2012100529IFBab2001

BAB 2

LANDASAN TEORI

2.1 Teori-teori umum

Teori-teori umum yang berkaitan dalam topik skripsi disini adalah tentang

Computer Vision, Identifikasi Wajah, Rekayasa Peranti Lunak, UML.

2.1.1 Computer Vision

Computer Vision merupakan bidang yang berkembang pesat dikhususkan untuk

menganalisa, memodifikasi, dan pemahaman gambar tingkat tinggi. Tujuannya adalah

untuk

menentukan apa

yang terjadi

di depan kamera

dan menggunakan

pemahaman

tersebut untuk mengendalikan komputer, sistem robot, atau untuk memberikan citra baru

yang lebih

informatif daripada gambar kamera asli. Aplikasi

area untuk komputer visi

teknologi termasuk

video surveillance, biometrik, otomotif, fotografi, produksi film,

pencarian web, obat-obatan, game augmented reality, antarmuka pengguna yang baru,

dan banyak lagi (Pulli, Baksheev, Kornyakov, & Eruhimov, 2012).

2.1.2 Identifikasi Wajah

Wajah manusia memainkan peran penting dalam interaksi sosial kita,

menyampaikan identitas masyarakat. Saat ini wajah manusia digunakan sebagai kunci

untuk keamanan, teknologi pengenalan wajah biometrik telah menerima perhatian yang

signifikan dalam beberapa tahun terakhir karena potensinya untuk berbagai macam

aplikasi baik dalam penegakan hukum dan penegakan non-hukum.

Dibandingkan dengan sistem biometrik

lainnya menggunakan sidik jari, palm

print dan retina mata, pengenalan wajah memiliki kelebihan karena tidak perlu adanya

proses kontak langsung. Gambar wajah dapat ditangkap dari jarak jauh tanpa menyentuh

orang yang sedang diidentifikasi, dan identifikasi yang tidak memerlukan berinteraksi

dengan orang tersebut. Selain itu, pengenalan wajah melayani tujuan pembasmian

kejahatan karena wajah gambar yang telah direkam dan diarsipkan nantinya dapat

membantu mengidentifikasi seseorang.

Identifikasi wajah (face recognition) merupakan identifikasi biometrik.

Biometrik maksudnya pengenalannya berdasarkan keunikan seseorang berdasarkan

keadaan fisik maupun karakteristiknya. Meskipun pengenalan wajah sudah dapat

dilakukan oleh sistem komputer namun belum dapat melakukannya seperti apa yang

dilakukan manusia.

Salah satu dari aspek utama dalam identifikasi wajah adalah

robustness. Skema pengenalan wajah secara robust memerlukan kedua representasi fitur

dimensi rendah

untuk keperluan

kompresi data

dan

kemampuan

diskriminasi

ditingkatkan untuk pengambilan gambar berikutnya. Metode representasi biasanya mulai

dengan prosedur reduksi dimensi sejak dimensi tinggi dari

ruang visual asli

membuat

estimasi statistik sangat sulit dan memakan waktu.

Ada tiga Fase yang diperlukan mesin

untuk mengenali wajah. Ketiga fase

tersebut adalah detection, feature extraction, recognition

(Gandhe, Talele, & Keskar,

2007, pp. 53-54).

1. Detection

Banyak

algoritma

yang melaksanakan tugas

pendeteksian wajah

sebagai tugas

klasifikasi pola

biner. Hal ini dimaksudkan isi dari

bagian

tertentu

dari suatu

gambar

diubah menjadi

fitur, setelah

itu

classifier

dilatih pada

wajah

untuk

memutuskan apakah daerah tertentu dari gambar wajah atau tidak.

2. Feature extraction

Tiga jenis metode ekstraksi fitur:

Metode generik berdasarkan tepi, garis, dan kurva.

Fitur template berbasis

metode

yang digunakan

untuk mendeteksi fitur wajah

seperti mata.

Struktural

yang cocok

metode yang

memperhitungkan

kendala

pertimbangan

geometris pada fitur

3. Recognition

Selama berapa dekade sudah banyak metode yang ditawarkan. Pada umumnya

metode yang ada terbagi menjadi tiga yaitu holistic matching methods, feature-

based matching methods dan hybrid methods

Gambar 2.1 Contoh identifikasi wajah

2.1.3 Operasi Floating-point dan Integer

Integer

mengacu pada format yang digunakan untuk menyimpan dan

memanipulasi representasi numerik data tanpa

menggunakan titik desimal. Integer

dirancang untuk mewakili dan memanipulasi bilangan-bilangan bulat positif dan negatif.

Misalnya 16 bit, menghasilkan hingga 65.536 pola bit yang berasal dari

yang

biasanya mewakili bilangan bulat -32.768-32.767.

Floating-point (bilangan real) diperlukan untuk jumlah yang sangat besar atau

sangat kecil, atau angka yang membutuhkan penggunaan titik desimal (seperti pi dan

nilai-nilai trigonometri lainnya). Skema pengkodean yang digunakan oleh prosesor

untuk floating-point

lebih rumit daripada

integer. Representasi floating-point

dapat

mendukung lebih luas dari nilai dari fixed-point dengan kemampuan untuk mewakili

jumlah yang sangat kecil dan jumlah yang sangat besar.

Perhitungan floating-point menjamin rentang yang jauh lebih besar dibandingkan

integer serta

proses data lebih besar. Dengan demikian pada floating-point, prosesor

yang ideal untuk aplikasi komputasi intensif diperlukan mesin yang mampu melakukan

komputasi lebih cepat. Jika dilakukan perhitungan perkalian, integer lebih cepat 3,5 kali

dibandingkan perhitungan dengan floating-point (North, 2011).

2.1.4 Rekayasa Perangkat Lunak

Perangkat lunak

adalah instruksi-instruksi yang ketika dijalankan akan

menyediakan fungsi yang diperlukan, struktur data yang memungkinkan program untuk

memanipulasi informasi, dokumen yang menyatakan informasi atau kegunaan program.

Rekayasa perangkat

lunak adalah suatu

disiplin ilmu

yang membahas semua aspek

produksi perangkat

lunak, mulai dari tahap awal yaitu analisa kebutuhan pengguna,

menentukan spesifikasi dari kebutuhan pengguna, disain, pengkodean, pengujian sampai

pemeliharaan sistem setelah digunakan.

2.1.4.1 Rapid Application Development

Rapid Application Development

(RAD) adalah sebuah model proses

perkembangan software sekuensial linier yang menekankan siklus perkembangan yang

sangat pendek. Rapid application development

menggunakan metode iteratif dalam

mengembangkan sistem dimana system working model

dikonstruksikan di awal tahap

pengembangan dengan tujuan menetapkan kebutuhan user yang selanjutkan digunakan

model yang lebih baik. Working model tersebut jarang digunakan sebagai basis desain

dan implementasi sistem final (Sukamto, 2012, pp. 2-7).

Gambar 2.2 Contoh model proses Rapid Application Development

Kelebihan RAD

Hasil pengembangan bisa lebih cepat dibandingkan SDLC lainnya.

Memerlukan biaya yang lebih sedikit.

Mementingkan dari segi bisnis dan teknik.

Berkonsentrasi pada sudut pandang user.

Menyediakan kemungkinan perubahan secara cepat sesuai permintaan user.

Menghasilkan jarak kesesuaian yang kecil antara kebutuhan user dan spesifikasi

sistem.

Kekurangan RAD

RAD memerlukan sumber daya manusia yang memadai untuk menciptakan

jumlah tim RAD yang baik.

RAD menuntut pengembangan dan

pelanggan memiliki komitmen didalam

aktivitas rapidfire

yang diperlukan untuk melengkapi sebuah sistem, didalam

kerangka waktu yang sangat diperpendek.

Kecepatan yang tinggi dengan biaya minimal kemungkinan besar hasil

kualitasnya rendah.

Proyek mungkin berakhir dengan lebih banyak tambahan kebutuhan daripada

yang telah dipenuhi.

Potensial ketidakkonsistenan penamaan dan dokumentasi.

2.1.5 UML (Unified Modeling Language)

UML (Unified Modeling Language) adalah sebuah bahasa yang menggunakan

grafik atau gambar untuk memvisualisasi, menspesifikasikan, membangun, dan

mendokumentasikan sebuah sistem pengembangan

software

berbasis OO (Object-

Oriented).

2.1.5.1 Use Case Diagram

Use case diagram adalah gambaran graphical dari beberapa atau semua actor dan

interaksi diantara komponen-komponen tersebut yang memperkenalkan suatu sistem

yang akan dibangun. Use case diagram menjelaskan manfaat suatu sistem jika dilihat

menurut pandangan orang yang berada di luar sistem. Diagram ini menunjukkan

fungsionalitas suatu sistem atau kelas dan bagaimana sistem tersebut berinteraksi dengan

dunia luar.

Use case

diagram dapat digunakan selama proses analisis untuk menangkap

requirement sistem dan untuk memahami bagaimana sistem seharusnya bekerja. Selama

tahap desain, use case diagram berperan untuk menetapkan perilaku (behavior) sistem

saat diimplementasikan. Dalam sebuah model mungkin terdapat satu atau beberapa use

case diagram. Kebutuhan atau requirements system adalah fungsionalitas apa yang harus

disediakan oleh sistem kemudian didokumentasikan pada model use case

yang

menggambarkan fungsi sistem yang diharapkan (use case), dan yang mengelilinginya

(aktor), serta hubungan antara aktor dengan use case diagram itu sendiri.

Gambar 2.3 Contoh use case diagram

2.1.5.1 Sequence Diagram

Sequence diagram adalah diagram yang menampilkan interaksi antara objek-

objek dalam sistem yang disusun berdasarkan urutan pada waktu. Bentuk interaksi

meliputi pengguna, tampilan. dan sebagainya berupa pesan.

Sequence Diagram digunakan untuk menggambarkan skenario atau rangkaian

langkah-langkah yang dilakukan sebagai sebuah respon dari suatu kejadian untuk

menghasilkan output tertentu. Sequence Diagram diawali dari apa yang memicu aktivitas

tersebut, proses dan perubahan apa saja yang terjadi secara internal dan output apa yang

dihasilkan.

Diagram ini secara khusus berasosiasi dengan use case

diagram. Sequence

diagram juga memperlihatkan tahap demi tahap apa yang seharusnya terjadi untuk

menghasilkan sesuatu didalam use case. Sequence diagram juga dapat merubah atribut

atas metode pada kelas yang telah dibentuk oleh class diagram, bahkan

menciptakan

sebuah kelas baru. Sequence diagram memodelkan aliran logika dalam sebuah sistem

dalam cara yang visual.

Gambar 2.4 Contoh sequence diagram

2.2 Teori-teori Khusus

Teori-teori khusus yang berkaitan dalam topic skripsi disini adalah tentang Local

Binary Pattern, OpenCV, FLTK.

2.2.1 Local binary Pattern

Operator LBP adalah salah satu deskriptor tekstur terbaik dan telah banyak

digunakan dalam berbagai aplikasi. LBP telah terbukti sangat diskriminatif dan

keuntungan utamanya, yaitu variasi untuk perubahan tingkat abu-abu monoton

dan

efisiensi komputasi, membuatnya cocok untuk tugas gambar menuntut analisis. Ide

untuk menggunakan LBP untuk deskripsi wajah didukung oleh fakta wajah dapat dilihat

sebagai komposisi pola mikro yang dapat dijelaskan oleh sebuah operator.

Local Binary Pattern

(LBP) didefinisikan sebagai ukuran tekstur gray-scale

invarian, berasal dari definisi umum tekstur di daerah sekitar. Operator LBP dapat

dilihat sebagai pendekatan kesatuan dengan model statistik dan struktur tradisional

berbeda dari analisis tekstur.

Secara sederhana, LBP adalah sebuah kode biner yang menggambarkan pola

tekstur lokal. Hal ini dibangun dengan lingkungan batas dengan nilai abu-abu dari

pusatnya (Ahonen, Hadid, & Pietikainen, 2004, pp. 2-3).

Contoh komputasi LBP pada 3x3 pixel

Gambar 2.5 Proses perhitungan pixel LBP

Setiap pixel memiliki nilai hasil grayscale, kemudian dilakukan threshold

berpusat pada titik tengah. Pixel yang memiliki nilai sama atau lebih dibandingkan

dengan titik tengah diberi nilai 1 selain itu diberi nilai 0. Kemudian nilai LBP didapat

dari penjumlahan dua pangkat nilai angka yang bernilai satu.

Gambar 2.6 Rumus komputasi LBP

Operator pada LBP memiliki label yang ditandai dengan P dan R. P mewakili

jumlah pixel tetangga yang digunakan dalam komputasi sementara R adalah radius

antara pixel titik pusat dan pixel tetangga.

Gambar 2.7 Varian LBP

Dalam

aplikasi

analisis tekstur

banyak

diinginkan

untuk memiliki

fitur yang

invarian atau kuat untuk rotasi gambar input. Sebagai LBP, pola P,R diperoleh dengan

sirkuler

sampel

sekitar

pixel

pusat, rotasi

gambar input

memiliki dua

efek: setiap

lingkungan lokal diputar ke lokasi pixel lainnya, dan dalam masing-masing lingkungan,

titik sampling pada

lingkaran

yang mengelilingi

titik pusat

diputar

orientasi yang

berbeda.

Perpanjangan pada operator aslinya menggunakan Uniform Pattern. Untuk ini,

ukuran keseragaman pola yang digunakan: U ("pola") adalah jumlah bitwise transisi dari

0 ke 1 atau sebaliknya ketika

pola bit

dianggap

melingkar.

Pola

biner

lokal disebut

seragam

jika

ukuran

keseragaman

adalah 2.

Misalnya, pola

00000000

(0 transisi),

01110000

(2 transisi) dan

11001111

(2 transisi) adalah seragam

sedangkan

pola

11001001 (4 transisi) dan 01010011

(6 transisi) tidak. Dalam pemetaan

LBP seragam

ada yang terpisah output label untuk setiap pola seragam dan semua non-seragam pola

ditugaskan ke label tunggal. Dengan demikian, jumlah label output yang berbeda untuk

pemetaan pola-pola.

Gambar 2.8 Uniform patterns

2.2.1.1 Local Binary Pattern untuk Detection

Tujuan deteksi adalah untuk menentukan lokasi dan besarnya wajah manusia

pada gambar atau citra. Pada proses local binary pattern detection

yang diterapkan

OpenCV ada dua tahapan penting dalam mendeteksi wajah yaitu Multi-scale Block

Local Binary Pattern dan Gentle AdaBoost.

2.2.1.1.1 Multi-scale Block Local Binary Pattern

Operator LBP asli label pixel dari suatu gambar dengan thresholding tetangga

3x3 masing-masing pixel nilai pusat dan mempertimbangkan hasil sebagai string biner

atau angka desimal. Kemudian histogram dari label dapat digunakan sebagai deskriptor

tekstur. Sebuah ilustrasi dari operator LBP dasar ditampilkan pada gambar 2.9. Multi-

scale LBP merupakan pengembangan dari LBP, sehubungan dengan penggunaan pixel

tetangga (Liao, Zun, Lei, Zhang, & Li, 2007, p. 3).

Gambar 2.9 Proses operator LBP dan MB-LBP(a) LBP operator dasar (b) 9x9 MB-LBP

operator

Dalam MB-LBP, operator perbandingan antara pixel tunggal dalam LBP hanya

diganti dengan perbandingan antara nilai-nilai abu-abu rata-rata pada sebagian daerah.

Setiap wilayah sub blok persegi yang mengandung pixel tetangga. Keseluruhan filter

terdiri dari 9 blok. kita mengambil ukuran s sebagai parameter, dan S X S yang

menunjukkan skala operator MB-LBP (khususnya, 3 x 3 MB-LBP sebenarnya adalah

LBP asli). Perhatikan bahwa nilai-nilai skalar dari rata-rata selama blok dapat dihitung

sangat efisien dari tabel. Untuk alasan ini, MB-LBP ekstraksi fitur juga bisa sangat cepat

karena hanya menimbulkan biaya lebih sedikit dari 3 x 3 LBP operator.

Pada gambar 2.10 diberikan contoh MB-LBP gambar wajah disaring oleh 3 x 3,

9 x 9 dan 15 x 15 blok. Dari contoh ini kita bisa melihat pengaruh parameter s. Untuk

skala kecil, lokal, pola mikro dari struktur wajah juga terwakili, yang bermanfaat untuk

membedakan rincian lokal wajah. Di sisi lain, menggunakan daerah rata-rata nilai

daerah, filter skala besar mengurangi kebisingan, dan membuat representasi yang lebih

kuat, dan informasi skala besar memberikan informasi melengkapi rincian skala kecil.

Tapi banyak informasi diskriminatif juga turun. Biasanya, filter dari berbagai skala harus

hati-hati dipilih dan kemudian disatukan untuk mencapai kinerja yang lebih baik.

Gambar 2.10 Perbedaan citra pada jenis MB-LBP(a) gambar awal (b) 3x3 MB-

LBP (c) 9x9 MB-LBP (d) 15x15 MB-LBP

Pada gambar 2.11

menunjukkan MB-LBP fitur untuk gambar perbedaan intra-

personal dan ekstra-personal (piksel yang terang menunjukkan perbedaan yang lebih

besar). Perbedaan gambar digunakan untuk menunjukkan kekuatan diskriminatif dari

MB-LBP.

Gambar 2.11 Perbedaan citra pada intra dan extra personal image (a)(b)gambar

intra-personal image (c)(d)(e)hasil gambar dari 3x3,9x9,15x15 MB-LBP (f)(g)gambar

extra-personal image (h)(i)(j)hasil gambar dari 3x3,9x9,15x15 MB-LBP

2.2.1.1.2 Gentle AdaBoost

Gentle

AdaBoost merupakan pengembangan dari metode AdaBoost.

Gentle

AdaBoost menggunakan regresi pangkat terkecil untuk meminimasi fungsi (Ferreira,

2007, pp. 6-7).

Gambar 2.12 Algoritma Gentle AdaBoost

Pada gambar 2.12, fungsi H dicari dengan menentukan kuadrat terkecil y dan x

dengan nilai weight

w. Kemudian dilakukan perulangan pada fungsi yang didapat

dengan fungsi baru. Penambahan kedua fungsi menghasilkan fungsi baru. Setelah

didapat fungsi yang baru dilakukan normalisasi.

Tujuan gentle adaboost adalah menentukan suatu fungsi yang mewakili seluruh

hasil data training yang telah dimasukkan. Kemudian

dari hasil fungsi tersebut

ditentukan batas error yang digunakan sebagai tolak ukur data input baru.

Gambar 2.13 Fungsi garis terbentuk dari AdaBoost

Klasifikasi menggunakan AdaBoost dilakukan dalam beberapa tahap. Tahapan

tersebut dilakukan dengan menetapkan penambahan jumlah bin setiap kenaikan tahap

klasifikasi data citra wajah. Pada gambar 2.14, klasifikasi dilakukan bertahap dengan

tujuan menghemat waktu komputasi. Penghematan waktu komputasi terjadi pada

klasifikasi kasar pada tahap awal. Sehingga tidak perlu dilakukan klasifikasi detail atau

menggunakan semua bin pada semua data citra wajah.

Gambar 2.14 Proses klasifikasi AdaBoost

2.2.1.2 Local Binary Pattern Histogram untuk Recognition

Pada proses LBP, dibentuk histogram dengan menambahkan nilai setiap blok

sesuai dengan pola biner yang sama.

Pola biner tersebut yang digunakan berdasakan

pattern uniform yang digunakan. Pada prakteknya suatu image dibagi menjadi beberapa

bagian/blok. Hal ini dilakukan untuk mempercepat proses komputasi yang dilakukan.

Pada Gambar 2.15, proses ekstrasi wajah dilakukan dengan menggunakan local

binary pattern. Uniform pattern yang digunakan adalah 2. Alasan digunakan

pengambilan pola biner hanya pada U2 karena pola biner U2 mewakili sekitar 80% dari

jumalh pixel yang ada(Lopez, 2010, p. 9). Sehingga hal ini tidak mengganggu proses

identifikasi wajah. Dari 8 biner terdapat 256 pola biner yang di dapat dari 2 pangkat 8.

Namun pola biner uniform pattern 2 hanya terdapat 58 pola biner uniform. Tapi perlu

ditambah kan 1 lagi sebagai non-uniform sebagai perwakilan dari semua pola non-

uniform. Sehingga jumlah bin yang digunakan adalah 59 bin.

Gambar 2.15 Proses penentuan nilai pada LBP a) Contoh gambar wajah b) LBP image

label c) Histogram LBP uniform pattern 2

2.2.1.2.1 Euclidean Distance

Euclidean distance

adalah matrik

yang paling sering digunakan untuk

menghitung kesamaan 2 vektor. Euclidean distance

menghitung akar dari kuadrat

perbedaan 2 vektor (Picas, 2008).

Rumus dari euclidian distance:

Contoh :

Terdapat 2 vektor ciri berikut:

Euclidean distance dari vektor A dan B adalah

2.2.2 OpenCV

2.2.2.1 Definisi OpenCV

OpenCV (Open Computer Vision) adalah program opensource berbasiskan C++

yang saat ini banyak digunakan sebagai program computer vision. Dengan OpenCV

dapat membuat interaksi antara manusia dan computer, misalnya wajah dari manusia

dideteksi oleh camera/webcam, lalu di proses oleh computer, untuk melakukan

aksi

tertentu seperti mengikuti/mengenal wajah orang tersebut. Kesemuanya itu

membutuhkan openCV sebagai program utama antara webcam dan perangkatnya yaitu

computer maupun smartphone. Library ini terdiri dari fungsi-fungsi computer vision dan

API (Aplication Programming Interface) untuk image processing high level maupun low

level dan sebagai optimisasi aplikasi realtime. OpenCV sangat disarankan untuk

programmer yang akan berkutat pada bidang computer vision, karena library ini mampu

menciptakan aplikasi yang handal, kuat dibidang digital vision, dan mempunyai

kemampuan yang mirip dengan cara pengolahan pada manusia.

2.2.2.2 Fitur OpenCV

Berikut ini adalah fitur-fitur pada library OpenCV :

Manipulasi data gambar (alokasi memori, melepaskan memori, kopi gambar,

setting serta konversi gambar)

Image/video

I/O (bisa menggunakan camera

yang sudah didukung oleh

library ini)

Manipulasi matriks dan vector serta terdapat juga routines linear algebra

(products, solvers, eigenvalues, SVD)

Image processing

dasar (filtering, edge detection, pendeteksian tepi,

sampling

dan interpolasi, konversi warna, operasi morfologi, histograms,

image pyramids)

Analisis structural

Kalibrasi kamera

Pendeteksian gerak

Pengenalan objek

Basic GUI (Display gambar/video, mouse/keyboard control, scrollbar)

Image Labelling (line, conic, polygon, test drawing)

2.2.3 FLTK

The Fast Light Toolkit (FLTK, diucapkan fulltick) adalah sebuah library cross-

platform antarmuka pengguna grafis

(GUI) yang dikembangkan oleh Bill Spitzak dkk.

Dibuat

untuk mengakomodasi

pemrograman

grafis 3D, ia memiliki

antarmuka untuk

OpenGL, tetapi juga cocok untuk pemrograman GUI umum.

FLTK

adalah perangkat lunak bebas, dibawah lisensi

LGPL

dengan

klausul

tambahan

memungkinkan

menghubungkan statis dari

aplikasi

yang tidak kompatibel

dengan lisensi. Ini mencakup FLUIDA (FLTK Pengguna Designer

Interface), seorang

desainer grafis GUI

yang

menghasilkan C++ source file dan header. Berbeda dengan

library

lainnya

seperti

dan

wxWidgets, FLTK

menggunakan

desain yang lebih

ringan. Karena itu, library ini sangat kecil

ukurannya (program FLTK "Hello World"

hanya sekitar 100 KiB), dan biasanya dihubungkan statis.