PENERAPAN ALJABAR LINIER PADA PENGENALAN WAJAH

MENGGUNAKAN PCA
Muhammad Majdi || 2010817210007

BAB I
PENDAHULUAN

A. Latar Belakang

Memori otak manusia mampu mengenali dan menyimpan kejadian bahkan bentuk
yang dilihat. Memori otak akan memberikan sebuah gambaran wajah yang pernah kita
kenal sebelumnya. Analogi tersebut bisa diumpamakan sebagai sebuah mesin atau
perangkat yang memiliki kemampuan sama seperti manusia untuk mengenal individu
melalui citra wajah. Sistem pengenalan wajah banyak dimanfaatkan pada biometrics yang
digunakan untuk identifikasi personal pada penggunaan mesin absensi, akses kontrol dan
lain-lain.

Secara umum system pengenalan wajah tidak secara langsung mengambil image
original lalu kemudian dapat langsung diolah sebagai image yang dikenali didalam
system pengenalan wajah. Image memerlukan ektraksi feature sebelum image wajah
diolah kedalam system pengenalan wajah, hal ini diperlukan untuk menghemat
komputasi. Ekstraksi feature merupakan tahapan untuk memunculkan ciri dan mereduksi
citra dari dimensi tinggi ke dimensi yang lebih rendah. Ekstraksi feature yang telah
popular untuk mengurangi dimensi antara lain Principal Component Analysis (PCA),
Linear Discriminant Analysis (LDA), Laplacianfaces, Discrate Cosine Transform (DCT).

Teknik yang digunakan disini adalah Principal Component Analysis (PCA) yang
merupakan tehnik linear untuk memproyeksikan data vektor yang berdimensi tinggi ke
vektor yang mempunyai dimensi lebih rendah. Dimensi didalam image ini berupa matriks
MxN yang memiliki 3 layer RGB. Oleh karena itu, pose wajah dengan citra RGB yang di
ambil akan di convert ke citra grayscale kemudian matriks tersebut akan di reduksi
menggunakan metode PCA. Hasil dari PCA akan direpresentasikan sebagai vector.
 Setelah itu akan di hitung tingkat kesamaan (similarity degree) antara citra tes dengan
citra uji menggunakan metode jarak. Metode jarak digunakan untuk menentukan tingkat
kesamaan (similarity degree) atau ketidaksamaan (disimilarity degree) dua vektor fitur.
Banyak teknik pengenalan pola dengan menggunakan metode jarak diantaranya yaitu
Euclidean Distance, City-Block Distance, dan Bray Curtis. Dari metode jarak yang
disebutkan metode Euclidean Distance merupakan metode yang sering dipakai didalam
pengenalan pola. Oleh karena itu, metode jarak yang dipakai disini yaitu Euclidean
Distance.

B. Tujuan

Dilakukannya penulisan ini bertujuan untuk mendapatkan informasi mengenai

aplikasi & penggunaan matriks pada pengenalan pola terutama wajah (pattern
recognition). Diharapkan pembaca bisa lebih mengerti mengenai matriks & kegunaannya
dengan lebih jelas.

C. Manfaat

Melalui penulisan ini diharapkan dapat memberikan suatu manfaat berupa

pemahaman & pengembangan pengetahuan dasar tentang matriks khususnya yang
berkaitan dengan aplikasi matriks pada pengenalan wajah (pattern recognition).
 BAB II
PEMBAHASAN

Gambar dibawah dapat di lihat adalah diagram alur dari mulai segmentasi,
pengekstrakan menggunakan metode PCA hingga membandingkan jarak kemiripan dari
citra. Dapat dilihat dari alur proses dibawah ini.

Disini data yang digunakan adalah data citra wajah yang diambil dari database wajah.
Berikut adalah tahapan-tahapan proses:
A. Pra-processing
Pra–proses ini bertujuan untuk mempersiapkan citra data training yang
diproses oleh sistem agar informasi yang terkandung didalamnya dapat diolah untuk
proses selanjutnya. Tahapan pra-proses yang dilakukan adalah tahapan normalisasi
sebelum melakukan ekstraksi wajah. Normalisasi ini termasuk normalisasi geometri,
koreksi gambar wajah, tingkat grayscale,dll.
B. Processing
Processing adalah mengektraksi feature untuk mendapatkan ciri dari kedua
citra tersebut, karena di dalam makalah ini membahas mengenai wajah. Maka ciri
yang diambil menggunakan Principal Component Analysis (PCA) yaitu mereduksi
jumlah dimensi yang tinggi ke dimensi yang lebih rendah. Proses ini memiliki
beberapa langkah yaitu sebagai berikut:
a. Pembentukan matriks data citra wajah
Langkah pertama yang dilakukan adalah membentuk matriks data citra dengan
mengambil data pixel setiap citranya. Citra berukuran mxn di mana m adalah
jumlah citra training sedangkan n adalah citra tes.

x11 x 12 x 13 … x 1 n
x=
[ x 21 x 22 x 23 ¿ ¿
x 32 ¿ x 33 ¿ ¿ x 3 n ¿ … ¿ ¿ ¿ ¿ ❑❑ ¿ x n 1¿ x n 2 ¿ x n 3¿ … ¿ x nn¿
]
b. Pencarian rata-rata seluruh citra
Setelah terbentuk matriks data citra wajah, maka proses selanjutnya adalah
mencari nilai mean dari seluruh citra. Hal ini bertujuan untuk untuk mengetahui
noise yang dapat mengurangi tingkat keakuratan didalam perhitungan PCA, yang
dapat dihitung dengan menggunakan rumus:

( x 11 + x 21+ x 31+ …+ x m 1) j=1 ∑ x ji

τ= = =[ τ 1 +τ 2 +…+ τ n ]
m m

c. Penggandaan nilai rata-rata.

Pengandaan nilai rata-rata dilakukan untuk menyamakan dimensi nilai ratarata
dengan dimensi data citra sampel sebanyak m, sehingga rata-rata seluruh citra data
sampel memiliki dimensi (mxn). Matriks rata-rata citra data sampel yang telah
digandakan sebanyak m kali dapat ditulis menggunakan persamaan:

μ=axτ

a adalah matriks kolom dengan dimensi mx1 dan a untuk keseluruhan nilai adalah
bernilai 1.
 Gambar diatas menunjukan proses reduksi dari citra ukuran MxN dengan jumlah
baris adalah 4 dan kolom adalah 4, menjadi Mx1 dengan jumlah kolom adalah 16
dan baris adalah 1.
d. Perhitungan nilai rata-rata nol
Perhitungan nilai rata-rata nol, berfungsi untuk menghilangkan noise yang dapat
menganggu keakuratan pada perhitungan PCA. Perhitungan ini dapat dimodelkan
menggunakan persamaan:

∅=x −μ

e. Pembentukan matrik kovarian

Hasil perhitungan nilai rata-rata nol digunakan untuk mendapatkan nilai matriks
kovarian. Berikut ini adalah persamaan matriks kovarian:

1
c= ∅ ∗∅ T ji
m−1 ji

f. Penentuan matriks eigenvalue dan Eigenvector

Setelah matriks kovarian didapatkan maka langkah selanjutnya adalah
menentukan matriks eigenvalue dan matriks eigenvector. Matriks eigen dapat
dicari menggunakan persamaan:

C−Z=|C−λI |
|C−λI |=0

Dimana C adalah matriks kovarian. Z adalah matriks eigenvalue dengan 𝜆 sebagai

scalar pembentuknya dan I sebagai matriks identitas.
g. Pencarian eigenface untuk proses pengenalan wajah
Eigenface didapatkan dari hasil perkalian matriks X atau eigenvector dengan
matriks N yang merupakan matriks hasil perhitungan rata-rata nol pada persamaan
yang dibagi oleh akar Z, sebagai eigenvalue.
 1
Eigenface= ∗X∗ϕ
√z

Setelah proses reduksi di atas semua query citra akan di save didalam storage.
Kemudian akan di hitung tingkat kesamaannya (Similiarity) dengan metode
Manhattan Distance, dan Canberra Distance.
C. Post-processing
Post-processing merupakan tahap akhir untuk menghitung matriks dengan
menggunakan metode jarak yaitu Jarak Euclidean (Euclidean Distance).
Jarak Euclidean digunakan oleh sebagian besar penulis sebagai ukuran
morfometri. Metode euclidean adalah metode pengukuran jarak garis lurus (straight
line) antara dua titik, misal titik X (X1, X2, …, Xn ) dan titik Y (Y1, Y2, …, Yn).
Metode Euclidean sendiri memiliki rumusan (formula) pengembangannya sesuai
dengan keadaan ruang. Setelah titik fitur wajah diperoleh dari gambar wajah atau
wajah dua dimensi, mereka memilih beberapa jarak yang signifikan di antara
keduanya dan menghitung jarak Euclide yang sesuai. Kemudian jarak ini digunakan
untuk membandingkan wajah untuk sistem pengenalan wajah. Dalam hal ini akan
digunakan ruang satu dimensi. Berikut persamaan umumnya:

2
d= ( X 1−Y 1)2−( X 2−Y 2 ) +…+(X n −Y n)2
√

Nilai d yang kecil menunjikkan kedekatan. Maka nilai d yang paling minimum
menunjukkan jarak dua vector yang paling mirip.
 BAB III
PENUTUP

Kesimpulan
Terdapat banyak aplikasi matriks dalam sehari-hari salah satunya yaitu pengenalan wajah.
Dalam melakukan pengenalan wajah ada dua tahapan yaitu ekstraksi dan pembandingan.
Pada tahapan ekstraksi menggunakan metode PCA dan pada tahapan pembandingan
menggunkan Euclidean Distance. Metode Principal Component Analysis (PCA) merupakan
metode untuk mengambil ciri-ciri penting dari sekumpulan data set. Ciri-ciri penting tersebut
didapatkan dari ekstraksi fitur dari setiap citra wajah yang digunakan sebagai identifier.
Semakin banyak ciri-ciri khusus yang didapatkan maka metode ini akan lebih mampu
melakukan pengenalan.
 DAFTAR PUSTAKA
Budi S., Suma’inna, Maulana. (2016). Pengenalan Citra Wajah Sebagai Identifier
Menggunakan Metode Principal Component Analysis (PCA). JURNAL TEKNIK
INFORMATIKA, 9(2), 166-175.
Rosyani, Perani. (2017). Pengenalan Wajah Menggunakan Metode Principal Component
Analysis (PCA) Dan Canberra Distance. JURNAL INFORMATIKA UNIVERSITAS
PAMULANG, 2(2), 118-121.