No Nama Penjelasan

Proses memperbaiki citra yang tidak jelas akibat

1 Peningkatan kecerahan dan kontras.
kekurangan sinar objek dibidik oleh melalui kamera.

Proses memperbaiki citra yang terdistorsi atau

2 Penghilangan derau.
mengandung derau.

Proses mencari batas objek, tepi objek dan

3 Pecarian bentuk objek.
pemisahan objek dari latar belakangnya.
Citra digital dibentuk oleh kumpulan titik yang
dinamakan piksel ( pixel atau picture element).
Setiap piksel digambarkan sebagai satu kotak
kecil. Setiap piksel mempunyai koordinat posisi.
Dalam hal ini x menyatakan posisi kolom, y
menyatakan posisi baris. Piksel pojok kiri atas
mempunyai koordinat (0, 0). Piksel pojok kanan
bawah mempunyai koordinat (M-1, N-1).
Jumlah piksel yang digunakan untuk menyusun
suatu citra mempengaruhi kualitas citra. Resolusi
citra dinyatakan dengan jumlah piksel pada arah
lebar dan tinggi. Resolusi citra dinyatakan dengan
notasi m x n, dengan m menyatakan tinggi dan n Citra berukuran 512 x 512 piksel
menyatakan lebar dalam jumlah piksel. Perbedaan
citra dengan aslinya ditentukan oleh banyaknya
jumlah piksel.

Citra berukuran 64 x 64 piksel

Citra berwarna merupakan jenis citra yang menyajikan
warna dalam bentuk komponen R (red), G (green), dan B Warna R G B
(blue). Setiap komponen warna menggunakan 8 bit
Merah 255 0 0
(nilainya berkisar antara 0 sampai dengan 255). Jumlah
variasi warna yang dihasilkan adalah 255 x 255 x 255 Hijau 0 255 0
atau 16.581.375 warna.
Biru 0 0 255
Hitam 0 0 0
Putih 255 255 255
Kuning 0 255 255
Citra jenis ini menangani gradasi warna hitam dan putih. Citra ini menghasilkan efek
warna abu-abu. Pada jenis gambar ini warna dinyatakan dengan intensitas. Intensitas
berkisar antara 0 sampai 255. Nilai 0 menyatakan hitam dan 255 menyatakan putih.
Citra biner dinyatakan dengan sebuah nilai 0 dan 1. Nilai 0 menyatakan nilai hitam dan 1 menyatakan
nilai putih. Citra jenis ini banyak dipakai dalam pemrosesan citra. Contoh aplikasi citra biner adalah
mendeteksi tepi objek suatu citra.
Algoritma Eigenface
Asumsikan bahwa setiap citra Γ(𝑥, 𝑦) memiliki M x N piksel. Kemudian ubah setiap
citra menjadi citra abu-abu (Grayscale), setelah itu mengubah citra ke dalam bentuk
matriks. Sehingga secara umum algoritma eigenface adalah sebagai berikut:

• Mengubah matriks citra abu-abu berukuran M x N menjadi citra matriks

berukuran MN x 1

MxN MN x 1 vector
Algoritma Eigenface
• Membuat himpunan citra wajah Γ1 Γ2 Γ3 Γ4 Γ5 , … … … Γ𝑚 untuk pelatihan.
Citra wajah harus mempunyai resolusi serta align yang sama. Citra ini dimisalkan
Γ𝑖 adalah vector (matriks kolom) yang mereprensentasikan citra wajah. Γ adalah
vector berukuran MN x 1 yang berkorespondensi dengan citra wajah M x N piksel.
• Menghitung average face vector Ψ dengan persamaan berikut:

1 M
Ψ= ෍ ΓN
M N=1

M adalah jumlah citra wajah untuk pelatihan.

Algoritma Eigenface
• Menghitung selisih antara vector wajah Γ𝑖 dengan average face vector Ψ.
Selisih tersebut di simbolkan Φ.
Φi = Γ𝑖 − Ψ
Dimana 𝑖 = 1, … … … M dan M adalah jumlah citra wajah untuk pelatihan.
• Menghitung matrik kovarian C sebagai berikut:
1 M
T
C= ෍ ΦN ΦN = AAT
M N=1
Dimana A = ϕ1 Φ2 Φ3 Φ4 Φ5 , … … ΦM adalah N2 𝑥 M matriks.
Algoritma Eigenface
Berdasarkan persamaan pada slide sebelumnya matriks kovarian C memiliki dimensi
N2 x N2 sehingga matriksC akan memiliki eigenface dan eigenvalue yang banyak.
Misal citra dengan ukuran 256 x 256 maka proses komputasi akan menghitung
matriks 65.356 x 65.356 dan 65.356 eigenvector. Nilai tersebut merupakan jumlah
data yang sangat besar dan tidak efisien untuk proses komputasi. Sehingga
diperlukan beberapa trik untuk menghitung eigenface. Solusi untuk menghitung
eigenvector 𝜇𝑖 dari matriksAAT yang memiliki ukuran yang sangat besar adalah
sebagai berikut:
• Diberikan matriks L = AT A (matriksM x M)
L = AT A
Algoritma Eigenface
• Mencari eigenvector 𝜐𝑖 dari matriks L dengan eigenvalue ≠ 0.
• Mencari M eigenface dari matrik L dengan persamaan berikut:
M

u𝑖 = ෍ 𝜐𝑖 Φ𝑖
𝑖=1
Dimana u𝑖 adalah eigenface.
Algoritma Eigenface
• Memproyeksikan citra dataset ke sub ruang PCA pada dasarnya adalah mencari
bobot atau nilai kombinasi linier terbaik untuk merepresentasikan wajah. Kombinasi
linier dapat dihitung dengan mengalikan matrik selisih antar citra Φ dengan nilai
eigenface u𝑖 . nilai bobot ω dapat dinyatakan sebagai persamaan berikut:
T
ωi = ui Φi

T
ωi = ui Γi − Ψ
Algoritma Eigenface
Dimana ui adalah ke 𝑖 eigenface dan 𝑖 = 1, 2, 3 . . . . . K. Sehingga matrik bobot Ω
dapat dirumuskan sebagai berikut:

T
Ωi = ω1 , ω2 , ω3 … … … ωK
Proyeksi Citra Datatest

ωtest = uTi (Γtest − Ψ൯

ΩTtest = ω1 , ω2 , ω3 … … … ωK
Aplikasi Citra Menggunakan Distance Measure
Euclidean Distance

𝑑 Ω𝑡𝑒𝑠𝑡 , Ω𝑖 = ෍ Ω𝑡𝑒𝑠𝑡 − Ω𝑖 2

𝑖=1

Manhattan Distance

𝑑 Ω𝑡𝑒𝑠𝑡 , Ω𝑖 = ෍ Ω𝑡𝑒𝑠𝑡 − Ω𝑖
𝑖=1
 Camera Webcam Mikrokontroller
Kabel USB Laptop Asus A451 LN Bluetooth HC 05
Logitech C525 HD Arduino Uno Kabel Jumper

Kabel Jumper

Kabel Kabel DC-DC Converter Step

Selenoid Doorlock
Jumper
Relay
Jumper
Adaptor 12 VDC 2 A Kabel Jumper Down Adjustable

Kabel Sumber Listrik PLN

 Mulai

Stop
Open
DataSet
Citra

Oprasi
DataSet
Citra
Stop

Pemrosesan Close
Citra Doorlock

Stop

Open
Doorlock &
Email
IMAQdx Open Camera.vi IMAQdx Grab.vi

IMAQdx Configure Grab IMAQdx Close Camera

 Mulai

Open DataSet Citra

i=0

i <= 35 ?

Tidak
Ya

Akses Citra DataSet(i) 256x256

pixel dari Laptop
i+1

Ubah Citra DataSet(i) Menjadi Citra

Aras Keabuan

Next State Ubah Citra DataSet(i) 256x256 pixel

menjadi vector(i) berdimensi M x N
256x256(M) x 1(N)

Buat matrix yang terdiri dari

[vector(i) vector(i+1),,, vector(n)]
 Mulai

Operasi Dataset Citra Baca matriks Normalisasi

Citra DataSet

Simbolkan matriks Normalisasi Citra

DataSet dengan Matriks X

Hitung Rata-rata Matriks X (Ψ)

Hitung Ф

Hitung
Matriks L

Hitung eigenvalue &

eiegenvector Matriks L

Cari eiegenvector
eigenvalue 0

Hitung eigenface

Hitung Proyeksi
Dataset

Next State