 

3.1.3

Spesifikasi Pengguna

Komponen ini ditujukan untuk semua pihak untuk digunakan dalam

menghasilkan suatu aplikasi yang mampu mendeteksi wajah pada citra.

3.1.4 Lingkungan Operasi

Untuk

membangun

komponen

sesuai

spesifikasi

kebutuhan

maka

lingkungan operasi yang digunakan adalah sebagai berikut:

Sistem Operasi Windows

Sistem operasi ini digunakan karena lebih user friendly.

31

Java Development Kit 1.5.0_08

JDK merupakan kumpulan API yang digunakan untuk pengembangan

aplikasi berbasis J2SE. JDK dipilih karena dapat menghasilkan komponen

yang dapat berjalan pada sistem operasi yang mendukung java virtual

machine. Selain itu JDK bersifat open source dan gratis.

3.2 Arsitekstur Konsep Sistem

Arsitektur sistem pendeteksian wajah pada skripsi ini ditunjukkan oleh

gambar 3.1. Proses awal adalah menyiapkan himpunan citra yang akan digunakan

untuk melatih jaringan saraf tiruan (1). Citra-citra pelatihan kemudian akan

melalui proses preprocessing guna mengurangi tingkat keragaman citra (2). Citra

yang telah melalui proses preprocessing akan digunakan dalam proses pelatihan

jaringan saraf tiruan yang bertujuan menghasilkan bobot yang akan digunakan

nantinya

pada

proses

pendeteksian

wajah

(3,4).

Proses

selanjutnya

adalah

melakukan

pendeteksian

dari

citra

masukan

yang

telah

melalui

proses

preprocessing (5,6). Terakhir akan menghasilkan himpunan data letak dan ukuran

wajah pada citra (7).

32

Himpunan Citra Masukan Citra Pelatihan 5 1 Image Image Preprocessing Preprocessing 6 2 Pedeteksian 3
Himpunan
Citra Masukan
Citra
Pelatihan
5
1
Image
Image
Preprocessing
Preprocessing
6
2
Pedeteksian
3
Pelatihan Jaringan
Saraf
4
Wajah
Bobot
7
Koordinat
Proses Pelatihan
letak wajah
pada citra

Gambar 3.1 Arsitektur Konsep Sistem

3.3 Citra Wajah Pelatihan

Pada penelitian ini citra wajah pelatihan yang digunakan berasal dari 2

sumber yakni dari citra–citra wajah dari

digunakan

dalam

penelitian

yalefaces

sistem

yang ditujukan untuk

pengenalan

wajah

dan citra–citra wajah CMU face files yang terdiri dari berbagai macam jenis citra

dengan

resolusi

citra

yang

berbeda-beda

. Gambar 3.2 Contoh citra pada yalefaces Created by Neevia

Gambar 3.2 Contoh citra pada yalefaces

33 Gambar 3.3 Contoh citra pada CMU face files 3.4 Analisis Pengambilan Input Untuk memulai

33

33 Gambar 3.3 Contoh citra pada CMU face files 3.4 Analisis Pengambilan Input Untuk memulai proses
33 Gambar 3.3 Contoh citra pada CMU face files 3.4 Analisis Pengambilan Input Untuk memulai proses

Gambar 3.3 Contoh citra pada CMU face files

3.4 Analisis Pengambilan Input

Untuk memulai proses pendeteksian wajah, hal pertama yang dilakukan

pemasukan gambar digital ke dalam sistem pendeteksian wajah. Pada penelitian

ini gambar input untuk proses pelatihan jaringan saraf menggunakan gambar

digital yang diperoleh dengan berbagai macam jenis resolusi. Penggunaan gambar

atau citra yang diperoleh dari kamera digital dapat membuktikan bahwa sistem

dapat bekerja tanpa memerlukan hardware rakitan khusus atau secara real.

Pada skripsi ini terdapat 2 jenis pengambilan input yakni pengambilan

input

untuk

pelatihan

jaringan

saraf

dan

pengambilan

input

untuk

proses

pendeteksian wajah. Data dari input citra yang digunakan adalah nilai grayscale

yang telah dinormalisasi yang bertujuan untuk memperkecil selisih antara nilai

maksimal dan minimal data masukan pada jaringan saraf.

3.4.1 Pengambilan input untuk pelatihan

34

Untuk citra wajah, pengambilan input dilakukan dengan cara mengambil

piksel dari citra wajah berukuran 18 piksel x 27 piksel dari himpunan citra

pelatihan yang telah disiapkan. Variasi wajah pada citra dapat meningkatkan

kemampuan pendeteksian jaringan saraf tiruan. Untuk memperbanyak data citra

wajah, maka pada tiap citra wajah diperbanyak dengan cara ditransformasi dengan

sumbu x (mirror x).

Untuk citra bukan wajah, digunakan cara pengambilan citra ukuran 18x27

secara acak sebanyak n pada citra bukan wajah yang disiapkan. Hal ini dilakukan

karena beragamnya jenis citra bukan wajah. Dengan pengambilan secara acak

maka pengguna komponen tidak harus menyiapkan citra bukan wajah yang

banyak dan hanya perlu menentukan jumlah citra bukan wajah yang diinginkan.

Oleh karena itu maka citra untuk proses pelatihan harus memenuhi syarat berikut

ini:

Untuk citra wajah:

1. Citra harus berukuran atau beresolusi 18 piksel x 27 piksel

2.

Pada

citra

harus

keseluruhan.

menampilkan

wajah

manusia

secara

3. Jenis wajah manusia harus bervariasi

Untuk citra bukan wajah:

1. Citra tidak memiliki wajah manusia

2. Ukuran citra harus lebih besar dari 200 piksel x 200 piksel

35

35 Gambar 3.4 Contoh citra- citra masukan untuk proses pelatihan 3.4.2 Pengambilan input untuk pendeteksian Pada
35 Gambar 3.4 Contoh citra- citra masukan untuk proses pelatihan 3.4.2 Pengambilan input untuk pendeteksian Pada
35 Gambar 3.4 Contoh citra- citra masukan untuk proses pelatihan 3.4.2 Pengambilan input untuk pendeteksian Pada

Gambar 3.4 Contoh citra- citra masukan untuk proses pelatihan

3.4.2 Pengambilan input untuk pendeteksian

Pada proses pendeteksian, tidak ada ketentuan pada citra yang diinput.

Dengan demikian citra input dapat berbeda dalam ukuran, format warna dan arah

pencahayaan. Hal ini untuk membuktikan bahwa komponen pendeteksian wajah

pada penelitian ini mampu mendeteksi wajah pada citra-citra masukan yang

bervariasi dalam ukuran, arah pencahayaan dan format warna.

Proses yang dilakukan pada citra masukan adalah sebagai berikut:

1. Mengecilkan

skala

citra

masukan

secara

bertahap

dengan

tingkat dan faktor skala tertentu (teknik image pyramid).

2.

Pada

tiap

tahapan

pengecilan

citra

masukan,

diambil

citra

dengan ukuran 27x18 pada tiap baris dan kolom citra input

untuk dilakukan proses preprocessing.

36

36 Gambar 3.5 Tahapan pengecilan citra input dengan tingkat pengecilan = 6 dan faktor skala =

Gambar 3.5 Tahapan pengecilan citra input dengan tingkat pengecilan = 6 dan

faktor skala = 1,2

input dengan tingkat pengecilan = 6 dan faktor skala = 1,2 Gambar 3.6 Contoh-contoh citra ukuran

Gambar 3.6 Contoh-contoh citra ukuran 27x18 pada beberapa tahapan pengecilan

citra input

Citra masukan tersebut kemudian diolah terlebih dahulu dengan beberapa

proses seperti perhitungan tingkat keabuan, masking, lighting correction, dan

histogram

equalization

yang

akan

dibahas

masing-masing

pada

subbab

preprocesing. Dengan melalui pemrosesan awal tersebut maka akan mengurangi

variasi input untuk jaringan saraf tiruan.

3.5 Pemrosesan Citra (Preprocessing)

37

Proses preprocessing dilakukan untuk mengurangi variasi nilai piksel pada

citra

masukan.

Dengan

adanya

pemprosesan

ini

akan

mempermudah

kerja

jaringan saraf dalam proses pendeteksian wajah.

Citra Grayscale Masking Lighting Correction Histogram Equalization Preprocessing Citra yang telah dinormalisasi
Citra
Grayscale
Masking
Lighting Correction
Histogram Equalization
Preprocessing
Citra yang telah
dinormalisasi
Gambar 3.7 Tahapan proses preprocessing

3.5.1 Pengubahan Warna Citra Ke Abu-Abu (Algoritma Grayscale)

Pada tahap ini data gambar yang berupa data RGB akan diubah ke dalam

bentuk data grayscale. Langkah ini dilakukan untuk mengurangi nilai piksel pada

citra yang hanya berkisar antara 0-255. Proses algoritma perhitungan tingkat

keabuan dapat dilihat pada gambar 3.4.

Mulai h = 0 w = 0
Mulai
h
= 0
w
= 0
h < tinggi citra tidak Selesai ya tidak w < lebar citra ya Ambil piksel
h < tinggi
citra
tidak
Selesai
ya
tidak
w < lebar
citra
ya
Ambil piksel pada
posisi (w,h)
w = w+1
lebar citra ya Ambil piksel pada posisi (w,h) w = w+1 I = R + G

I = R + G + B

3

Ambil piksel pada posisi (w,h) w = w+1 I = R + G + B 3

R=G=B=I

R=G=B=I
h = h+1
h = h+1

38

Gambar 3.8 Diagram alir perhitungan tingkat keabuan (grayscale)

3.5.2 Menghilangkan Latar Belakang Dengan Teknik Masking

Untuk mendapatkan input pelatihan jaringan saraf yang bebas dari latar

belakang maka pada citra akan ditambahkan suatu lapisan yang berbentuk oval

untuk menghilangkan piksel latar belakang. Untuk citra wajah asli, proses ini

memastikan

bahwa hanya

piksel

dari

wajah

yang digunakan

sebagai

input

39

pelatihan jaringan saraf tiruan. Proses ini dilakukan untuk mengurangi tingkat

error pada jaringan saraf tiruan. Teknik masking untuk komponen pada penelitian

ini adalah dengan tiap piksel pada citra berukuran 18x27 dikalikan dengan tiap

nilai pada lapisan berukuran 18x27 yang berisi nilai 1 dan 0.

x/y

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

1

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

2

0

0

0

0

0

0

0

1

1

1

1

0

0

0

0

0

0

0

3

0

0

0

0

0

1

1

1

1

1

1

1

1

0

0

0

0

0

4

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

0

0

0

5

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

0

0

0

6

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

7

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

8

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

9

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

10

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

11

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

12

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

13

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

14

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

15

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

16

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

17

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

18

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

19

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

20

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

21

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

22

0

0

1

1

1

1

1

1

1

1

1

1

1

1

1

1

0

0

23

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

0

0

0

24

0

0

0

1

1

1

1

1

1

1

1

1

1

1

1

0

0

0

25

0

0

0

0

0

1

1

1

1

1

1

1

1

0

0

0

0

0

26

0

0

0

0

0

0

0

1

1

1

1

0

0

0

0

0

0

0

27

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

0

Gambar 3.9 Nilai lapisan oval untuk proses masking

3.5.3 Menghilangkan Arah Pencahayaan (Lighting Correction)

Jaringan saraf tiruan sangat mudah terpengaruh oleh nilai piksel yang

berbeda pada citra yang arah pencahayaan dari kiri dan kanan, sehingga citra

diklasifikasikan oleh jaringan saraf tiruan sebagai dua objek yang berbeda. Oleh

karena itu diperlukan suatu metode untuk mengkoreksi arah pencahayaan pada

citra.

40

Pada komponen ini, metode yang digunakan untuk mengkoreksi arah

pencahayaan adalah dengan mengunakan metode affine lighting correction. Hal

ini dilakukan dengan mengekstrak suatu lapisan yang mengidentifikasikan arah

pencahayaan dari citra. Lapisan ini diperoleh dengan persamaan:

Dimana:

Z = A * C

Z: vektor lapisan arah pencahayaan citra (x, y, c)

A: vektor lapisan penampung arah pencahayaan citra (x ,y, 1)

C: vektor yang mendefinisikan arah pencahayaan citra ( a, b, c)

Proses pengkoreksian pencahayaan pada citra dilakukan dengan cara

mengurangi tiap piksel gambar dengan tiap nilai lapisan arah pencahayaan yang

diperoleh dari hasil perhitungan best linear fit.

Langkah-langkah pengkoreksian pencahayaan citra adalah sebagai berikut:

1. buat 1 array 2 dimensi dengan nama P dimana bila baris dan kolom

terdapat di dalam daerah oval citra maka :

a. untuk kolom pertama berisi nilai posisi kolom pada citra

b. untuk kolom kedua berisi nilai posisi baris pada citra

c. untuk kolom ketiga berisi nilai 1

2. nilai vektor C diperoleh dari inv(P' * P) * P' * I dimana P' adalah

transpose dari vektor A dan I adalah nilai piksel citra yang terdapat

dalam daerah oval.

3. nilai vector Z diperoleh dari vector A kolom pertama dikalikan dengan

nilai a pada vektor C, vector A kolom kedua dikalikan dengan nilai b

41

pada vektor C dan vector A kolom ketiga dikalikan dengan nilai c pada

vektor C.

4. Kurangkan tiap nilai piksel pada citra dengan tiap nilai pada vector Z.

3.5.4 Menyetarakan Tingkat Keabuan Citra (Histogram Equalization)

Agar tiap citra input memiliki tingkat keabuan yang sama yakni memiliki

nilai minimal dan maksimal yang sama untuk tiap citra yang diinput, maka perlu

dilakukan penyetaraan tingkat keabuan dengan cara histogram equalization. Pada

komponen ini proses histogram equalization hanya dilakukan pada piksel yang

berada didalam daerah oval. Proses ini mampu mengurangi perbedaan piksel citra

akibat perbedaan kamera, tingkat pencahayaan citra, warna kulit wajah dan

meningkatkan nilai kontras pada citra.

Gambar asli:

Masking:

Lighting correction:

Histogram equalization:

: Masking: Lighting correction : Histogram equalization : Gambar 3.10 Hasil proses preprocessing pada citra Created
: Masking: Lighting correction : Histogram equalization : Gambar 3.10 Hasil proses preprocessing pada citra Created
: Masking: Lighting correction : Histogram equalization : Gambar 3.10 Hasil proses preprocessing pada citra Created
: Masking: Lighting correction : Histogram equalization : Gambar 3.10 Hasil proses preprocessing pada citra Created
: Masking: Lighting correction : Histogram equalization : Gambar 3.10 Hasil proses preprocessing pada citra Created

Gambar 3.10 Hasil proses preprocessing pada citra

 

42

3.6 Rancangan Jaringan Saraf Tiruan

 

Jaringan

saraf

tiruan

yang

digunakan

adalah

multi-layer

perceptron

dengan 3 layer, yaitu input layer yang memiliki 400 neuron yang mewakili tiap

nilai piksel untuk citra, 23 neuron untuk hidden layer dan 1 neuron untuk output

layer.

h1 i1 h2 i2 h3 i3 h4 i4 h5 i5 h6 i6 h7 i7 h8
h1
i1
h2
i2
h3
i3
h4
i4
h5
i5
h6
i6
h7
i7
h8
i8
o1
h9
i9
h10
i10
h11
i11
h12
i12
h13
i13
h14
i14
h15
i15
h23
i400
Input layer
Hidden layer
Output layer

Gambar 3.11 Jaringan saraf tiruan yang digunakan

Dimana:

43

i1-i400: node pada lapisan masukan untuk tiap piksel pada citra masukan

h1-h23: node pada lapisan tengah

o1: node pada lapisan output yang berperan sebagai penghasil output

3.6.1 Pelatihan Jaringan Saraf Tiruan

Proses pelatihan dalam jaringan saraf ini meliputi inisialisasi multi-layer

perceptron,

input

dan

target

output

yang

diinginkan,

melakukan

proses

feedforward

dan

pencarian

bobot-bobot

dengan

algoritma

backpropagation

sampai menemukan bobot-bobot yang menghasilkan nilai toleransi error yang

diinginkan, dan terakhir menyimpan bobot-bobot tersebut.

Mulai

Mulai Inisialisasi multi- layer perceptron Inisialisasi input dan target Feedforward Backpropaga tion error

Inisialisasi multi- layer perceptron

Mulai Inisialisasi multi- layer perceptron Inisialisasi input dan target Feedforward Backpropaga tion error

Inisialisasi input dan target

multi- layer perceptron Inisialisasi input dan target Feedforward Backpropaga tion error Perubahan weight Uji

Feedforward

perceptron Inisialisasi input dan target Feedforward Backpropaga tion error Perubahan weight Uji toleransi

Backpropaga

tion error

input dan target Feedforward Backpropaga tion error Perubahan weight Uji toleransi Menyimpan weight Selesai

Perubahan

weight

Feedforward Backpropaga tion error Perubahan weight Uji toleransi Menyimpan weight Selesai 44 Gambar 3.12

Uji toleransi

Backpropaga tion error Perubahan weight Uji toleransi Menyimpan weight Selesai 44 Gambar 3.12 Diagram alir

Menyimpan

weight

error Perubahan weight Uji toleransi Menyimpan weight Selesai 44 Gambar 3.12 Diagram alir proses pelatihan pada

Selesai

44

Gambar 3.12 Diagram alir proses pelatihan pada jaringan saraf tiruan

3.6.1.1 Inisialisasi Multi-Layer Perceptron

Proses

inisialisasi

jaringan

multi-layer

perceptron

dilakukan

dengan

menyediakan dua jenis bobot yakni W ih dan W ho. W ih merupakan bobot-bobot

yang menghubungkan neuron-neuron pada input layer dengan neuron-neuron

pada hidden layer. W ho merupakan bobot-bobot yang menghubungkan neuron-

neuron pada hidden layer dengan neuron-neuron pada output layer. Selain itu

45

terdapat 2 jenis bias yakni W 0ih dan W 0ho. W 0ih merupakan nilai-nilai bias yang

menghubungkan input layer dengan hidden layer. W 0ho merupakan nilai-nilai bias

yang menghubungkan hidden layer dengan output layer.

Pada komponen pendeteksian wajah ini, disediakan 9200 W ih, 23 W ho, 23

W 0ih dan 1 W 0ho untuk jaringan multi-layer perceptron dimana pada masing-

masing bobot dan bias diberikan nilai acak antara -1 dan 1.

3.6.1.2 Inisialisasi Input dan Target

Pada jaringan saraf ini, nilai input pada tiap unit pada input layer berupa

nilai

tingkat

keabuan

pada

tiap

piksel

citra

masukan

antara

0-255.

Untuk

mempermudah proses pelatihan maka nilai piksel citra akan dinormalisasi terlebih

dahulu. Proses normalisasi tiap nilai piksel untuk input node terdiri dari 2 proses

yakni:

(Centering) dikurangi dengan nilai rata-ratanya

(Scaling) dibagi dengan standar deviasinya

Pada komponen pendeteksian ini, tiap piksel memiliki mean (nilai rata-

rata) dan standar deviasi yang masing-masing. Dengan demikian terdapat 400

mean dan 400 standar deviasi. Penentuan nilai mean dan standar deviasi dilakukan

dengan menentukan nilai yang mendekati nilai mean dan standar deviasi yang

sebenarnya dengan melihat pola piksel yang digunakan untuk pelatihan.

46

x/y

1

2

3

4

5

 

6

 

7

8

9

10

11

12

13

 

14

15

16

1

0

0

0

0

0

 

0

 

105

104

107

107

0

0

 

0

 

0

0

0

2

0

0

0

0

117

116

 

113

114

118

114

117

114

 

0

 

0

0

0

3

0

0

115

117

121

124

 

121

122

123

122

121

119

115

 

109

0

0

4

0

0

115

119

124

127

 

125

125

127

125

126

120

116

 

114

0

0

5

0

112

115

121

126

127

 

126

126

127

126

126

121

119

 

117

113

0

6

0

114

116

121

130

131

 

130

130

131

131

131

126

122

 

120

114

0

7

0

115

118

122

127

131

 

134

133

136

137

133

129

125

 

120

118

0

8

111

115

116

117

119

121

 

129

137

136

132

124

120

119

 

118

116

111

9

118

120

116

114

113

114

 

120

133

135

122

116

114

113

 

117

118

116

10

124

121

111

108

107

109

 

117

131

132

119

111

108

106

 

110

119

122

11

126

121

116

115

113

112

 

118

131

134

122

117

114

113

 

116

121

125

12

127

127

128

129

124

121

 

122

134

135

125

124

128

129

 

129

128

127

13

131

133

137

135

132

125

 

126

136

137

130

132

135

137

 

137

134

130

14

130

134

135

137

132

128

 

127

138

142

131

133

138

139

 

138

135

130

15

129

132

135

136

135

127

 

126

133

134

129

130

136

137

 

136

129

126

16

126

131

134

135

133

125

 

114

117

117

116

126

132

135

 

133

127

122

17

124

130

130

131

128

122

 

114

113

113

115

121

130

129

 

130

125

119

18

121

126

127

124

122

119

 

119

121

121

120

119

122

127

 

127

122

120

19

0

125

125

120

115

115

 

117

120

121

119

117

118

121

 

127

123

0

20

0

123

123

119

112

108

 

109

114

116

111

110

114

118

 

125

120

0

21

0

121

120

122

120

118

 

114

119

120

117

118

121

121

 

122

117

0

22

0

0

118

120

121

121

 

120

120

121

120

122

121

118

 

118

0

0

23

0

0

118

119

120

122

 

123

128

127

123

123

121

118

 

116

0

0

24

0

0

0

0

119

122

 

126

130

128

125

123

120

 

0

 

0

0

0

25

0

0

0

0

0

 

0

 

119

121

123

118

0

0

 

0

 

0

0

0

 

Gambar 3.13 Nilai mean tiap piksel untuk proses normalisasi

 
 

x/y

1

2

 

3

 

4

5

6

7

8

9

10

 

11

12

13

14

15

16

 

1

0

0

 

0

 

0

0

0

46

45

48

46

 

0

 

0

0

0

0

0

2

0

0

 

0

 

0

44

40

40

39

41

42

 

41

43

0

0

0

0

3

0

0

 

45

41

39

38

39

41

41

41

 

40

41

41

42

0

0

4

0

0

 

40

39

38

37

41

43

44

41

 

41

39

40

39

0

0

5

0

39

 

39

38

37

39

41

43

43

41

 

38

38

39

39

40

0

6

0

38

 

39

38

40

42

45

44

45

44

 

43

40

37

40

39

0

7

0

37

 

40

40

44

45

49

49

50

48

 

46

42

42

39

39

0

8

42

36

 

38

37

41

40

44

48

49

44

 

41

43

40

37

37

42

9

34

34

 

35

41

44

41

43

46

46

43

 

41

46

43

37

34

36

10

33

32

 

38

41

46

41

44

44

43

43

 

43

48

45

38

33

36

11

35

34

 

35

39

39

37

42

45

44

41

 

39

41

40

37

36

36

12

38

33

 

36

37

39

39

40

46

46

38

 

40

39

37

37

35

40

13

37

39

 

41

42

42

40

43

45

46

41

 

40

42

44

42

40

37

14

37

37

 

42

43

42

39

40

48

45

40

 

41

45

44

43

38

40

15

35

35

 

39

44

41

40

42

45

45

41

 

40

40

44

37

35

37

16

37

36

 

38

42

41

38

44

42

42

42

 

38

41

42

37

34

39

17

39

36

 

37

39

38

37

38

37

38

37

 

38

40

42

34

35

39

18

42

38

 

38

37

37

37

38

39

38

39

 

36

38

40

36

39

41

19

0

41

 

37

38

35

38

39

39

39

40

 

40

36

39

38

39

0

20

0

40

 

37

38

37

37

41

40

43

42

 

38

37

38

37

38

0

21

0

43