BAB II

TINJAUAN PUSTAKA

2.1 State Of The Art

Penyusunan skripsi ini mengambil beberapa referensi penelitian

sebelumnya termasuk jurnal-jurnal yang berhubungan dengan penelitian ini.
Ekspresi Wajah dengan menggunakan metode Wavelet Gabort Dan
Backpropagation. Hasil penelitian : Jurnal ini meneliti untuk membantu konselor
dalam melakukan konseling kepada mahasiswa, khususnya dalam permasalahan
non akademik, serta menguji tingkat akurasi jaringan backpropagation dalam
melakukan klasifikasi ekspresi wajah seseorang. Vektor masukan bagi jaringan
diperoleh melalui transformasi wavelet Gabor, dan inisialisasi bobot
menggunakan metode Nguyen Widrow. Jaringan dilatih menggunakan 70 data
yang terdiri dari 10 orang dan setiap orang mempunyai tujuh ekspresi. Pengujian
dilakukan menggunakan data lain yang terdiri dari lima orang. Ukuran citra untuk
pelatihan dan pengujian mempunyai ukuran 16x16 piksel. Berdasarkan hasil
pengujian, sistem memberikan unjuk kerja sebesar sebesar 85,71% dalam
pengklasifikasian ekspresi wajah. Untuk pengembangan lebih lanjut, sistem dapat
diintegrasikan dengan media perekam, sehingga ekspresi wajah dapat langsung
dikenali melalui capture video. (Immanuela P. Saputro. dkk, 2015).

Sistem pengenalan wajah dengan menggunakan metode Eigenface dan

Jaringan Syaraf tiruan (JST). Hasil penelitian : Jurnal ini meneliti untuk
mengidentifikasi citra wajah secara otomatis dengan metode eigenface. Tahapan
yang digunakan yaitu normalisasi, eigenface, pelatihan Jaringan Syaraf Tiruan
(JST) dan pengujian. Eigenface digunakan untuk mereduksi dimensi vektor wajah
menjadi vektor yang lebih sederhana (eigen vector). Eigen vector yang diperoleh
digunakan oleh JST perambatan balik pada proses pelatihan dan pengenalan.
Kemudian dilakukan proses pengujian menggunakan citra wajah yang belum
pernah digunakan dalam proses pelatihan. Hasil penelitian menunjukkan
penggunaan eigenface dan JST untuk pengenalan wajah dapat memberikan
tingkat akurasi yang cukup baik. Sistem mampu menghasilkan tingkat

1
keberhasilan sebesar 84,6% dengan FAR (False Acceptance Rate) = 16,2%, FRR
(False Rejection Rate) = 20% dan EER(Equal Error Rate) = 0,3. (Tri Mulyono,
dkk, 2012).
Salah satu penelitian tentang deteksi ekspresi wajah adalah tugas akhir
dengan judul “Deteksi Ekspresi Wajah Menggunakan Metode Learnig Vector
Quantization (LVQ)”. Pada penelitian ini mendeteksi ekspresi citra wajah
senyum, marah, tertawa dan hasil dari penelitian tersebut tingkat akurasi yang
didapat mencapai 80% (Rudi Fathur Alam, 2016).
Oleh karena itu, pada tugas akhir ini penulis membuat penelitian tentang
Deteksi Ekspresi Wajah Menggunakan Metode Jaringan Syaraf Tiruan
Backpropagation dengan metode yang berbeda. Hasil penelitian diharapkan dapat
menghasilkan deteksi ekspresi berdasarkan kelas citra wajah bahagia, marah dan
sedih serta mengenali ekspresi wajah sebagai indikator dalam menjalankan musik.
Dan diharapkan dapat menghasilkan tingkat keberhasilan yang lebih baik dari
penelitian-penelitian sebelumnya.

2.2 Tinjauan Pustaka

2.2.1 Pengolahan Citra Digital
pengolahan citra digital menunjuk pada pemrosesan gambar 2 dimensi
menggunakan komputer. Dalam konteks yang lebih luas, pengolahan citra digital
mengacu pada pemrosesan setiap data 2 dimensi. Citra digital merupakan sebuah
larik (array) yang berisi nilai real maupun kompleks yang direpresentasikan
dengna deretan bit tertentu.
Suatu citra dapat didefinisikan sebagai fungsi tertentu f(x,y) berukuran M
baris dan N kolom, dengan x dan y adalah kordinat spasial, dan amplituda f dititik
koordinat (x,y) dinamakan intensitas atau tingkat keabuan dari citra pada titik
tersebut. Apabila nilai x, y, dan nilai amplitudo f secara keseluruhan berhingga
(finite) dan bernilai diskrit maka dapat dikatakan bahwa citra tersebut adalah citra
digital. Gambar 2.1 menunjukan posisi koordinat citra digital.

2
 Gambar 2.1 Koordinat Citra Digital
( Nisa’, 2017)

Citra digital dapat dituliskan dalam bentuk matrik sebagai berikut:

Berdasarkan gambaran tersebut, secara matematis citra digital dapat

dituliskan sebagai fungsi intensitas f (x,y), dimana harga x (baris) dan y (kolom)
merupakan koordinat posisi dan f(x,y) adalah nilai fungsi pada setiap titik (x,y)
yang menyatakan besar intensitas citra atau tingkat keabuan atau warna dari piksel
di titik tersebut. Pada proses digitalisasi (sampling dan kuantitas) diperoleh besar
baris M dan kolom N hingga citra membentuk matriks M x N dan jumlah tingkat
keabuan piksel G.

2.2.2 Konversi Citra RGB menjadi Grayscale

Proses pengubahan citra yang berwarna menjadi citra grayscale melalui

beberapa tahap. Pertama adalah mengambil nilai R, G dan B dari suatu citra
bertipe RGB. Pada tipe bmp citra direpresentasikan dalam 24 bit, sehingga
diperlukan proses untuk mengambil masing - masing 3 kelompok 8 bit dari 24 bit
tadi. Perhitungan yang digunakan untuk mengubah citra berwarna yang
mempunyai nilai matriks masing-masing R, G, dan memperlakukan sebuah citra

3
wajah sebagai sebuah titik (atau sebuah vektor) dalam ruang vektor berdimensi
sangat tinggi. Eigenvector ini kemudian disusun berdasarkan eigenvalue-nya.
Setiap eigenvector mengacu pada suatu nilai variasi diantara citra-citra wajah.
Eigenvector ini bisa dianggap sebagai sederetan ciri yang bersama-sama memberi
karakter variasi diantara citra-citra wajah. Setiap titik citra wajah bisa dinyatakan
dalam satu atau lebih eigenvector sehingga sekumpulan eigenvector dapat
ditampilkan sebagai sekumpulan wajah. Sekumpulan eigenvector yang digunakan
inilah yang disebut sebagai eigenface.
Untuk menemukan eigenface dari sebuah database citra wajah, hal penting
pertama yang harus dilakukan adalah menentukan vektor rata-rata, vektor deviasi,
dan matriks kovarian untuk database tersebut.

2.2.3 Segmentasi Citra

Gonzalez dan Wintz (1987) menyatakan bahwa segmentasi adalah proses
pembagian sebuah citra kedalam sejumlah bagian atau objek. Segmentasi
merupakan suatu bagian yang sangat penting dalam analisis citra secara otomatis,
sebab pada prosedur ini obyek yang diinginkan akan disadap untuk proses
selanjutnya. Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai
derajat kecerahan pada citra yaitu: discontinuity dan similarity. Pada item
pertama, citra dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad
kecerahannya. Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi
citra. Pada kategori kedua, didasarkan atas thresholding, region growing, dan
region spiltting and merging.
Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau
propeti yang dapat dihitung (computed property), seperti: warna (color), intensitas
(intensity),dan tekstur (texture). Dalam kasus ini digunakan segmentasi citra
berdasarkan area tekstur wajah, karena pada pengolahan awal citra hanya ingin
mengambil fokus di bagian komposisi wajah inti mulai dari alis, mata dan mulut.

4
2.2.4 Normalisasi Citra
Normalisasi pada pengolahan citra berarti mentransformasikan citra ke
bentuk citra normal yang sesuai dengan kebutuhan. Besar dan kecil ukuran pada
citra normalisasi tidak sesuai ukuran yang diambil dari citra semula. Citra hasil
normalisasi dapat ditampilkan sesuai dengan keinginan. Penskalaan ini tergantung
besar dan kecil ukuran pada citra semula artinya tidak berarti apakah citra
membesar atau mengecil tergantung ukuran citra semula.

2.2.5 Deteksi Wajah

Sistem deteksi wajah dipandang sebagai pengenalan pola di mana
inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas
dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan non-
wajah. Salah satu kunci sukses dalam pengenalan ekspresi wajah adalah deteksi
wajah yang akurat, karena gambar wajah yang terdeteksi akan sangat
mempengaruhi dalam proses pengenalannya. Langkah pertama pada pengenalan
ekspresi wajah secara otomatis adalah mendeteksi keberadaan wajah dari gambar
masukan.

2.2.6 Metode Jaringan Syaraf Tiruan Backpropagation

Jaringan Syaraf Tiruan (JST) merupakan salah satu sistem pemrosesan
informasi atau data yang didisain dengan menirukan cara kerja otak manusia
dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui
perubahan bobot sinapsisnya. JST yang berupa susunan sel-sel saraf tiruan
(neuron) dibangun berdasarkan prinsip-prinsip organisasi otak manusia. Salah
satu metode yang digunakan dalam JST adalah Backpropagation.

Backpropagation adalah algoritma pembelajaran untuk memperkecil tingkat

error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan
target yang diinginkan.
Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan
[Fausett, 1994], yaitu:
a. Input nilai data pelatihan sehingga diperoleh nilai output
b. Propagasi balik dari nilai error yang diperoleh

5
c. Penyesuaian bobot koneksi untuk meminimalkan nilai error.
Ketiga tahapan tersebut diulangi terus menerus sampai mendapatkan nilai error
yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang
diperlukan untuk memanfaatkan jaringan syaraf tiruan tersebut
Model struktur neuron jaringan syaraf tiruan dijelaskan pada Gambar 2.2
dan Gambar 2.3

Gambar 2.2 Model Struktur JST

(Irawan’, 2017)

Gambar 2 . 3 Model Struktur JST

(Irawan’, 2017)

2.2.7 Matlab
Matlab adalah sebuah bahasa dengan kinerja tinggi untuk komputasi
masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan
pemrograman dalam suatu model yang sangat mudah untuk pakai dimana
masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika
yang familiar.

2.2.8 Mysql
MySQL adalah suatu perangkat lunak database relasi (Relational Database
Management System atau RDBMS), seperti halnya ORACLE, Postgresql, MS
SQL, dan sebagainya. MySQL juga disebut sebagai sistem manajemen database
yang digunakan untuk menyimpan data dalam tabel terpisah dan menempatkan

6
semua data dalam satu gudang besar. Struktur database disusun dalam file fisik
dioptimalkan untuk kecepatan. Model logis, dengan benda-benda seperti database,
tabel, baris, dan kolom, menawarkan lingkungan pemrograman yang fleksibel

2.2.9 Webcam
Webcam (web camera) adalah sebutan bagi kamera real-time (bermakna
keadaan pada saat ini juga) yang gambarnya bias diakses atau dilohat melalui
world Wide Web, rogram instant messaging atau aplikasi video call. Webcam atau
webcamera adalah sebuah kamera video digital kecil yang dihubungkan ke
computer melalui port USB ataupun port COM.
Sekarang ini web camera yang ada dipasaran pada umumnya erbagi kedalam
dua tipe : web camera permanen (fixed)dan revolving web camera. Pada web
camera permanen terdapat pengapit untuk mengapit lensa standart di posisi yang
diinginkan untuk menangkap gambar pengguna. Sedangkan pada revoling web
camera terdapat landasan dan lensa standart dipasang di landasan tersebut
sehingga dapat disesuaikan ke sudut pandang yang terbaik untuk menangkap
gambar pengguna.