Anda di halaman 1dari 9

ANALISIS PERBANDINGAN METODE KLASIFIKASI MENGGUNAKAN JARINGAN SARAF TIRUAN

BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN


WAJAH
Comparative Analysis of Classification Methods Using Backpropagation Neural Network and Learning Vector
Quantization on Face Recognition System
1

Artiastuti
1101080023

3
Koredianto Usman, ST., MSc.
Eko Susatio, ST., MT.
02750290-1
10830725-3
1,2,3
Departemen Elektro dan Komunikasi Universitas Telkom
Jl. Telekomunikasi No.1, Dayeuh Kolot, Bandung 40257, Indonesia

artiastuti28@gmail.com

kru@ittelkom.ac.id

tio@ittelkom.ac.id

ABSTRAK
Perkembangan teknologi di bidang biometrik khususnya pengenalan wajah memacu para peneliti untuk
menemukan metode-metode baik untuk proses ektraksi ciri maupun klasifikasi. Salah satu metode klasifikasi yang
sering digunakan adalah Jaringan Saraf Tiruan (JST).
JST yaitu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi.
Berdasarkan sifat belajarnya JST dibagi menjadi dua yaitu supervised learning (pembelajaran terawasi) dan
unsupervised learning (pembelajaran tak terawasi). JST yang digunakan untuk perbandingan klasifikasi pada tugas
akhir ini merupakan jenis supervised learning yaitu JST backpropagation dan Learning Vector Quantization
(LVQ). Sedangkan ekstraksi ciri yang digunakan yaitu Principal Component Analysis (PCA).
Hasil pengujian menunjukkan akurasi tertinggi pada backpropagation dengan PCA yaitu 99.5%, dicapai pada
saat menggunakan 150 PC, jumlah hidden neuron 250, dan nilai learning rate 0.1. Sedangkan akurasi tertinggi pada
LVQ yaitu 90.75%, dicapai pada saat menggunakan 50 PC, jumlah hidden neuron 250, dan nilai learning rate
0.0075.
Kata Kunci: Biometrik, Jaringan Saraf Tiruan, Supervised Learning, Unsupervised Learning, Backpropagation,
Learning Vector Quantization, Principal Component Analysis.

ABSTRACT
Technological development of biometrics especially face recognition is developed by the researchers to find
better methods for feature extraction and classification. One classification method that commonly used is Artificial
Neural Network (ANN).
ANN is information processing system that has characteristic similiar to biological neural networks. Based on
learning method, ANN is devided into Supervised learning and Unsupervised learning. In this research, ANN that
being used are Backpropagation ANN and Learning Vector Quantization (LVQ). While the feature extraction used
Principal Component Analysis (PCA).
The test result showed the highest acuraccy on backpropagation with PCA is 99.5%, achieved when using 150
PC, and the number of hidden neuron 250, and learning rate value 0.1,. While the highest accuracy on LVQ is
90.75%, achieved when using 50 PC, the number of hidden neuron 250, and learning rate value 0.0075.
Keywords: Biometric, Artificial Neural Network, Supervised Learning, Unsupervised Learning, Backpropagtion,
Learning Vector Quantization, Principal Component Analysis.

JST yaitu sistem pemroses informasi yang


memiliki karakteristik mirip dengan jaringan saraf
biologi [8]. Berdasarkan sifat belajarnya JST dibagi
menjadi supervised learning (pembelajaran terawasi)
dan unsupervised learning (pembelajaran tak
terawasi). JST yang digunakan untuk perbandingan
klasifikasi pada tugas akhir ini merupakan jenis

1. PENDAHULUAN
1.1 Latar Belakang
Perkembangan teknologi di bidang biometrik
memacu para peneliti untuk menemukan metodemetode baik untuk ektraksi ciri maupun klasifikasi.
Salah satu metode klasifikasi yang sering digunakan
digunakan adalah Jaringan Saraf Tiruan (JST).

2 Parameter-parameter
apa
saja
yang
mempengaruhi performansi dari ketiga algoritma
tersebut?
3 Bagaimana performansi dan kecepatan komputasi
dari ketiga algoritma tersebut?
4 Bagaimana ketahanan kedua sistem terhadap
gangguan dari luar?

supervised learning yaitu JST backpropagation dan


Learning Vector Quantization (LVQ). Sedangkan
ekstraksi ciri yang digunakan yaitu Principal
Component Analysis (PCA).
Pada tugas akhir ini, data yang digunakan adalah
citra wajah manusia karena wajah manusia memiliki
ciri unik yang membedakan manusia satu dengan
lainnya, pengambilan citra wajah relatif mudah, dan
tidak membutuhkan sensor khusus. Ekstraksi ciri
digunakan metode PCA karena pada metode ini
dimensi matriks input hasil pre-processing masih
tergolong besar, dengan PCA dimensi matriks input
dapat direduksi sesuai dengan jumlah principal
component yang kita pilih. Pemilihan JST
backpropagation dan LVQ sebagai metode
klasifikasi karena kedua metode ini mempunyai cara
yang berbeda dalam pengkoreksian bobot-bobotnya,
backpropagation dengan cara propagasi balik sesuai
dengan nilai error yang didapatkan sedangkan LVQ
dengan bobot kompetisi dan bobot linier.
Pada tugas akhir ini, akan dibandingkan kedua
metode klasifikasi tersebut. Hal yang akan
dibandingkan adalah tingkat akurasi metode-metode
tersebut dengan diuji dengan beberapa keadaan yang
diberlakukan kedua metode tersebut dengan
menggunakan database wajah, proses preprocessing,
dan ekstraksi ciri yang sama agar terlihat perbedaan
akurasi dan waktu komputasi dari kedua metode
tersebut.
Penelitian mengenai pengenalan manusia melalui
wajah manusia dengan menggunakan ekstraksi ciri
PCA sudah pernah dilakukan pada tugas akhir yang
berjudul Analisis Perbandingan Metode Eigenface,
Fisherface dan Laplacianface pada Sistem
Pengenalan Wajah (Fahmi, 2012) [3]. Pada
penelitian tersebut didapatkan akurasi tertinggi yaitu
95.79% dengan menggunakan ekstraksi ciri eigenface
(PCA) dengan menggunakan metode klasifikasi
ecluidean distance. Berdasarkan referensi penelitian
tersebut bahwa penggunaan metode ecluidean
distance sebagai klasifikasi menghasilkan akurasi
yang cukup tinggi. Pada kali ini penulis mencoba
mengangkat topik sejenis dengan menggunakan
metode klasifikasi lain yaitu JST backpropagation
dan learning vector quantization (LVQ) dengan tetap
menggunakan metode Principal Component Analysis
(PCA) sebagai eksraksi ciri.

1.3 Tujuan Penelitian


Berdasarkan perumusan masalah, maka tujuan
dari penelitian yang dilakukan adalah sebagai
berikut:
1 Mengetahui penerapan algoritma jaringan saraf
tiruan
backpropagation,
learning
vector
quantization , dan ecluidean distance pada
pengenalan wajah
2 Menganalisis
parameter-parameter
yang
mempengaruhi performansi dari ketiga algoritma
tersebut
3 Mengetahui
performansi
dan
kecepatan
komputasi pada ketiga algoritma tersebut
4 Mengetahui ketahanan ketiga sistem setelah
diberikan gangguan dari luar
1.4 Batasan Masalah
Batasan-batasan masalah yang diberikan pada
tugas akhir ini adalah sebagai berikut:
1. Format citra berekstensi .bmp dan berdimensi
1024 x 768 piksel
2. Latar belakang saat pengambilan citra berwarna
terang
3. Tidak membahas proses deteksi wajah
4. Ekstraksi ciri menggunakan Principal Component
Analysis (PCA)
5. Sistem merupakan sistem non-realtime
6. Sistem dirancang dengan menggunakan Matlab
2013a
2. LANDASAN TEORI
2.1 Biometrik [1]
Sistem
biometrik
merupakan
teknologi
pengenalan diri dengan menggunakan bagian tubuh
atau perilaku manusia. Secara harfiah, biometrika
berasal dari bahasa Yunani yaitu bio dan metrics, bio
berarti sesuatu yang hidup, dan metrics berarti
mengukur. Biometrika berarti mengukur karakteristik
pembeda pada badan atau perilaku seseorang yang
digunakan untuk melakukan pengenalan secara
otomatis terhadap identitas orang tersebut, dengan
membandingkannya
dengan
karakteristik
sebelumnya yang telah disimpan pada suatu
database.

1.2 Rumusan Masalah


Berdasarkan latar belakang, maka perumusan
masalahnya adalah sebagai berikut:
1 Bagaimana merancang jaringan saraf tiruan
backpropagation, learning vector quantization,
dan ecluidean distance pada sistem pengenalan
wajah?

2.2 Citra Digital [4]


Citra dapat dapat dinyatakan sebagai suatu
fungsi dua dimensi f dengan x maupun y adalah posisi

2.4 Jaringan Saraf Tiruan [8]


Jaringan saraf Tiruan (JST) adalah sistem
pemroses informasi yang memiliki karakteristik mirip
dengan jaringan saraf biologi. JST dibentuk sebagai
genelarisasi model matematika dari jaringan saraf
biologi.

koordinat f merupakan amplitudo pada posisi (x,y)


yang sering dikenal sebagai intensitas atau grayscale
(Gonzales, 2002). Nilai dari intensitas bentuknya
adalah diskrit dengan rentang antara 0 sampai 255.
Citra yang ditangkap oleh kamera dan telah
dikuantisasi dalam bentuk nilai diskrit disebut citra
digital. Contoh citra digital yaitu citra yang tersimpan
dalam bentuk file gambar (bmp, jpg, png, dll) pada
komputer sedangkan foto hasil cetak printer
merupakan citra analog.

2.4.1 Pelatihan dengan Supervisi dan Tanpa


Supervisi [8]
JST berdasarkan memodifikasi bobotnya,
terdapat 2 macam pelatihan yang dikenal yaitu
dengan supervisi (supervised learning) dan tanpa
supervisi (unsupervised learning).
Pelatihan dengan supervisi, terdapat sejumlah
pasangan (masukan dan keluaran) yang dipakai untuk
melatih jaringan hingga diperoleh bobot yang
diinginkan. Pasangan data tersebut berfungsi sebagai
guru untuk melatih jaringan hingga diperoleh
bentuk yang terbaik. Guru akan memberikan
informasi yang jelas tentang bagaimana sistem harus
mengubah dirinya untuk
meningkatkan unjuk
kerjanya.

2.3 Principal Component Analysis


PCA merupakan ekstraksi ciri yang bertujuan
untuk mereduksi dimensi vektor citra wajah yang
besar menjadi sebuah vektor ciri dengan dimensi
kecil. Sekumpulan dimensi baru yang dihasilkan
proses PCA dinamakan Principal Component atau
disingkat PC. Besarnya dimensi diperoleh sesuai
dengan jumlah PC yang dipilih.
Algoritma PCA atau Eigenface untuk sistem
pengenalan wajah adalah sebagai berikut :
1. Sekumpulan citra latih T1, T2, T3, TM sebanyak
M dengan ukuran N x N dihitung rata-rata nya,
dengan

Ti

3.

i 1

3.1 Gambaran Umum Sistem

2. Setiap citra latih dikurangi dengan rata-rata yang


telah dihitung sehingga di dapat

Ti

3. Setelah itu dapat dihitung matriks kovarians C


dengan :

PERANCANGAN DAN IMPLEMESTASI


SISTEM

1 M
i Ti AAT
M i 1

START

START

Preprocessing

Preprocessing

Ekstraksi Ciri
PCA

4. Namun matriks C memiliki ukuran N2 x N2 yang


tentu saja terlalu besar dan membuat perhitungan
menjadi cukup lama. Oleh karena itu dilakukan
perhitungan eigenvector dari matriks L yang
memiliki ukuran M x M, dengan :

Klasifikasi

L AT A
AT Avi i vi
(2.5)

Databas
e Latih

Ekstraksi
CiriPCA

Klasifikasi
(Backpropagat
ion, LVQ,
Ecluidian
Distance)
FINISH

FINISH

Gambar 3.1 Diagram Alir Sistem Secara Umum

AAT Avi i Avi

Blok diagram di atas menunjukkan blok


diagram umum dari sistem yang dibuat. Secara
umum, sistem ini dibagi menjadi empat proses, yaitu:
1. Pemrosesan awal (preprocessing)
2. Ekstraksi ciri PCA
3. Proses Pelatihan
4. Proses Pengujian

5. Dari perhitungan diatas didapat bahwa


eigenvector dari matriks C adalah Avi, sehingga
eigenvector yang telah kita dapatkan saat
menggunakan matriks L dapat digunakan untuk
mencari eigenvector dari matriks C.

u Avi

6. Untuk mendapatkan ciri citra dari eigenface ini


digunakan perhitungan yang simpel yaitu

3.2 Preprocessing
Citra masukan yang digunakan diakuisisi
dengan menggunakan kamera digital dengan jarak
antara kamera dengan wajah sekitar 20 cm. Warna

w u(T )

latar belakang pada saat pengambilan citra adalah


menggunakan warna terang polos dan dengan
pencahayaan yang baik.
Pada preprocessing dilakukan beberapa proses
yaitu deteksi area wajah menggunakan algoritma
Viola Jones, cropping, resize, grayscale, dan filter.
Citra
Input

START

Deteksi
area wajah

Cropping

5. Penurunan dataset baru


Hasil dari perkalian PCT x DataNormal
3.4 Backpropagation
Proses training dan pengujian
dengan
menggunakan backpropagation dapat dilihat pada
diagram alir berikut :

Resizing
START

a
STOP

Citra hasil
preprocess
-ing

Filter

START

Grayscale

Test
Image

Initialization

Input Data
(P),
Target (T)

Gambar 3.2 Diagram Alir Preprocessing


3.3 Principal Component Analysis

Feed
Propagation

Yes

Feed
Propagation
Classification

Yes

START

Back
Propagation
No

Normalisasi

Any Image ?

No

Any data?

Mencari
Covariance Matrix

STOP

No

Mencari
Eigenvector dan
Component
Eigenvalues

Calculate
MSE

Epoch
max ?

Mencari Principal
Component

No

MSE <=
Target eror ?
Yes

STOP
Yes

Gambar 3.3 Diagram Alir PCA

Save
Weight

Optimal
Weight

FINISH

Gambar 3.4 Diagram Alir Pelatihan (a) dan


Pengujian (b) Backpropagation

Langkah-langkahnya yaitu:
1. Normalisasi
Setelah
melakukan
preprocessing
data,
dihasilkan database training input yang berukuran
awal (5625x350). Dari matriks tersebut dilakukan
perhitungan untuk mendapatkan mean (5625x1)
setiap baris yang berukuran awal. Setelah mean
didapatkan, lakukan normalisasi input sehingga
didapatkan data normal (5625x350).
2. Pencarian matrik kovarian
Didapatkan matrik kovarian L yang berukuran
diinginkan (350x350).
3. Pencarian eigenvector dan eigenvalues
Didapatkan
eigenvalues
(1x350)
dan
eigenvector berkorelasi (5625x350) dari matriks
kovarian.
4. Pencarian Principal Component
Eigenvector berkorelasi yang didapatkan
sebelumnya, diurutkan berdasarkan eigenvalues yang
diurutkan secara descending (dari besar ke kecil).
Dari eigenvector yang sudah terurut tersebut,
kemudian dilakukan pemilihan jumlah PC yang akan
diambil, sehingga didapatkan PC yang sesuai.

Proses pelatihan pada backpropagation terdiri


dari perambatan maju untuk meneruskan informasi
dari lapisan input ke lapisan output kemudian
dilakukan perambatan mundur untuk memperbarui
bobot-bobot sinapsis. Proses perambatan mundur
dilakukan setelah mendapatkan nilai error dari selisih
keluaran yang sebenarnya dengan pola target yang
sudah ditentukan di awal pembentukan jaringan.
3.5 Learning Vector Quantization
Untuk pelatihan digunakan 350 buah neuron
input, ini sesuai dengan ukuran data input JST yang
berukuran (x1) untuk setiap citra wajah yang dilatih.
Output yang dihasilkan dalam lapisan kompetitif
dijadikan pembanding dengan sejumlah 50 target,
yaitu 50 wajah yang dikenali.
Keluaran yang dihasilkan dari proses pelatihan
LVQ adalah bobot optimal pada hidden neuron.
Bobot ini dibutuhkan untuk pengujian data uji LVQ.
Adapun proses pelatihan yang dilakukan LVQ pada

tugas akhir ini dapat dilihat pada blok diagram


berikut :

4.

PENGUJIAN SISTEM DAN ANALISIS


Pada bab ini akan dilakukan pengujian dan
analisis terhadap program yang telah dengan
beberapa tujuan dan skenario yang telah dirancang.

Mulai

Initialization

4.1 Pengujian dan Analisis Parameter Jaringan

Input data
(x), target (t)
Calculate Euclidean
distance
|| X-Wj ||

4.1.1 Pengujian
dan
Analisis
Principal
Component Terhadap Jaringan
Dari beberapa jumlah PC yang diujikan
dihasilkan akurasi tertinggi ketiga metode seperti
table di bawah ini:

No

Determine min
Euclidiean distance

Tabel 4.1 Hasil Pengujian Terbaik Terhadap Jumlah


PC

Determine Output
Epoch Max?
Move away
Weight to
input vector

No

Output=target ?

Yes
Close weight to
input vector

Metode

Jmlh
PC

Learning
Rate

Akurasi
Train

150

Jmlh
Hidden
Neuron
250

0.1

100

Akurasi
Uji
99.5

BP
LVQ

50

150

0.0075

90

89.5

ED

50

99.25

No
decrease Learning
Rate

Calculate MSE

4.1.2 Pengujian dan Analisis Hidden Neuron


Terhadap Jaringan
Dari beberapa jumlah hidden neuron yang
diujikan dihasilkan akurasi tertinggi kedua metode
seperti table di bawah ini.

Yes

MSE <= min


MSE?

Tabel 4.2 Hasil Pengujian Terbaik Terhadap Jumlah


Hidden Neuron

Yes
Save weight

Optimal
Weight

FINISH

Gambar 3.5 Diagram Alir Pelatihan LVQ


START

Jmlh
PC

Learning
Rate

Akurasi
Train

150

Jmlh
Hidden
Neuron
250

0.1

100

Akurasi
Uji
99.5

BP
LVQ

50

250

0.0075

92

90.75

4.1.3 Pengujian dan Analisis Learning Rate


terhadap Jaringan
Dari beberapa nilai learning rate yang diujikan
dihasilkan akurasi tertinggi kedua metode seperti
table di bawah ini.

Forming output
vector from
competitive layer

Input
Image (X),
vector
weight W
and V

Metode

Clasification

Tabel 4.3 Hasil Pengujian Terbaik Terhadap Nilai


Learning Rate
Calculate
ecluidean distance
|| X-Wj ||

Yes

Metode

Jmlh
PC

Learning
Rate

Akurasi
Train

150

Jmlh
Hidden
Neuron
250

0.1

100

Akurasi
Uji
99.5

BP
LVQ

50

50

250

90

90.75

Any Image?

Determine
minimum
distance

No

STOP

Berdasarkan pengujian terhadap jumlah PC,


jumlah hidden neuron, dan nilai learning rate pada
backpropagation dan LVQ serta pengujian terhadap

Gambar 3.6 Diagram Alir Pengujian LVQ

kacamata tidak terdapat pada citra latih serta jumlah


data uji yang berbeda antara citra normal dengan citra
yang menggunakan kacamata.

jumlah PC pada ecluidean distance diperoleh


parameter terbaik yaitu:
Tabel 4.4 Parameter Terbaik Backpropagation, LVQ,
dan Ecluidean Distance
Keterangan

BP

LVQ

ED

Akurasi

99.5

90.75

99.25

Jumlah PC

150

50

50

Hidden Neuron

250

250

Learning rate

0.1

0.0075

0.0001140

0.0031429

Epoch ke

2000

1323

Maks Epoch

2000

2000

MSE

4.3.2 Pengujian Terhadap Noise


Tabel 4.7 Pengaruh Noise Salt & Pepper Terhadap
Akurasi
Metode

Tabel 4.5 Akurasi Ketiga Metode dengan Ukuran


Citra yang Berbeda

BP
LVQ
ED

Akurasi Tertinggi (%)


100x100
75x75
piksel
piksel
99.5
89.75
90.75
99.25
99.5

Dens
0.02
99.5

Dens
0.05
99.25

Dens
0.07
99.5

Dens
0.1
99.5

LVQ

90.75

90.5

90.5

90.25

89.5

ED

99.25

99.25

99.25

99.25

98.75

Penambahan noise salt & pepper pada


backpropagation hanya sedikit mengalami penurunan
akurasi, pada ecluidean distance tidak mengurangi
akurasi. Namun, penambahan noise pada LVQ
mengalami penurunan akurasi berbanding lurus
dengan konstanta density. Penurunan akurasi pada
LVQ ini disebabkan karena penggunaan noise
dengan tingkat density yang tinggi menyebabkan
kualitas citra semakin kabur dan semakin berbeda
dengan citra aslinya. Meskipun pada proses preprocessing digunakan filter tetapi hasil dari filter
tidak akan sama persis dibandingkan citra aslinya.

4.2 Penguian dan Analisis Ukuran Citra yang


Berbeda terhadap sistem
Mengingat ukuran citra yang digunakan sangat
berpengaruh terhadap akurasi maupun kecepatan
komputasi, maka di ujikan ukuran citra yang berbeda
seperti table di bawah ini:

Metode

BP

Tanpa
Noise
99.5

50x50
piksel
99.5
83.25
99.25

Tabel 4.8 Pengaruh Noise Poisson Terhadap Akurasi


Metode

4.3 Pengujian dan Analisis Terhadap Gangguan


dari Luar

Tanpa noise

BP

99.5

Tambah
Noise
99.5

LVQ

90.75

90.75

ED

99.25

99.25

4.3.1 Pengujian Terhadap Pemakaian Kacamata


Tabel di bawah menunjukan perbedaan
pengaruh pemakaian kacamata terhadap akurasi.

Pada tabel pengujian di atas terlihat bahwa


penambahan noise poisson pada citra uji tidak
mempengaruhi akurasi dari ketiga metode.

Tabel 4.6 Pengaruh Penggunaaan Kacamata


Terhadap Akurasi

4.3.3 Pengujian Ketahanan Sistem Terhadap


Motion Blur
Salah satu gangguan yang sering terjadi saat
pengakuisisian citra adalah motion blur.

Metode

Akurasi

Backpropagation

90

LVQ

80

Ecluidean Distance

86

Tabel 4.9 Motion Blur Terhadap Akurasi dengan


Sudut 0
Meto- Normal
5
10
15
20
de
piksel piksel piksel piksel

Dari ketiga metode di atas, backpropagation


menghasilkan akurasi tertinggi. LVQ dan ecluidean
distance mengalami penurunan yang cukup drastis di
bawah 10% dari pengujian terhadap citra normal.
Perbedaan akurasi yang terpaut cukup jauh
disebabkan karena pada citra wajah menggunakan

BP

99.5

99.5

99.5

99.5

99.5

LVQ

90.75

90.75

90.25

90.25

90.75

ED

99.25

99.25

99.25

99.25

99.25

Tabel 4.10 Motion Blur Terhadap Akurasi dengan


Sudut 45
Meto- Normal
5
10
15
20
de
piksel piksel piksel piksel
BP
99.5
99.5
99.5
99.5
99.5
LVQ
ED

90.75
99.25

90.25
99.25

90.25
99.25

90.5
99.25

pengidentifikasian yang benar. Setelah itu,


didapatkan nilai threshold yang sesuai untuk menguji
sistem terhadap citra asing maupun citra asli.
Threshold yang digunakan untuk menentukan
keluaran hasil klasifikasi:
Tabel 4.13 Perbandingan Ketiga Metode

90.5

Metode
Backpropagation

99

Fungsi Threshold

LVQ

Tabel 4.11Motion Blur Terhadap Akurasi dengan


Sudut 90
Meto- Normal
5
10
15
20
de
piksel piksel piksel piksel
BP
99.5
99.5
99.5
99.5
99.5
LVQ

90.75

90.25

90.25

90

90.25

ED

99.25

99.25

99.25

99.25

99.25

Ecluidean Distance

Tabel 4.14 Kehandalan Sistem dalam Menolak Citra


Asing

Dengan melihat perubahan akurasi rata-rata


dapat disimpulkan bahwa backpropagation dan
ecluidean distance tidak terpengaruh sama sekali
dengan adanya efek motion blur berbeda dengan
LVQ yang sedikit terpengaruh dengan adanya motion
blur walaupun penurunannya sangat sedikit.

Tabel 4.12 Pengaruh Rotasi Citra Terhadap Akurasi


0

2.5

7.5

10

99.5

98.5

94.25

80.5

69.25

LVQ

90.75

88

81.75

69.75

57.25

ED

99.25

98

93.5

79.5

66.25

TP

FN

Akura
-si
C.Asli

TN

FN

Akurasi
C.Asing

Akura
-si
Total

BP
LVQ
ED

385
359
378

15
41
22

96.25
89.75
94.5

160
170
146

40
30
54

80
85
97.5

90.83
88.17
87.33

Keterangan :
- TP (True Positive) :Citra
asli
yang
teridentifikasi benar sesuai namanya.
- FN (False Negative) : Citra asli yang salah
teridentifikasi.
- TN (True Negative) :Citra
asing
yang
teridentifikasi dengan benar yaitu muncul
notifikasi Wajah Tidak di Kenal
- FN (False Negative) :Citra
asing
yang
teridentifikasi sebagai citra wajah yang pernah
dilatih sebelumnya
- Perhitungan
akurasi
diperoleh
dengan
perhitungan:

4.3.4 Pengujian Ketahanan Sistem Terhadap


Rotasi
Metode

Metode

Berdasarkan tabel di atas, dengan melihat


penurunan akurasi dari citra normal, maka dapat
disimpulkan backpropagation lebih tahan terhadap
rotasi

Berdasarkan pengujian di atas, pemilihan


threshold sangatlah penting untuk menolak citra
asing. Pemilihan threshold harus seimbang untuk
pengklasifikasian citra wajah asli dan citra wajah
asing. Kesimpulan pengujian ini yaitu, ketiga sistem
masih bisa membedakan citra asli dengan citra asing
dengan baik.

4.4 Gangguan dan Analisis Terhadap Citra


Asing
Citra asing yang dimaksud pada pengujian kali
ini yaitu citra wajah yang belum pernah dilatih
sedangkan citra asli merupakan citra wajah yang
pernah dilatih sebelumnya.
Sistem dapat mengetahui apakah citra yang
diujikan merupakan citra wajah yang pernah dilatih
sebelumnya atau tidak dengan menggunakan fungsi
threshold. Threshold atau batas ambang dihasilkan
dengan cara mencari nilai maksimal keluaran dari
masing-masing bobot yang menuju ke layer output.
Nilai
maksimal
hanya
dihitung
untuk

4.5 Perbandingan Ketiga Metode


Berdasarkan hasil dari beberapa jenis pengujian
di atas maka dapat dibandingkan antara ketiga
metode tersebut. Hasil perbandingan dapat dilihat
pada tabel berikut.

Metode
BP

Tabel 4.15 Perbandingan Ketiga Metode


Kelebihan
Kekurangan

- Akurasi
-

LVQ

tinggi
(99.5%)
Tahan
terhadap
pemakaian
kacamata
Tahan
terhadap
noise salt & pepper
dan noise poisson.
Tahan
terhadap
motion blur
Tahan
terhadap
rotasi
Waktu
pelatihan
cepat
Tahan
terhadap
noise poisson
Tahan
terhadap
motion blur

- Waktu
pelatihan
sangat lama

- Akurasi

ED

- Akurasi
-

tinggi
(99.25%)
Tidak ada proses
pelatihan,
hanya
terdapat kumpulan
citra pada database
sebagai acuan.
Tahan
terhadap
noise salt & pepper
dan noise poisson.
Tahan
terhadap
motion blur

Semakin Besar jumlah PC yang dipilih, maka


dimensi input JST semakin besar, sehingga
proses pelatihan semakin lama. Selain itu,
semakin besar jumlah PC cenderung
manaikkan akurasi, tetapi untuk jumlah yang
terlalu besar justru akan mengurangi akurasi.
b. Jumlah Hidden Neuron
Jumlah hidden neuron mempengaruhi tingkat
akurasi dan waktu komputasi, semakin banyak
jumlah hidden neuron makan waktu
komputasi akan semakin lama.
c. Nilai Learning Rate
Nilai learning rate mempengaruhi tingkat
akurasi dan waktu komputasi. Pemilihan
learning rate yang terlalu besar atau terlalu
kecil akan membuat sistem menjadi tidak
stabil.

tidak begitu
tinggi
(90.75%)
Tidak tahan
terhadap
pemakaian
kacamata
Tidak tahan
terhadap
noise salt &
pepper
Tidak tahan
terhadap
rotasi
Tidak tahan
terhadap
pemakaian
kacamata
Tidak tahan
terhadap
rotasi

2. Akurasi tertinggi ketiga metode didapatkan:


a. pada backpropagation mencapai 99.5% yaitu
pada saat menggunakan jumlah 150 PC,
jumlah hidden neuron 250, dan nilai learning
rate 0.1.
b. pada LVQ mencapai 90.75% yaitu pada saat
menggunakan jumlah 50 PC, jumlah hidden
neuron 250, dan nilai learning rate 0.0075.
c. pada ecluidean distance mencapai 99.25%
yaitu pada saat menggunakan 50 PC.
3. Berdasarkan akurasi maksimal yang dicapai dan
ketahanan sistem terhadap pengaruh dari luar
seperti penggunaan kacamata, penambahan noise,
penambahan rotasi, dan motion blur ,
backpropagation lebih baik daripada LVQ dan
ecluidean distance untuk sistem pengenalan
wajah
4. Waktu pelatihan pada backpropagation jauh lebih
lama dibandingkan LVQ. Hal ini disebabkan
karena dalam pengkoreksian bobot-bobot pada
backpropagation
harus
melalui
beberapa
perhitungan berbeda dengan LVQ yang hanya
melalui satu hitungan.
5. Waktu pengujian dari akuisisi sampai dengan
pengenalan antara ketiga algoritma tidak jauh
berbeda
yaitu
1.004169
sekon
pada
backpropagation, 1.00045 sekon pada LVQ, dan
1.00218 sekon pada ecluidean distance. Waktu
rata-rata pengujian tersebut diambil pada saat
pengujian pengaruh jumlah PC terhadap jaringan.

5. PENUTUP
5.1 Kesimpulan
Dari hasil pengujian dan analisis, maka dapat
ditarik kesimpulan sebagai berikut:
1. Dalam perancangan sistem pengenalan wajah
dengan menggunakan PCA dan Jaringan Saraf
Tiruan ada beberapa hal yang perlu diperhatikan,
yaitu:
a. Jumlah Principal Component (PC) yang
dipilih pada proses PCA

5.2 Saran
Berdasarkan hasil pengujian dan analisis yang
telah dilakukan, maka dapat diambil beberapa saran
untuk pengembangan sistem pengenalan wajah
selanjutnya:
1. Agar sistem tetap tahan terhadap pengaruh rotasi,
maka
tahap
pre-processing
ditambahkan

2.

3.

4.
5.
6.
7.

normalisasi sudut untuk mengembalikan posisi


wajah menjadi normal atau pada posisi 0.
Gunakan metode momentum gradient pada
backpropagation untuk menghindari perubahan
bobot yang mencolok akibat adanya data yang
sangat berbeda dengan yang lain (outlier).
Tinjau kembali parameter-parameter untuk
backpropagation dengan 2 hidden layer atau
lebih.
Gunakan data validasi pada proses pelatihan agar
jaringan tidak jenuh.
Pada proses akuisisi agar dicari lagi sistem
pendeteksian wajah yang lebih baik.
Gunakan citra yang lebih bervariasi baik pose
maupun pencahayaan.
Sistem dijalankan secara realtime

DAFTAR PUSTAKA
[1] Anon., n.d. Mean Squared Error, Sum of Squared
Error
Calculator.
http://easycalculation.com/statistics/mean-andstandard-square-error.php, (download tanggal 25
Januari 2014).
[2] Hermawan, A., 2006. Jaringan Saraf Tiruan,
Teori dan Aplikasi. 1st ed. Yogyakarta: Andi.
[3] Prakoso, F. G., 2012. Analisis Perbandingan
Metode Eigenface, Fisherface dan Laplacianface
pada Sistem Pengenalan Wajah. Bandung: Institut
Teknologi Telkom.
[4] Purnomo, H. M. & Muntasa, A., 2010. Konsep
Pengolahan Citra Digital dan Ekstraksi Fitur. 1st ed.
Yogyakarta: Graha Ilmu.
[5] Putra, D., 2009. Sistem Biometrika. 1st ed.
Yogyakarta: Andi.
[6] Rachmat, A., 2013. Sistem Identifikasi Biometrik
Ruas Jari Tangan Manusia Menggunakan Metode
Principal Component Analysis (PCA) dan Learning
Vector Quantization (LVQ). Bandung: Institut
Teknologi Telkom.
[7] Rahman, F. A., 2013. Deteksi Penyakit Kulit
Menggunakan Filter 2d Gabor Wavelet dan Jaringan
Saraf Tiruan Radial Basis Function. Bandung: IT
Telkom.
[8] Siang, J. S., 2009. Jaringan Syaraf Tiruan &
Pemrograman Menggunakan Matlab. 2nd ed.
Yogyakarta: Andi.
[9] Smith, L. I., 2002. A Tutorial on Principal
Component Analysis. 26 February.
[10] Sutoyo, T. et al., 2009. Teori Pengolahan Citra
Digital. 1st ed. Yogyakarta: Andi.
[11] Wijaya, M. C. & Priyono, A., 2007. Pengolahan
Citra Digital Menggunakan Matlab. 1st ed. Bandung:
Informatika.