Laporan Akhir Rutin-2016
Laporan Akhir Rutin-2016
DAFTAR ISI...................................................................................................................... 1
RINGKASAN .................................................................................................................... 2
LAMPIRAN
1
RINGKASAN
2
BAB I
PENDAHULUAN
3
menjadi tidakefisien. Beberapa literatur khusus mengenai penggunaan JST
Levenberg-Marquardt menunjukkan bahwa algoritma pembelajaran ini dapat
mempercepat pencapaian konvergensi minimum error dan bobot optimal.
Wilamowsky dan Yu (2010) berhasil memodifikasi Levenberg-Marquardt dimana fase
pembelajaran algoritma ini menjadi tereduksi dan mampu menghasilkan bobot yang
optimum dalam melakukan pengenalan pola data masukan.
Oleh karena itu pada penelitian ini akan dikembangkan suatu sistem yang
dapat diterapkan untuk mengidentifikasi wajah seseorang secara otomatis dengan
memadukan teknik pengolahan citra digital dan JST Levenberg-Marquardt learning
algorithm.
4
BAB II
TINJAUAN PUSTAKA
C A * AT (2.4)
5
5. Cari nilai eigen dan vektor eigen v dari matriks kovarian C dengan persamaan :
det I C 0 (2.5)
kemudian urutkan vektor eigen berdasarkan nilai eigennya dari yang terbesar
sampai yang terkecil, kemudian diambil sebanyak p buah nilai eigen terbesar.
6. Cari principal component (P) dengan cara mengalikan matriks (A) dengan matriks
vektor eigen berdasarkan persamaan 2.7 :
P AT V (2.7)
Hasil transformasi tersebut merupakan citra wajah yang telah direduksi menjadi
beberapa variabel masukan pada JST.
6
0.01 , min 0.0000000001 , max 1000000000 , 10 , ij (t 1) 0 ,
epochmax , SSEmin , i 1 , t 0
dimana :
SSE : jumlah kuadrat eror
s : indeks pola data
n : jumlah pola data
k : indeks neuronoutput layer
m : jumlah neuronoutput layer
ek ( s )(t 1) : error jaringan di neuron ke-kpola data ke-s waktu ke-t+1
e( w( t ) )
: turunan parsial error terhadap bobot yang bersesuaian
w( t )
(t ) : waktu
Langkah 4 : Hitung matriks Hesian (Contoh perhitungan lihat lampiran D).
H (w(t ) ) J T (w(t ) ) J (w(t ) ) I (2.11)
Dimana :
7
J T (w(t ) ) : matriks jacobian transpose
J ( w( t ) ) : matriks jacobian
I : matriks identitas
: parameter pembelajaran
w(t ) : bobot jaringan waktu ke-t
(t ) : waktu
Langkah 5 : Hitung perubahan bobot (Contoh perhitungan lihat lampiran D).
w(t ) [ H (w(t ) )]1 J T (w(t ) )e(w(t ) )
(2.12)
w( t ) : delta bobot waktu ke-t
( w( t ) ) : vector error
(t ) : waktu
Langkah 6 : Hitung bobot baru w(t 1) w(t ) w(t )
(2.13)
Langkah 7 : Panggil prosedur hitung majuuntuk menghitung ulang error
menggunakan bobot baru.
Langkah 8 : Hitung SSEnew (persamaan (2.14))
8
w(t ) w(t 1) , lanjutkanke langkah 10, jika tidak hitung 0.1 , set
Apakah i epochmax
Jika salah satu kondisi terpenuhi proses dihentikan jika belum memenuhi
salah satu kondisi maka hitung i i 1 dan kembali ke langkah 1.
z j ( s )( t 1) f ( z _ net j ( s )( t1) )
h
j
h h
(2.15)
dimana :
i : indeks neuron di input layer
p : jumlah neuron di input layer
j : indeks neuron di hidden layer
q : jumlah neuron di hidden layer&contex layer
h : hidden layer
rh : recurrent hidden layer
r : recurrent
s : indeks dari pola data
n : jumlah pola data
t : waktu
whji ( t ) : bobot dari input layer di neuron ke-i kehidden layerdi
9
xi ( s )(t ) : data input di neuronke-i pola data ke-s waktu ke-t pada
input layer
wrhjl(t ) : bobot dari contex layerdi neuron ke-lke hidden layerdi
contex layer
w0h j (t ) : bobot bias dari input layer ke hidden layer di neuron ke-j
waktu ke-t
z _ net hj ( s )( t1) : penjumlahan bobot-bobot dari input layer kehidden layer
layer
f jh : fungsi aktivasi (sigmoid bipolar)neuron ke-j padahidden
layer
Langkah c : Hitung output jaringan.
p
y _ net ko( s )( t 1) wkjo ( t 1) z hj ( s )( t 1) w0ok ( t )
j 1
y k ( s )( t 1) f ( y _ net ko( s )( t 1) )
o
s
o
(2.16)
dimana :
j : indeks neuron di hidden layer
q : jumlah neuron di hidden layer&contex layer
k : indeks neuron di output layer
m : jumah neuron di output layer
o : output layer
h : hidden layer
s : indeks dari pola data
n : jumlah pola data
10
t : waktu
wkjo ( s )( t 1) : bobot dari hidden layer di neuron ke-j ke output layer di
k waktu ke-t
y _ net kh( s )( t1) : penjumlahan bobot-bobot dari hidden layer ke output
layer
f ko : fungsi aktivasi (sigmoid bipolar) neuron ke-k pada output
layer
dimana :
l : indeks neuron di contex layer
q : jumlah neuron di hidden layer dan contex layer
x lr( s )( t ) : data input di neuron ke-l pola data ke-s waktu ke-t pada
contex layer
wrjl (t ) : bobot dari hidden layer di neuron ke-jkecontex layerdi
n m
es (t 1) yk ( s )(t 1) y ko( s )( t 1)
s 1 k 1 (2.18)
dimana :
11
s : indeks pola data
n : jumlah pola data
k : indeks neuron di output layer
m : jumlah neuron di output layer
es (t 1)
: error jaringan pola data ke-s waktu ke-t+1
yk ( s )( t 1)
: target jaringan di neuron ke-k pola data ke-s waktu ke-t+1
y ko( s )( t 1)
: output jaringan di neuron ke-k pola data ke-s waktu ke-
t+1
Secara umum penelitian tentang pengenalan wajah telah dilakukan oleh peneliti-
peneliti sebelumnya, namun penulis menggunakan dasar artikel penelitian yang
mendekati dengan topik yang dibahas. Beberapa penelitian sebelumnya adalah Saragih
(2007) melakukan penelitian tentang Pengenalan Wajah Menggunakan Metode
Fisherface. Fitur yang digunakan berupa warna kulit. Metode pengukuran jarak
euclidian merupakan metode yang digunakan. Hasil dari penelitian ini adalah
pengenalan wajah dengan presentase akurasi sebesar 81,82%. Penelitian lain yang
dilakukan adalah Pengenalan Wajah Menggunakan Analisis Komponen Utama dan
JST backpropagation (Zayuman dkk., 2011). Dimana sistem pengenalan citra wajah
yang digunakan adalah image based. Informasi mentah dari piksel citra digunakan pada
image based, sedangkan algoritma klasifikasi untuk pengenalan menggunakan JST
backpropagation. Penelitian ini menghasilkan tingkat pengenalan rata-rata sebesar 85%
selama pengujian.
12
BAB III
METODE PENELITIAN
Kedua tahap pada pengenalan wajah tersebut dapat dilihat pada gambar 3.1.
Pola uji
Identifikasi
Akuisisi citra Preprocesing Ekstrasi ciri
ciri
Klasifikasi
Pelatihan
Akuisisi citra Preprocessing Ekstraksi ciri Pembelajaran
Pola pelatihan
Gambar 3.1 Diagram blok pengenalan wajah
1. Akuisisi citra
Tahap akuisisi citra merupakan tahap awal dari pengenalan citra wajah. Proses
akuisisi citra diambil dari data wajah mahasiswa Politeknik Negeri Kupang. Data data
ini akan digunakan dalam pengenalan wajah baik sebagai citra wajah latih maupun citra
wajah uji. Sampel citra wajah yang digunakan pada penelitian adalah tipe BMP dengan
ukuran 50x50 piksel.
2. Preprocessing
Tahap preprocessing merupakan tahap penting dalam pengolahan citra.
Preprocessing bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi
parameter-parameter citra wajah. Beberapa teknik preprocessing yang dibahas pada
penelitian ini yakni, median filter, perenggangan kontras dan ekualisasi histogram.
13
3. Ekstraksi ciri
Ekstraksi ciri pada merupakan tahap pemisahan ciri dari citra wajah yang
dilakukan setelah citra melalui tahap preprocessing. Algoritma ekstraksi ciri yang
digunakan pada penelitian ini adalah algoritma PCA. Hasil ekstraksi ciri PCA akan
digunakan sebagai masukan untuk proses pengenalan wajah pada tahap selanjutnya yaitu
identifikasi ciri dari karakteristik wajah.
4. Identifikasi ciri
Identifikasi ciri merupakan tahap akhir dari sistem pengenalan wajah. Identifikasi
ciri adalah proses klasifikasi berdasarkan ciri kuantitatif sebagai masukan yang berasal
dari citra wajah. Classifier yang digunakan pada penelitian ini adalah jaringan syaraf
tiruan Levenberg-Marquardt yang telah dimodifikasi untuk pengenalan wajah
berdasarkan citra masukan yang telah diekstraksi sebelumnya.
Pelatihan JST
foto Webcam Elman Levenberg Pengujian JST
Elman Levenberg
SISTEM PENGENALAN
WAJAH
Contrast strecth
Pemilihan jumlah
Menghitung nilai ciri
Filter
PCA
14
3.3. Rencana Evaluasi Sistem
FM
FMR x100%
NM (3.1)
dimana:
FM : jumlah data uji yang tidak terdaftar dalam database yang dinyatakan dikenali
atau cocok dengan data citra yang terdaftar dalam database (Kesalahan jenis
kedua).
NM : Jumlah keseluruhan proses pencocokan data uji yang tidak terdaftar dalam
database dengan data citra dalam database.
FMR : probabilitas bahwa sistem menyatakan data uji yang tidak terdaftar dalam
database dikenali atau cocok dengan data citra dalam database. FMR disebut
juga false positive.
FNM
FNMR x100%
NNM (3.2)
dimana:
15
FNM : jumlah data uji yang terdaftar dalam database yang dinyatakan tidak dikenali
atau tidak cocok dengan data citra yang terdaftar dalam database (Kesalahan
jenis pertama).
NNM : Jumlah keseluruhan proses pencocokan data uji yang terdaftar dalam database
dengan data citra dalam database.
FNMR : probabilitas bahwa sistem menyatakan data uji yang terdaftar dalam database
tidak dikenali atau tidak cocok dengan data citra dalam database. FNMR
disebut juga false negative.
CR
CRR x100%
N (3.4)
dimana :
CRR : Probabilitas identifikasi wajah yang benar
CR : Jumlah data uji yang terdaftar dalam database yang digunakan dan dikenali
dengan benar
N : Jumlah keseluruhan data citra yang terdaftar dalam database
16
BAB IV
HASIL DAN PEMBAHASAN
4.1. Pengujian
Hal pertama yang dilakukan dalam menguji kinerja sistem adalah melatih sistem, dalam
melatih sistem digunakan 1 data set dengan jumlah citra latih sebanyak 120. Citra wajah
dengan kondisi pencahayaan yang berbeda-beda terdiri atas 15 orang, 8 citra diambil
Data set diuji sebanyak beberapa kali dengan nilai parameter-parameter yang diubah-
terhadap citra-citra latih dan memberikan hasil seperti ditunjukkan pada tabel 4.1.
Tabel 4.1 Hasil pengujian dimana citra uji sama dengan citra latih
Hasil
17
Pada tabel 4.2 terdapat 8 detail kolom, kolom pertama adalah kombinasi data set yang
digunakan beserta jumlah total citra dari kombinasi tersebut, kolom ke-2 adalah nilai-
nilai parameter jumlah komponen atau ciri, kolom ke-3 adalah nilai-nilai parameter
banyaknya hidden neuron, kolom ke-4 adalah nilai-nilai parameter learning rate, kolom
ke-5 adalah nilai-nilai parameter momentum, kolom ke-6 adalah nilai-nilai parameter
diberikan rata-rata dari nilai akurasi, sistem dalam mengenali kembali citra latih.
Dalam proses pengujian dimana citra uji sama dengan citra latih seperti dapat dilihat di
tabel 5.1, sistem memiliki performansi yang sangat baik dengan rata-rata: akurasi 100%.
Selain itu pada kolom parameter dapat dilihat bahwa walaupun data set di atas
120 buah citra wajah yang sama selalu diklasifikasi dengan tepat sebagai citra wajah
yang sesuai pada setiap pengujian dengan kombinasi parameter yang berbeda. Contoh
hasil pengujian dimana citra uji sama dengan citra latih ditunjukkan pada tabel 5.2.
18
Tabel 4.2 Contoh hasil pengujian dimana citra uji sama dengan citra latih
1 2 3
Orang 1 Dikenali
19
1 2 3
Orang 2 Dikenali
Orang 3 Dikenali
Orang 4 Dikenali
Orang 5 Dikenali
Orang 6 Dikenali
Orang 7 Dikenali
20
Orang 8 Dikenali
1 2 3
Orang 9 Dikenali
Orang 10 Dikenali
Orang 11 Dikenali
Orang 12 Dikenali
Orang 13 Dikenali
21
Orang 14 Dikenali
Orang 15 Dikenali
Pengujian juga dilakukan terhadap citra-citra baru (yang tidak dilibatkan dalam
Tabel 4.3 Hasil pengujian citra dimana citra uji tidak sama dengan citra latih
Hasil
22
Performasi rata-rata 84,45
Tabel 5.3 memberikan hasil pengujian dimana citra yang diujikan tidak sama dengan
citra latih. Pada pengujian ini sistem memiliki performansi rata-rata cukup baik dengan
akurasi 84,45%. Contoh hasil pengujian ini dapat dilihat pada tabel 5.4.
Tabel 4.4 Contoh hasil pengujian dimana citra uji tidak sama dengan citra latih
(Citra)
1 2 3
Dikenali
Dikenali
1 2 3
23
Tidak dikenali
Dikenali
Dikenali
4.2. Pembahasan
Dari hasil pengujian terhadap citra latih (tabel 5.1) dimana citra uji sama dengan citra
latih, terlihat sistem melakukan klasifikasi dengan sangat baik (akurasi 100 %). Hal ini
a. Citra yang telah dilatih memiliki kondisi pencahayaan yang baik karena
b. Karakteristik fitur citra wajah atau jumlah komponen utama yang didapat
dari penggunaan metode ekstraksi ciri yaitu PCA dalam mereduksi ciri (
24
mempercepat konvergensi dengan penambahan momentum pada saat
Dari hasil pengujian terhadap citra latih (tabel 5.2) dimana citra uji tidak sama dengan
citra latih, terlihat sistem melakukan klasifikasi dengan baik (akurasi 84,45%) %). Hal
a. Citra yang telah dilatih memiliki kondisi pencahayaan yang baik karena
b. Karakteristik fitur citra wajah atau jumlah komponen utama yang didapat
dari penggunaan metode ekstraksi ciri yaitu PCA dalam mereduksi ciri.
Walaupun hasil klasifikasi dapat dikatakan baik, namun didapati juga bahwa terdapat 10
buah citra wajah yang diklasifikasi sistem sebagai wajah yang tidak dikenali. penyebab
b. Fitur-fitur yang dipilih memang tidak cukup unik untuk bisa dipakai sebagai
c. Nilai laju pembelajaran, target error, jumlah sel pada lapisan tersembunyi
25
BAB IV
KESIMPULAN DAN SARAN
5.1 Kesimpulan
5.2 Saran
26
DAFTAR PUSTAKA
Gonzalez, R.C., Woods, R.E. dan Eddins, S.L., 2003, Digital Image Processing using
MATLAB, 2nd edition, Prentice Hall, USA.
Perlovsky, L.I., 2001, Neural Network and Intellect : Using Model-Based Concepts,
Oxford University Press, New York
Wilamowski, B.M. dan Yu, H., 2010, Improved Computation for Levenberg
Marquardt Training, IEEE Transactions on Neural Networks, Vol. 21, No. 6, June
2010, 930 937
27
LAMPIRAN 1 . ARTIKEL ILMIAH
a. Alamat online
http://ieeexplore.ieee.org/document/7873829/
28
b. Artikel PDF
29
BUKTI TERINDEX SCOPUS
LAMPIRAN 2.
30
LAMPIRAN 3
BIODATA KETUA
A. Identitas Diri
B.Riwayat Pendidikan
31
D.Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun terakhir
32
5 SEMINASIF 2012 Content Based Image UPN
Retrievel using Invariant YOGJAKARTA,
Moment, Texture and 2012
Backpropagation
Semua data yang Saya isikan dan tercantum dalam biodata ini adalah benar dan
dapat dipertanggungjawabkan secara hukum.Apabila dikemudian hari ternyata dijumpai
ketidaksesuaian dengan kenyataan,saya sanggup menerima sanksi.
Pengusul,
33
BIODATA ANGGOTA I
1. IDENTITAS DIRI
Anggota
a. Nama : Sumartini Dana, ST., MT
b. NIP/NIK : 197803232006042002
c. Tempat dan Tanggal Lahir : Kupang 23 Maret 1978
d. Jenis Kelamin : Perempuan
e. Golongan / Pangkat : III/c/ penata
f. Jabatan Fungsional Akademik : Lektor
g. Perguruan Tinggi : Politeknik Negeri Kupang
h. Alamat : Jln. Adisucipto P.O. Box 139 Penfui
Kupang
i. Telp./Faks. : (0380) 881245, 881246 / 0380881245
j. Alamat Rumah : Jl. Amtaran Fatululi Kupang
k. Telp./Faks. : HP 081353987555
l. Alamat e-mail : sumartinidana@yahoo.com
Tahun
Jenjang Perguruan Tinggi Jurusan/Bidang Studi
Lulus
informatika
3. PENGALAMAN PENELITIAN
34
Politeknik Negeri Kupang 2009
Pertelekomunikasian di Indonesia
Buku/Bab/Jurnal
Tahun
Judul Penerbit/Jurnal
2007 Unjuk Kerja Orthogonal Frequency Division MITRA PNK
Multiple Access pada Sistem Komunikasi
Bergerak
2012 Sistem Pendukung Keputusan (SPK) Untuk Proceedings
Tahun Kegiatan
Sumartini Dana
Nip : 197803232006042002
35
BIODATA ANGGOTA II
1. IDENTITAS PRIBADI
2. NIP 198201012006041004
c. Kecamatan OEBOBO
NATIONAL
PROF. CHENG-HONG-
KAOHSIUNG TEKNIK YANG,Ph.D
2 S2 2015 TAIWAN
UNIVERSITY OF ELEKTRO
APPLIED SCIENCES
36
3. KURSUS / LATIHAN
LAMANYA/TGL/
TAHU
NO. NAMA KURSUS/LATIHAN BLN/THN s/d TEMPAT
N
TGL/BLN/THN
1 2 3 4 5
PENGAJAR
37
15-04-2013 s/d 28
10. BRIDGING PROGRAM 2013 TAIWAN
06-2013
38
KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN
Bilamana dikemudian hari ditemukan ketidaksesuaian dengan pernyataan ini, maka saya
bersedia dituntut dan diproses sesuai dengan ketentuan yang berlaku dan
mengembalikan seluruh biaya ke kas Negara.
Demikian pernyataan ini dibuat dengan sesungguhnya dan dengan sebenar benarnya
39