Ekstraksi Fitur Berbasis 2d-Discrete Cosine Transform dan Principal Component Analysis untuk Pengenalan Citra Wajah

Arif Muntasa, Mochamad Kautshar Sophan

Abstract

Penelitian tentang pengenalan wajah telah mendapat perhatian banyak para peneliti, ekstraksi fitur
menggunakan basis sinyal telah banyak dilakukan, begitu pula dengan ekstraksi fitur yang berbasis statistik
juga telah banyak dilakukan. Pada penelitian ini penulis mengusulkan pendekatan ekstraksi fitur dengan
menggabungkan metode yang berbasis sinyal dan berbasis statistik, untuk sinyal penulis menggunakan Two
Dimensional-Discrete Cosine Transform (DCT-2D) dan untuk basis statistiknya penulis menggunakan
Principal Component Analysis. Untuk Data pelatihan diekstraksi menggunakan DCT 2D, hasil ekstraksi
kemudian disusun menjadi matrik satu baris dan dinormalisasi. Hasil ekstraksi fitur selanjutnya direduksi
dimensinya menggunakan Principal Component Analisys (PCA). Untuk mengukur kemiripan hasil reduksi
dimensi, digunakan Euclidian Distance dan sudut antara dua vektor. Eksperimen pada citra wajah basisdata
YALE, menghasilkan rata-rata akurasi pengenalan untuk 6 sampel masing-masing adalah 95.153%
menggunakan Euclidian Distance dan 95.03% menggunakan sudut antara dua vektor. Sedangkan untuk 7
sampel data pelatihan akurasinya adalah 95.57% menggunakan euclidian distance dan 95.62% menggunakan
sudut antara dua vektor. Usulan metode yang penulis usulkan juga dibandingkan dengan metode lain, yaitu
Markov Random Field (MRF) dan Segmentasi 2D-DCT. Hasil perbandingan menunjukkan, untuk 6 dan 7
sampel, metode yang penulis usulkan lebih rendah akurasinya dibandingkan metode MRF. Dibandingkan
dengan metode Segmentasi 2D-DCT, untuk 6 sampel data pelatihan metode yang penulis usulkan lebih tinggi
akurasinya, sedangkan untuk 7 sampel data pelatihan metode Segmentasi 2D-DCT lebih tinggi akurasinya.
Kata Kunci : 2D-Discrete Cosine Transform, Principal Component Analysis, Euclidian Distance.

Full Text:

PDF