PERANCANGAN PROGRAM APLIKASI PENGENALAN W AJAH …digilib.batan.go.id/e-prosiding/File Prosiding/Informatika/lkstn/LKSTN Ke 14/wikaria.pdf · Sekarang ini banyak perusahaan dinas

PERANCANGAN PROGRAM APLIKASI PENGENALAN W AJAHBERBASISKAN JARINGAN SY ARAF TIRUAN DENGAN

MENERAPKAN METODE PRINCIPAL COMPONENT ANALYSIS

Wikaria Gazali clan Lily.

ABSTRAK

PERANCANGAN PROGRAM APLIKASI PENGENALAN W AJAH BERBASISKANJARINGAN SYARAF TIRUAN DENGAN MENERAPKAN METODE PRINCIPALCOMPONENT ANALYSIS. Informasi mengenai seseorang saat ini sangat penting dan sulit didapat jikadata orang sangat banyak. Salah sam teknik unmk mendapatkan informasi mengenai seseorang adalahdaTi rota wajah orang, di mana daTi rota tersebut akan didapat identitas orang yang bersangkutan, yangkemudian akan didapat informasi orang tersebut pula. Banyak orang telah mencoba dan berhasilmembangun program aplikasi pengenalan wajah dengan berbagai macam metode yang masing-masingmemiliki kelebihan dan kekurangannya. Ada metode yang cepat dalam mengenali citra wajah, tetapimengorbankan keakuratan pengenalan, begim pula sebaliknya. Tujuan penelitian ini adalah untukmerancang dan membangun sebuah program aplikasi pengenalan wajah bagi komputer denganmemanfaatkan metode Principal Component Analysis yang berbasiskan Jaringan Syaraf Timan. Dalampenelitian ini, penulis membuat program pengenalan wajah mulai daTi obyek berupa citra wajah, deteksisisi, hingga mendapatkan karakteristik citra tersebut sampai pada proses pengenalannya dengan JaringanSyaraf Timan. Penulis membangun dan menguji program tersebut di laboratorium. Setelah dilakukanpengujian, diperoleh basil analisa bahwa program dapat mengenal sebagian besar citra wajah yang diuji.Beberapa kesalahan pengenalan terjadi karena program kesulitan dalam membedakan bentuk wajah yangbanyak kesamaannya.

Kata kunci : Pengenalan wajah, Principal Component Analysis, Jaringan SyarafTiruan

ABSTRAK

Information concerning someone at present is very important and difficult to get if there are a lotof data of people. One of techniques to get information concerning someone is from his or her photo,where from the photo of the face will be got someone's identity, which later will give the informationabout him or her. Many people have tried and succeeded to build a face recognition application programby various methods where each method has its superiority and deficiency. There is a fast method inrecognition face image but sacrificing its accuracy of recognition, so is the contrary. The purpose of thisresearch is to design and build a face recognition application program for computer by utilizing principalcomponent analysis which has artificail neural network bases. In this research, the writers made a facerecognition program from object of the form face image, side detection until we got the imagecharacteristics and came up with its recognition process with artificial neural network. The writers builtand tested the program in a laboratory. After a testing was conducted, we obtain the result of analysis that

.Universitas Bina Nusantara

87

Risalah Lokakarya Komputasi dalam Sains daD Teknologi Nuklir XIV, Juli 2003 (87-170)

the program could recognize most faces tested. Several failures occurred because the program has adifficulty in recognizing similar faces.

Keywords: Face recognition, Principal Component Analysis, Artificial Neural Network.

PENDAHULUAN

Latar Belakang

Sekarang ini banyak perusahaan dinas kependudukan maupun pihak kepolisianmencari informasi mengenai seseorang secara manual. Informasi tersebut akan sulitdidapat jika data sangat banyak. Salah satu teknik untuk mendapatkan informasimengenai seseorang adalah dari foto wajah, di mana dari foto tersebut akan didapatidentitas orang yang bersangkutan. Hal ini mendorong penulis untuk membuat sebuahprogram aplikasi pengenalan wajah menggunakan komputer karena pencarianinformasi dengan komputer lebih cepat dibandingkan secara manual.

Untuk membuat program aplikasi pengenalan wajah menngunakan komputerterdapat banyak metode, tetapi dalam penelitian ini penulis hanya menggunakanmetode Principal Component Analysis (PCA) yang berbasiskan Jaringan SyarafTiruan (JST). PCA digunakan karena mampu mereduksi dimensi daTi suatu obyek,sehingga ukuran dari obyek akan lebih ringkas clan mampu mengambil karakteristikyang penting dari obyek yang diolah. Jika dimensi daTi obyek lebih kecil claninformasi yang terkandung lebih padat, maka obyek tersebut akan lebih spesifikdibandingkan obyek yang belum diolah sebelumnya. Hal ini tentunya akanmempermudah dalam pemrosesan obyek lebih lanjut. JST digunakan karenamempunyai kemampuan untuk belajar dari pengalaman, berupa data-data contoh yangdiberikan padanya.

Suatu obyek akan dapat dikenali oleh komputer melalui parameter-parameter(ciri-ciri) yang dihasilkan daTi perhitungan Principal Component terhadap obyektersebut. Teknik ini melibatkan pemakai untuk memasukkan citra dalam formatbitmap (File dengan ekstensi .BMP) tingkat keabuan. Citra tersebut kemudiandiproses menggunakan metode Principal Component Analysis untuk mendapatkankarakteristiknya dalam bentuk parameter. Parameter ini lalu disimpan di file untukpengenalan citra tersebut.

Sebagai implementasi dari metode ini, penulis membuat sebuah programaplikasi untuk mendapatkan parameter obyek dengan menggunakan metode PrincipalComponent Analysis clan menyimpan parameter tersebut ke dalamfile. Parameter inikemudian dilatih sehingga pada akhirnya dapat mengenal obyek tersebut. Tetapi jikaobyek tersebut belum pernah disimpan dalam file, maka akan dibandingkan dengan

88

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan SyarafTiruan (Wikaria Gazali, Lily)

data yang ada di file dengan bantuan Jaringan Syaraf Timan untuk mengetahui jenisobyek tersebut. Hal ini dimungkinkan karena tersedianya perangkat keras yangmendukung seperti prosessor dengan kemampuan komputasi yang cepat clan kameradigital kecepatan tinggi.

Ruaug Lingkup

Penelitian ini hanya dibatasi pada pengenalan obyek-obyek dua dimensi padacitra tingkat keabuan (grey-scale image) yang berformat hitmap (berekstensi .BMP).Obyek dua dimensi yang dimaksud di sini hanya dibatasi untuk kurva tertutup bempakontur daTi obyek. Sebagai obyeknya, dipergunakan enam citra wajah manusia,masing-masing dengan sepuluh ekspresi dalam posisi yang berbeda. Pengenalanobyek dilakukan melalui bantuan program perangkat lunak menggunakan dua modulsoftware yang ditinjau daTi sisi fungsinya. Modul pertama adalah modul untukrepresentasi citra dengan metode Principal Component Analysis. Modul ini dibangundengan menerapkan beberapa fungsi matematika sehingga didapat karakteristik daTicitra. Masing-masing karakteristik citra tersebut disimpan ke dalamfile. Representasikarakteristik obyek inilah yang menghasilkan nama obyek tersebut. Modul keduaadalah modul untuk pengklasifikasian citra menggunakan metode Jaringan SyarafTiman dengan teknik Propagasi Balik (Backpropagation Neural Network). Hubunganantara modul pertama dan kedua adalah berumtan artinya keluaran dari modul pertamadigunakan sebagai keluaran oleh modul kedua. Sebagai percobaan, diambil citra wajahmanusia yang lain yang belum pernah disimpan di dalamfile kemudian dibandingkandengan data yang ada difile yaitu untuk mengenal wajah.

TujuaD daD MaDfaat

Tujuan penelitian ini adalah untuk merancang clan membangun sebuah programaplikasi pengenalan wajah menggunakan komputer dengan memanfaatkan metodePrincipal Component Analysis yang berbasiskan Jaringan Syaraf Timan, sehinggadengan memasukkan obyek barn (citra wajah manusia yang belum pemah disimpandalamfile), komputer dapat menentukan wajah siapa yang mendekati wajah tersebut.

Manfaat penelitian ini yaitu:.Bagi pihak yang membutuhkan informasi melalui wajah seseorang.

Contohnya : Perusahaan besar yang ingin mencari informasi karyawannya melaluifoto karyawan yang telah di-scan.

R9

Risalah Lokakarya Komputasi dalam Sains dan Teknologi Nuklir XN, Juli 2003

.

Bagi pihak keamanan yaitu polisi daD security gedung.Pihak ini bisa mencari inforrnasi orang yang melakukan kejahatan ataupelanggaran melalui foto yang telah di-scan.

METODOLOGIPENELInAN

Pengenalan Citra Wajah

Pada penelitian ini, digunakan 60 citra wajah yang terdiri daTi 6 orang. Setiaporang diambil sampel sebanyak 10 citra dengan ekspresi yang berbeda-beda, di mana8 citra digunakan sebagai tahap pelatihan (sample learning) clan 2 citra digunakan

sebagai tahap pengujian (sample detection).Setiap citra menggunakan format bitmap tingkat keabuan 8 bit (256 tingkat

keabu-abuan), karena format ini menyimpan citra piksel per piksel dan tanpa kompresidata sehingga tidak terjadi kehilangan informasi pada citra yang dapat mengurangikeakuratan pengenalan. Citra yang digunakan berukuran 100 x 133 piksel sesuaidengan pertimbangan untuk memperoleh ketelitian dan kecepatan pengenalan yang

optimal.Proses pengambilan citra adalah dengan cara memotret menggunakan kamera

digital. Citra tersebut kemudian diubah ke dalam bentuk grey-scale 8 bit clanberukuran 100 x 133 dengan menggunakan software Adobe Photoshop.

Representasi Citra dengan Principal Component Analysis

Penelitian ini mernanfaatkan masukan PCA sebagai pemrosesan awal untukmenciptakan representasi citra yang akan digunakan sebagai input bagi jaringan syaraftiman. Proses representasi citra dengan PCA terdiri dari beberapa tahap, yaitu tahappendeteksian sisi, tahap pembacaan citra, tahap perhitungan PCA, tahap normalisasidan tahap pemberian identitas. Berikut ini adalah tahapan pembentukan representasicitra dengan teknik PCA yang penulis gunakan dalam penelitian ini:

90

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan SyarafTiruan (Wikaria Gazali, Lily)

Gambar 1. Tahapan Pembentukan Representasi Citra dengan Teknik PCA

Tahap Pendeteksian Sisi

Tahap pertama daTi representasi citra adalah mendeteksi sisi-sisi citra supayalebih jelas dengan menggunakan operator Laplacian. Pendeteksian sisi denganoperator Laplacian ini akan mendapatkan basil yang bagus jika menggunakan citratingkat keabuan.

Nilai piksel citra yang barn akan didapat dengan menggunakan perkalianmatriks 3x3 menurut Laplacian:

--1

-1

-1

-1

8

-1

Hasil yang didapat diletakkan di tengah-tengah matriks tersebut sebagai citra barn.

91

Risalah Lokakarya Kornputasi dalam gains dan Teknologi Nuklir XIV, Juli 2003

CitraMasukan

JendelaKonvolusi

Matriks BobotKonvo/usi

x

Piksel Barn

Piksel Barn: 8 x 4 -Io -11 -12 -13 -Is -~ -17 -Is

Gambar 2. Perhitungan Piksel Barn Menurut Operator Laplacian

Dari perhitungan tersebut, ada kemungkinan yang bemilai negatif. Oleh sebab itu,perlu adanya pemberian threshold (batas ambang) setelah perhitungan matriksLaplacian. Jika intensitas piksel barn bemilai negatif, maka nilai piksel barn dianggap0 (nol atau berwama hitam) sedangkan jika intensitas piksel barn bemilai lebih besardari 16777215, maka nilai piksel barn dianggap 16777215 (berwama putih).

Ifa[m,n] < 0 then a[m,n]:=O;Ifa[m,n] > 16777215 then a[m,n]:= 16777215;

92

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan Syaraf Tiruan (Wikaria Gazali, Lily)

Tahap Pembacaan Citra

Tahap kedua adalah menyimpan nilai-nilai piksel dari citra yang barn (citrayang telah mengalami proses edge detection) ke sebuah vektor yang diberi nama tau.Nilai piksel yang semula terdiri daTi 256 tingkat keabu-abuan (nilai 0 berarti wamaputih sampai nilai 255 berarti hitam) untuk masing-masing wama RGB (Red, Green,Blue) dikonversi menjadi nilai antara 0 sampai 1 dengan cara membagi nilai pikseldengan 16777215 (2553-1 yang berarti nilai piksel adalah dari 0 sampai 16777215).Setelah semua citra mengalami akusisi, akan diperoleh 48 vektor atau 48 tau, yangmana 1 vektor mempunyai ukuran 1 x P (1 x 13300).

Tj=[tt,tZ,t3,...tp]Tj = vektor tau ke-i.

Vektor-vektor yang diperoleh digabung menjadi sebuah matriks berukuran N x P (48x 13300).

1"11

1"21

1"12

1"22

T13

T23

TIP

T2P

T=

TN) TN2 TN3 TNP

T = matriks tOll: 48 x 13300N = jurnlah vektor = jumlah citra = 48P = ukuran citra = 13300 (100 x 133).

Semua vektor yang diperoleh disimpan ke dalam sebuah matriks bemama 'MatrikstOll' dalam file bemama 'Data.pca'.

Tahap Perhitungan PCA

Tahap ketiga adalah menghitung noise (psi) pada vektor tOll, membuat vektorbarn (fi) yang mernpakan vektor tOll yang bebas noise, menghitung nilai pembeda(eigen value) antara vektor satu dengan vektor lain, membuat vektor eigen (Veigen)yang diurutkan (Good V) berdasarkan nilai eigen terbesar dan membentuk principalcomponent (construct) yang telah direduksi ukurannya (extract).

93

Risalah wkakarya Komputasi dalam gains dan Teknologi Nuklir XN. Juli 2003

Noise adalah persamaan tiap vektor tou. Persamaan ini dapat mengganggukeakuratan perhitungan Principal Component. Persamaan tiap vektor adalah rata-ratadari semua vektor tou, yang dapat dihitung menggunakan rumus:

1 N

\jI=-LTiN i=1(1)

\II = vektor psi = noiseN = jumlah vektor = jumlah citra = 48'tj = vektor tau ke-i

sehingga diperoleh sebuah vektor psi berukuran x P (1 x 13300)

\11= [\11\ \112\113.'. \lip]

Semua vektor yang telah diperoleh disimpan ke dalam sebuah matriks bemama'Matriks psi' dalam file bemama 'Data.pca'.

Setelah diperoleh nilai noise (psi) untuk vektor tau, maka disusun vektor baru fiyang merupakan vektor tou yang bebas noise. Rumus yang digunakan adalah sebagaiberikut

<l>i = T i -\jI (2)

cI> = vektor fi = vektor barn yang bebas noiseT = vektor tau = vektor awal'V = vektor psi = vektor rata-rata.

Vektor-vektor yang diperoleh digabung menjadi sebuah matriks berukuran N x P (48x 13300).

<P!!

<P21

tfJ12

tfJ22

lfJ13

lfJ23

,.

tfJIP,.

tfJ2P

A=

...

,fjlNI

...

...tfJNPtPN2 lfJN3

Semua vektor yang telah diperoleh disimpan ke dalam sebuah matriks bemama'Matriks A' dalam file bemama 'Data.pca'.

94

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan Syaraf Timan (Wikaria Gazali, Lily)

Proses berikutnya adalah menghitung nilai eigen. Namun untuk menghitungnilai eigen, terlebih dahulu hams dihitung matriks covariance dengan rumus sebagaiberikut :

C=~AAT (3)1

C = vektor covarianceAT = transpose dan matriks A.

Vektor-vektor yang diperoleh digabung menjadi sebuah matriks berukuran N x N (48x 48).

X12

X22

Xl3

X23

XIN

X2N

XII

X21

c=

XN2 XN3 XNNXNI

Semua vektor yang telah diperoleh disimpan ke dalam sebuah matriks bemama'Matriks covariance' dalam file bemama 'Data.pca'.

Nilai eigen adalah nilai pembeda antara satu vektor dengan vektor lainnya, dapatdicari dengan rumus :

Det CX.I -C) = 0 (4)

x = nilai eigenI = matriks identitas.

Sehingga akan diperoleh nilai-nilai eigen berukuran 1 x 48. Karena dimensimatriks C masih cukup tinggi sehingga untuk menghitung determinan matriks masihcukup susah, maka digunakan bantuan software Matlab untuk menghitungnya dengansintaks X = eig(C).

Semua vektor yang telah diperoleh disimpan ke dalam sebuah matriks bemama'Nilai Eigen' dalam file bemama 'Data.pca'.Nilai eigen ini digunakan untuk menghitung vektor eigen, dengan rumus sebagaiberikut:

(5)-.

(xl-C) x = 0-.x = vektor eigen.

95

Risalah Lokakarya Komputasi dalam Sains daD Teknologi Nuklir XIV, Juli 2003

Sehingga diperoleh vektor eigen berukuran N x N (48 x 48).

VII

V21

V12

V22

Vl3

V23

VIN

V2NVeigen =

VNl VN2 VN3 VNN

Vektor eigen dapat dihitung dengan mudah menggunakan bantuan softwareMatlab, dengan sintaks [V,D] = eig(C).

v = vektor eigenD = matriks diagonal daTi nilai eigen

Semua vektor yang telah diperoleh disimpan ke dalam sebuah matriks bemama'Vektor Eigen' dalam file bemama 'Data.pca'.

Vektor eigen yang diperoleh diurutkan berdasarkan nilai eigen terbesar (secaradescending), kemudian disimpan ke dalam sebuah matriks bemama 'Matriks GoodV'dalam file bemama 'Data.pca'.

Vektor eigen yang didapat harus dibangun kembali supaya dapat mewakilihimpunan citra awal. Pembangunannya adalah dengan mengoperasikan matriksGoodV dengan tou transpose, seperti berikut:

Construct = touT x GoodV(6)

C"

C2,

Ct2

C22

C13

C23

CIN

C2N

Construct =

Cpl Cp2 Cp3 CpN

Hasi1nya ada1ah matriks berukuran 13300 x 48, setiap ko1om mewaki1ikarakteristik citra awa1. Proses construct menghasi1kan suatu matriks yang bi1adikonversi menjadi citra akan menghasi1kan apa yang dinamakan eigen letters atauprincipal component.

96

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan SyarafTiruan (Wikaria Gazali, Lily)

Nilai construct yang diperoleh disimpan ke dalam sebuah matriks bemama'Matriks Construct' dalam file bemama 'Data.pca'.

Principal component yang diperoleh harus diambil intisarinya melalui prosesekstraksi dengan rumus sebagai berikut:

(7)Extract = tou x construct

el2

e22

e13

e23

elN

e2NExtract =

eN2 eN3 eNN

Nilai extract yang diperoleh disimpan ke dalam sebuah matriks bernama 'MatriksExtract' dalam file bernama 'Data. pca ' .

Tahap Normalisasi

Tahap keempat ada1ah mengkonversi ni1ai principal component (extract)menjadi ni1ai bipolar antara -1 sampai dengan 1, ha1 ini di1akukan karena JSTmenggunakan ni1ai input bertipe bipolar. Proses konversi ini dinamakan norma1isasi,yang rumusannya ada1ah sebagai berikut:

2Norma4 = -1 + (8)extractmax -extract

Semua vektor yang telah diperoleh disimpan ke dalam sebuah matriks bernama'Matriks Normalisasi' dalam file bemama 'Data.pca'.

Tahap Pemberian Identitas

Tahap kelima adalah pengambilan sejumlah principal component sebagai inputbagi JST dan pemberian identitas sebagai output yang diharapkan. Pemberian identitasberguna untuk proses pelatihan JST dalam mengklasifikasi data.

Matriks identitas dibangun dengan ukuran N x N. Karena tipe wajah yang diujiadalah 6 orang, maka dibangun matriks identitas berdimensi 6 x 6. Dimensi matriks

97

Risalah Lokakarya Komputasi dalarn Sains clan Teknologi Nuklir XIV, Juli 2003

identitas yang dibangun perlu disesuaikan dengan dimensi matriks norrnalisasi,terutama komponen barisnya. Jika matriks norrnalisasi memiliki 48 komponen baris(satu tipe wajah terdiri dari 8 sampel), maka masing-masing baris pada matriksidentitas harus direplikasi sebanyak 8 baris, sehingga akan terbentuk matriksberukuran 48 x 6.

BASIL PENELITIAN

Proses Training

Untuk proses training, penulis menggunakan Multi-Layer Back PropagationNeural Network Simulator Version 2.10, 01 Nov '90, Copyright 1990 George MasonUniversity (bps.exe).

Proses training berlangsung selama lebih kurang 46 menit dengan tingkat errormencapai 1,500777602 dalam 500000 epoch.

Tabell. Hasil Training Konfigurasi 48: 10:6

Epoch0

204060

100200400600100020004000600010000200004000060000100000200000500000

Eta~~~

~~Qz!!.Qz!!~~~~~

~Qz!!!1;!!

~~~0,11

Error24,0122795119,85187149019,244445724518,19822120717,64664840717,32690620414,27485179911,62468051915,6443319328,2861623764,9719004632,2084493641,9496779441,5932654141,5240139961,5425956251,5286624431,5077941421 ,50077~02

Jaringan dengan basil training ini disimpan dengan nama 'train.net'. Kemudiandilakukan pengujian.

98

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan SyarafTiruan (Wikaria Gazali, Lily)

Pengujian Terhadap Citra yang Telah Di-training

Tabe12. Hasil Pengujian Konfigurasi 48: 10:6 Terhadap Citra yang Telah Di-training

Ci1ra

~~.~ I-0,26548 !I -0,57746 I-0;18058 I

0,13524-0,116070,064200,05362-0,236170,749990,750000,749990,749990,749970,750000,749990,750000:44762 !i

Q,!97Z~ I0,07233 I

0,56047-0,67204-0,56946-0,331330,372240,74738I Q,!~~! :

i~ R

-0,20565-0,64567~0'10988 -0,05709

-0,062460,106720,02210-0,16108-0,077110,09730-0,15052-0,04784-0,484660,082220,064290,193870,749980,749990,749990,749980,749920,749970,749990,74999-0,49286-0,21847-0,47138-0,56020-0,70866-0,09040

i -0,70859

0,01718-0,52220-0,69152-0,35187-0,31090-0,31938-0,16999-0,44007-0,393120,085670,053650,229750,209810,210250,06085-0,57920-0,08672

II

-0,254370,74968I

~,~~~~~-0,30624-0,28724-0,14366 !

-0,32563-0,341750,10405-0,60166I

-0,51273I 0,18333

-0,13283-0,72385-0,13388 '

-0,64539-0,68870-0,68614I

-0,68229I -0,64454

0,746920,64098-0,05095-0,722400,749720,749850,74962I 0;749370,749700,749740,749580,74993-0,74277-0,73384

-0,70987I -0;74033

-0,73950-0,73495-0,20268-0,12275-0,73369-0,73712-0,72870-0,72975-0,72988-0,737950,51367

~73416

svI 0,23949I -0,66138I -0,10209I

-0,23274-0,06716-0,10073-0,04024I -0,02431I -0,16769I -0,32943

I -0,48448I

~,~!~~Q-0,54534-0,46002-0,17439-0,24939I -0,51608I -0,43058I -0,39141

I ~,~~~~~-0,59923 :

I ~,~~~~~-0,21426-0,46273-0,64269I -0,46779I

~'~~~~2

I ~,g~~g~-0,73952 !

-0,29426-0,73811-0,249470,74989I

0,74932I ~,~~gg~

I ~,~~~~~, 0,74995

I ~,~~~~0,749960,74997-0,23232i -0,29277-0,21022-0,24065-0,17080-0,19916-0,64743-O.312~.7

HR-0,027110,172810,10401-0,36814-0,27416~-0,148960,192350,02108-0,73210-0,72677-0,11371-0,53668-0,74861-0,50393-0,73628-0,74252-0,74513-0,74510-0,728570,18426-0,27247-0,54617-0,74800-0,74071~-0,74507-0,74337-0,73529-0,74556-0,73903-0,74183~-0,72820-0,74090-0,74347-0,74338-0,74526-0,68940-0,495570,735290,727120,724010,722440,730420,739050,74980

CA0,74998

0,74980

0,74999

0,74998

0,74998

~0,74999

0,74998

-0,02628

-

Ol.b02.b03.b04.b05.b06.b07.b08.bll.bl2.bl3.b14.bl5.bl6.bl7.bl8.b21.b22.b23.b24.b25.b26.b27.b28.b31.b32.b33.b34.b35.b36.b37.b38.b41.b42.b43.b44.b45.b46.b47.b48.b51.b52.b53.b54.b55.b56.b57.b58.b1lm

99

Risalah Lokakarya Komputasi dalam gains dan Teknologi Nuklir XN, Juli 2003

Tabe13. Hasil Pengenalan Terhadap Citra yang Telah Di-training

Citro Citra yangDimasukkan

Dikenal Sebagai

~

~~~~~~~~~~~~tfi.hn1!J

CACACACACACACA~ARARARARARARAR

CACACACACACA"fACAARARARARARARARARBRBRBRBRBRBRBRBRIIIIIIII

ARII

ARIISVSVSVSV-svwsvSVHRHRHRHRHRHR

--17.brnp

18.brnp ---I -AR

BR

2l..b~

1-- 22.bmpI

n.bmp

BRBRBRBRBRBRBRIIIIIIII

~~~~~~32.bmp

~~~

~~~~~~~~~~~

~~~~~~~

58.bmp

r==

II -IIIII

SVSVsvsvsvsvsv~- SV

HRHRHRHRHRHRHRHR

-HR

~ I

100

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan Syaraf Tiruan (Wikaria Gazali, Lily)

Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah untukcitra yang sudah pernah di-training adalah sebesar 95,83 %. Dan 48 citra yang diuji,ada 2 citra yang salah kenaI.

Pengujian Terhadap Citra yang Belum Di-training

Tabel 4 Hasil Pengujian Konfigurasi 48:10:6 Terhadap Citra Baru yang Belum Di-training

Citrai~9.b 10.b I

19.b20.b

29.bmp~~

-

CA-0,686870,71145-0,47386-0,39941-0,736890,00427-0,73943-0,73966-0,685410,034560,70159-0,69944

AR

0,749880,742170,750000,750000,74961-0,439800,749950,74995-0,327600,636690,694040.27823

BR-0,73289-0,748510,101630,064500,749570,74999-0,71241-0,71326-0,6557g0,349630,72782~,44802

II

0,749630,74923-0,69202-0,70700-0,656010,151050,749660,749680,74988-0,71598-0,07163-0,35051

sv-0,74568-0,74958-0,57858-0,52661-0,74022-0,10641-0,74104-0,741160,734820,74986-0,749580,45506

HR-0,71912-0,44681-0,74916-0,74923-0,53682-0,26385-0,73805-0,73708-0,56973-0,749150,746850.7498~

~

O.b !

49.b50.b!

59.bmp

60.bmD

Tabel5.

Tabel Hasil Pengenalan Terhadap Citra yang Belum Di-training

i-Citra

yan~~ukkan _Dikenal SebagaiCACAARARBRBRIIIISVSVHRHR

ARn

ARARARBRARARnSVHRHR

101

Risalah wkakarya Komputasi dalam Sains dan Teknologi Nuklir XN, Juli 2003

Dari tabel di atas, dapat dilihat bahwa keakuratan dalam pengenalan citra wajah untukcitra yang belum pernah di-training adalah sebesar 50 %. Dari 12 citra yang diuji, ada6 citra yang salah kenaI.Persentase total keakuratan untuk semua citra adalah:

maka akan didapat persentase pengenalan citra sebagai berikut:

% pengenalan citra =~ x 100 % = 86,66 %.60

KESIMPULAN DAN SARAN

Berdasarkan data analisa yang telah diperoleh pada penelitian ini dapatdisimpulkan sebagai berikut :1. Semakin banyak citra yang di-training per orang akan semakin akurat

pengenalannya. Untuk penelitian ini, delapan citra per orang akan lebih akuratpengenalannya daripada enam citra per orang.

2. Semakin sedikit citra yang di-training akan semakin efisien dan sebaliknya,artinya 48 citra yang di-training akan lebih cepat daripada 60 citra yang di-traininguntuk keseluruhan citra.

2.

3

Beberapa saran agar penelitian ini dapat dilanjutkan:Untuk pengembangan lebih lanjut, penelitian pengenalan pola ini dapatmenggunakan obyek 2-D selain wajah dan obyek 3-D.Pengujian program aplikasi dapat dilakukan dengan menggunakan simulator yanglain.Untuk pengembangan penelitian ini, selain menampilkan wajah orang juga bisamenampilkan identitas dan inforrnasi orang tersebut.

102

Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan SyarafTiruan (Wikaria Gazali, Lily

DAFTARPUSTAKA

ANIL, K., JAIN, Fundamentals of Digital Image Processing. Prentice-Hall, Inc,New Jersey. 1989

2.

ANURADHA LAKSHMINARAYANA, NEWMAN, T.S., Principal ComponentAnalysis of Lack of Cohesion in Methods (LCOM) metrics

3 URL: htto://www.cs.uah.edu/tech-reDortsrrR-UAH-CS-1999-01.Rdf,11 September 2002

4.

BLUM, A., Neural Networks in C++. John Wiley & Sons, Inc. Canada. 1992

5 ERNEST, L., HALL., Computer Image Processing and Recognition. Tennessee.1979

6.

FREEMAN, J., SKAPURA, D.M. Neural Networks Algorithms, Application andProgramming Techniques. Addison-Wesley Publishing Company, Inc. New York.1991

7 HANSELMAN, DUANE, Matlab. Prentice-Hall, Inc. New Jersey. 1997

8. JENSEN, C., et al. Delphi in Depth. Osborne McGraw-Hill. U.S.A. 1996

9.

Laplacian Based Edge Detection. UTI : hnn://www.ii.metu.edu.tr/-ion528/demo/iectures/6/3/index.htrnI, 28 September. 2002

10. MICHAEL, G., FAIRHURST, Computer Vision for Robotic Systems anIntroduction. Prentice-Hall, Inc. Canterbury. 1988

11. RAO, V.B., RAO, H.V. C++ Neural Network and Fuzzy Logic. First Edition.Henry Holt and Company. United States of America. 1993

12. RAO, V.B., RAO, H. V., C++ Neural Network and Fuzzy Logic. Second EditionHenry Holt and Company. United States of America. 1995

13. RICH, E., KNIGHT, KArtificial Intelligence. Second Edition. McGraw-Hill, mc.Singapore. 1991

14. ROBERT, J., SCHALKOFF, Digital Image Processing and Computer Vision.John Wiley & Sons, Inc. Canada. 1989

103

Risalah Lokakarya Komputasi dalam Sains dan Teknologi Nuklir XIV, Juli 2003

15. Second Order Detection. UTI:computervision/43.htm, 26 Oktober 2002

http://www.netnam.vn/unescocourse/

16. TOM, M.M., Machine Learning. International Editions. McGraw-Hill, Inc.Singapore. 1997

DISKUSI

ABU KHALill RN AI

Apakah dengan penelitian Bapak ini bisa mengenali foto dengan posisi di luar posisiyang ditrainingkan (posisi acak)?

WIKARIA GAZALI

Ada kemungkinan bisa dan ada kemungkinan tidak karena Artificial Neural Networkbukanlah pembelajaran yang pasti tetapi ada probabilitas untuk bisa mengenal. Daridata/foto yang diteliti, citra wajah yang diambil memang dalam posisi yang berbeda-beda.

GUNANDJAR

2.

Identitas apa saja daTi program aplikasi pengenalan wajah tersebut? Karena wajahitu berubah dengan umur, berlaku berapa lama?Apakah program ini nanti dapat membantu dalam bidang kriminalitas yaitumembuat citra wajah dengan input identitas?

WIKARIA GAZALI

1 Identitas seperti yang ada di KTP clan keterangan kriminal yang pemah dilakukanjika ada. Foto yang ada di KTP di-scan, jadi setiap pembuatan KTP barn (5 tahunsekali), rota yang lama diganti. Foto clan identitas setiap orang kemudiandimasukkan dalam database.

104

(Wikaria Gazali, Lily)Perancangan Program Aplikasi Pengenalan Wajah Berbasiskan Jaringan SyarafTiruan

2. Untuk pengembangan selanjutnya, program ini dapat membantu dalam bidangkriminalitas yaitu dengan menginput citra wajah akan didapat identitasnya, dansebaliknya dengan menginput identitas orang berupa nomor KTP akan didapatfotonya.

DAFT AR RIW A Y AT HIDUP

Nama : Wikaria Gaza1i, S.Si., M. T.

: Padang, 14 Juni 1954

: FMIP A -Universitas Bina Nusantara

: Kajur Matematika clan Statistika

: (sete1ah SMUsampai sekarang)

.S1 Bidang Matematika, Universitas Terbuka, 1996

2. Tempatrranggal Lahir

3. Instansi

4. Pekerjaan / Jabatan

5. Riwayat Pendidikan

6.

.S2 Bidang Optoelektronika, Universitas Indonesia, 1998

Pengalaman Kerja :

.1979-1981: Pembantu Pelaksana Proyek Pelud. Polonia -Medan

.1981 : Pembantu Pelaksana Proyek PT Jondul-Perumahan KODAM

1 7 Agustus di Padang

.1981-1982: Pengajar (guru) matematika di SMA Don Bosko dan SMA

Murni Padang

.1983- sekarang : Dosen Matematika -Universitas Bina Nusantara-

Jakarta

.1986-1987: Dosen Matematika -AMIK Bunda Mulia -Jakarta

Organisasi Profesional :7.

.Jaringan MIPA (MIPAnet)

.Himpunan Matematika Indonesia (Indo MS)

105