Anda di halaman 1dari 34

Pembuatan Aplikasi Pengenalan Citra Wajah Dengan Menggunakan Metode Statistikal Graylevel Coocurence Matrix (GLCM)

SKRIPSI SEMINAR HASIL

Oleh : Agung Wicaksono 2006 12 044

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI TEKNOLOGI (STITEK) BONTANG

2010
KATA PENGANTAR Assalamualaikum Wr. Wb Dengan menyebut nama Allah Yang Maha Pengasih dan Penyayang, penulis panjatkan Puji dan Syukur Kehadirat ALLAH SWT karena sungguh tiada sesuatupun yang terasa berat atas petunjuk serta KehendakNya dan hanya dengan RahmatNyalah penulis dapat menyelesaikan Tugas Akhir yang berjudul : Pembuatan Aplikasi Pengenalan Citra Borland Delhpi 7 . Tugas Akhir ini merupakan salah satu syarat untuk menyelesaikan studi tingkat Strata satu (S1) di Sekolah Tinggi Teknologi (STITEK) Bontang, tugas akhir ini dapat terselesaikan karena banyak pihak yang membantu dan membimbing serta memberikan motivasi. Oleh Karena itu pada kesempatan ini penulis ingin mengucapkan terimah kasih kepada :
1. Bapak Ansar Rizal, ST., M.Kom Selaku Ketua Sekolah Tinggi Teknologi

Wajah Dengan Metode Ekstraksi Orde Dua Menggunakan

(STITEK) Bontang sekaligus pembimbing 1 yang mengarahkan dan membimbing hingga terselesaikannya Tugas Akhir ini. 2. Bapak Masagus Muh. Yusuf, ST., M.Kom Selaku Ketua Program Studi Teknik Informatika Sekolah Tinggi Teknologi (STITEK) Bontang.

Page 2

3. M. Farman Andrijasa, S.Kom.,M.Kom Selaku Dosen Pembimbing II yang

mengarahkan dan membimbing hingga terselesaikannya Tugas Akhir ini.


4. Bapak Hari Purwadi, ST., M.Sc, Bapak Khairudin Karim, ST., MT dan Bapak

Karyo Budi Utomo, S.Kom., M.Eng Selaku Dosen Penguji Seminar Hasil yang telah memberikan sarannya. 5. Ibu Evvylia, ST Selaku Staf BAAK yang telah memberikan Data Jumlah Mahasiswa Sekolah Tinggi Teknologi (STITEK) Bontang guna untuk penelitian hingga terselesaikannya Tugas Akhir ini. 6. Kedua Orang Tua dan kakak-kakakku yang selalu memberikan kasih sayang, semangat serta doa. Penulis menyadari bahwa penulisan Tugas Akhir ini masih banyak kekurangan dan kesalahan dalam penulisan yang mungkin tanpa penulis sadari, untuk itu saran dan kritik yang membangun sangat diharapkan. Semoga apa yang telah diberikan selama ini kepada penulis dicatat sebagai amal kebajikan dan diberi balasan yang terbaik oleh Allah SWT. Demikian Tugas Akhir yang dapat penulis sajikan, semoga dapat bermanfaat bagi generasi yang akan datang. Wassalamualaikum Wr. Wb. Bontang, 13 Desember 2010

Page 3

Penulis

BAB I. PENDAHULUAN

I.1

Latar Belakang
Pengenalan wajah atau Face Recognition merupakan sebuah sistem

identifikasi pribadi yang menggunakan karakteristik wajah seseorang untuk mengidentifikasikan identitas seseorang sehingga dapat membedakan dengan orang yang lainnya . Namun adakalanya secara kasat mata, sangat sulit membedakan wajah seseorang dengan orang yang lain karena adanya kemiripan. Dan saat ini telah banyak metode yang digunakan untuk membuat sebuah aplikasi yang dapat membantu sebuah instansi untuk mencari seseorang dengan ciri-ciri tertentu, salah satunya yang akan di bahas di laporan ini adalah aplikasi yang menggunakan metode ekstraksi orde dua. Ekstraksi orde dua adalah proses klasifikasi dan interpretasi citra yang dilakukan dengan matriks koonkurensi, yaitu suatu matriks antara yang

merepresentasikan hubungan ketetanggaan antar piksel dalam citra pada berbagai arah orientasi dan jarak spasial. Dalam penerapan metode ini akan digunakan bahasa pemograman Borland Delpi 7.

Page 4

Delphi adalah suatu bahasa pemograman (development language) yang digunakan untuk merancang suatu aplikasi program yang berbasis grafis, jaringan maupun program .Net. Delphi 7 merupakan versi standar yang masih sering digunakan oleh para programmer dikarenakan stabilitas, kecepatan, persyaratan perangkat keras yang rendah, telah didukung untuk windows XP, dan tidak memerlukan aktivasi. Delphi 7 dapat merancang interface pengguna grafis dengan mudah dan cepat. Dengan teknik pengolahan citra, dapat memanipulasi kecerahan citra, kontras, menemukan fitur tepi, memberi efek emboss, atau mengubah citra ke modus lukisan minyak. Pengolahan citra berkaitan dengan manipulasi warna, binerisasi citra, operasi pixel demi pixel bahkan frame demi frame operasi.

I.2

Rumusan Masalah
Dari latar belakang tersebut diatas, dapat dirumuskan beberapa permasalahan

yang akan dijadikan dasar dalam penyusunan Tugas Akhir ini, yaitu:
1. Bagaimana membangun aplikasi pengenalan citra dengan metode

ekstraksi orde 2 menggunakan Matlab.


2. Bagaimana tingkat keakuratan Gray Level Coocurence Matrix dalam

proses pengenalan pola pada wajah.

I.3.

Batasan Masalah

Page 5

Untuk menghindari meluasnya pembahasan maka ruang lingkup pembahasan pada proposal Tugas Akhir ini adalah : 1. Citra yang digunakan mempunyai ukuran piksel 2. Citra inputan yang digunakan adalah citra dengan efek grayscale 3. Citra inputan dalam format bitmap 4. Metode pengolahan citra menggunakan GLCM ( Graylevel Coocurence Matrix ) 5. Pembuatan Software menggunakan Borland Delphi 7

I.4.

Tujuan dan Manfaat


Tujuan Penyelesaian Tugas Akhir ini bertujuan membangun aplikasi pengenalan citra dengan metode ekstraksi orde 2 menggunakan Borland Delphi 7 Manfaat Pada Penulisan ini penulis berharap dapat bermanfaat bagi penulis khususnya, dan pembaca pada umumnya. Manfaat dari pengenalan wajah diantaranya adalah untuk: 1. Pengenalan citra wajah dapat digunakan dalam bidang hukum, hiburan, keamanan dan sebagainya 2. Memperkenalkan formula matematika dan statistika dalam metode GLCM.

Page 6

I.5.

Sistematika Laporan
Untuk mempermudah dan memahami Tugas Akhir ini maka perlu disuun

sistematika penulisan yang meliputi 5 pokok pembahasan:


1. BAB 1 : PENDAHULUAN

Bab ini berisi tentang latar belakang, perumusan masalah, batasan masalah,tujuan dan manfaat serta sistematika penulisan
2. BAB 2 : DASAR TEORI

Bab ini berisi tentang sekilas materi dasar tentang citra, matriks, GLCM (Graylevel Coocurence Matrix), serta Borland Delphi 7. 3. BAB 3 : METODOLOGI PENELITIAN Bab ini berisi tentang pengurain dan deskripsi tentang tahapan pengambilan sampel citra serta tahapan proses sampel serta model perancangan aplikasi pengenalan citra wajah menggunakan metode GLCM menggunakan Borland Delphi 7. 4. BAB 4 : PEMBAHASAN Bab ini berisi tentang penguraian dan pembahasan tahapan pembuatan aplikasi pengenalan citra wajah menggunakan metode GLCM dengan Program Borland Delphi 7. Serta perhitungan derajat deviasi

5. BAB 5 : PENUTUP

Page 7

Bab ini berisi tentang kesimpulan dan saran yang di peroleh selama dalam pembuatan Tugas Akhir ini.

BAB II. DASAR TEORI


II.1 Citra
Citra yang dimaksud adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit. Gambar analog dihasilkan dari sistem optik yang menerima sinyal analog, biasanya didapat dari kamera analog atau mata manusia, sedangkan citra diskrit atau citra digital dihasilkan dari proses digitalisasi citra analog. Citra digital merupakan suatu fungsi dengan nilai-nilai yang berupa intensitas cahaya pada tiap-tiap titik pada bidang yang telah diquantisasikan (diambil sampelnya pada interval diskrit). Titik dimana suatu gambar di-sampling disebut picture element (pixel). Nilai intensitas warna pada suatu pixel disebut gray scale level. 1 bit binary-valued image (0 - 1)

8 bits gray level (0 - 255)

Page 8

16 bits high color (216) 24 bits 224 true color 32 bits true color (232)

Format gambar digital memiliki 2 parameter:


1. Spatial resolution 2. Color encoding

: pixels x pixels : bits / pixel

Format file Gambar 1. Bitmap (.BMP) - Format gambar yang paling umum dan merupakan format standar Windows. - Ukuran filenya sangat besar karena bisa mencapai ukuran Megabytes. - File ini merupakan format yang belum terkompresi dan menggunakan sistem warna RGB (Red, Green, Blue) dimana masing-masing warna pixelnya terdiri dari 3 komponen, R, G, dan B yang dicampur menjadi satu. - File BMP dapat dibuka dengan berbagai macam software pembuka gambar seperti ACDSee, Paint, IrvanView dan lain-lain. - File BMP tidak bisa (sangat jarang) digunakan di web (internet) karena ukurannya yang besar. 2. Joint Photographic Expert Group (.JPEG/JPG)
Page 9

- Format JPG merupakan format yang paling terkenal sekarang ini. - Hal ini karena sifatnya yang berukuran kecil (hanya puluhan/ratusan KB saja), dan bersifat portable. - File ini sering digunakan pada bidang fotografi untuk menyimpan file foto. - File ini bisa digunakan di web (internet). 3. Graphics Interchange Format (.GIF) - Format GIF ini berukuran kecil dan mendukung gambar yang terdiri dari banyak frame sehingga bisa disebut sebagai gambar animasi (gambar bergerak). - Format ini sering sekali digunakan di internet untuk menampilkan gambar-gambar di web. 4. Portable Network Graphics (.PNG) - Format yang standar dan sering digunakan di internet untuk menampilkan gambar atau pengiriman gambar. Ukuran file ini cukup kecil dan setara dengan ukuran gif dengan kualitas yang bagus. Namun tidak mendukung animasi (gambar bergerak). Format file gambar lain seperti TIFF (Tagged Image File Format), ICO (Icon), EMF (Enchanced Windows Metafile), PCX, ANI (Animation), CUR (Cursor), WBMP (WAP BMP), PSD (Adobe Photoshop Document), dan CDR (Corel Draw).

Page 10

Beberapa jenis citra digital yang sering digunakan adalah citra biner, citra greyscale, dan citra warna. 1. Citra Biner Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Pembentukan citra biner memerlukan nilai batas keabuan yang akan digunakan sebagai nilai patokan. Pixel dengan derajat keabuan lebih besar dari nilai batas akan diberi nilai 1 dan sebaliknya piksel dengan derajat keabuan lebih kecil dari nilai batas akan diberi nilai 0.

Jika a1 = 0 dan a2 = 1, serta T = gray level/2, maka operasi di atas mentransformasikan suatu citra menjadi citra biner.

Page 11

2. Citra Greyscle (Intensity Images)

Citra Intensitas disebut juga citra grayscale. Citra grayscale merupakan citra digital yang mengandung matriks data I yang

merepresentasikan nilai dalam suatu range. Elemen elemen dalam matriks intensitas merepresentasikan berbagai nilai intensitas atau derajat keabuan, dimana nilai 0 merepresentaikan warna hitam dan 1, 255 atau 65535 merepresentasikan intensitas penuh atau warna putih. Citra greyscale (derajat keabuan) memiliki beberapa warna diantara hitam dan putih. Banyaknya warna tergantung dari berapa bit citra tersebut.

Page 12

3. Citra warna (true color) Pada citra warna tiap pikselnya terdiri dari warna yang merupakan kombinasi dari 3 warna dasar yaitu merah (red), hijau (green) dan biru (blue). Setiap warna dasar dari citra warna menggunakan memori 8 bit = 1byte yang berarti akan memiliki 28 = 256 tingkatan (gradasi) warna. Jadi akan ada 28.28.28 = 224 = 16777216 warna dalam tiap piksel dari citra tersebut. Maka dari itu karena citra memiliki begitu banyak warna yang mewakili seluruh warna yang ada, format ini dinamakan citra true color.

Page 13

4. Citra Berindeks (Indexed Images) Citra berindeks merupakan citra digital yang mengandung sebuah matriks data X dan matriks peta warna (colormap) yang berukuran m x 3 yang mengandung floating point dengan nilai antara 0 sampai dengan 1. Setiap baris pada colormap adalah data komponen untuk warna merah, hijau dan biru. Citra berindeks menggunakan direct mapping untuk menandakan nilai pixel pada colormap. Warna dari tiap pixel ditentukan dengan nilai X yang merupakan indeks pada colormap. Sebagai contoh nilai 1 menunjukkan baris pertama pada colormap, nilai 2 menunjukkan baris kedua pada colormap dan seterusnya.

Page 14

Pengolahan citra Pengolahan citra merupakan proses manipulasi data suatu citra untuk menghasilkan citra baru. Citra warna bisa direpresentasikan dalam format piksel yang terdiri dari 3 komposisi warna, yaitu merah (red/R), hijau(green/G), dan biru (blue/B). Jika menggunakan representasi citra 8bit dalam integer nilai R, G dan B mempunyai rentang 0-255. Semakin besar nilainya artinya warna tersebut mendominasi pada kombinasi warna pada citra tersebut.

II.2 Pengenalan Wajah

Page 15

Pengenalan wajah merupakan sebuah permasalahan klasifikasi generik yang didasarkan pada objek berupa wajah manusia. Permasalahan ini dapat dikelompokkan menjadi dua bagian besar yaitu verifikasi wajah dan identifikasi wajah. Verifikasi wajah dapat dianggap sebagai permasalahan klasifikasi dua kelas (2-class classification problem). Seseorang yang berhasil diotentifikasi disebut sebagai client, dan seseorang yang gagal diotentifikasi disebut sebagai impostor. Pertanyaan yang ingin dijawab adalah is this X dan jawaban yang diharapkan adalah benar-salah atau ya-tidak. Sedangkan identifikasi wajah berkaitan dengan pencarian sebuah subjek wajah baik yang dikenal maupun yang tidak dikenal pada basisdata wajah. Pertanyaan yang ingin dijawab adalah who is X. Jawaban yang diinginkan bias berupa penerimaan yang dinyatakan dalam penyajian informasi tentang subjek yang dicari, atau penolakan karena wajah yang dicari tidak ada pada basisdata rujukan. Pengenalan wajah dihadapkan pada permasalahan variabilitas yaitu variabilitas extrapersonal dan variabilitas intra-personal. Variabilitas extra-personal timbul karena proses pengenalan wajah dilakukan pada wajah yang berbeda karena faktor ras dan genetika. Variabilitas intra-personal adalah variasi yang muncul pada wajah yang sama dimana hal ini disebabkan oleh perubahan-perubahan internal (deformations). Faktor-faktor intra-personal ini dapat diidentifikasikan sebagai berikut : 1. Posisi wajah (pose, out-of-plane rotation): Pengenalan sebuah citra wajah tidak hanya dilakukan pada posisi wajah yang mengarah kedepan saja (frontal), tetapi juga pada posisi wajah yang lain 2. Keberadaan komponen struktural:
Page 16

Ciri-ciri wajah misalnya janggut, kumis dan kacamata bisa mempengaruhi tingkat variabilitas sebuah wajah, termasuk juga ukuran, warna dan bentuknya. 3. Ekspresi wajah: Penampilan sebuah wajah dipengaruhi secara langsung oleh ekspresi wajahnya 4. Oklusi: Adakalanya ada benda-benda yang menghalangi wajah seseorang. Dalam sebuah kumpulan wajah, mungkin saja ada wajah orang lain yang menutupi satu sama lain. 5. Orientasi citra (in-plane rotation): Hal ini dipengaruhi oleh posisi kamera pada saat pengambilan (akuisisi) citra. 6. Kondisi pencitraan: Ketika citra wajah diakuisisi melalui alat akuisisi misalnya kamera, maka factor-faktor seperti pencahayaan dan karakteristik kamera akan

mempengaruhi kualitas citra yang diakuisisi.

2.3

Matriks

Definisi 2.3 Matriks adalah suatu susunan bilangan berbentuk segiempat. Bilanganbilangan dalam susunan itu disebut anggota matriks tersebut. (Anton Howard, 2000:45)

Page 17

Ordo suatu matriks dinyatakan dengan jumlah baris dan kolom yang terkandung dalam matriks tersebut. Matriks yang berordo m x n, dengan m menyatakan jumlah baris dan n menyatakan jumlah kolom.

Jenis matriks 1. Matriks persegi Definisi 2.3 Matriks persegi adalah matriks dengan banyak baris sama dengan banyak kolom.(Tim Penulis Media Karya,1999:162)

2. Matriks Identitas Suatu matriks persegi dengan angka satu pada diagonal utama dan angka nol untuk anggota lainnya, seperti

Page 18

2.4

Gray Level Coocurence Matrix (GLCM)

GLCM atau yang biasa di sebut graycomatrix merupakan salah satu fungsi tekstur dari sebuah citra. Graycomatrix mengelompokkan tekstur dari sebuah citra dengan menghitung jumlah piksel yang muncul dengan nilai spesifik tertentu dan dalam menetapkan hubungan ketetanggaan jarak spasial sebuah citra Membuat sebuah GLCM GLCM menghitung seberapa sering sebuah piksel dengan nilai intensitas (gray level) i terjadi dalam sebuah hubungan spasial terhadap sebuah piksel yang bernilai j. Hubungan spasial dijelaskan sebagai keterikatan sebuah piksel dengan piksel yang berada tepat di sebelah kanan ( berdekatan secara horizontal). Setiap element nilai i dan j yang dihasilkan fungsi GLCM adalah penjumlahan antara kemunculan sebuah piksel dengan nilai i yang terjadi dalam hubungan spasial yang telah ditetapkan terhadap piksel dengan nilai j Proses perhitungan terhadap GLCM dari sebuah citra yang dinamis adalah sebuah hal yang sangan sulit, maka graycomatrix mengubah skala dari citra inputan.

Page 19

Pada dasarnya graycomatrix mengubah skala nilai intensitas citra inputan dari 256 menjadi 8. Jumlah nilai intensitas (gray level) menjelaskan jumlah dari GLCM. Gray level coocurence matrix dapat memberikan nilai pasti distribusi spasial dari nilai intensitas (gray level) dalam tekstur sebuah citra.

2.4.2 Menetapkan Offset Pada dasarnya fungsi graycomatrix menghasilkan sebuah GLCM dengan hubungan spasial atau offset yang dijelaskan sebagai dua buah piksel yang berdekatan secara horisontal. Namun demikian, sebuah GLCM tidak cukup untuk

menggambarkan ciri-ciri tekstural dari citra inputan. Sebagai contoh, sebuah offset secara horisontal tidak akan sensitif terhadap tekstur namun dengan tambahan orientasi vertikal maka hasil tekstur akan semakin halus. Untuk itu graycomatrix dapat membuat beberapa GLCMs untuk sebuah inputan citra.

Page 20

Untuk membuat beberapa GLCMs, tentukan sebuah array dari offset terhadap fungsi graycomatrix. Offset ini akan menjelaskan hubungan piksel dari beberapa arah dan jarak. Sebagai contoh, tentukan sebuah array dari offset yang dapat memberikan empat arah (horisontal, vertikal, dan dua diagonal) dan empat jarak dari piksel. Dalam kasus ini citra inputan akan diwakili 16 GLCMs. Dari 16 GLCMs ini maka dapat dihitung nilai statistik rata-rata.

2.4.3 Nilai statistik GLCM Kookurensi berarti kejadian bersama, yaitu jumlah kejadian satu level nilai piksel bertetangga dengan satu level nilai piksel lain dalam jarak (d) dan orientasi () tertentu. Jarak dinyatakan dalam piksel dan orientasi dinyatakan dalam derajat. Orientasi dibentuk dalam 4 arah sudut dengan interval sudut 0, 45, 90 dan 135. Sedangkan jarak antar piksel biasanya ditetapkan sebesar 1 piksel. Matrik kookurensi merupakan matriks bujur sangkar dengan jumlah elemen sebanyak kuadrat jumlah level intensitas piksel pada citra. Setiap titik (p,q) pada

Page 21

matriks kookurensi berorientasi berisi peluang kejadian piksel bernilai p bertetangga dengan piksel bernilai q pada jarak d serta orientasi dan (180- ) Setelah memperoleh matriks kookurensi, maka dapat menghitung ciri statistic orde dua yang memprentasikan citra yang diamati. Haralick et al mengusulkan berbagai jenis cirri tekstural yang dapat diekstraksi dari matriks kookurensi. Contoh perhitungan 6 ciri statistic orde dua, yaitu angular second moment, Contrast, Correlation, Variance, Inverse Difference Moment, dan Entropy. a. Angular Second Moment Menunjukkan ukuran sifat homogenitas citra dimana p( i,j ) merupakan menyatakan nilai pada baris i dan kolom j pada matriks kookurensi.

ASM =

b. Contrast Menunjukkan ukuran penebaran (momen inersia) elemen-elemen matriks citra. Jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra.

CON = | i-j|=k

Page 22

c. Correlation Menunjukkan ukuran ketergantungan linear derajat keabuan citra sehingga dapat emberikan petunjuk adanya struktur linear dalam citra

COR =

d. Variance Menunjukkan variasi elemen-elemenn matriks kookurensi citra dengan transisi derajat keabuan kecil akan memiliki variansi yang kecil pula.

VAR =

e. Inverse Different Moment Menunjukkan kehomogenan citra yang berderajat keabuan sejenis. Citra homogen akan memilih harga IDM yang besar

IDM=

p(i,j)

f. Entropy Menunjukkan ukuran ketidakteraturan bentuk. Harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi)

Page 23

EN

BAB III METODE PENELITIAN

Page 24

3.1 Waktu dan Lokasi Penelitian


Lokasi penelitian dilakukan di Bontang Waktu penelitian tanggal 14 September sampai 25 September 2010.

3.2 Alat Bantu Penelitian


Dalam menyelesaikan laporan ini, penulis menggunakan alat bantu berupa:
-

Laptop ASUS core i5, RAM 1 GB, OS Windows 7 Kamera digital Canon Powershot SX200 IS Software Borland Delphi 7 Software Adobe Photoshop 7.0

3.3 Studi Literatur


Pada studi literatur bahan-bahan penulisan diperoleh dari buku maupun website yang dapat menunjang dalam penyelesaian penelitian ini.

3.4 Pengumpulan Data

Page 25

Pada Tahap ini, melakukan pengambilan sampel fitur citra wajah seseorang sebanyak 5 kali menggunakan kamera saku Canon PSx 200 Is. Pengambilan 5 kali citra wajah dilakukan dengan ekspresi yang berbeda-beda, citra ini kemudian digunakan sebagai bahan sampel untuk didapatkan ciri Data Citra pada table 3.1. No 1 2 3 4 5 A.bmp B.bmp C.bmp D.bmp E.bmp Citra Ac.bmp Bc.bmp Cc.bmp Dc.bmp Ec.bmp Cropping

3.5 PENGOLAHAN CITRA


Pengolahan citra wajah dilakukan dengan memperbaiki kualitas citra, pemotongan (croping) bagian citra wajah yang ingin di analisa dan mengubah format citra menjadi bitmap. Setelah itu fitur citra RGB diubah menjadi citra grayscale sehingga di peroleh nilai intensitas keabu-abuan setiap piksel. Setelah mendapatkan nilai intensitas dari fitur citra, maka di cari nilai graycode dengan metode GLCM ( Graylevel Coocurence Matrix ), sehingga didapatkan matriks kokurensi. Dari matriks kookurensi kemudian dilakukan filtering nilai matriks. Setelah itu di lakukan rekonstruksi matriks hasil filtering, menjadi mariks dengan nilai intensitas keabu-abuan, dan menjadi citra greyscale kembali. Citra rekonstruksi ini kemudian akan di bandingkan dengan salah satu citra inputan untuk mendapatkan derajat deviasi. Grayscalling dan metode GLCM di implementasikan dengan menggunakan pemograman MATLAB.
Page 26

3.6 Model Perancangan Sistem


Dalam perancangan sistem metode GLCM ini, menganalisaa berdasarkan 5 atribut yaitu contrast, Angular Second Moment (ASM), Entropy,Inverse Difference Moment (IDM) dan Mean. Targetnya adalah untuk memprediksi klasifikasi citra. Input yang digunakan dalam laporan ini adalah citra dari tabel 3.1. Algoritma Sistem Metode Statistikal GLCM Sebelum masuk tahap analisa, citra masukan akan dikonversi terlebih dahulu sehingga diperoleh sebuah citra abu-abu yang memiliki derajat keabuan dari 0-255. Kemudian dibuat data histogram. Histogram merupakan suatu bagan yang menampilkan distribusi intensitas dalam indeks atau intensitas warna citra. Dari data histogram dapat dihitung jumlah piksel suatu citra untuk setiap range warna (0-255). Dan hasil konversi akan disimpan dalam format bitmap atau .bmp. Diagram alir untuk tahap konversi adalah:

Mulai

Sekumpul an citra RGB

Membaca citra yg akan dikenali

Page 27

Mendeteksi Informasi yang ada pada RGB

Merubah Citra RGB menjadi Grayscale File disimpan dalm format .jpg atau .bmp

Diperoleh citra grayscale

Menampilkan Citra Grayscale

Gambar . Bagan Alir tahap Konversi Hasil Konversi akan menjadi input analisa GLCM pada tahap analisa. Citra abu-abu akan diubah dulu dalam bentuk matriks, kemudian diambil nilai yang dibutuhkan sebagai variabel dalam perhitungan GLCM. Setelah itu dilakukan analisa GLCM dari nilai yang telah diperoleh sesuai dengan sudut atau arah pergeseran. Dari Analisa GLCM yang telah di dapat diperoleh nilai feature untuk tiap atribut. Diagram alir dan flowchart algoritma pada tahap analisa GLCM terlihat pada gambar dibawah ini:

Page 28

Sekumpula n citra grayscale

Membaca citra grayscale yg akan dikenali

Merubah citra GS kedalam bentuk matriks

Mengambil nilai yg dibutuhkan sebagai variabel

Melakukan analisa GLCM nilai statistik sesuai arah sudut

Selesa i

Mencari nilai feature

Nilai sudut atau arah pergeseran 0.45.90,180

Bagan alir tahap analisa

BAB IV ANALISIS DAN PEMBAHASAN


Tahap Konversi Citra

Page 29

Tahap konversi citra dimulai dengan memilih citra wajah yang akan dianalisa teksturnya. Citra masukan akan diubah menjadi citra abu-abu kemudian akan dilakukan pencarian histogram dari hasil konversi citra masukan tersebut. Tahap Analisa GLCM Tahap analisa GLDM pada bagian atribut terdapat nomor 1 sampai 5. Atribut tersebut adalah Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean. Perbedaan histogram dapat dilihat dari hasil konversi citra abu-abu menjadi histogram yang dihasilkan berdasarkan

pengelompokan deskripsi wajah yang digunakan. Dalam atribut contrast jika letaknya jauh dari diagonal utama, nilai kekontrasan besar. Secara visual, nilai kekontrasan adalah ukuran variasi antar derajat keabuan suatu daerah citra. Angular second moment (ASM) menunjukkan ukuran sifat homogenitas citra. Entropy, harga ENT besar untuk citra dengan transisi derajat keabuan merata dan bernilai kecil jika struktur citra tidak teratur (bervariasi). Inverse difference moment (IDM), citra homogen akan memiliki harga IDM yang besar. Sedangkan Mean menunjukkan ukuran dispersi dari suatu citra.

Perancangan Sistem Metode Statistikal GLCM Interface digunakan untuk mempermudah pelaksanaan uji coba dan
Input dan menyediakan tampilan visual dari citra yang digunakan serta tampilan grafik. konversi Pembuatan Aplikasi Pengenalan citra wajah dengan metode GLCM Page 30 Keluar

Analisa GLCM

Gambar Rancangan Lay out figure Menu GLCM Dalam Figure Menu GLCM terlihat tiga pilihan yaitu input dan konversi image, Analisa GLCM dan keluar.

Buka Citra Konversi Grayscale

Simpan Konversi

Nama File: Ukuran:

Kembali

Gambar Rancangan Lay out figure Konversi Pada layout figur konversi dapat menampilkan citra RGB pada lebel 1, citra abu-abu padal alabel 2 dan label 3 akan menampilkan histogram citra. Push button Buka Host Image digunakan untuk mengambil file pada database komputer, push button Konversi RGB ke Grayscale digunakan untuk melakukan
Page 31

konversi citra parket RGB menjadi citra abu-abu, push button Simpan Konversi digunakan untuk menyimpan citra abu-abu hasil konversi dalam format .jpg atau .bmp. Panel Informasi File digunakan untuk menampilkan informasi apa saja yang dapat diambil dari citra wajah yang akan dikonversi, terdiri dari beberapa static text. Yaitu Nama File, Ukuran File.
Nilai Feature sudut 45 Contrast ASM IDM Entropy Nilai Feature sudut 135 Contrast ASM IDM Entropy

Nilai Feature sudut 0 1 Contrast ASM IDM Nama File: Ukuran : Entropy Nilai Feature sudut 90 Contrast ASM IDM Entropy

Buka Grayscale img Analisis GLCM & Simpan Kembali

Gambar rancangan layout figure analisa GLCM

Page 32

Rancangan layout figure Analisa GLCM. Citra abu-abu yang telah dikonversi sebelumnya dapat ditampilkan pada Axes1 dengan menekan push button Buka Host image. Push button Analisis GLCM akan melakukan proses metode statistikal GLCM. Hasil dari analisa tersebut akan ditampilkan dalam empat panel yang telah disediakan sesuai dengan sudut atau arah pergeseran dari 0, 45, 90, dan 135. Masingmasing panel terdiri dari beberapa static text untuk menampung hasil dari nilai features yang telah ditemukan yaitu Contrast, Angular Second Moment (ASM), Entropy, Inverse Difference Moment (IDM), dan Mean.

Setelah diuji coba maka akan didapat nilai features yang berbeda pada tiap jenis Citra. Sehingga dapat ditentukan pengklasifikasian jenis citra sesuai dengan nilai features dari analisa metode statistikal GLCM dengan menghitung mean dan standard deviasi dari semua data pada tiap jenis citra.

Page 33

BAB V KESIMPULAN DAN SARAN

BAB VI DAFTAR PUSTAKA Hadi,Setiawan, Pengembangan Model Generatif Pengenalan Wajah pada Latar Belakang, Pose dan Iluminasi yang Bervariasi, 2004.Bandung http://docs.google.com/viewer? a=v&q=cache:0S3Zs0SYDBkJ:digilib.its.ac.id/public/ITS-Undergraduate-9823Paper.pdf+fungsi+algoritma+filter+gabor&hl=id&gl=id&pid=bl&srcid=ADGEESjD kYXYSQSPn3l45q4kxnqq0YX3TUQRi0GVE2f5n6hWovk7I0lmy8w7_qB_gn8Qw8 hfLI_RaEjDGOhabbk9MWwcHsncahsm5ekqhCyGS_ODtsa5CqnmgEuVWWM1yNCSeN SzKRi&sig=AHIEtbSYiNiiQO_lCix42keeQDMOc0-wHw

Page 34