Nama : Muhammad Majdi || NIM : 2010817210007

Penerapan Aljabar Linier dalam pengenalan wajah

Pengenalan wajah (face recognition) adalah teknologi untuk mengidentifikasi atau memverifikasi
wajah seseorang melalui gambar digital. Caranya adalah dengan mencocokkan fitur-fitur yang
diekstraksi dari wajah yang diidentifikasi dengan data wajah yang tersimpan dalam basis data.
Pengenalan wajah telah digunakan sebagai sebuah system biometrik. Fitur-fitur dari gambar
wajah diekstraksi dengan sebuah prosedur komputasi menggunakan teknik-teknik dalam
pengolahan citra ( image processing). Sekumpulan fitur tersebut direpresentasikan sebagai
vector. Proses pencocokan vector wajah yang diidentifikasi dengan vector-vektor wajah di dalam
basis data menggunakan matriks similarity. Matriks similarity ini mengukur seberapa dekat atau
mirip antara dua buah vector.

Ada dua matriks similarity yang umum digunakan dalam pencocokan data, yaitu jarak Euclidean
(Euclidean distance) dan cosine similarity.

Euclidean distance

2
d= ( A 1−B1 )2−( A2−B2 ) +…+( An −B n)2
√
Nilai d yang kecil menunjikkan kedekatan. Maka nilai d yang paling minimum menunjukkan
jarak dua vector yang paling mirip.

Cosine similarity

Matriks cosine similarity dihitung dari perkalian titik (dot product) antara dua buah vector.

A . B=‖ A‖‖B‖cosθ

A.B
cosθ=
‖ A‖‖B‖

Dua buah vector dikatakan A dan B dikatakan sama jika sudut antara keduanya nol (θ=0).
Cosinus 0 adalah 1 sifat ini dipakai di dalam proses pencocokan antara dua buah vector. Nilai
cosinus yang besar (maksimum 1) menunjukkan kemiripan. Jika nilai cosinus mendekati 1, maka
dua vector dikatakan hamper sama atau mirip.
Sebuah gambar dapat didefinisikan sebagai fungsi dua dimensi f (x, y) (gambar 2D), di mana x
dan y adalah koordinat spasial, dan amplitudo f pada pasangan (x, y) adalah tingkat abu-abu
gambar pada saat itu. titik. Misalnya, gambar tingkat abu-abu dapat direpresentasikan sebagai:

fij di mana fij f (xi, yj)

Jika x, y dan nilai amplitudo dari f terbatas, besaran diskrit, gambar itu disebut "gambar digital".
Kumpulan nilai digital yang terbatas disebut elemen gambar atau piksel. Biasanya, piksel
disimpan dalam memori komputer sebagai array dua dimensi atau matriks bilangan real. Gambar
berwarna dibentuk oleh kombinasi gambar 2D individu. Banyak teknik pemrosesan gambar
untuk gambar monokrom yang dapat diperluas ke gambar berwarna (3D) dengan memproses
gambar tiga komponen secara individual.

PCA (Principal Component Analysis)

Ini yang paling banyak digunakan dan terkenal dari metode multivariat "standar" yang
ditemukan oleh Pearson (1901) dan Hotelling (1933) pertama kali diterapkan dalam ekologi oleh
Goodall (1954) dengan nama "analisis faktor" ("analisis faktor utama" adalah sinonim dari
PCA). Ini adalah cara untuk mengidentifikasi pola dalam data, dan mengungkapkan data
sedemikian rupa untuk menyoroti persamaan dan perbedaannya. Karena pola dalam data sulit
ditemukan dalam data berdimensi tinggi, di mana kemewahan representasi grafis tidak tersedia,
PCA adalah alat yang ampuh untuk menganalisis data. Keuntungan utama lain dari PCA adalah
setelah Anda menemukan pola-pola ini dalam data, dan Anda mengompres data, yaitu dengan
mengurangi jumlah dimensi, tanpa banyak kehilangan informasi. Teknik ini digunakan dalam
kompresi gambar. Dibutuhkan matriks data dari n objek dengan variabel p, yang mungkin
berkorelasi, dan meringkasnya dengan sumbu tak berkorelasi (komponen utama atau sumbu
utama) yang merupakan kombinasi linier dari variabel p asli, komponen k pertama menampilkan
sebanyak mungkin dari variasi antar objek.