EKTRAKSI CIRI MENGGUNAKAN ALGORITME DISCRETE WAVELET TRANSFORM (DWT) DAN PRINCIPAL COMPONENT ANALYSIS (PCA) PADA WARNA KULIT WAJAH

JTE UNIBA, Vol. 3, No. 2, April 2019 19 EKTRAKSI CIRI MENGGUNAKAN ALGORITME DISCRETE WAVELET TRANSFORM (DWT) DAN PRINCIPAL COMPONENT ANALYSIS (PCA) PADA WARNA KULIT WAJAH Tommy Sihotang1, A.Asni B2, Anwar Fattah3 1,2,3 Teknik Elektro,Fakultas Teknologi Industri Universitas Balikpapan Jln. Pupuk Raya Gn. Bahagia Balikpapan 76114 INDONESIA Email : Abstract— These technological advances that make it very easy to provide various efforts to provide convenience and comfort for humans. The development of this technology must also begin with the development of human resources (HR). From this problem, this study discusses the Discrete Wavelet Transform (DWT) algorithm to measure the accuracy of x and y vectors for male and female faces to determine the identity and method of the Principal Component Analysis (PCA) facial recognition system. Total Sampling 3 Samples consisted of 1 woman and 2 men. Successful results Taking in this method 100% Intisari—Kemajuan teknologi yang sangat pesat ini memungkinkan adanya berbagai usaha untuk memberikan kemudahan dan kenyamanan bagi manusia. Perkembangan teknologi ini juga harus diikuti dengan perkembangan pada sumber daya manusia (SDM). Dari permasalahan ini maka penelitian bertujuan algoritma Discrete Wavelet Transform (DWT) untuk mengukur akurasi dari vector x dan y ciri wajah laki-laki dan perempuan untuk menentukan identitas dan metode Principal Componet Analysis (PCA) system pengenalan wajah. Jumlah Pengambilan Sample 3 Sample terdiri 1 perempuan dan 2 laki – laki. Hasil keberhasilan pengambilan dalam metode ini 100 % Kata Kunci— Segementasi Warna ,Diskrete Wavelet Trasform (DWT), Pancipal Component Analysis (PCA) I. PENDAHULUAN Kemajuan teknologi yang sangat pesat ini memungkinkan adanya berbagai usaha untuk memberikan kemudahan dan kenyamanan bagi manusia. Perkembangan teknologi ini juga harus diikuti dengan perkembangan pada sumber daya manusia (SDM). Dalam bidang biometric recognition yang menjadi salah satu cabang penelitian oleh para penikmat teknologi informasi. Biometric itu sendiri merupakan metode untuk mengenali manusia berdasarkan pada satu atau lebih ciri fisik manusia tersebut. Pengolahan citra digital merupakan salah satu elemen penting dalam analisis citra. Salah satu permasalahan yang dihadapi pada pengolahan citra adalah adanya noise. Intensitas noise yang tinggi maupun rendah bisa menurunkan kualitas citra dan menyebabkan hilangnya beberapa detail informasi citra. Paper ini membahas tentang denoising pada citra menggunakan beberapa keluarga wavelet[1]. Face recognition merupakan salah satu bagian dari pengolahan citra yang digunakan untuk membandingkan satu citra wajah masukan dengan suatu database wajah kemudian Tommy Sihotang : Estraksi Ciri Menggunakan…….. menghasilkan data wajah yang sesuai dengan citra tersebut. Biasanya wajah manusia sangat mirip dalam struktur dengan perbedaan kecil dari setiap orang. Perubahan kondisi pencahayaan, ekspresi wajah, dan variasi pose yang lebih rumit merupakan salah satu masalah sulit dalam analisis pola pada face recognition[2]. Transformasi Wavelet Diskrit dilakukan dengan menerapkan konvolusi low-pass filter (H) untuk mendapatkan sinyal global dan high-pass filter (G) untuk mendapatkan sinyal detil. Karena citra wajah input berada pada bidang dimensi dua, maka konvolusi diterapkan dua kali yaitu pada kolom dan baris citra input, sehingga satu kali proses Transformasi Wavelet Diskrit akan menghasilkan satu citra global dan tiga citra detil[3]. II. TINJAUAN PUSAKA Pengenalan wajah adalah salah satu bidang penelitian penting dengan banyak aplikasi yang menerapkannya. Karena wajah manusia merepresentasikan sesuatu yang kompleks sehingga untuk mengembangkan model komputasi yang ideal adalah sulit, karena setiap metode memiliki kelebihan dan kekurangan. Teknik pengenalan wajah dapat diaplikasikan dalam bidang forensik, penegakan hukum, atau lainnya[4]. 2.1 Face Recognition Pengertian Face recognition adalah teknologi dari komputer yang memungkinkan kita untuk mengidentifikasi atau memverifikasi wajah seseorang melalui sebuah gambar digital. Caranya ialah dengan mencocokkan tekstur lekuk wajah kita dengan data wajah yang tersimpan di database. Masalah pengenalan ini dipersulit oleh variabilitas besar dalam rotasi kepala dan kemiringan, intensitas dan sudut pencahayaan, ekspresi wajah, 2.2 Discrete Wavelet Transform (DWT) Discrete Wavelet Transform (DWT) merupakan teknik dekomposisi multilevel lokalisasi fitur dalam ruang,frekuensi dan hasilnya bermanfaat untuk mempermudah dalam kompresi,trasmisi,dan anasis citra. Discrete wavelet transform bekerja mentransformasikan sinyal yang telah terbentuk diskrit. Discrete wavelet transform dapat diaplikasikan dalam penelitian pengenalan melibatkan data dan informasi tentang frekuensi maupun waktu (lokasi) dari sinyal dan DWT bekerja secara multiresolusi.Prinsip dasar dari discrete wavelet transform adalah bagaiman cara mendapatkan representasi waktu dan skala dari sebuah sinyal menggunakan teknik digital dan operasi sub-sampling atau down-sampling. p-ISSN 2528 – 6498 E-ISSN 2549-0842 20 JTE UNIBA, Vol. 3, No. 2, April 2019 Tranformasi DWT – 2 D dilakukan menggunakan filter wavelet secara horinzal ( baris ) kemudian diikuti dengan filtering secara vertikal ( kolom ). Filter wavelet yang biasa digunakan adalah Low Pass filter ( LPF ) dan High Pass Filter ( HPF ). 2.2 Wavelet Haar Transformasi wavelet telah digunakan sebagai ekstraksi ciri yang merupakan input bagi analisis tekstur dan penggolongan tekstur.Hal ini disebabkan karena wavelet mempunyai kemampuan untuk membawa keluar ciri-ciri (feature) khusus pada suatu gambar yang diteliti[5]. Proses transformasi wavelet secara konsep memang sederhana. Citra semula yang ditransformasi dibagi (didekomposisi) menjadi empat sub-image baru untuk menggantikan citra asli. Setiap sub-image berukuran 1/4 kali dari citra asli, 3 sub-image pada posisi atas kanan, bawah kiri, dan bawah kanan akan tampak seperti versi kasar dari citra asli, karena berisi komponen frekuensi tinggi dari citra asli[6].Sedangkan untuk sub-image p ada kiri atas tampak seperti citra asli dan tampak lebih halus, karena berisi komponen frekuensi rendah dari citra asli Salah satu transformasi wavelet yang paling sering digunakan adalah Haar Wavelet. Haar merupakan wavelet yang paling tua dan paling sederhana, diperkenalkan oleh Alfred Haar pada tahun 1909. Haar telah menjadi sumber ide bagi munculnya keluarga wavelet lainnya, seperti Daubechies dan lain sebagainya. Untuk mengekstraksi ciri tekstur, dilakukan proses averaging untuk mendapatkan bagian dengan frekuensi rendah dan dilakukan proses differencing untuk mendapatkan bagian dengan frekuensi tinggi. Berikut rumus untuk mencari nilai averaging dan differencing [7]. 2.3 Algoritma Discrete Wavelet Transform (DWT) DWT diaplikasikan ke dalam data distrik untuk menghasilkan keluaran diskrit yang selanjutnya mentransformasikan isyarat dari domain waktu (domain asli dari i (...truncated)