Anda di halaman 1dari 9

BAB I PENDAHULUAN 1.

1 Latar Belakang Penelitian tentang citra wajah telah dilakukan oleh banyak peneliti, namun input data ujicoba maupun data pelatihan mempunyai model yang sama, data pelatihan dan data ujicoba berupa data digital yang diambil langsung dari objek yang akan diteliti (Turk, 1991; Erik, 2000; Su Dkk., 2002; Lu Dkk., 2003; Xiaofei Dkk., 2005; Seyyed Dkk., 2007; Cai, 2006). Sedangkan penelitian yang telah dikerjakan oleh peneliti lain untuk yang menggunakan data sampel sketsa wajah sebagai data ujicoba masih sangat sedikit (Xiaoou dan Xiaogang ,2003). Untuk melakukan reduksi dimensi, ada tiga teknik yang bisa digunakan, diantaranya adalah metode holistic, feature dan hybrid. Diantara metode holistic, metode berdasarkan penampakan (appearance based-method) merupakan salah satu teknik yang digunakan untuk reduksi dimensi citra. Metode berdasarkan penampakan, digambarkan sebagai vektor dalam ruang yang berdimensi nxm (Rnxm). Ruang berdimensi nxm ini terlalu besar untuk melakukan pengenalan wajah yang cepat. Untuk memecahkan permasalahan ini menggunakan teknik pengurangan dimensi (Roweis, 2000; Yang Dkk.,.2000; Li Dkk.,.2001; Martinez dan Kak, 2001; Batur dan Hayes, 2001; Levin dan Shashua, 2002; Shakunaga dan Shigenari, 2001; Xiaoguang, 2005). Metode tersebut sangat cocok digunakan untuk penelitian yang terkait dengan citra wajah (bukan sketsa wajah). Beberapa penelitian yang berbasis appearance hanya cocok digunakan untuk pengenalan wajah yang diambil menggunakan kamera, baik untuk citra wajah pelatihan maupun citra wajah yang diuji. Sedangkan kalau digunakan untuk penelitian sketsa wajah hasil akurasi pengenalnnya sangat rendah, yaitu data pelatihan menggunakan citra foto yang diambil menggunakan kamera dan citra ujinya menggunakan citra sketsa wajah yang dihasilkan oleh sketcher. Penelitian tentang sketsa citra wajah mempunyai hubungan erat dengan kasus-kasus kejahatan yang pelakunya tidak teridentifikasi, namun dengan

bantuan seorang pelukis sketsa (sketcher), wajah pelaku dapat diidentifikasi berdasarkan keterangan saksi mata dengan menggambar sketsa wajah berdasarkan ciri-ciri pelaku. Bertitik tolak pada permasalahan tersebut, maka dilakukan

penelitian deteksi multi fitur pada sketsa wajah, data pelatihan yang digunakan merupakan citra digital yang diambil dari sampel menggunakan kamera, sedangkan data ujicoba dihasilkan dari sketsa wajah yang dilakukan oleh sketcher. Pada eksperimen pengenalan sketsa wajah halftone menggunakan metode eigenface yang berbadasarkan threshold, rata-rata akurasinya hanya mencapai 4%. Pada eksperimen pengenalan sketsa wajah menggunakan penyeleksian nilai maksimal fitur fungsi non linier pada kernel Principal Component Analysis rata-rata akurasi pengenalannya mencapai 6%. Pada

eksperimen pengenalan sketsa wajah menggunakan ekstraksi satu fitur berbasis Discrete Sinus Transform, rata-rata akurasi pengenalnnya hanya mencapai 2% dan menggunakan ekstraksi satu fitur berbasis Discrete Cosine Transform ratarata akurasi pengenalannya mencapai 4%. Pada eksperimen pengenalan sketsa wajah hatching menggunakan metode eigenface yang berdasarkan threshold rata-rata akurasinya hanya mencapai 2%. Pada eksperimen pengenalan sketsa wajah menggunakan penyeleksian nilai maksimal fitur fungsi non linier pada kernel Principal Component Analysis ratarata akurasi pengenalannya mencapai 4%. Pada eksperimen pengenalan sketsa wajah menggunakan ekstraksi satu fitur berbasis Discrete Sinus Transform, ratarata akurasi pengenalnnya hanya mencapai 2% dan menggunakan ekstraksi satu fitur berbasis Discrete Cosine Transform rata-rata akurasi pengenalannya mencapai 2%. Berdasarkan hasil eksperimen ini, maka ekstraksi fitur yang berbasis appearance tidak cocok digunakan untuk penelitian yang menggunakan modalitis berbeda antara citra pelatihan dan citra yang diuji. Ada dua hal yang menyebebkan tidak cocok. Pertama, perbedaan modalitas antara citra pelatihan dan citra yang diuji. Kedua, untuk mendapatkan ciri dengan modalitas berbeda, maka perlu ciri masing-masing fitur penting pada wajah seperti kelengkungan wajah, alis, mata, hidung dan bibir, sehingga diperlukan model yang deformable dan dapat bekerja pada modalitas yang berbeda. Pada penelitian ini, diusulkan deteksi multi fitur berbasis nilai maksimal gradien garis dan rata-rata variasi shape. Metode yang digunakan pada penelitian ini merupakan metode yang berbasis fitur. Fitur-fitur yang menonjol pada wajah

akan dideteksi. Persoalan yang sangat krusial pada penelitian ini adalah menentukan posisi fitur sketsa wajah. Ada enam hal penting pada penelitian ini. Pertama, membuat pemodelan untuk menentukan titik tengah landmark data pelatihan dengan mempertimbangkan sebaran yang terjadi pada masing-masing landmark dan variasi landmark seluruh data pelatihan. Kedua, membuat pemodelan untuk meletakkan landmark awal sebagai inisialisasi shape, tujuan dari inisialisasi shape ini adalah agar posisi shape awal mendekati fitur yang akan dideteksi. Posisi shape diawal mempengaruhi hasil deteksi. Jika semakin dekat inisialisasi shape dengan fitur yang akan dicari, maka akan semakin akurat hasilnya. Ketiga, membuat pemodelan untuk membentuk gradasi citra sketsa wajah yang akan diuji, tujuan dari pembentukan gradien citra sketsa wajah adalah agar citra sketsa wajah yang akan diuji mempunyai media untuk menuju ke gradien garis yang mempunyai nilai maksimal, sehingga landmark dapat bergerak menuju energi yang paling kuat. Keempat, membuat pemodelan untuk menggerakkan shape menuju energi paling kuat disekitar landmark, dalam hal ini energi paling kuat adalah nilai gradien garis maksimal menggunakan parameter model piramida. Kelima, membuat pemodelan untuk membentuk rata-rata variasi shape. Keenam, melakukan perbaikan pergerakan, dalam hal ini adalah pergerakan landmark agar mendapatkan hasil yang lebih baik dibandingkan proses sebelumnya berdasarkan nilai gradien garis maksimal dan rata-rata variasi shape.

1.2

Perumusan Masalah Permasalahan pada penelitian ini adalah :

1. Bagaimana membuat pemodelan pelatihan untuk menentukan titik tengah dengan mempertimbangkan sebaran landmark pada data pelatihan. 2. Bagaimana membuat pemodelan untuk meletakkan landmark sebagai inisialisasi shape agar mendekati fitur yang akan dideteksi. 3. Bagaimana membuat pemodelan untuk membentuk gradasi citra sketsa wajah yang diuji, sehingga landmark dapat bergerak menuju ke energi yang paling kuat, yaitu nilai maksimal gradien garis.

4. Bagaimana membuat pemodelan untuk menggerakkan shape secara simultan dengan tujuan mendeteksi multi fitur citra sketsa wajah berbasis parameter model piramida. 5. Bagaiamana membuat model untuk mengontrol pergerakan landmark pada masing-masing shape, melalui penambahan satu parameter yaitu rata-rata variasi shape. 6. Bagaimana membuat pemodelan untuk melakukan perbaikan pergerakan shape, dalam hal ini adalah pergerakan landmark agar mendapatkan hasil yang lebih baik dibandingkan proses sebelumnnya berdasarkan nilai gradien garis maksimal dan rata-rata variasi shape.

1.3

Batasan Masalah Untuk menyelesaikan permasalahan di atas diberikan batasan sebagai

berikut : 1. Citra wajah yang digunakan adalah citra wajah berskala abu-abu. 2. Menggunakan basis data wajah orang indonesia. 3. Input data pengujian adalah hasil sketsa dari sketcher. 4. Citra sketsa wajah menggunakan dua model, yaitu sktesa pada posisi frontal dalam bentuk model halftone dan hatching.

1.4.

Tujuan Dan Manfaat Penelitian Tujuan penelitian pada disertasi ini adalah :

1. Membuat pemodelan pelatihan untuk menentukan titik tengah landmark data pelatihan dengan mempertimbangkan sebaran landmark pada data pelatihan. 2. Membuat pemodelan untuk meletakkan landmark sebagai inisialisasi shape. 3. Membuat pemodelan untuk membentuk gradien citra sketsa wajah yang diuji, sehingga landmark dapat bergerak menuju ke energi yang paling kuat, yaitu nilai maksimal gradien garis 4. Membuat pemodelan untuk menggerakkan shape secara simultan dengan tujuan mendeteksi multi fitur citra sketsa wajah berbasis parameter model piramida.

5. Membuat pemodelan untuk mengontrol pergerakan landmark pada masingmasing shape, melalui penembahan satu parameter, rata-rata variasi shape. 6. Membuat pemodelan untuk melakukan perbaikan pergerakan shape, dalam hal ini adalah pergerakan landmark agar mendapatkan hasil yang lebih baik dibandingkan proses sebelumnnya berdasarkan nilai gradien garis maksimal dan rata-rata variasi shape. Manfaat dari penelitian dapat digunakan lebih lanjut untuk menentukan ciri-ciri geometris dari sketsa wajah berdasarkan posisi landmark yang ditemukan, sehingga dapat digunakan sebagai standar parameter untuk melakukan pengenalan sketsa wajah pelaku kriminal.

1.5

Kontribusi Penelitian Kontribusi penelitian pada disertasi ini adalah :

1. Menghasilkan suatu formulasi baru untuk menentukan titik tengah landmark data pelatihan dengan mempertimbangkan simpangan yang terjadi pada masing-masing landmark. 2. Menghasilkan suatu formulasi baru untuk menentukan lokasi awal landmark sebagai inisialisasi shape. Penentuan lokasi awal shape mempunyai pengaruh pada hasil akhir deteksi. Pada formula yang telah dibangun ini, dimanapun diletakkan shape awal, maka shape tersebut akan diletakkan sesuai dengan hasil perhitungan dari data pelatihan. 3. Menghasilkan metode untuk membentuk gradasi citra sketsa wajah yang diuji, sehingga landmark dapat bergerak menuju ke energi yang paling kuat, yaitu nilai maksimal gradien garis. Persoalan krusial yang terjadi pada penelitian ini adalah model sketsa wajah hatching. Model sketsa wajah tersebut tidak mempunyai gradasi seperti foto, jadi hanya mempunyai coretan-cotetan sehingga membentuk suatu objek. Persoalannya adalah jika inisialisasi landmark, menempati suatu lokasi yang tidak mempunyai gradasi, maka persoalan ini akan berakibat pada hasil akhir deteksi. 4. Menghasilkan sebuah pemodelan baru untuk menggerakkan shape secara simultan dengan tujuan mendeteksi multi fitur citra sketsa wajah berbasis parameter model piramida. Pemodelan yang digunakan ini mirip dengan

bentuk multi resolusi. Pada metode usulan, nilai parameter yang digunakan diatur sehingga menyerupai bentuk piramida. Nilai parameter diatur mulai dari besar menuju kecil sehingga menyerupai piramida. 5. Menghasilkan sebuah pemodelan yang dapat mengontrol pergerakan landmark pada masing-masing shape, melalui penambahan satu parameter, rata-rata variasi shape. 6. Menghasilkan suatu pemodelan untuk melakukan perbaikan pergerakan shape, dalam hal ini adalah pergerakan landmark agar mendapatkan hasil yang lebih baik dibandingkan proses sebelumnnya berdasarkan nilai gradien garis maksimal dan rata-rata variasi shape.

1.6.

Susunan Penulisan Disertasi Disertasi yang disusun berdasarkan pohon penelitian yang telah dibuat.

Pohon penelitian disertasi dapat dilihat pada Gambar 1.1. Pada disertasi ini terdiri dari tujuh Bab. Bab I berisi tentang latar belakang, tujuan dan kontribusi dari penelitian yang dilakukan. Bab II berisi teori deteksi objek menggunakan Active Shape Model (ASM). Bab III, berisi ekstraksi fitur berbasis appearance, yaitu menggunakan eigenface dan penyeleksian nilai maksimal dari fungsi non linier Kernel Principal Component Analysis (KPCA). Hasil penelitian dari Bab III telah dipublikasikan pada seminar nasional [Penyeleksian Eigenface Secara Otomatis Untuk Pengenalan Citra Wajah, The 9th Seminar on Intelligent Technology and Its Application, May 8th 2008, ITS, Surabaya Indonesia] dan seminar internasional [Maximum Feature Value Selection of Non-Linear Function Based on Kernel PCA For Face Recognition, The 4th International Conference on Information & Communication Technology and System, August 5th 2008, ITS, Surabaya, Indonesia]. Bab IV berisi ekstraksi fitur yang berbasis sinyal, yaitu ekstraksi satu fitur berbasis segmentasi Two Dimensional - Discrete Cosine dan Sinus Transform untuk pengenalan wajah. Hasil penelitian dari Bab IV telah dipublikasikan pada jurnal nassional terakreditasi [Automatic Feature Extraction Based on Two Dimensional Discrete Sinus Transform Segmentation for Face Recognition, Jurnal Penelitian dan Pengembangan Telekomunikasi, Volime 13 Nomor 1, 2008]

dan [Ekstraksi Fitur Satu Koefisien Berbasis Segmentasi Two Dimensional Cosine Transform Untuk Pengenalan Wajah, Jurnal Ilimiah Sains dan Teknologi, Volume 7 Nomor 3, 2008]. Bab V berisi deteksi multi fitur sketsa wajah menggunakan pergerakan shape dan landmark secara simultan berdasarkan gradien garis maksimal. Hasil dari penelitian berbasis fitur pada Bab V telah dipublikasikan pada seminar nasional [Perbaikan Pergerakan Shape Berdasarkan Jarak Minimum Antar Shape dan Gradien Garis maksimum, The 10th Seminar on Intelligent Technology and Its Application, October 14th 2009, ITS, Surabaya Indonesia] dan

[Pengembangan Active Shape Model Untuk Ekstraksi Multpel Fitur Sketsa Wajah, Seminar Nasional Electrical, Informatics and Its Education, 25 Juli 2009, UNM Malang, Indonesia]. Selain dipublikasi pada seminar nasional, juga dipublikasi pada seminar international [Face Sketch Multiple Features Detection Using Simultaneously Shape and Landmark Movement, Socpar, 2009, Malaka, Malaysia] dan [Automatically Multiple Features Detection of Face Sketch Based on Maximum Line Gradient, The 5th International Conference on Information & Communication Technology and System, August 4th 2009, ITS, Surabaya, Indonesia]. Bab VI berisi hasil perbaikan deteksi fitur yang telah dihasilkan pada Bab V. Hasil penelitian dari Bab VI telah dipublikasikan pada jurnal internasional [A New Formulation of Face Sketch Multiple Features Detection Using Pyramid Parameter Model and Simultaneously Landmark Movement, International Journal of Computer Science and Network Security, Volume 9, No 9, 2009]. Dan satu makalah yang sedang dalam proses review pada jurnal Internasional [A Novel Approach to Detect Face Sketch Multiple Features Based on the Maximum Line Gradient and the Adaptive Shape Variations Average Values Submitted On International Journal of Signal Processing, Image Processing and Pattern recognition, 2010]. Bab VII berisi kesimpulan dari penelitian yang telah dituangkan pada Bab III, IV, V dan VI. Selain berisi kesimpulan juga berisi penelitian yang dilakukan selanjutnya

Pohon Penelitian dari Disertasi

Ekstraksi Berbasis Appearance


Esktraksi berbasis Eigenface

Deteksi Berbasis Fitur


Pemodelan objek sebagai data pelatihan

Ekstraksi berbasis Kernel Principal Componen Analysis

Pemodelan deteksi objek berdasarkan gradien garis maksimal

Pemodelan deteksi objek berbasis nilai maksimal gradien garis dan rata-rata variasi shape Ekstraksi Berbasis Sinyal

Pemodelan pergerakan shape secara simultan

Pemodelan exteral energy untuk memperbaiki pergerakan shape

Penentuan lokasi satu fitur sebagai acuan deteksi untuk fitur lainnya

Gambar 1.1 Pohon Penelitian dari Disertasi