Probabilistic Principal Component Analysis

Kelompok 9
1. Rini Sabdo Ningsih
2. Anita
3. Muhsinin
4. Mega Lestari
5. Tarso
6. Bayu Putra Ngudi Persada
7. Aldi Renadi
PRINCIPAL COMPONENT ANALYSIS
(PCA)

Principal Component Analysis (PCA) atau biasanya disebut Analisis Komponen Utama
(AKU) merupakan salah satu analisis multivariat yang bertujuan untuk
melihat/mengidentifikasi pola data dengan cara mereduksi dimensi (atau variabel) data
menjadi dimensi yang lebih kecil dengan tetap mempertahankan informasi yang terdapat
dalam data. Pada AKU, kita ingin mencari sebuah persamaan yang terdiri atas kombinasi
linear dari berbagai variabel yang dapat menangkap varians atau keragaman data dengan
maksimal. Persamaan linear inilah yang kemudian disebut dengan Komponen Utama (KU).
Sifat dari KU ini adalah saling bebas antara satu KU dengan KU lainnya sehingga analisis
komponen utama dapat mengatasi masalah multikolinearitas yang ada pada data.

Sebagai tambahan, AKU merupakan analisis yang dapat diterapkan pada data yang
berskala numerik dan tidak membutuhkan variabel respons (Y) dalam penghitungannya.

2
LANGKAH-LANGKAH PCA

1. Memilih variabel yang berskala numerik dan tidak memasukkan variabel respons
(Y) jika ada.
2. Menstandardisasikan data ke dalam normal baku.

Hal ini dilakukan jika variabel yang digunakan memiliki satuan dan rentang yang
berbeda. Misalkan tinggi badan yang diukur dengan satuan cm dengan upah yang
diukur dengan satuan ribu. Jika kedua variabel tidak distandarisasi dan tetap
mempertahankan satuannya, maka variabel upah akan lebih ‘mendominasi’ komponen
utama yang terbentuk mengingat keragaman data pada variabel upah akan lebih besar
dibanding dengan tinggi badan. Maka dari itu, perlu dilakukan standarisasi agar kedua
variabel tersebut mempunyai bobot yang sama dalam pembentukan komponen utama.

3
LANGKAH-LANGKAH PCA

Namun, bisa juga digunakan matriks korelasi (tanpa melakukan standardisasi data), karena matriks korelasi sudah
mengatasi perbedaan satuan pada variabel.

3. Menghitung matriks ragam-peragam dari data yang sudah distandarisasi. Jika menggunakan matriks korelasi
maka lanjut ke langkah selanjutnya.
4. Menghitung vektor eigen dan nilai eigen dari matriks ragam-peragam atau matriks korelasi.

Vektor eigen merupakan koeffisien dari masing-masing variabel yang digunakan untuk membentuk komponen
utama atau loadings sedangkan nilai eigen menggambarkan seberapa besar varians yang dapat ditangkap oleh
komponen utama.

Pada nantinya akan terbentuk komponen utama sebanyak jumlah variabel (p) yang dimasukkan ke dalam
persamaan dan sifat dari komponen utama ini adalah saling tegak lurus dan saling bebas. Persamaan dari
komponen utama adalah =

4
CONTOH KASUS
Jurnal Teknologi dan Sistem Komputer

“Pengenalan Sketsa Wajah Menggunakan Principal

Component Analysis Sebagai Aplikasi Forensik”

Ditulis oleh Endina Putri Purwandari, Aan Erlansari,

Andang Wijanarko, Erich Adinal Adrian

Program Studi Sistem Informasi, Fakultas Teknik, Universitas

Bengkulu
5
HASIL DAN PEMBAHASAN

Sistem dimulai dengan pengguna memasukkan sebuah citra masukan berupa

sketsa. Pada tahap awal, sistem melakukan prapemrosesan terhadap citra uji
dengan mengubah citra dari citra RGB menjadi citra keabuan. Setelah itu,
pada sketsa dan citra wajah dilakukan proses thresholding dan pengubahan
ukuran citra dari matriks dua dimensi menjadi satu dimensi. Ekstraksi fitur
pada citra uji dan citra latih dilakukan menggunakan PCA yang menghasilkan
nilai ciri wajah pada setiap gambar dalam bentuk eigenface. Tahap terakhir
adalah menghitung jarak antara kedua hasil ekstraksi citra (citra latih dan
citra uji) dengan metode jarak Euclidean. Sistem menampilkan citra dari data
latih yang memiliki nilai pengenalan yang terdekat dengan sketsa.

6
HASIL PENGUJIAN SKETSA WAJAH DENGAN
DATA LATIH

Pengujian aplikasi dilakukan dengan memasukkan data sketsa sebagai

masukan sistem. Aplikasi melakukan prapengolahan dari data masukan
tersebut. Sistem mengenali sketsa wajah dengan menemukan kembali lima
foto individu yang terdekat dengan citra masukan dan nilai kedekatannya

7
Contoh Hasil Pengujian Pengenalan Sketsa Wajah
Dengan Data Latih

8
PENGENALAN SKETSA MODIFIKASI DAN DATA
SKETSA
SECARA LANGSUNG

Pengujian ini bertujuan untuk mengukur kemampuan sistem dalam mengenali kembali
citra dengan masukan citra sketsa yang telah dimodifikasi. Bentuk-bentuk modifikasi
yang dilakukan meliputi perubahan bentuk wajah, misalnya mata, hidung, dan bibir,
penambahan kumis, perubahan bentuk rambut, penambahan kacamata, dan
penambahan topi seperti ditunjukkan pada contoh di Gambar dibawah.

9
HASIL PENGUJIAN PENGENALAN SKETSA
WAJAH TERMODIFIKASI DAN SKETSA SECARA
LANGSUNG

10
 Hasil

Metode PCA memiliki tingkat akurasi yang tinggi. Penelitian pengenalan sketsa
wajah selanjutnya dapat berfokus untuk mengurangi jarak antara citra wajah dan
sketsa forensik. Hal ini terkait dengan beberapa faktor, di antaranya analisis
visual, kualitas sketsa, basis data citra wajah, dan teknologi pencocokan wajah.
Beberapa hal yang dapat mempengaruhi hasil pengenalan sketsa wajah juga
perlu diperhatikan, seperti lingkungan pengambilan data citra, pencahayaan,
posisi wajah atau pose, dan kualitas gambar sketsa . Pengembangan pengenalan
sketsa juga dapat menggunakan pendekatan lain, seperti metode Scale Invariant
Feature Transform (SIFT) dan dengan deskriptor lokal untuk fitur tekstur dengan
Modified Local Binary Patterns (MLBP) dengan pendeskripsian yang lebih
menyeluruh dan spesifik daripada PCA seperti dalam

11
 KESIMPULAN

Sistem pengenalan sketsa wajah dengan PCA ini berhasil mengenali kembali citra
sketsa dengan masukan citra latih dan citra uji, yaitu berupa citra latih
termodifikasi dan sketsa lukis tangan, dengan akurasi yang tinggi, yaitu 76,14 %
untuk pengujian dengan 88 citra sketsa latih dan 95 % pada pengujian dengan 20
citra sketsa uji.

12
 DAFTAR PUSTAKA

[1] E. P. Purwandari, A. Erlansari, A. Wijanarko, and E. A. Adrian, “Face

sketch recognition using principal component analysis for forensics
application,” J. Teknol. dan Sist. Komput., vol. 8, no. 3, pp. 178–184, 2020, doi:
10.14710/jtsiskom.2020.13422.
[2] Nadhifan Humam F, “Principal Component Analysis.”
https://rpubs.com/nadhifanhf/principal-component-analysis (accessed Jan. 12,
2022).

13
THANKS!
Any questions?

14