UAS Teknik Komputas Komputasii (Pengenalan Citra Wajah Dengan Metode PCA)
Dosen : Dr. Ir. Nazori AZ, M.T.
Nama
:
Aris Haryanto
NIM
:
1511600783
Kel.
:
XM
MAGISTER ILMU KOMPUTER UNIVERSITAS BUDI LUHUR MAGISTER ILMU KOMPUTER 2015 UNIVERSITAS BUDI LUHUR 2015/2016
UAS – Teknik Komputasi (PCA)
Soal Buat Model lengkap dengan programmingnya pengenalan wajah manusia dengan metode PCA. Citra wajah berukuran n x n sebanyak 15 wajah manusia.
Aris Haryanto - 1511600783
1
UAS – Teknik Komputasi (PCA)
Abstrak
Kemampuan manusia dalam mengenali wajah merupakan kemampuan yang luar biasa. Dengan kemampuan ini, manusia mampu mengenali sampai ribuan wajah dan masih bisa mengingat dan mengenalinya walaupun setelah bertahun-tahun kemudian. Kemampuan dalam mengenali wajah yang diimplementasikan pada suatu alat atau sistem akan memberikan banyak manfaat pada kehidupan saat ini. Berbagai aplikasi dari alat dengan kemampuan seperti ini terbentang luas dari pencarian penjahat, kriminalitas, sistem akses keruangan, sampai interaksi manusiadengan komputer. Dalam UAS matakuliah Teknik Komputasi ini akan dibuat model perancangan sistem pengenalan identitas manusia dengan identifikasi wajah manusia sebagai media pengenalnya atau yang lebih dikenal sebagai face recognition. Face recognition sendiri merupakan suatu cabang ilmu biometric, yaitu suatu bidang keilmuan yang menggunakan karakteristik fisik dari seseorang untuk menentukan atau mengungkapkan identitasnya. Metode pengenalan yang dipakai adalah metode eigenface. Eigenface menggunakan metode Principal Component Analysis (PCA) yaitu suatu metode matematika untuk merepresentasikan sebuah objek, mengekstraksi ciri-ciri sebuah objek dan mereduksi sebuah objek dengan cara mentransformasikannya menggunakan
eigenvalue dan
eigenvector secara linier. Implementasi ini dibuat dengan menggunakan Matlab R2015a.
Kata Kunci : Eigen Face, Principal Component Analysis (PCA), Pengenalan Wajah (Face Recognition)
Aris Haryanto - 1511600783
2
UAS – Teknik Komputasi (PCA)
1.
Pendahuluan 1.1 Latar Belakang Teknologi informasi yang kian berkembang dewasa ini telah banyak menghasilkan berbagai aplikasi yang menggunakan citra wajah sebagai sumber informasi. Hal ini dikarenakan secara umum sebuah citra wajah dapat memberikan informasi khusus yang berkaitan dengan identifikasi personal berbasis pengenalan wajah yang dapat dimanfaatkan dalam suatu sistem pengamanan elektronik. Keuntungan yang dimiliki dari sistem pengamanan berbasis pengenalan wajah adalah kemampuan pengamanannya yang relatif sulit untuk ditembus. Pengenalan wajah merupakan salah satu pendekatan pengenalan pola untuk keperluan identifikasi personal selain pendekatan biometrik lainnya seperti pengenalan sidik jari, tanda tangan, retina mata dan sebagainya. Pengenalan citra wajah berhubungan dengan obyek yang tidak pernah sama, karena adanya bagianbagian yang dapat berubah. Perubahan ini dapat disebabkan oleh ekspresi wajah, intensitas cahaya dan sudut pengambilan gambar, atau perubahan asesoris pada wajah. Dalam kaitan ini, obyek yang sama dengan beberapa perbedaan tersebut harus dikenali sebagai satu obyek yang sama. Pengenalan wajah manusia mendapat banyak perhatian dalam beberapa tahun terakhir, hal ini karena banyak aplikasi yang menerapkannya antara lain dalam pengamanan gedung, alat identifikasi, ATM, Tele-Conference, dan alat bantu dalam pelacakan pelaku kriminal. Terdapat banyak metode untuk membuat sebuah program aplikasi pengenalan citra wajah, salah satu diantaranya yang cukup dikenal dan banyak d igunakan secara luas adalah metode eigen face. Metode eigen face dapat menghasilkan total-scatter vektor-vektor ciri yang maksimal. Metode eigen face ini menggunakan Principal Component Analysis (PCA) karena PCA mampu melakukan transformasi terhadap vektor citra dari ruang citra berdimensi n ke ruang ciri dimensi m. Penggunaan metode eigen face dikarenakan metode ini tidak tergantung pada objek dengan informasi tiga dimensi atau informasi yang detil .
Aris Haryanto - 1511600783
3
UAS – Teknik Komputasi (PCA)
2. Landasan Teori 2.1
Principal Component Analysis (PCA) Principal Component Analysis (PCA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemrosesan citra. PCA adalah suatu ekstraksi fitur dan teknik reduksi dimensi yang optimal jika dipandang dari sudut pandang teori informasi. Ide dasarnya adalah menentukan komponen utama dari serangkaian citra yang mengumpul membentuk suatu arah menurut varian maksimumnya. Maka dimensidimensi yang berkontribusi tersebutlah yang dipertahankan dan sisanya disingkirkan untuk tahap pemrosesan berikutnya. Sebuah citra wajah, yang merupakan sebuah gambar, dapat dilihat sebagai sebuah vektor. Jika panjang dan lebar dari gambar tersebut adalah w dan h pixel maka jumlah komponen dari vektor ini adalah w * h. Setiap pixel dikodekan oleh satu komponen vektor
Vektor wajah yang disebut di atas berada dalam suatu ruang, yaitu ruang wajah yang merupakan ruang dari semua gambar yang memiliki dimensi w * h pixel. Setiap wajah terlihat mirip satu dengan yang lain. Semua memiliki dua mata, satu hidung, satu mulut dan lain-lain, yang berada pada tempat yang sama, sehingga semua vektor wajah terletak pada kumpulan yang sempit pada ruang gambar. Oleh karena itu, keseluruhan ruang gambar bukanlah ruang yang optimal untuk menggambarkan wajah. Tugas yang disampaikan disini bertujuan untuk membentuk sebuah ruang wajah yang dapat menggambarkan wajah dengan lebih baik. Vektor basis dari ruang wajah ini disebut principal components. Dimensi dari ruang gambar adalah w * h, dimana semua pixel dari sebuah wajah tidak berhubungan, dan setiap pixel bergantung pada pixel lain didekatnya. Jadi, dimensi dari ruang wajah lebih kecil daripada dimensi ruang gambar. Dimensi dari ruang wajah tidak dapat ditentukan, tetapi yang dapat dipastikan adalah dimensinya jauh lebih kecil daripada dimensi ruang gambar Principal Components Analysis (PCA) digunakan untuk mereduksi dimensi dari sekumpulan atau ruang gambar sehingga basis atau sistem koordinat yang baru dapat menggambarkan model yang khas dari kumpulan tersebut dengan lebih baik. Dalam hal ini model yang diinginkan merupakan sekumpulan wajah-wajah yang dilatihkan (training faces). Basis yang baru tersebut akan dibentuk melalui kombinasi linear. Komponen dari basis ruang wajah ini tidak akan saling berkorelasi dan akan memaksimalkan perbedaan yang ada di dalam variabel aslinya. Aris Haryanto - 1511600783
4
UAS – Teknik Komputasi (PCA)
Sasaran dari Principal Components Analysis adalah untuk menangkap variasi total di dalam kumpulan wajah yang dilatihkan, dan untuk menjelaskan variasi ini dengan variabel yang sedikit. Suatu observasi yang dijabarkan dengan variable yang sedikit akan lebih mudah untuk ditangani dan dimengerti daripada jika dijabarkan dengan variabel yang banyak. Hal ini tidak hanya berarti mengurangi kompleksitas dan waktu komputasi tetapi juga mengatur skala setiap variabel sesuai dengan kedudukan dan kepentingan relatifnya di dalam menjabarkan observasi tersebut. Sebelum PCA dapat dilakukan, maka dilakukan lexicographical ordering untuk setiap wajah yang akan dilatihkan dimana baris yang satu diletakkan disamping baris yang lain untuk membentuk vektor wajah yang merupakan vektor kolom. Vektorvektor wajah tersebut disusun sedemikian rupa sehingga membentuk suatu matriks X dengan orde n x m, dimana n adalah jumlah pixel (w * h) dan m adalah banyaknya gambar wajah. Matriks inilah yang akan digunakan sebagai input bagi PCA.
Algoritma PCA adalah sebagai berikut : 1 Normalisasi. Xk = Xk / Length(Xk) Dimana Xk adalah vektor kolom ke- k dari matriks X. 2 Bangun matriks kovarian. W = XT * X 3 Hitung nilai eigen ( E) dan vektor eigen ( Q ) dari matriks kovarian W. 4 Urutkan nilai eigen ( E) dan vektor eigen ( Q ) dari besar ke kecil berdasarkan urutan nilai eigen. 5 Hitung principal component . P = X * Q * E-1/2 6 Transformasikan gambar ke ruang wajah. Y = PT * Xk Hasil transformasi ini merupakan gambar wajah yang telah direduksi menjadi beberapa variabel yang diperlukan saja yang akan diinputkan ke jaringan saraf tiruan
2.1 Eigen Face Eigen face adalah salah satu algoritma pengenalan wajah yang berdasarkan pada Principle Component Analysis (PCA) yang dikembangkan di MIT. Algoritma Eigenface secara keseluruhan cukup sederhana. Training Image direpresentasikan dalam sebuah vektor flat (gabungan vektor) dan digabung bersama-sama menjadi sebuah matriks tunggal. Eigen Vector kemudian diekstraksi dan disimpan dalam file temporary atau database. Training image kemudian kemudian diproyeksikan dalam feature space, dinamai face space yang ditentukan oleh eigen vektor. Pemrosesan awal pada citra dua dimensi yang dipakai perlu dilakukan. Tujuan pemrosesan awal adalah untuk mempercepat kinerja dan memperkecil ukuranmemori yang digunakan dalam pengenalan objek tiga dimensi. Pemrosesan awal dilakukan dengan mengekstrak ciri dari citra berdimensi N menjadi citra berdimensi M dimana M < N. Citra dua dimensi dari objek tiga dimensi dengan berbagai sudut pandang yang akan dikenali dikumpulkan untuk mewakili objek tersebut sebagai citra acuan. Ekstraksi ciri dilakukan pada kumpulan tersebut untuk mendapat informasi ciri objek. Hasil ekstraksi ciri kemudian digunakan untuk proses pengenalan objek tiga dimensi.
Aris Haryanto - 1511600783
5
UAS – Teknik Komputasi (PCA)
Pengertian nilai eigen dan eigen vektor dapat lebih dipahami jika ditinjau dalam bentuk persoalan fisik. Andaikan terdapat selembar membran elastik dua dimensi yang dapat dinyatakan dalam koordinat x dan y, membran tersebut mendapat perlakuan fisik yakni dapat ditekan, ditarik maupun dirotasi terhadap titik asal. Seandainya membran tersebut mendapat perlakuan di atas maka setelah deformasi titik mula-mula pada bidang membran (x,y) be rubah posisi menjadi (X,Y) dan dapat dikatakan terdapat sebuah matriks M yang menggambarkan bentuk deformasi tersebut. Perubahan vektor posisi dapat dinyatakan sebagai R=µr dengan µ=konstana dimana vektor R sebagai eigen vektor dan µ disebut sebagai nilai eigen dari matrik transformasi M . Untuk mengilustrasikan penentuan nilai eigen, tinjau sebuah bentuk transformasi linier dalam dua dimensi:
Dari syarat eigen vektor R= µr bentuk di atas dapat dituliskan sebagai :
Atau dapat juga ditulis sebagai :
Jika permasalahan tersebut dipecahkan sebagai bentuk persamaan homogeneous dengan determinan, didapatkan x=0 dan y=0. Kecuali jika determinan dari koefisien sama dengan 0, maka nilai eigen yang didapat adalah µ=1 atau µ=6 dan eigen vektornya 2x-y=0 dan x+2y=0, seperti yang dapat dilihat pada Gambar dibawah ini :
Interpretasi
dari
bentuk
tersebut
adalah
nilai
eigen
dari
matriks
transformasimemberikan informasi seberapa besar deformasi bidang diberikan, Aris Haryanto - 1511600783
6
UAS – Teknik Komputasi (PCA)
sedangkan eigenvektor dari matriks transformasi memberikan informasi arah perubahan deformasi bidang tersebut
2.2
Pengenalan Wajah (Face Recognition) Face recognition adalah teknologi dari komputer yang memungkinkan kita untukmengidentifikasi atau memverifikasi wajah seseorang melalui sebuah gambar digital. Caranya ialahdengan mencocokkan tekstur lekuk wajah kita dengan data wajah yang tersimpan di database. Misalnya mencocokkan lekuk hidung, mata, dagu dan sebagainya. Face perception dan face recognition adalahproses ‘mengenali wajah’ dimana otak dan pikiran berusaha menginterpretasi (memahami dan menafsirkan) wajah yang ada di hadapannya, terutama wajah manusia. Proporsi dan ekspresi wajah manusia dinilai penting untuk identifikasi awal mengenai kecenderungan emosional, kualitas kesehatan, ataupun beberapa informasi sosial. Namun walaupun belum ada bukti nyata mengenai keterampilan ‘pengenalan wajah’ ini, kita bisa melihat adanya kecenderungan bawaan lahir dari bayi untuk memperhatikan wajah orangorang penting disekitarnya. Awal pengalaman bayi terkait dengan perkembangan persepsi visual dan komunikasi pra-verbal, yang hingga saat ini baru terbuktikan dengan adanya aktivitas otak di area tertentu. Aktivitas ini semakin kompleks seiring dengan pertambahan usia si bayi. Berikutnya, bayi yang berkembang menjadi manusia dewasa ini menjadi terbiasa dengan ( menilai) wajah dalam interaksi sosial, meski persepsi kompleks terhadap ekspresi wajah yang melibatkan beberapa area di otak sekaligus ini seringkali tidak tepat, karena hanya menilai berdasarkan pola wajah umum yang biasa dihadapinya. Selain masalah generalisasi persepsi tersebut, adakalanya otak pun mengalami gangguan tertentu dalam memahami bahasa wajah (orprosopagnosia). Algoritma yang digunakan untuk melakukan tracking posisi wajah adalah algoritma CamShift yang menggunakan faktor warna sebagai dasar pelacakannya. Setelah objek wajah dapat ditrack dan dideteksi dengan jelas, baru kemudian dilakukan proses pengenalan wajah dengan menggunakan algoritma Embedded Hidden Markov Models [1]
Aris Haryanto - 1511600783
7
UAS – Teknik Komputasi (PCA)
3. Pembahasan 3.1 Principal Component Analysis (PCA)
Gambar. Algoritma PCA Dari gambar diatas dapat dijelaskan algrotima dari PCA 1. Tahap pertama adalah mengambil citra yang akan dianalisis. 2. Langkah berikutnya adalah menentukan nilai mean beserta eigen value berdasarkan citra yang diinput. 3. Selanjutnya adalah mengambil sebuah citra dari database yang akan dicocokan dengan citra yang telah diinput. 4. Setelah dicocokan, berikutnya adalah mencari nilai mean dan dan eigen value dari image yang telah diambil dari database. 5. Langkah selanjutnya adalah mengulangi dari langkah nomor 3 samapi semua citra dalam database telah ditentukan nilai eigen value nya 6. Berikutnya adalah mengurangi nilai eigen value citra yang di input dengan eigen value citra dari database yang sudah diperoleh.
Aris Haryanto - 1511600783
8
UAS – Teknik Komputasi (PCA)
7. Langkah selanjutnya adalah mengurutkan secara ascending nilai-nilai eigen value yang sudah diperoleh pada langkah nomor 6. 8. Langkah terakhir adalah menampilkan citra yang mempunyai nilai eigen yang paling terdekat.
3.2 Alur Program
Gambar : Alur Program Dari Gambar diatas dapat dijelaskan sebagai berikut : 1. Langkah pertama adalah membuka folder image training (folder image source atau folder image database) 2. Langkah berikutnya adalah membuka folder image testing (folder image testing) 3. Berikutnya adalah menentukan file image testing yang akan diproses (folder image source) 4. Setelah dipilih salah satu image yang ada dalam folder image testing, selanjutnya adalah dilakukan proses PCA 5. Langkah terakhir adalah menampilkan image yang mendekati kemiripan antara image training dan image testing (berdasarkan eigen value yang paling terdekat) Aris Haryanto - 1511600783
9
UAS – Teknik Komputasi (PCA)
3.3 Implementasi Program Aplikasi Implementasi dan uji coba aplikasi dilakukan untuk mengetahui sejauh mana sistem aplikasi tersebut mampu melakukan pengenalan citra wajah dengan metode eigen face 15 citra wajah dengan ukuran (n x n), yaitu 180 x 180px adalah sebagai berikut:
1.jpg
2.jpg
3.jpg
4.jpg
5.jpg
6.jpg
7.jpg
8.jpg
9.jpg
10.jpg
11.jpg
12.jpg
13.jpg
14.jpg
15.jpg
Sumber Citra : http://cswww.essex.ac.uk/mv/allfaces/faces94.html Salah satu dari gambar di atas, akan dijadikan sebagai tester terhadap gambar tester, serta gambar pada database berikut:
Aris Haryanto - 1511600783
10
UAS – Teknik Komputasi (PCA)
1.jpg
2.jpg
3.jpg
4.jpg
5.jpg
6.jpg
7.jpg
8.jpg
9.jpg
10.jpg
Sumber Citra : http://cswww.essex.ac.uk/mv/allfaces/faces94.html Apabila script MatLab dijalankan, tampilannya adalah sebagai berikut:
Setelah proses pemilihan gambar selesai, di sinilah algoritma PCA dijalankan, dengan membandingkan gambar yang di pilih dengan gambar yang ada di
Aris Haryanto - 1511600783
11
UAS – Teknik Komputasi (PCA)
dalam folder database gambar. Jika gambar berhasil ditemukan, maka akan tampil gambar yang di test dan gambar yang mirip
Hasil Pengujian akan dilakukan 10 kali pengujian dengan pencocokan citra wajah tester dengan citra wajah yang tersimpan pada database dan tester lainnya.
No.
Citra Tester
Citra Hasil
Berhasil
1.
1.jpg
Aris Haryanto - 1511600783
Keterangan
10.jpg
12
UAS – Teknik Komputasi (PCA)
No.
Citra Tester
Citra Hasil
Berhasil
2.
2.jpg
2.jpg
Berhasil
3.
3.jpg
12.jpg
Berhasil
4.
4.jpg
7.jpg
Berhasil
5.
5.jpg
13.jpg
Berhasil
6.
6.jpg
9.jpg
Berhasil
7.
7.jpg
Aris Haryanto - 1511600783
Keterangan
5.jpg
13
UAS – Teknik Komputasi (PCA)
No.
Citra Tester
Citra Hasil
Gagal
8.
8.jpg
13.jpg
Berhasil
9.
9.jpg
6.jpg
Berhasil
10.
10.jpg
Aris Haryanto - 1511600783
Keterangan
3.jpg
14
UAS – Teknik Komputasi (PCA)
4. Kesimpulan dan Saran 4.1 Kesimpulan Kesimpulan dari penulisan tentang aplikasi pengenalan citra wajah dengan metode eigen face yang dibuat ini adalah sebagai berikut : a.
Aplikasi pengenalan citra wajah yang dibuat dapat mencari persamaan citra wajah yang paling mendekati kemiripanya
b.
Aplikasi pengenalan citra wajah dapat mengenali ekspresi wajah walaupun berbeda
c.
Proses pengolahan citra wajah digital dengan metode eigenface mempunyai tingkat keakuratan yang lebih tinggi dalam mencari persamaan antara citra wajah testing yang diinput dengan sekumpulan citra wajah training (database)
d.
Berdasarkan pengujian yang telah dilakukan diatas sebanyak 10 pengujian, diperoleh hasil 9 pengujian berhasil, dan 1 pengujian yang gagal. Kegagalan itu disebabkan oleh gambar yang diuji memiliki perbedaan yang melewati ambang batas dibandingkan dengan gambar pada database, antara lain posisi kepala, dan raut muka. Adapun persentase akurasi prototipe yang dibangun dapat dirumuskan dengan rumus berikut: % Akurasi =
Pengujian Berhasil x 100% Total Pengujian = 9 x 100% 10 = 90% Dari hasil pengujian, dapat disimpulkan, bahwa prototipe yang dibangun dapat mengenali wajah manusia dengan baik, yaitu dengan akurasi sebesar 90%.
4.2 Saran Dari aplikasi yang dibuat ini, mungkin masih terdapat banyak kekurangankekurangan, diantaranya adalah citra training database masih berbentuk physical file belum tersimpan dalam database dan citra wajah testing masih diinput dari physical file. Oleh karena itu, diharapkan untuk pengembangan aplikasi kedepannya citra testing dapat diambil secara langsung secara online (misalnya melalui webcam) dan database training dapat tersimpan dalam database, sehingga kemungkinan file citra wajah hilang semakin kecil
Aris Haryanto - 1511600783
15
UAS – Teknik Komputasi (PCA)
Script Program MATLAB Lengkap Create_FaceDb_List.m %Fungsi membuat Path Database Citra function T_List = Create_FaceDb_List(FaceDb_Path) TrainFiles = dir(FaceDb_Path); Train_Num = 0; for i = 1:size(TrainFiles,1) if not(strcmp(TrainFiles(i).name,'.')|strcmp(TrainFiles(i).name,'..')|strcm p(TrainFiles(i).name,'Thumbs.db')) Train_Num = Train_Num + 1; % Jumlah Total Daftar Citra untuk pencarian end end T_List = []; for i = 1 : Train_Num str = strcat(FaceDb_Path, '\',int2str(i),'.jpg'); img = imread(str); img = rgb2gray(img); [irow icol] = size(img); temp = reshape(img',irow*icol,1); T_List = [T_List temp]; end return
EigenfaceCore.m %Fungsi Eigenfaces function [rata2, Fi, Eigenfaces] = EigenfaceCore(T_List) rata2 = mean(T_List,2); Train_Num = size(T_List,2); Fi = []; for i = 1 : Train_Num temp = double(T_List(:,i)) - rata2; Fi = [Fi temp]; end L = Fi'*Fi; [V D] = eig(L); L_eig_vec = []; for i = 1 : size(V,2) if(D(i,i)>1) L_eig_vec = [L_eig_vec V(:,i)]; end end Eigenfaces = Fi * L_eig_vec; Return
Aris Haryanto - 1511600783
16
UAS – Teknik Komputasi (PCA)
Recognition.m %Fungsi Hasil Recognition function Hasil = Recognition(TestImage, m, A, Eigenfaces) ProjectedImages = []; Train_Number = size(Eigenfaces,2); for i = 1 : Train_Number temp = Eigenfaces'*A(:,i); ProjectedImages = [ProjectedImages temp]; end InputImage = imread(TestImage); temp = InputImage(:,:,1); [irow icol] = size(temp); InImage = reshape(temp',irow*icol,1); Difference = double(InImage)-m; ProjectedTestImage = Eigenfaces'*Difference; Euc_dist = []; for i = 1 : Train_Number q = ProjectedImages(:,i); temp = ( norm( ProjectedTestImage - q ) )^2; Euc_dist = [Euc_dist temp]; end [Euc_dist_min , Recognized_index] = min(Euc_dist); Hasil = strcat(int2str(Recognized_index),'.jpg'); Return
UAS_Face_Recog_PCA.m %UAS Teknik Komputasi: Pengenalan Citra Wajah dengan Metode PCA %Dosen: Dr. Ir. Nazori AZ, M.T. %NIM : 1511600783 %Nama : Aris Haryanto %Kelas: XM clc clear all close all %folder sumber gambar uji %Path lokasi folder dapat disesuaikan dengan komputer Anda face_db_uji = 'E:\Pengenalan Citra Wajah (PCA)\Face_DB\Citra Pengujian'; %folder daftar citra wajah %Path lokasi folder dapat disesuaikan dengan komputer Anda face_db_daftar = 'E:\Pengenalan Citra Wajah (PCA)\Face_DB\Citra Daftar'; %menampilkan semua sumber gambar uji figure1 = figure('NumberTitle','off','Name','== Sumber Citra Uji =='); for i = 1:10 subplot(2,5,i);imshow(strcat(face_db_uji,'\',num2str(i),'.jpg')); title(strcat('Photo', num2str(i))); end
Aris Haryanto - 1511600783
17
UAS – Teknik Komputasi (PCA)
%memilih gambar yang akan diuji prompt = {'Pilih Citra yang akan Uji (1-10):'}; dlg_title = 'Sistem Pengenalan Citra Wajah'; TestImage = inputdlg(prompt,dlg_title,1); No_Img = str2double(TestImage); TestImage = strcat(face_db_uji,'\',char(TestImage),'.jpg');
if No_Img>= 1 && No_Img<=10 %gambar dipilih (1-10) %gambar yang di pilih untuk diuji im = imread(TestImage); T_List = Create_FaceDb_List(face_db_daftar); [rata2, Fi, Eigenfaces] = EigenfaceCore(T_List); Hasil = Recognition(TestImage, rata2, Fi, Eigenfaces); Citra_Serupa = strcat(face_db_daftar,'\',Hasil); Citra_Serupa = imread(Citra_Serupa); str = strcat('Sumber Citr Uji: ',num2str(No_Img),'.jpg'); disp(str); str = strcat('Daftar Citra Serupa: ',Hasil); disp(str); %menampilkan semua Citra Daftar figure2 = figure('NumberTitle','off','Name','== Daftar Semua Citra =='); for i = 1:15 subplot(3,5,i);imshow(strcat(face_db_daftar,'\',num2str(i),'.jpg')); title(strcat('Photo', num2str(i))); end figure3 = figure('NumberTitle','off','Name','== Citra Hasil Pengujian =='); subplot(1,2,1);imshow(im); title(strcat('CITRA SUMBER UJI','(',num2str(No_Img),'.jpg)')); subplot(1,2,2);imshow(Citra_Serupa); title(strcat('CITRA YANG SERUPA','(',Hasil,')')); else %jika pilihan bukan (1-10) msgbox('Maaf...Citra tidak tersedia','Perhatian'); close; end
Aris Haryanto - 1511600783
18