View
217
Download
0
Category
Preview:
Citation preview
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 1/22
i
PROPOSAL TUGAS AKHIR
“PENGENALAN EKSPRESI WAJAH MENGGUNAKAN
LOCAL BINARY PATTERN (LBP) DAN GRAY LEVEL CO-
OCCURENCE MATRIX (GLCM)”
Oleh:
WAKHID PRASETYA 09.04.111.00009 / 2009
Pembimbing I : Dr. Arif Muntasa, S.Si.,MT. 19691118 200112 1 004
Pembimbing II : Cucun Very Angkoso, ST., MT. 19780225 200501 1 001
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK UNIVERSITAS TRUNOJOYO MADURA
BANGKALAN 2013
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 2/22
ii
LEMBAR PERSETUJUAN PROPOSAL
Nama : Wakhid Prasetya
NRP : 09.04.111.00009Bidang Minat : Komputasi Sistem Cerdas
Program Studi : Teknik Informatika
Dosen Pembimbing : 1. Dr. Arif Muntasa, S.Si.,MT.
2. Cucun Very Angkoso, ST., MT.
Judul Tugas Akhir : PENGENALAN EKSPRESI WAJAH MENGGUNAKAN
LOCAL BINARY PATTERN (LBP) DAN GRAY LEVEL CO-
OCCURENCE MATRIX (GLCM).
Proposal ini telah disetujui pada Seminar Tugas Akhirtanggal .....................
Dosen Pembimbing I Dosen Pembimbing II
Dr. Arif Muntasa, S.Si.,MT. Cucun Very Angkoso, ST., MT.NIP. 19691118 200112 1 004 NIP. 19780225 200501 1 001
Mengetahui, Menyetujui,
Ketua Program Studi Koordinator Bidang Minat
Teknik Informatika Komputasi Sistem Cerdas
Firdaus Solihin,S.Kom.,M.Kom. Rima Tri Wahyuningrum, ST.,MT.
NIP. 19760627 200801 1 008 NIP. 19800820 200312 2 001
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 3/22
3
1. Judul
PENGENALAN EKSPRESI WAJAH MENGGUNAKAN LOCAL BINARY
PATTERN (LBP) DAN GRAY LEVEL CO-OCCURENCE MATRIX (GLCM).
2. Abstrak
Sistem biometrik pada saat ini telah banyak diaplikasikan pada berbagai
bidang ilmu pengetahuan seperti pengaplikasian pengenalan sidik jari,
pengenalan tanda tangan, pengenalan iris, pengenalan retina, pengenalan
suara, serta pengenalan wajah dan semakin berkembang dengan biometrik
pengenalan ekspresi wajah. Penelitian ini mengembangkan penelitian yang
sebelumnya yaitu pengenalan senyum. Klasifikasi ekspresi wajah yang akan
di uji coba pada sistem pengenalan ini menggunakan citra ekspresi wajah
untuk data penelitian serta menggunakan Local Binary Pattern (LBP) dimana
LBP digunakan agar citra tidak memiliki perbedaan fitur ketika citra diambil
dalam keadaan dengan pencahayaan yang gelap dan terang dan Matriks Ko-
Okurensi Aras Keabuaan (Gray Level Co-occurence Matrix - GLCM ) yang
mempunyai sekumpulan informasi tentang derajat keabuan suatu pixel
dengan tetangganya pada jarak dan orientasi yang tetap. Setelah citra diolah
maka akan dilakukan proses pelatihan (training) dan data uji coba (testing)
menggunakan Euclidean Distance dengan membandingkan tingkat kemiripan
citra. Melalui proses testing tersebut maka dapat diketahui jenis ekspresi
wajah.
Kata kunci : Pengenalan Ekspresi Wajah, Local Binary Pattern, Gray Level
Co-occurence Matrix, Euclidean Distance.
3. Latar BelakangDengan perkembangn teknologi informasi yang semakin pesat seperti
sekarang perkembangan teknologi semakin canggih. Seperti dalam ilmu
biometrik yang mempelajari pengenalan fisik dari seseorang. Salah satu ilmu
biometrik pengenalan ekspresi wajah seseorang, ketika dalam keadaan
senang, sedih, tersenyum dengan menggunakan algoritma dan metode yang
mampu mendukung sistem pengenalan tersebut. Pengenalan ekspresi wajah
tersebut dapat dipindahkan ke dalam komputer dan disimpan ke dalam data
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 4/22
4
training. Pengenalan ekspresi selain menggunakan metode dan algoritma
tertentu juga membutuhkan pengolahan citra yang baik.
Pengenalan ekspresi wajah telah banyak diteliti salah satunya
menggunakan metode image processing yang mampu mengklasifikasikan
data masukkan ke dalam kategori tertentu yang sudah ditetapkan. Dalam
penelitian ini menggunakan metode Local Binary Pattern (LBP) dan Matriks
Ko-Okurensi Aras Keabuaan (Gray Level Co-occurence Matrix - GLCM ).
Pengenalan ekspresi wajah merupakan bagian dari Face Recognition
yang merupakan proses perhitungan yang dilakukan oleh komputer sehingga
komputer mampu mengenali ekspresi wajah dari seseorang. Pengenalan
ekspresi wajah yang baik mampu mengenali dengan tingkat akurasi yang
tinggi serta tingkat error yang sedikit. Pada penelitian ini melalui langkah –
langkah agar hasil pengenalan ekspresi ini lebih maksimal.
4. Rumusan Masalah
Berdasarkan latar belakang yang telah terurai diatas, maka timbul suatu
permasalahan yaitu :
1. Bagaimana melakukan ekstraksi fitur pada citra statis dengan
menggunanakan metode Local Binary Pattern (LBP) dikombinasikan
dengan Gray Level Co-occurence Matrix ?
2. Bagaimana mendapatkan citra yang mempunyai fitur yang sama atau
mirip dengan citra testing dengan menggunakan metode Euclidean
Distance ?
5. Tujuan dan Manfaat
Tujuan dari penelitian ini adalah :
1. Mendapatkan citra yang sama atau mirip dengan citra testing dengantingkat kebenaran sama dengan citra training.
2. Membangun aplikasi pengenalan ekspresi wajah menggunakan metode
Local Binary Pattern (LBP) dikombinasikan dengan Gray Level Co-
occurence Matrix (GLCM) dan Euclidean Distance.
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 5/22
5
Manfaat dari penelitian ini adalah :
Manfaat dari penelitian ini adalah untuk menghasilkan suatu sistem
pengenalan ekspresi wajah, sistem kamera pada handphone untuk face
expression, login sistem serta masih banyak aplikasi yang lainnya yang dapat
dijadikan bahan untuk penelitian lebih lanjut di bidang yang berkaitan serta
untuk memperkaya literatur mengenai bidang face recognition, kecerdasan
buatan dan pengolahan citra (image processing).
6. Batasan Masalah
1. Sistem yang akan digunakan nantinya adalah offline.
2. Data masukkan adalah sebuah citra.
3. Data citra yang digunakan adalah data citra JAFFE Database dengan 7
ekspresi yaitu kebahagiaan, kesedihan, kejutan, marah, jijik, takut, dan
netral.
4. Citra yang dipakai adalah citra ekspresi wajah manusia yang nantinya akan
dikenali.
5. Citra testing dan citra training yang digunakan berupa citra statis sebanyak
213 citra yang berukuran 100 x 100 piksel.
6. Data mandiri dengan akuisisi data citra dari 20 orang yang terdiri dari 10
laki – laki dan 10 perempuan dengan ekspresi yang dianalisa adalah
normal, tertawa dan marah.
7. Tinjauan Pustaka
7.1 Penelitian sebelumnya.
Penelitian sebelumnya terkait dengan ekstraksi ciri isi pada citra
dengan metode statitikal adalah Gray Level Co-Occurrnce Matrix
(GLCM). Gray Level Co-Occurrence Matrix (GLCM) mempunyaisekumpulan informasi tentang derajat keabuan suatu pixel dengan
tetangganya pada jarak dan orientasi yang tetap. Terdapat beberapa ciri
tekstural pada GLCM yaitu energy untuk menyatakan tingkat
keseragaman pixel, Contrast menyatakan kandungan variasi lokal pada
citra, Entropy menyatakan tingkat keacakan pixel, dan Inverse
Diffeerence menunjukkann tingkat kehomogenan citra [1].
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 6/22
6
M. Madhu, R. Amutha. 2012. “ Face Recognition using Gray level
Co-occurrence Matrix and Snap Shot Method of the Eigen Face”,
menggunakan metode Gray Level Co-occurrence Matrix (GLCM)
untuk ekstraksi fitur dikombinasikan dengan menggunakan Principal
component Analysis (PCA) serta Euclidean Distance untuk klasifikasi
citra dengan akurasi pengenalan sebesar 98,6 % [2].
X. Feng, M. Pietikäinen, and A. Hadid. 2005 “ Facial Expression
Recognition with Local Binary Patterns and Linear Programming”
menggunakan Local Binary Patterns (LBP) untuk menggambarkan citra
wajah secara efisien dan Linear Programming (LP) untuk
mengklasifikasikan dalam tujuh ekspresi dengan hasil akurasi
pengenalan sebesar 93,8% [3].
Penelitian yang dilakukan oleh Yudhistira Ganis K, Imam Santoso,
dan R. Rizal Isnanto yang berjudul “ Klasifikasi Citra Dengan Matriks
Ko-Okurensi Aras Keabuan (Gray Level Co-occurrence Matrix-
GLCM) Pada Lima Kelas Biji-Bijian”. Penelitian ini mengidentifikasi
dengan menggunakan metode Matriks Ko-Okurensi Aras Keabuan
(Gray Level Co-occurrence Matrix-GLCM) dapat menghasilkan tingkat
pengenalan sistem tertinggi dengan jarak dekat sebesar 100 %
disebabkan karena data masukan yang digunakan sama dengan data
acuan dan tingkat pengenalan terendah jarak dekat 20 % disebabkan
karena citra masukan memiliki kualitas yang jauh lebih rendah apabila
dibandingkan dengan data acuan [4].
Penelitian yang dilakukan oleh Eko Wahyudi, Wirawan dan
Hendra Kusuma Jurusan Teknik Elektro - FTI , Institut TeknologiSepuluh Nopember yang berjudul “Teknik Pengenalan Wajah Berbasis
Fitur Local Binary Pattern (LBP)”. Penelitian ini mengidentifikasi
bahwa Pengenalan wajah dengan menggunakan fitur Local Binary
Pattern lebih sesuai digunakan untuk citra-citra dengan variasi
pencahayaan dari pada variasi headpose serta dengan 3 algoritma yaitu
Supervised PCA, Subspace LDA, dan Chi Square, yang memiliki tingkat
pengenalan paling besar adalah algoritma Chi Square. Untuk variasi
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 7/22
7
pencahayaan (basis data Yale-B) pada subset 2 sebesar 100%, subset 3
sebesar 99,17%, subset 3 sebesar 83,33%, dan untuk subset 4 sebesar
61% sedangkan untuk variasi posisi kepala (basis data AT&T) sebesar
90,71% [5].
Idaliana Kusumaningsih. 2009. Institut Pertanian Bogor dalam
penelitiannya “ Ekstraksi Ciri Warna, Bentuk dan Tekstur untuk Temu
Kembali Citra Hewan”. Penelitian ini menggunakan metode Fuzzy
Color Histogram, Edge Direction Histogram dan Gray Level Co-
occurrence Matrix untuk ekstraksi fitur warna, bentuk dan tekstur
sedangkan untuk proses temu kembali digunakan metode Cosine dengan
nilai rata – rata precision untuk ciri warna sebesar 0.30, untuk ciri
bentuk sebesar 0.33 dan untuk ciri tekstur sebesar 0.34. Nilai precision
meningkat dengan menggunakan gabungan ketiga ciri (warna, bentuk,
tekstur) menjadi 0.36 [6].
Penelitian yang dilakukan oleh Adhi Harmoko S, Benyamin
Kusumoputro, Makmur Rangkuti yang berjudul “ Ekstraksi Ciri Gray
Level Co-Occurrence Matrix dan Probabilistic Neural Network Untuk
Pengenalan Cacat Pengelasan”. Penelitian ini mengidentifikasi tentang
pengenalan jenis cacat dengan menggunanakn menggunakan ekstraksi
fitur Gray level Co-occurrence Matrix dan metode klasifikasi
Probabilistic Neural Network . Dari hasil pengujian, sistem pengenalan
pada tiga metode pemilihan data pelatihan dan pengujian yaitu random,
semi random dan pilih. Hasil akurasi pengenalan rata-rata terbaik pada
semua kelas untuk citra yang belum diketahui jenis cacatnya mencapai
nilai maksimum 99,54 % untuk perbandingan data pelatihan dan datapengujian 1 : 1 [7].
7.2 Pengolahan Citra Digital
Citra merupakan salah atu bentuk komponen yang sangat berperan
penting dalam bidang informasi bentuk visual. Mempunyai informasi
yang lebih kompleks jika dibandingkan dengan data teks. Proses
pengolahan citra mentransformasikan citra tersebut ke dalam titik – titik
elemen pada komputer yang disebut dengan pixel.
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 8/22
8
7.3 Prepocessing
Sebelum masuk ke tahap ekstraksi ciri, dilakukan praproses citra.
Dalam praproses citra ini dilakukan crop citra dan mengubah citra
menjadi grayscale. Hal ini diperlukan untuk mengolah citra menggunakan
fitur tekstur dengan LBP.
1. Crop citra
Tahap crop digunakan untuk memotong data citra agar sesuai
dengan wilayah citra yang diinginkan sehingga membuat citra lebih
mudah untuk dimunculkan fitur - fiturnya.
2. Konversi citra ke grayscale
Citra yang akan di uji akan dijadikan grayscale dari citra yang
mempunyai 3 matrik red, green dan blue hanya mempunyai satu
matriks saja yaitu keabuan.
2.1. Format RGB
Citra warna ini terdiri dari 256 warna dasar yaitu red,
green, dan blue. Dari setiap piksel yang ada merupakan terdiri
dari ketiga warna tersebut sehingga pixel merupakan komponen
tiga warna dasar.
Gambar 1. Warna Red, Green dan Blue.2.2. Grayscale
Citra pada awalnya terdiri dari tiga komposisi warna (red,
green, blue) sedangkan citra grayscale merupakan citra digital
yang setiap pikselnya merupakan satu komposisi warna saja
sehingga membuat citra tersebut lebih sederhana. Citra
grayscale hanya terdiri dari warna abu-abu pada tingkatan yang
berbeda-beda yang merupakan derajat keabuan. Model
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 9/22
9
grayscale adalah model warna hitam - putih yang tiap piksel
memiliki warna dari 0 sampai dengan 255 dimana 0 adalah
warna hitam dan 255 adalah warna putih [8]. Untuk menjadikan
citra menjadi grayscale maka dapat dilakukan dengan
mengambil rata – rata dari nilai warna RGB.
7.4 Klasifikasi
Klasifikasi yaitu proses untuk menemukan sekumpulan model atau
fungsi yang mendeskripsikan dan membedakan kelas-kelas data dengan
tujuan untuk memprediksikan kelas dari objek yang belum diketahui
kelasnya (supervised learning) dengan karakteristik tipe data yang
bersifat kategorik (Han dan Kamber 2001). Proses klasifikasi dibagi
menjadi dua fase, yaitu pelatihan dan pengujian. Pada fase pelatihan,
sebagian data yang telah diketahui kelas datanya (data pelatihan)
digunakan untuk membentuk model. Selanjutnya pada fase pengujian,
model yang sudah terbentuk diuji dengan sebagian data lainnya untuk
mengetahui akurasi model tersebut. Jika akurasinya mencukupi maka
model tersebut dapat dipakai untuk memprediksi kelas data yang belum
diketahui [9].
7.5 Ekpresi wajah
Ekspresi wajah atau mimik adalah hasil dari satu atau lebih
gerakan atau posisi otot pada wajah. Ekspresi wajah merupakan salah
satu bentuk komunikasi nonverbal, dan dapat menyampaikan keadaan
emosi dari seseorang kepada orang yang mengamatinya. Ekspresi wajah
merupakan salah satu cara penting dalam menyampaikan pesan sosial
dalam kehidupan manusia, manusia dapat mengalami ekspresi wajahtertentu secara sengaja, tapi umumnya ekspresi wajah dialami secara
tidak sengaja akibat perasaan atau emosi manusia tersebut. Biasanya
amat sulit untuk menyembunyikan perasaan atau emosi tertentu dari
wajah, walaupun banyak orang yang merasa ingin melakukannya [10].
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 10/22
10
7.6 The Japanese Female Facial Expression (JAFFE) Database
JAFFE Database merupakan database yang berisi ekspresi wajah
perempuan Jepang. Database tersebut terdiri dari 213 gambar dengan 7
ekspresi dasar yaitu kebahagiaan, kesedihan, kejutan, marah, jijik, takut,
dan netral yang di peragakan oleh 10 model wanita [11].
Gambar 2. The Japanese Female Facial Expression (JAFFE) Database.
7.7 Local Binary Pattern (LBP)
Local Binary Pattern (LBP) adalah deskriptor tekstur yang dapat
juga digunakan untuk wajah, karena gambar wajah dapat dilihat sebagai
sebuah komposisi micro-texture-pattern yaitu suatu operator non
parametrik yang menggambarkan tata ruang lokal citra. LBP
didefinisikan sebagai perbandingan nilai biner piksel pada pusat citra
dengan 8 nilai piksel disekelilingnya. Misal pada sebuah citra berukuran
3x3, nilai biner pada pusat citra dibandingkan dengan nilai sekelilingnya.
Dengan cara mengurangkan nilai piksel pada pusat citra dengan nilai
piksel disekelilingnya, jika hasilnya lebih atau sama dengan 0 maka
biberi nilai 1 dan jika hasilnya kurang dari 0 maka diberi nilai 0. Setelah
itu, menyusun 8 nilai biner searah jarum jam atau sebaliknya dan
merubah 8 bit biner kedalam nilai desimal untuk menggantikan nilai
piksel pada pusat citra [5].
dimana
gp = piksel sekelilingnya
gc = piksel tengah (center )
(1)
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 11/22
11
Dan fungsi S (x) didefinisikan sebagai berikut :
dimanaS (x) adalah lebih dari sama dengan 0 maka nilai 1
S (x) adalah kurang dari 0 maka nilai 0
Berikut ini gambaran kalkulasi pembentukan dengan LBP atas
suatu citra.
Gambar 3. Kalkulasi dengan LBP.
Penjumlahan :
LBP = 1 + 2 + 4 + 0 + 8 + 64 + 0 + 0 = 79
7.8 Matriks Ko-Okurensi Aras Keabuaan (Gray Level Co-occurence Matrix
- GLCM)
Gray Level Co-occurrence Matrix (GLCM) mempunyai
sekumpulan informasi tentang derajat keabuan suatu piksel dengan
tetanggannya, pada jarak dan orientasi yang tetap. Ide dasarnya adalah
untuk men-scan citra untuk mencari jejak derajat keabuan setiap dua
buah piksel yang dipisahkan dengan jarak d dan sudut q yang tetap.
Tetapi umumnya tidak hanya satu jarak dan sudut saja cukup untuk
menggambarkan ciri tekstur citra tersebut. Sehingga harus digunakan
lebih dari satu jarak dan arah. Umumnya digunakan empat arah yaitu
arah 00, 45
0, 90
0, 135
0.
Berikut ini adalah gambaran pembentukan GLCM atas citra
dengan 4 tingkat keabuan (gray level) pada jarak d = 1 dan arah 0°.
(2)
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 12/22
12
Gambar 4. a. Contoh citra dengan 4 tingkatan keabuan
b. GLCM pada jarak 1 arah 0° [12]
Gambar 5. Dari piksel di tengah (9) piksel 1 menunjukkan arah =
0° dengan jarak d =1, piksel 2 arah = 45° dengan jarak d = 1, piksel
3 arah = 90° dengan jarak d = 1, dan piksel 4 arah = 135° dengan
jarak d = 1 [12].
Dalam perumusannya, matriks co-occurrence pada jarak d dan sudut
dapat dituliskan sebagai persamaan :
P(i,j; d, ) = #((x,y),(x',y') ϵ D X D| d = ‖ (x,y),(x',y') ‖ θ = <(x,y),(x',y'),I(x,y) =
i, I ,(x',y')= j)
dimana
P(i,j; d, θ ) = matriks co-occurrence
# = fungsi jumlah dari (x,y),(x',y') yang merupakan koordinat piksel citra
D = domain derajat keabuan
d = jarak antara dua piksel
q = sudut
Dalam persamaan akan diperoleh sekumpulan ciri dari citra.
Apabila, dua citra dengan pola tekstur yang sama, tetapi berbeda
(3)
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 13/22
13
ukurannya akan memiliki vektor ciri yang berbeda pula. Dari matrik co-
occurrence yang terbentuk, beberapa ciri tekstur dalam dihitung.
Pengukuran nilai tekstur didasarkan pada 7 persamaan yaitu Energy,
Contrast, Entropy, Inverse difference Moment, Correlation, Homogeneity,
Maximum probability (MP) [6].
Energy
Energy menyatakan tingkat keseragaman piksel-piksel suatu citra. Semakin
tinggi nilai energy, maka semakin seragam teksturnya.
Contrast
Contrast menyatakan kandungan variasi lokal pada citra. Semakin tinggi
nilai contrast maka semakin tinggi tingkat kekontrasannya.
Entropy
Entropy menyatakan tingkat keacakan piksel-piksel suatu citra. Semakin
tinggi nilai entropy, maka semakin acak teksturnya.
Invers difference Moment (IDM)
Invers difference Moment merupakan kebalikan dari contrast . Semakin tingginilai Invers difference Moment maka semakin rendah tingkat kekontrasannya.
Correlation
Correlation menyatakan ukuran hubungan linear dari graylevel piksel
ketetanggan.
(4)
(5)
(6)
(7)
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 14/22
14
Homogeneity
Homogeneity menyatakan ukuran kedekatan setiap elemen dari co-occurrence
matrix.
Maximum probability (MP)
Maximum probability merupakan nilai maximum atau respon terkuat dari co-
occurrence matrix. Nilai MP menyatakan tingkat keteratutran dari suatu citra.
Semakin tinggi nilai MP, maka semakin teratur teksturnya.
dimana
p (x, y) = gray level pada coordinat (x,y)
7.9 Euclidean Distance (ED)
Tahap selanjutnya adalah mencari kemiripan antara citra testing
dengan fitur dari citra – citra training. Euclidean distance adalah metode
yang paling sering digunakan untuk menghitung kesamaan 2 vektor yang
digunakan untuk mencari data antara parameter data referensi atau basis
data dengan parameter data baru. Misalkan diberikan dua buah feature
vektor p dan q, maka jarak di antara dua feature vektor p dan qditentukan sebagai berikut [13].
P = ( p1,p2,...,pn)
Q = ( q1,q2,...,qn)
(8)
(9)
(10)
(11)
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 15/22
15
dimana
d = ukuran jarak antara testing gambar P dan Q yang berada di dalam
basis data.
p = feature vektor pada image P
q = feature vektor pada image Q
7.10 Confussion Matrix
Confusion matrix merupakan sebuah tabel yang terdiri atas
banyaknya baris data uji yang diprediksi benar dan tidak benar oleh
model klasifikasi, digunakan untuk menentukan kinerja suatu model
klasifikasi (Tan et al. 2005). Tabel 1 merupakan tabel confussion matrix.
Perhitungan akurasi dengan menggunakan tabel confusion matrix
adalah :
Assigned class
Class = 1 Class = 0
True Class Class = 1 F11 F10
Class = 0 F01 F00
Tabel 1. Tabel Confussion Matrix
F11 merupakan jumlah citra dari kelas 1 yang benar
diklasifikasikan sebagai kelas 1. F00 merupakan jumlah citra dari kelas
0 yang benar diklasifikasikan sebagai kelas 0. F01 merupakan jumlah
citra dari kelas 0 yang salah diklasifikasikan sebagai kelas 1. F10merupakan jumlah citra dari kelas 1 yang salah diklasifikasikan sebagai
kelas 0 [9].
(12)
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 16/22
16
8. Metodologi Penelitian
Metodologi atau langkah-langkah yang dilakukan dalam pengerjaan tugas
akhir ini adalah :
1. Pengumpulan data
Pada tahap ini dilakukan pengumpulan informasi yang diperlukan untuk
pembuatan perangkat lunak. Informasi yang diperlukan diperoleh dengan
mempelajari literatur-literatur mengenai permasalahan pengenalan
ekspresi wajah secara umum, untuk metode Gray Level Co-Occurence
Matrix (GLCM ) dikombinasikan dengan Local Binary Pattern (LBP) dan
Euclidean Distance untuk pembuatan perangkat lunak berbasis dekstop
pengenalan ekspresi wajah.
2. Studi literatur
Setelah materi dan data terkumpul, maka dapat dilakukan pembelajaran
materi sebagai bahan dalam pembuatan perangkat lunak yang akan diteliti.
3. Analisis dan Perancangan sistem
Tahap ini meliputi analisis dan desain sistem yang akan dikembangkan
dengan mengacu pada hasil pemahaman sistem dan studi pustaka serta
data yang telah diperoleh sebelumnya. Pada tahapan ini, desain model
data, dan desain proses didefinisikan sehingga dapat memenuhi kebutuhan
sistem.
4. Implementasi
Tahap ini mengimplementasikan desain sistem ke dalam bahasa
pemrograman yang digunakan untuk membuat aplikasi.
5. Pengujian sistem
Program yang telah dibuat aka di uji coba dan di simulasikan, apakahaplikasi yang telah di buat dapat membuat orang menjadi tertarik untuk
menggunakan program pengenalan ekspresi wajah.
6. Analisa hasil program
Setelah pengujian sistem, dilakukan analisa untuk mengetahui
kemampuan, kendala, kelebihan, dan kekurangan dari sistem yang telah
dibuat dengan menggunakan metode Gray Level Co-Occurence Matrix
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 17/22
17
(GLCM ) dikombinasikan dengan Local Binary Pattern (LBP) dan
Euclidean Distance.
7. Kesimpulan
Tahap perumusan kesimpulan sebagai hasil akhir dari penelitian yang
dibuat.
8. Penyusunan laporan
Tahap ini merupakan tahap terakhir yang dilakukan setelah semua
kegiatan selesai dikerjakan. Laporan disusun berdasarkan fakta yang
diperoleh, pembelajaran materi, rancangan dan pembuatan sistem, serta
implementasi dan pengujian.
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 18/22
18
9. Rancangan Sistem
9.1 Deskripsi Umum Sistem
Perangkat lunak yang akan dirancang adalah aplikasi Pengenalan
Ekspresi Wajah Menggunakan Metode Local Binary Pattern (LBP)
dikombinasikan dengan Gray Level Co-occurence Matrix (GLCM) dan
Euclidean Distance sehingga dapat digunakan sebagai aplikasi untuk
pengklasifikasian ekspresi wajah agar mempermudah orang lain dalam
mencari tahu tentang ekspresi wajah yang akan dikenali. Dapat
dikembangkan untuk aplikasi game yang berbasis ekspresi wajah serta
untuk identifikasi capture kamera melalui ekspresi wajah.
Gambar 6. Gambaran Umum Aplikasi Pengenalan Ekspresi
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 19/22
19
Keterangan diagram alur :
1. Citra input berupa citra testing ekspresi wajah yaitu citra JAFFE
Database.
2. Melakukan proses preprocessing dengan crop citra agar wilayah yang di
ektraksi sesuai dengan yang diharapkan. Tahap selanjutnya melakukan
proses citra diubah aras warnanya menjadi aras keabuan, dimana citra
hanya memiliki tingkat atau kadar keabuan.
3. Melakukan proses Local Binary Pattern untuk menghilangkan variabilitas
yang disebabkan oleh iluminasi kontras sehingga citra ekspresi wajah
dengan variasi pencahayaan akan mendapatkan output yang hampir mirip.
4. Citra abu-abu diubah terlebih dahulu kedalam 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 sudut 0°, 45°, 90°, dan 135°.
5. Menentukan fitur ekspresi wajah dengan mencari nilai atribut dari metode
GLCM yaitu Energy, Contrast, Entropy, Inverse Difference Moment
(IDM), Correlation, Homogeneity, Maximum probability (MP).
6. Setelah citra di ekstraksi fitur kemudian diuji untuk diambil kemiripan
dengan Euclidean Distance.
Blok diagram proses LBP sebagai berikut :
Gambar 7. Flowchart Local Binary Pattern
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 20/22
20
Keterangan diagram alur :
1. Setelah melakukan proses Crop dan Grayscale maka selanjutnya
dilakukan proses Local Binary Pattern digunakan untuk menghilangkan
variabilitas yang disebabkan oleh iluminasi kontras sehingga citra ekspresi
wajah dengan variasi pencahayaan akan mendapatkan output yang hampir
mirip.
2. Melakukan perbandingan nilai piksel pusat denagn 8 nilai piksel di
sekelilingnya dengan cara mengurangkan nilai piksel pada pusat citra
dengan nilai piksel di sekelilingnya. Apabila hasilnya lebih atau sama
dengan 0 maka diberi nilai 1 dan apabila nilai hasilnya kurang dari nol
maka diberi nilai 0.
3. Mendapatkan hasil citra dengan nilai piksel dari proses Local Binary
Pattern.
Blok diagram ekstraksi fitur GLCM sebagai berikut :
Gambar 8. Flowchart Gray Level Co-occurrence Matrix
Keterangan diagram alur :
1. Setelah melakukan proses Grayscale dan kuantisasi maka selanjutnya
dilakukan proses Co-Ocurence Matrix digunakan untuk analisis citra.
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 21/22
21
2. Sebagai matriks yang menyatakan antara dua piksel yang bertetangga
yang memiliki intensitas i dan j, memiliki jarak diantara keduanya dan
sudut θ diantara keduanya dengan empat arah 00, 45
0, 90
0, 135
0.
3. Menentukan fitur ekspresi wajah dengan mencari nilai atribut dari metode
GLCM yaitu Energy, Contrast, Entropy, Inverse Difference Moment
(IDM), Correlation, Homogeneity, Maximum probability (MP).
10. Jadwal Pelaksanaan
No KegiatanBulan
Bulan I Bulan II Bulan III Bulan IV Bulan V Bulan VI
1Pengumpulan
Referensi
2Penulisan
Proposal
3Studi
Kepustakaan
4
Pengambilan
Data Citra
Wajah
5Pembuatan
Sistem6
Pengujian
Sistem
7Penyusunan
Laporan
11. Daftar Pustaka
[1] Ramadijanti, N. Content Based Image Retrieval Berdasarkan Ciri Tekstur
Menggunakan Wavelet. Yogyakarta. Seminar Nasional Aplikasi
Teknologi Informasi. 2006.
[2] Madhu,M., Amutha,R. Face Recognition using Gray level Co-occurrence
Matrix and Snap Shot Method of the Eigen Face. International Journal
of Engineering and Innovative Technology (IJEIT). Volume 2, Issue 6,
December 2012.
7/23/2019 090411100009_PROPOSAL TA
http://slidepdf.com/reader/full/090411100009proposal-ta 22/22
22
[3] Feng,X., Pietikäinen,M. and Hadid,A. Facial Expression Recognition
with Local Binary Patterns and Linear Programming. Pattern
Recognition and Image Analysis, Vol. 15, No. 2, 2005, pp. 546 – 548.
[4] Ganis,Y., Santoso,I., Isnanto,R.R. Klasifikasi Citra Dengan Matriks Ko-
Okurensi Aras Keabuan (Gray Level Co-occurrence Matrix-GLCM)
Pada Lima Kelas Biji-Bijian. Tugas Akhir. Fakultas Teknik Elektro dan
Telekomunikasi. Universitas Diponegoro. 2008.
[5] Wahyudi,E., Wirawan dan Kusuma,H. Teknik Pengenalan Wajah
Berbasis Fitur Local Binary Pattern (LBP). Jurusan Teknik Elektro - FTI
, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih - Sukolilo,
Surabaya.
[6] Kusumaningsih,I. 2009. Ekstraksi Ciri Warna, Bentuk dan Tekstur untuk
Temu Kembali Citra Hewan. Tugas Akhir. Departemen Ilmu Komputer:
Institut Pertanian Bogor.
[7] Harmoko,S.A., Kusumoputro B., Rangkuti M. Ekstraksi Ciri Gray Level
Co-Occurrence Matrix Dan Probabilistic Neural Network Untuk
Pengenalan Cacat Pengelasan. Jakarta.
[8] http://library.binus.ac.id/eColls/eThesis/Bab2/2010-1-00512-
MTIF%20Bab%202.pdf ( diakses pada tanggal 9 Maret 2013 )
[9] Widowati,W. 2011. Perbandingan Classifier Untuk Identifikasi Citra
Tanaman Hias. Tugas Akhir. Departemen Ilmu Komputer. Institut
Pertanian Bogor.
[10] http://id.wikipedia.org/wiki/Ekspresi_wajah ( diakses pada tanggal 9
Maret 2013 )
[11] http://www.kasrl.org/jaffe.html[12] Wibawanto,H. 2008. Identifikasi Citra Massa Kistik berdasar Fitur Gray
Level Co-occurrence Matrix. Seminar Nasional Aplikasi Teknologi
Informasi ISSN: 1907-5022.
[13] Isa, S. M. 2007. Aplikasi Image Retrieval Berdasarkan Tekstur dengan
Menggunakan Transformasi Haar Wavelet. Bali. Seminar Nasional
Sistem dan Informatika.
Recommended