090411100009_proposal ta

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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


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


20


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


1. Setelah melakukan proses Grayscale dan kuantisasi maka selanjutnya

dilakukan proses Co-Ocurence Matrix digunakan untuk analisis citra.

7/23/2019 090411100009_PROPOSAL TA


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


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.

090411100009_proposal ta

Documents