Anda di halaman 1dari 11

OPTIMALISASI KINERJA SISTEM SEKURITAS RUMAH MODERN

BERBASIS JARINGAN SARAF TIRUAN (JST)

PERFORMANCE OPTIMIZATION OF MODERN HOUSE SECURITY


SYSTEM BASED BACKPROPAGATION NEURAL NETWORK (BNN)

Anthoinete P.Y 1, Elyas Palentei 2, Adnan 2


1Jurusan

2Jurusan

Elektro, Politeknik Negeri Manado


Elektro, Prodi Informatika, Fakultas Teknik, Universitas Hasanuddin

Alamat Korespondensi:
Anthoinete P.Y Waroh
Jurusan Teknik Elektro
Politeknik Negeri Manado
Manado. Sulawesi Utara.
HP: 081356721203
Email: anthoinete.waroh@gmail.com

ABSTRAK
Perkembangan yang pesat dibidang teknologi komputer, elektronik, telekomunikasi maupun mekanik telah
menghasilkan berbagai aplikasi canggih . Tujuan penelitian ini untuk membuat sistem sekuritas masuk rumah
modern yang cerdas dengan memanfaatkan pola pencitraaan wajah, menganalisis akses pencitraan yang cerdas
dan membuat prototype dari sistem agar teroptimalisasi kinerjanya. Metode yang digunakan adalah analisis
akuisisi. Sistem pengenalan wajah menggunakan citra wajah yang diambil dari 7 wajah manusia dengan 5
posisi wajah yang berbeda-beda, yaitu posisi biasa, tersenyum, serong ke kiri, serong ke kanan, dan mulut
terbuka. Dalam prakteknya, algoritma backpropagation capturing (perekaman) wajah dengan jarak konstan
dikumpulkan melalui proses mengakses data terhadap citra wajah dengan jarak konstan 30 cm ( dekat kamera
webcame) dengan kondisi pencahayaan yang relatif sama. Selanjutnya diadakan pengujian dan pengukuran
kepada 7 wajah manusia yang tidak dikenal (tidak diteliti). Hasil penelitian menunjukkan bahwa dari 35 citra
wajah yang diteliti dan 35 citra wajah yang tidak diteliti memiliki ukuran yang bervariasi, yaitu mulai dari 300
sampai dengan 500 piksel. Dapat disimpulkan bahwa klasifikasi yang menunjukkan angka keberhasilannya
adalah ketika diaplikasikan pada wajah yang dikenal oleh sistem maka sinyal lampu akan menyala (pintu
terbuka) dan ketika wajah tak dikenalnya lampu akan mati (pintu tertutup). Data pengujian keberhasilan
pengenalan pola wajah 96% dan yang tidak sesuai pengenalan pola wajah 98 %.Sistem yang dibuat adalah
sebuah sekuritas rumah modern berbasis jaringan saraf tiruan (JST) yang diuji pada software matlab R2009a
dengan pengenalan pola citra wajah face parttern recognition.

Kata kunci : algoritma backpropagation, pengenalan pola wajah.

ABSTRACT
Security is staying home to be a depressing thing coveted by everyone, at the time of leaving the house to do a
trip. The face recognizing system used the cage image taken from 7 human faces with 5 different face positions
i.e.the normal face position, smiling face, left tilt face, right tilt face and face with open mouth. In practice, the
back propagation capturing algorithm (recording) of the faces with the constant distance was collected through
the data accessing process on the face image with the constant distance of 30 cm (near to webcame
camera),with relatively similar lightning condition, the examination and measurement were then carried out of
the 7 human faces determined and 7 human faces who were not known by the program because they were
entered into the image taking data through the research proscess, this was proven that the system recognize 35
face images determined and 35 face which were not entered into data system. The image measurements could be
various starting from 300 to 500 pixel. It can be concluded the classification indicated the success figures, the
application when the faces were recognized, the light signal was on (the door opened), and if the faces were not
recognized the light would be off ( the door opened).The success examination data of the face pattern
recognition was 96 % and which was not suitable with the face pattern recognition was 98%. The research
result indicates that the system made is the artificial nerve network based a modern house security which is
examined on the software matlab R2009a with the face pattern recognition.

Key-words : Back propagation Algorithm, face pattern recognition

PENDAHULUAN
Perkembangan yang pesat dibidang teknologi komputer, elektronik, telekomunikasi
maupun mekanik telah menghasilkan berbagai aplikasi canggih dan cerdas yang merubah
kehidupan manusia. Ketidak amanan rumah saat ditinggal pergi, menjadi aman karena
teroptimalisasi oleh kinerja sistem berbasis jaringan saraf tiruan (Kusumadewi, 2004).
Beberapa peneitian sebelumnya Sistem deteksi dan verifikasi wajah pada sistem
pembuka pintu. Penelitian ini dikembangkan teknik deteksi dan verifikasi wajah sebagai
variasi dalam sistem pengamanan untuk pembuka pintu. Pada proyek akhir ini, akan dibahas
mengenai deteksi wajah menggunakan metode segmentasi warna kulit, pencarian nilai bobot
untuk data referensi menggunakan LVQ (Learning Vector Quantization) dan algoritma
verifikasi (pengenalan pola wajah) wajah atau bukan wajah menggunakan metode Euclidian
distance dan titik kritis distribusi (Kamajaya,2009). Penelitian lain yang terkait sistem
pengenalan wajah manusia real-time menggunakan algoritma jaringan saraf tiruan. Hasil dari
penelitian ini yaitu sistem dapat mengenal wajah dengan metode jaringan saraf tiruan (JST)
mengenal wajah tampak depannya saja ketika tampak samping kiri dan samping kanan wajah
program tidak dapat mengenal, saya akan membuat sistem dengan metode yang sama,dan di
kembangkan lagi yaitu dapat mengenal wajah sesuai dengan yang di akses yaitu wajah
biasa,wajah tersenyum,wajah serong kiri,wajah serong kanan,wajah dengan mulut terbuka
aplikasinya lampu akan menyalah jika wajah dikenal dan pintu akan tertutup jika wajah tidak
dikenal dan pintu akan tertutup (Fadlil dkk,2008).
Berdasarkan pemikiran diatas,maka dapat dikembangkan Pencitraan wajah dengan
pencahayaan yang konstan pada sistem sekuriti akses masuk rumah moderen. Pendeteksian
wajah pada ke lima posisi dengan jarak konstan 30 cm.Konsep dasar pengenalan pola
berbasis jaringan saraf tiruan dengan algoritma backpropagation (Fausett, 1994).
Pemanfaatan sistem ini untuk mendeteksi citra wajah sama dengan set point dan tidak
mengenal citra waja dan Menciptakan sistem sekuriti yang cerdas dan aman, mendesain
Teknik akuisisi data digital secara programmable, dapat mengoptimalisasi kerja sistem
sekuritas rumah modern (Purwanto, 2003).
Adapun rumusan masalah dari penelitian ini yaitu : Bagaimana Pencitraan wajah
dengan pencahayaan yang konstan pada sistem sekuriti akses masuk rumah moderen dan
Pendeteksian wajah pada ke lima posisi dengan jarak konstan 30 cm. Bagaimana pengenalan
pola berbasis Jaringan Saraf Tiruan dengan algoritma backpropagation.
Tujuan dari penelitian ini adalah membuat suatu sistem sekuritas masuk rumah
modern yang cerdas dengan

memanfaatkan pola pencitraan wajah, menganalisis teknik

akuisisi data untuk suatu sistem akses pencitraan yang cerdas, dan membuatan prototype dari
sistem agar dapat teroptimalisasi kinerja sistem.

METODE PENELITIAN
Lokasi dan Desain Penelitian
Lokasi penelitian dilakukan di Laboratorium Mikroprosesor Politeknik Negeri
Manado. Adapun desain penelitian ini menggunakan metode prototyping untuk mengontrol
buka tutup pintu berdasarkan pendeteksian wajah.
Teknik pengumpulan data yang dilakukan yaitu dengan cara melakukan pengambilan
data yang berupa foto-foto melalui kamera dan nantinya foto-foto tersebut akan dijadikan
pokok pengujian.
Analisa data dilakukan dengan cara membandingkan data foto yang tersimpan sebagai
set point dengan data foto yang diambil.
Deskripsi Sistem
Sistem yang akan dibangun adalah sebuah sistem yang dapat mengenal bentuk wajah
dan jenis kelamin laki-laki dan perempuan. Sistem ini dapat mengenal ke 7 citra wajah
manusia dengan posisi wajah yang didata set point dan mengenal ke 7 citra wajah yang tidak
dimasukan pada data set point. Secara umum proses pengambilan citra input citra wajah
pada wabcame. Metode Jaringan saraf tiruan akan memproses nilai citra pada histogram
dengan metode pattern matching atau pencocokan pola, metode pendeteksi wajah dapat
membedakan bagian wajah dan bagian bukan wajah pada citra digital sehingga sistem dengan
mudah memproses hasil pengenalan wajah dengan membandingkan wajah pada setpoin dan
citra wajah yang tidak masuk pada data basenya dengan metode JST pada wajah terdeteksi
lampu indikator menyalah menggerakan motor draiver untuk membuka pintu terbuka. Proses
yang sama wajah tidak dikenal atau tidak terdeteksi lampu indikator mati pintu tertutup.
Pengenalan wajah dan mendeteksi wajah kerja sistem saat pintu terbuka dan pintu tertutup
yang akan dirancang. Dari desain sistem menggunakan webcam sebagai input di kirim ke PC
dengan program matlab menerima, memproses dan menguji program dengan JST ( Kendall ,
2005). Tampilan aplikasi matlab digunakan dalam penerapan sistem yang berfungsi
mengaktifkan keseluruhan program, mengambil gambar pada video webcam ke PC dan
mendokumenkan pada m-file. Proses selanjutnya pemasukan citra wajah sebagai input wajah
dan siap diuji apakah gambar sesuai dengan data yang diset point, yang artinya
membandingkan gambar citra yang sudah ada, kemudian diproses oleh jaringan saraf tiruan

untuk mengenali gambar disetiap user, apakah terdeteksi pintu terbuka atau tidak terdeteksi
pintu tertutup. (Oetomo, 2006)

HASIL
Hasil dari Proses pengujian keakuratan citra wajah menggunakan metode neural
network (algoritma JST) membuktikan keberhasilan sistem dengan nilai keakurantan 96 %,
dilakukan dengan cara menguji satu persatu dari kelima citra wajah dari dua 7 wajah
menghasilkan 35 gambar yang didokumenkan pada M-file , output yang di hasilkan benarbernar teruji ketika citra wajah terdeteksi maka lampu akan menyala dan jika waja tidak
terdeteksi maka lampu akan mati,sesuai dengan data. Hasil

pengujian

diatas, dapat

diketahui bahwa keakuratan sistem untuk citra wajah yang sesuai input wajah, di mana hasil
ekstrasksi cirinya sebagai pola data referensi
Pengujiannya diawali dari

menguji data wajah jika wajah terdeteksi ada dalam

database system maka system akan membandingkan. Kondisi pengujian ini adalah objek
wajah yang tidak terdeteksi dengan database sistem. Percobaan diawali dari pengujian dengan
mendeteksi objek wajah kemudian membandingkan dengan data citra wajah pada data base
sistem memperlihatkan pintu terbuka saat wajah terdeteksi. Kemudian motor akan bekerja
untuk menggerakan pintu diperlihatkan pada Gambar 5. Selanjutnya melakukan 10 kali
percobaan dari ke 7 wajah dengan 5 posisi wajah, menjadi 35 gambar citra wajah sesuai data
base yang tersimpan. Kedua tabel 1 dan tabel 2 mewakili ke 7 wajah yang menjadi target
penelitian. Hasil pelatihan data training JST pada tabel 3 dan bobot akhir lapisan output pada
tabel 4. menghasilkan nilai optimum -0.0138 dan matriks bobot koreksi dari lapisan output
tabel 5.

PEMBAHASAN
Pada sistem akan dilakukan proses pendeteksi wajah terlebih dahulu , sebelum preprocessing pada sistem pengenalan wajah ada sebuah sistem lain yakni sistem pendeteksi
wajah dengan metode pattern matching atau pencocokan pola. Pendeteksi wajah ini yang
membedakan bagian wajah dan bagian bukan wajah pada citra digital sehingga mempercepat
proses pengenalan wajah, karena tidak perlu memperhitungkan komponen citra digital yang
bukan wajah. Proses ini diawali dengan mengisi input wajah pembanding sebanyak 5 citra
wajah dengan cara menekan capture inisial wajah. Proses inisial dan input wajah, metode
yang digunakan adalah metode jaringan saraf tiruan atau neural network. Karena perbedaan
metode ini maka uji coba yang dilakukan juga berbeda-beda. Pada proses pengujian sistem

ini akan diuji sejauh mana kehandalan proses pengenalan wajah menggunakan neural
network yang parameternya telah diujicoba, terlebih dahulu. Untuk proses jaringan saraf
tiruan langkah awal yang di lakukan setelah proses Imange Processing adalah mengisi input
training yaitu variable MaxEpoh = 1500, Target error = 1e-3, Learningrate = 0.1, dan
EpohShow adalah 200. Setelah dilakukan pengisian parameter pelatihan JST maka akan
dimasukan nilai target yaitu nilai pencitraan dari tiap-tiap citra wajah yang menjadi objek
proses. Hasil pengujian data training Jaringan Saraf Tiruan dengan maksimum Epoch 1500
iterasi, waktu tempuh iterasi 10 detik untuk proses program untuk mengenali wajah sampai
indicator lampu menyala. Performance sebesar 5.31x107. nilai ini diperoleh 70% dari nilai
maksimum performance, dengan nilai gradian 2,27x10-10
Mengacu pada penelitian terdahulu dengan menguji citra wajah, hasil yang
diperoleh adalah dari nilai citra wajah yang menjadi target adalah 10295 Sedangkan
nilai hasil pelatihan adalah 11503 ini mendapat capaian presentasi hasil pelatihan
adalah 89.49% (Palit, 2011).
Penelitian lain mengenai deteksi wajah menggunakan metode segmentasi warna kulit,
pencarian nilai bobot untuk data referensi menggunakan LVQ (Learning Vector
Quantization) dan algoritma verifikasi (pengenalan pola wajah) wajah atau bukan wajah
menggunakan metode Euclidian distance dan titik kritis distribusi Prosentase keberhasilan
pada proyek akhir ini adalah 80% dikenali sebagai wajah dengan data pengujian sebanyak 35
sampel dan 75% dikenali sebagai bukan wajah dengan data pengujian sebanyak 40 sampel,
kecepatan rata-rata adalah 10,21 fps dan pada intensitas cahaya rata-rata sebesar 400 lux
(Kamajaya,2009).

KESIMPULAN DAN SARAN


Berdasarkan hasil penelitian yang sudah dilakukan, maka dapat disimpulkan bahwa
sistem sekuritas rumah modern berbasis jaringan saraf tiruan (JST) dengan output berupa
isyarat lampu indikator, dengan program yang dapat mendeteksi citra wajah manusia pada
saat memasuki rumah modern.Pengenalan wajah melalui webcam dengan algoritma back
propagation menggunakan program matlab ternyata dapat mengakses data citra dan dapat
mengoptimalkan kerja sistem sekuritas akses masuk rumah modern. Hasil keakuratan sistem
untuk citra wajah yang sesuai dengan input wajah, diperoleh hasil keakuratan data sebesar
96% , dimana kondisi ini diperoleh dengan kesalahan pengujian data sebanyak 1 kali untuk
50 kali pengujian. Untuk citra wajah yang tidak sesuai, hasil pengujian yang diperoleh

menunjukan bahwa keakuratan data sebesar 96% untuk 50 kali pengujian. Dari penelitian ini
hendaknya dapat dikembangkan dan dibuat suatu sistem keamanan dengan metode jaringan
saraf tiruan yang aplikasinya dapat mendeteksi pola wajah yang sama (kembar yang identik)
dan mendeteksi pola wajah kembar dengan jenis kelamin berbeda. Sebaiknya menggunakan
kamera digital ISO 200 dan ISO 400 tergantung situasi desekitar kamera.

DAFTAR PUSTAKA
Buono,A.,Ridha,A.Batian,H.(2005). Sistem pengenalan wajah real-time ruang eigen dengan
segmentasi berdasarkan warna kulit.
Budi,Alan. (2007). Pengolahan Citra (on line)(elib,unikom.ac.id/files/disk 1/ 126/jbtunikom
pp-gdl-SL-2007-alanbudiha-babii-pdf).
Booch,G.,Rumbaugh,J.,Jacobson,I. (1999). The Unified Modeling Language - User
Guide. Addison Wesley.
Fadlil,A.,Hidayat,I.,Sunardi.(2008). Sistem pengenalan wajah manusia real-time
menggunakan algoritma jaringan saraf tiruan. Journal Seminar Nasional Aplikasi
Teknologi Informasi (SNATI 2008) ISSN: 1907-5022. Yogyakarta.
Fausett,L.(1994).Fundamental
of
Neural
Network.Archtectures,Algorithm,
and
Application.New jersey :Prentice_Hall.
Kamajaya, Leonardo. (2009). Sistem Deteksi dan Verifikasi Wajah Pada Sistem Pembuka
Pintu (software). Jurnal Poiteknik Elektronika Surabaya.
Kendall, K.(2005). Systems Analysis and Design, 6th Ed. Prentice Hall.
Kusumadewi,S.(2004). Membangun Jaringan Saraf Tiruan Menggunakan Matlab & Exel
link.Yogyakarta Garah Imu.
Nugroho, A. (2010). Rekayasa Perangkat Lunak Berorientasi Objek dan USDP. ANDI.
Oetomo, Budi. (2006).Perencanaan dan Pembangunan Sistem Informasi,ANDI, Yogyakarta.
Palit, Brenda (2011). Pendeteksi wajah dengan pengaruh cahaya.Skripsi UNSRAT.Manado.
Purwanto,JM. (2003). Prototype mengenal wajah melalui webcam dengan menggunakan
algoritma principal component analysis (PCA) dan Linier discriminant analisis
(LDA), Journal Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika
Universitas Komputer Indonesia.
Sobottka,K.,Piters,I.(1996). Looking for face and facial features in color
Image.http://citescer.lcs.mit edu/sobottka96looking.html.(19 meri 2013).

Tabel 1 hasil pengujian citra wajah pertama


Keadaan
Wajah

Posisi Wajah

Lampu

Hasil
Pengujian

Biasa

Menyela

Terdeteksi

Tersenyum

Menyela

Terdeteksi

Serong kiri

Menyela

Terdeteksi

Serong kanan

Menyela

Terdeteksi

Mulut terbuka

Menyela

Terdeteksi

Tabel 2. Hasil Pengujian Citra Wajah Ke 2 Yang Tidak Terdeteksi

Wajah

Posisi Wajah

Keadaan

Hasil Pengujian

Lampu

Biasa

Mati

Tidak Terdeteksi

Tersenyum

Mati

Tidak Terdeteksi

Serong kiri

Mati

Tidak Terdeteksi

Serong kanan

Mati

Tidak Terdeteksi

Mulut terbuka

Mati

Tidak Terdeteksi

Tabel .3 Hasil Pelatihan data training


Maksimum
Target Eror
Epok show
Epoch
1500
0.001
100

Learning Rate
0.1

Tabel.4 Bobot akhir koneksi dari lapisan input


Input
Z1
Z2
Z3
Z4
Z5
X1
0.0075
0.0008

0.0008

0.0622

0.0065

X2

-0.0085

0.0020

0.0018

0.0017

0.0025

X3

0.0057

0.0013

0.0032

0.0013

0.0011

X4

0.0023

0.0016

0.0042

0.0031

0.0021

X5

0.0065

0.0051

0.0041

0.0045

0.0064

X6

0.0032

0.0028

0.0028

0.0029

0.0028

X7

0.0024

0.0019

0.0015

0.0019

0.0017

X8

0.0045

0.0035

0.0035

0.0035

0.0035

X9

0.0024

0.0052

0.0052

0.0052

0.0052

X10

0.0032

0.0029

0.0007

0.0010

0.0065

Xn

Tabel. 5 Matriks Bobot koreksi dari lapisan output


Bobot

Y1

Y2

Y3

Z1

-0.2008

-0.1911

-0,1749

Z2

-0,0138

-0.0511

-0.0128

Z3

0.1852

-0.0959

-0.1586

Z4

-0.0611

-0.009

-0.0243

Z5

0.1581

0.1086

0.3112

Erorr
performansi
0.000789