DAFTAR ISI

HALAMAN SAMPUL ....................................................................................................... i

HALAMAN PENGESAHAN ........................................................................................... ii

DAFTAR ISI...................................................................................................................... 1

RINGKASAN .................................................................................................................... 2

BAB I PENDAHULUAN .................................................................................................. 3

BAB II TINJAUAN PUSTAKA ....................................................................................... 5

BAB III METODE PENELITIAN .................................................................................. 13

BAB IV HASIL DAN PEMBAHASAN ......................................................................... 17

BAB V KESIMPULAN DAN SARAN...........................................................................18

DAFTAR PUSTAKA ...................................................................................................... 19

LAMPIRAN

1
 RINGKASAN

Pengenalan wajah merupakan salah satu karakteristik biometrik yang sering

digunakan dan dikembangkan saat ini. Hal tersebut disebabkan karena wajah memiliki
karakteristik universal (dimiliki oleh setiap orang), mudah dikenali sehingga dapat
mencegah terjadinya penyangkalan terhadap informasi yang diberikan. Selain itu dalam
proses identifikasi wajah, tidak membutuhkan kontak fisik, namun cukup menggunakan
kamera sebagai penangkap citra wajah seseorang.
Permasalahan yang sering muncul dalam penelitian tentang pengenalan wajah
adalah pemilihan metode ekstraksi ciri yang tepat serta penggunaan classifier yang
mampu mengenali ciri dari setiap citra wajah.
Penelitian ini bertujuan untuk mengembangkan suatu sistem pengenalan wajah,
dimana ciri yang akan digunakan diekstrak menggunakan algoritma Principle
Component Analisys (PCA). Hasil ekstraksi ciri selanjutnya akan dilatih menggunakan
algoritma Jaringan Syaraf Tiruan Levenberg-Marquardt.

Keywords : pengenalan wajah, PCA, JST, Levenberg-Marquardt

2
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Keamanan data dan informasi merupakan salah satu aspek terpenting dari sebuah
sistem komunikasi data dan informasi. Pada era komputerisasi saat ini, dibutuhkan
sistem keamanan yang dapat melindungi data dan informasi. Salah satu teknologi yang
diciptakan dalam menunjang aspek keamanan informasi adalah sistem biometrika.
Sistem biometrika adalah sistem yang diciptakan untuk mengukur dan menganalisis data
biologis seseorang berdasarkan karakteristik tertentu seperti sidik jari, retina, wajah,
geometri tangan, wajah dan lain sebagainya untuk proses otentikasi (pengenalan). Ciri
biometrik merupakan pembeda yang dimiliki secara personal dimana terdapat ciri khas
tersendiri yang dapat dijadikan sebagai penunjuk identitas seseorang sehingga telah
memenuhi aspek keamanan informasi yakni otentikasi.
Pengenalan wajah merupakan salah satu karakteristik biometrik yang sering
digunakan dan dikembangkan saat ini. Hal tersebut disebabkan karena wajah memiliki
karakteristik universal (dimiliki oleh setiap orang), mudah dikenali sehingga dapat
mencegah terjadinya penyangkalan terhadap informasi yang diberikan. Selain itu dalam
proses identifikasi wajah, tidak membutuhkan kontak fisik, namun cukup menggunakan
kamera sebagai penangkap citra wajah seseorang.
Penelitian tentang pengenalan wajah telah banyak dilakukan, seperti penelitian
tentang Pengenalan Wajah Menggunakan Analisis Komponen Utama dan Jaringan
Syaraf Tiruan (JST) backpropagation (Zayuman dkk., 2011). Namun, permasalahan
yang sering muncul dalam penggunaan algoritma backpropagation konvensional pada
fase pelatihan yaitu backpropagation sering terjebak dalam kondisi lokal minimum
sehingga backpropagation sulit mencapai nilai konvergen yang ideal meskipun JST
telah dilatih beberapa kali.
Beberapa masalah lain dalam algoritma pembelajaran pada JST, adalah jumlah
iterasi yang dibutuhkan untuk mencapai tahap konvergensi sangat besar (Perlovsky,
2001), hal ini mengakibatkan lambatnya proses pembelajaran pada JST sehingga

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.

1.2 Tujuan Penelitian

Penelitian ini bertujuan untuk :
1. Mengkaji penerapan algoritma levenberg-marquardt untuk
mengidentifikasi wajah.
2. Mengembangkan sistem Pengenalan Wajah Menggunakan Algoritma Principal
Component Analysis (PCA) dan Levenberg-Marquardt.

1.3 Manfaat Penelitian

Manfaat penelitian ini adalah menghasilkan suatu sistem yang dapat dipakai
sebagai aplikasi pengenalan wajah

1.4 Luaran Penelitian

Luaran yang ingin dicapai dalam penelitian ini adalah :
1. Sebuah Aplikasi sistem pengenalan wajah yang mampu mengenali wajah
secara akurat
2. Artikel pada prosiding internasonal terindex SCOPUS

4
 BAB II
TINJAUAN PUSTAKA

2.1 Landasan Teori

2.1.1 Algoritma PCA
Principal Component Analysis (PCA) dibuat pertama kali oleh ahli statistik Karl
Pearson pada tahun 1901. PCA merupakan metode yang mengambil informasi terpenting
dari sekumpulan data yang kompleks. Tujuan dari PCA adalah mereduksi dimensi data
dengan cara mentransformasinya menjadi dimensi yang lebih kecil (karakteristik)
dengan mempertahankan variasi data yang ada.
Algoritma PCA adalah sebagai berikut:
1. Misalnya terdapat sejumlah m citra x [ x1 x2 x3 xm ] dimana m
berukuran wxh piksel (n), maka citra tersebut dapat dibentuk menjadi vektor baris
berukuran (1xn) sebagai berikut :
x11 x12 x1n
x x22 x2 n
x 21 (2.1)


xm1 xm 2 xmn

2. Hitung rata-rata dari matriks x dengan persamaan sebagai berikut :

1 m,n
x xij
m i 1, j 1
(2.2)

3. Kurangi matriks x dengan citra rata-rata sehingga didapatkan matriks A sebagai

berikut :
A xx (2.3)
4. Tentukan matriks kovarian C dengan dimensi mxm, dengan persamaan sebagai
berikut :

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)

sehingga nilai eigen yang didapat adalah 1 2 3 m dan vektor

eigen yang bersesuaian dengan nilai eigen adalah sebagai berikut :
V11 V12 V1m
V V21 V2 m
V 21 (2.6)


Vm1 Vm 2 Vmm

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)

7. Transformasi PCA berdasarkan persamaan 2.8:

PCA A P (2.8)

Hasil transformasi tersebut merupakan citra wajah yang telah direduksi menjadi
beberapa variabel masukan pada JST.

2.1.2 Algoritma Levenberg-Marquardt

Langkah-langkahLevenberg-Marquardt Algorithm(Wilamowski, dkk., 2010),

sebagai berikut :
Langkah 0 : Inisialisasi nilai awal menggunakan metode random:
- Bobot pada waktu t 0
- Hidden units zih(t 1) pada waktu t 0

Tentukan nilai parameter :

6
 0.01 , min 0.0000000001 , max 1000000000 , 10 , ij (t 1) 0 ,

epochmax , SSEmin , i 1 , t 0

Langkah 1 : Panggil prosedur hitung maju.

n m
Langkah 2 : Hitung SSE 1
2 (e
s 1 k 1
k ( s )( t 1) )2
(2.9)

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

pada output layer

Langkah 3 : Hitung Jacobian matriks (Contoh perhitungan lihat lampiran D).
e( w(t ) )
J ( w(t ) )
w(t )
(2.10)
Dimana :
J ( w( t ) ) : matriks jacobian

e( w( t ) )
: turunan parsial error terhadap bobot yang bersesuaian
w( t )

w(t ) : bobot jaringan waktu ke-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 :

H ( w(t ) ) : matriks hessian

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

[ H (w(t ) )]1 : invers matriks hessian

J T (w(t ) ) : matriks jacobian transpose

( w( t ) ) : vector error

w(t ) : bobot jaringan waktu ke-t

(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))

Langkah 9 : Cek apakah SSEnew SSE :

- Jika tidak, hitung ,set W( t ) W( t ) . Cek kondisi apakah

min max , jika yalanjutkanke langkah 5, jika tidak hitung

100 lanjutkan ke proses berikutnya

- Jika ya, hitung / Cek kondisi apakah min , jika ya set

8
 w(t ) w(t 1) , lanjutkanke langkah 10, jika tidak hitung 0.1 , set

w(t ) w(t 1) lanjutkan ke langkah 10.

Langkah 10 : Cek kondisi penghentian :

Apakah SSEnew SSEmin

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.

Langkah-langkah prosedur hitung maju :

Langkah a : Baca data input pola ke k dan waktu ke t .
Langkah b : Hitung output hidden layer.
p q
z _ net hj ( s )( t 1) whji ( t ) xi ( s )(t ) wrhjl (t ) xlr( s )( t ) wojh
i 1 l 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

neuron ke-j waktu ke-t

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

neuron ke-jwaktu ke-t

x lr( s )( t ) : data input di neuron ke-l pola data ke-s waktu ke-t pada

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

pada neuron ke-jpola ke-s waktu ke- t+1

z hj ( s )( t 1) : outputneuron ke-jpola ke-s waktu ke- t+1pada hidden

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

neuron ke-k pola data ke-s waktu ke-t+1

w0ok (t ) : bobot bias dari hidden layer ke output layer di neuron ke-

k waktu ke-t
y _ net kh( s )( t1) : penjumlahan bobot-bobot dari hidden layer ke output

layer pada neuron ke-k pola ke-s waktu ke- t+1

z hj ( s )( t 1) : output neuron ke-j pola ke-s waktu ke- t+1pada hidden

layer
f ko : fungsi aktivasi (sigmoid bipolar) neuron ke-k pada output
layer

Langkah d : Copyoutput hidden layer ke konteks unit.

q
x r
l ( s )( t ) wrjl ( t ) z hj ( s )( t ) (2.17)
l 1

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

neuron ke-l waktu ke- t

z hj ( s )( t ) : output hidden layer di neuron ke-j pola ke-s waktu ke-t

Langkah e : Hitung error jaringan.

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

Langkah f : Cek kondisi masih ada pola ?

Jika ya, hitung n n 1 , t t 1 dan kembali ke langkah a.
Jika tidak, kembali ke program pemanggil.

2.2 Penelitian Pengenalan Wajah

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

3.1. Deskripsi Sistem

Pengenalan wajah terdiri dari 2 tahap yaitu tahap pelatihan dan tahap pengujian.

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.

3.2. Fishbone Penelitian

Fishbone penelitian ini adalah pada gambar di bawah

Akuisisi Citra Wajah Identifikasi Wajah

Pelatihan JST
foto Webcam Elman Levenberg Pengujian JST
Elman Levenberg

SISTEM PENGENALAN
WAJAH

Contrast strecth
Pemilihan jumlah
Menghitung nilai ciri
Filter
PCA

Preprosesing Citra Ekstraksi Ciri

14
3.3. Rencana Evaluasi Sistem

Evaluasi adalah proses untuk mengukur performancesuatu system

biometrikaberdasarkan probabilitas kesalahan oleh sistem. Semakin kecil probabilitas kesalahan
yang dihasilkan berarti kehandalan sistem meningkat demikian sebaliknya semakin besar
probabilitas kesalahan yang dihasilkan berarti kehandalan sistem menurun. Beberapa jenis
kesalahan yang dijadikan tolak ukur dalam pengukuran unjuk kerja sistem biometrika adalah
decision error rate, matching error rate, dan image acquisition rate
Dalam penelitian ini jenis kesalahan yang digunakan sebagai tolak ukur dalam
pengukuran unjuk kerja sistem identifikasi wajah adalah matching error rate yang terdiri dari
FMR dan FNMR.Hasil pengujian yang diperoleh digunakan untukmengevaluasiperformance
identifikasi wajah dengan membandingkan hasil identifikasidata uji dengan data citradalam
database menggunakan FMR, FNMR,EER untuk mode verifikasi dan CRR untuk mode
identifikasi sebagai berikut :

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.

EER FMR FNMR (3.3)

dimana:
EER : nilai titik potong FMR dengan FNMR atau tingkat kesalahan sama (FMR =
FNMR) dimana FMR - FNMR = 0 (dalam praktik nilai ini tidak digunakan,
walau sering dijadikan indikator tingkat akurasi sistem biometrika).
FMR : probabilitas bahwa sistem menyatakan data uji yang tidak terdaftar dalam
database dikenali atau cocok 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.

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

dari masing-masing orang sebagai data latih

Data set diuji sebanyak beberapa kali dengan nilai parameter-parameter yang diubah-

ubah menggunakan metode levenberg. Hasil pelatihan kemudian diujikan kembali

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

Paramater latih penguji

Dataset
an
latih
Iteras
(Jumla Jumlah Banyakn Iterasi
Learni Momentu i Akurasi
h) kompon ya maksimu
ng rate m terbai (%)
en (Ciri) hidden m
k

30 24 0,5 0,5 500 191 100

Latih
50 34 05 0,5 500 164 100
(120)
60 40 0,5 0,5 500 175 100

Performasi rata-rata 100

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

iterasi maksimum algoritma improved backpropagation kolom ke-7 adalah nilai-nilai

parameter iterasi terbaik algoritma improved backpropagation. Pada baris terakhir

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

menggunakan parameter-parameter yang berbeda, hasil pengujian tetap tidak berubah.

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

Data set latih Citra uji Hasil klasifikasi sistem

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

pelatihan) dimana pengujian dilakukan terhadap 80 citra, dan memberikan hasil

pengujian seperti yang ditunjukkan pada tabel 4.3.

Tabel 4.3 Hasil pengujian citra dimana citra uji tidak sama dengan citra latih

Hasil

Paramater latih penguji

Dataset
an
latih
Iteras
(Jumla Jumlah Banyakn Iterasi
Learni Momentu i Akurasi
h) kompon ya maksimu
ng rate m terbai (%)
en (Ciri) hidden m
k

30 24 0,5 0,5 500 191 88,34

Latih
50 34 05 0,5 500 164 85
(120)
60 40 0,5 0,5 500 175 80

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

Data set latih Citra uji Hasil klasifikasi sistem

(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

dapat disebabkan oleh beberapa faktor yaitu :

a. Citra yang telah dilatih memiliki kondisi pencahayaan yang baik karena

telah mengalami proses perbaikan kualitas citra.

b. Karakteristik fitur citra wajah atau jumlah komponen utama yang didapat

dari penggunaan metode ekstraksi ciri yaitu PCA dalam mereduksi ciri (

pembeda antara wajah yang satu dengan wajah yang lain).

c. Kemampuan metode pengklasifikasi improved backpropagation yang

sangat membantu sistem dalam mengoptimalisasi jaringan serta

24
 mempercepat konvergensi dengan penambahan momentum pada saat

melakukan pengenalan wajah.

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

ini dapat disebabkan oleh beberapa faktor yaitu :

a. Citra yang telah dilatih memiliki kondisi pencahayaan yang baik karena

telah mengalami proses perbaikan kualitas citra.

b. Karakteristik fitur citra wajah atau jumlah komponen utama yang didapat

dari penggunaan metode ekstraksi ciri yaitu PCA dalam mereduksi ciri.

c. Kemampuan metode pengklasifikasi improved backpropagation yang

sangat membantu sistem dalam mengoptimalisasi jaringan serta

mempercepat konvergensi dengan penambahan momentum pada saat

melakukan pengenalan wajah.

Walaupun hasil klasifikasi dapat dikatakan baik, namun didapati juga bahwa terdapat 10

buah citra wajah yang diklasifikasi sistem sebagai wajah yang tidak dikenali. penyebab

citra-citra tersebut salah diklasifikasi yaitu:

a. Jumlah citra latih sedikit.

b. Fitur-fitur yang dipilih memang tidak cukup unik untuk bisa dipakai sebagai

pembeda antara wajah satu dengan yang lain.

c. Nilai laju pembelajaran, target error, jumlah sel pada lapisan tersembunyi

dan inisialisasi bobot awal yang diberikan kurang tepat.

25
 BAB IV
KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil pengujian pada bab sebelumnya, dapat disimpulkan bahwa :

1. Sistem yang dikembangkan dapat mengenali wajah manusia dengan akurasi

84.45 %
2. Metode yang diusulkan dapat digunakan sebagai pendekatan dalam sistem
pengenalan wajah

5.2 Saran

1. Metode ini dapat dikembangkan dengan menggabungkan dengan metode yang

lain
2. Pengujian dapat menggunakan citra wajah yang lebih banyak

26
 DAFTAR PUSTAKA

Gonzalez, R.C., Woods, R.E. dan Eddins, S.L., 2003, Digital Image Processing using
MATLAB, 2nd edition, Prentice Hall, USA.

Korikana, S.K., Chandrasekaran, V. dan Madhumathi, D.S., 2008, Robust

Segmentation and Feature Extraction for Identification of Malignant White Blood Cells,
Proceedings of the International Conference on Image Processing, Computer
Vision, & Pattern Recognition (IPCV), Vol. 2, Las Vegas Nevada, USA, 14-17 Juli
2008, 285 289

Leondes, C.T., 1998, Image Processing and Pattern Recognition, Volume 5 of

Neural Network Systems Techniques and Applications, Academic Press, San
Diego, California, 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

Penelitian ini telah dipublikasikan dalam International Seminar on Application for

Technology of Information and Communication dan dimuat dalam IEEE.

a. Alamat online
http://ieeexplore.ieee.org/document/7873829/

28
b. Artikel PDF

29
 BUKTI TERINDEX SCOPUS

LAMPIRAN 2.

SUSUNAN ORGANISASI TIM PENELITI

No. Nama/NIDN Jabatan Bidang Uraian Tugas

Ilmu
1 Rocky Yefrenes Ketua Ilmu Desain dan
Dillak, Komputer analisa sistem
ST.,M.Cs/0029058505
2 Sumartini Dana, ST., Anggota Teknik Programming
MT Elektro
3 Marthen Dangu Elu Anggota Teknik Analisa sistem
Beily, ST., M.Sc. / Elektro dan
0001018206 Programming

30
LAMPIRAN 3

BIODATA KETUA

A. Identitas Diri

1 Nama Lengkap (Dengan Rocky Yefrenes Dillak, ST., M.Cs

Gelar)
2 Jabatan Fungsional Asisten Ahli
3 NIP/NIK/Identitas Lainnya 198505292012121004
4 NIDN 0029058505
5 Tempat dan Tanggal Lahir Kupang,29 Mei 1985
6 Alamat Rumah Jl. Artha Graha II no 16 Walikota
7 No.Telp./HP/Fax 081331043039
8 Alamat Kantor Politeknik Negeri Kupang Jl.Adi Sucipto,
Penfui Kupang
9 No Telp./Fax 881245
10 Alamat E-mail rocky_dillak@yahoo.com
11 Lulusan Yang telah dihasilkan
12 Mata Kuliah Yang diampuh Algoritma dan Pemrograman
Struktur Data
Sistem Operasi
Komunikasi Data
Aplikasi Mobile
Troubleshooting
Keamanan Jaringan

B.Riwayat Pendidikan

Sarjana (S1) Pasca Sarjana (S2) S3

Nama Perguruan Universitas Kristen Universitas Gadjah -
Tinggi Petra Surabaya Mada
Bidang Ilmu Teknik Elektro Ilmu Komputer -
(Telematika) (Kecerdasan Buatan)
Tahun Masuk- Lulus 2003-2008 2010-2012
Judul Aplikasi Web Klasifikasi Fase
Skripsi/Thesis/Disertasi Directory dengan Retinopati Diabetes
Harvester Metadata menggunakan BPNN
Article
Nama Resmana Liem, Agus
pembimbing/Promotor M.Sc Hardjoko,M.Sc.,PhD

31
D.Pengalaman Pengabdian Kepada Masyarakat dalam 5 Tahun terakhir

No Tahun Judul Pengabdian Kepada Pendanaan

Masyarakat Sumber Jumlah
(Juta Rp)
1 2013 Pengembangan Pembangkit Listrik DIPA 2013 5
tenaga Pico solar home system
2 2014 Pengembangan pembangkit listrik DIPA 2014 5
tenaga surya di desa Benu

E.Publikasi Artikel ilmiah dalam Jurnal 5 tahun terakhir

No Judul Artikel Ilmiah Nama Volume/

Jurnal Nomor
Tahun
1 Klasifikasi Fase Retinopati Diabetes IJEIS Vol 7 No 1 Tahun
menggunakan Backpropagation 2013

2 A Novel Approach for Diabetic IJERA Vol 6. Issue 5.

Retinopathy Classification 2016

F.Pemakalah Seminar Ilmiah (oral presentation)dalam jurnal 5 tahun terakhir

No Nama Pertemuan Ilmiah/ Judul Artikel Ilmiah Waktu dan

Seminar Tempat
1 Ten Symposium IEEE Indonesian A Novel Approach for Iris Denpasar, 9 11
Section Recognition Mei 2016
2 Seminar Nasional Aplikasi Klasifikasi Citra Diabetik Yogyakarta, Juni
Teknologi Informasi retinopati menggunakan 3D 2013
GLCM Projection
3 International Conference on Digital Color Image Yogyakarta, 2013
Information technology and Encryption using RC4
Electrical Engineering Stream Chiper and Chaotic
Logistic Map
4 SNASTIKOM 2013 Estimasi Biaya Perangkat Medan, 2013
Lunak Menggunakan Ridge
Polinomial Neural Network
(RPNN)
5 SNIK 2013 Software Cost Estimation UNDIP-
using Elman Neural Semarang, 2013
netowrk

32
 5 SEMINASIF 2012 Content Based Image UPN
Retrievel using Invariant YOGJAKARTA,
Moment, Texture and 2012
Backpropagation

G.Karya Buku dalam 5 tahun terakhir

No Judul Buku Tahun Jumlah Penerbit

halaman
1 Retinopati Diabetes: Sistem 2013 78 Graha
Deteksi Penyakit Menggunakan Ilmu
jaringan Syaraf Tiruan

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.

Kupang, November 2016

Pengusul,

(Rocky Yefrenes Dillak, ST., M.Cs)

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

2. RIWAYAT PENDIDIKAN PERGURUAN TINGGI

Tahun
Jenjang Perguruan Tinggi Jurusan/Bidang Studi
Lulus

2001 S1 Widya Gama malang Teknik Elektro

2012 S2 Universitas Brawijaya Malang Sistem Komunikasi dan

informatika

3. PENGALAMAN PENELITIAN

Tahun Judul Penelitian Jabatan Sumber Dana

2010 Membangun VoIP Berbasis Open Source ketua Dana Rutin

untuk mengoptimalkan penggunaan jaringan 2010

Internet (LAN) politeknik Negeri Kupang

2009 Audit Energi di gedung Mesin-mesin listrik Ketua Dana Rutin

34
 Politeknik Negeri Kupang 2009

2008 Peranan Touchable Optik Terhadap Anggota Dana Rutin 2008

Pertelekomunikasian di Indonesia

4. KARYA TULIS ILMIAH

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

Pengobatan Penderita Diabetes Menggunakan Integrasi EECCIS Elektro

Decision Table dan Algoritma Genetika Unibraw

5. KEGIATAN PROFESIONAL/PENGABDIAN KEPADA MASYARAKAT

Tahun Kegiatan

2008 Memberi Pelatihan Pembuatan dan Pemasangan Lampu Jalan di Kelurahan

Oesapa Kecamatan Kelapa Lima Kota Kupang

2009 Memberi Pelatihan Pemasangan Lampu Penerangan Pekarangan Rumah

Tinggal dan Sosialisasi Hemat Energi Listrik di Kompleks RSS, RT/RW

045/014 Kelurahan Oesapa Kecamatan Kelapa Lima Kota Kupang

Kupang, November 2016

Sumartini Dana
Nip : 197803232006042002

35
 BIODATA ANGGOTA II

1. IDENTITAS PRIBADI

1. Nama Lengkap MARTHEN DANGU ELU BEILY, ST., M.Sc.

2. NIP 198201012006041004

3. Pangkat dan Golongan Ruang PENATA MUDA Tk.I / IIIB

4. Tempat Lahir/Tanggal Lahir KANAKAT, 01 JANUARI 1982

5. Jenis Kelamin LAKI-LAKI

6. Agama KRISTEN PROTESTAN

7. Status Perkawinan BELUM KAWIN

8. Alamat Rumah a. Jalan KEJORA

b. Kelurahan / Desa OEBUFU

c. Kecamatan OEBOBO

d. Kabupaten / Kota KUPANG

e. Propinsi NUSA TENGGARA TIMUR

2. RIWAYAT PENDIDIKAN PERGURUAN TINGGI

UNIVERSITAS NUSA TEKNIK PROF. FRANS UMBU

1 S1 2009 KUPANG
CENDANA KUPANG ELEKTRO DATTA

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

27-4-2010 s/d 30-

1. MIKROKONTROLER 2010 MALANG
4-2010

PENYUSUNAN KURIKULUM BERBASIS

14-6-2010 s/d 15-
2. KOMPETENSI JURUSAN TEKNIK 2010 KUPANG
6-2010
LISTRIK

WORKSHOP MANAJEMEN DAN

METODOLOGI TRACER STUDY DAN 08-12-2010 s/d 11-

3. 2010 KUPANG
SURVEY INDUSTRI BAGI STAF 12-2010

PENGAJAR

WORSHOP PENYUSUNAN STANDARD 26-01-2011 s/d 29-

4. 2011 KUPANG
KOMPETENSI PROGRAM STUDY 01-2011

PELATIHAN INSTRUMENTASI SISTEM 19-09-2011 s/d 23- SURABAY

5. 2011
KONTROL PROSES INDUSTRI 09-2011 A

PENYULUH PEMANFAATAN POTENSI 28-03-2011 s/d 02-

6. 2011 KUPANG
ENERGY AIR 04-2011

ENGLISH LANGUAGE SKILLS 13-11-2009 s/d 14-

7. 2009 KUPANG
UPGRADING 11-2009

FACILITY AND ASSETS MANAGEMENT

05-02-2012 s/d 25-
8. WORKSHOP (ELSU) AND IELTS 2012 KUPANG
05-2012
PREPARATION COURSE

WORSHOP FINALISASI TIGA KBK 24-07-2012 s/d 25-

9. 2012 KUPANG
PRODI D4 JURUSAN TEKNIK ELETRO 07-2012

37
 15-04-2013 s/d 28
10. BRIDGING PROGRAM 2013 TAIWAN
06-2013

Kupang, November 2016

Marthen Dangu Elu Beily, ST., M.Sc.

19820101 200604 1 004

38
 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

POLITEKNIK NEGERI KUPANG

Kampus Penfui : Jalan Adisucipto P.O.BOX 139 Kupang
Telp.(0380) 881246, 881245 Fax (0380) 881245

SURAT PERNYATAAN KETUA PENELITI/PELAKSANA

Saya yang bertanda tangan di bawah ini :

Nama : Rocky Yefrenes Dillak, ST., M.Cs
NIDN : 0029058505
Pangkat/Golongan : Penata Muda Tk 1 / IIIb
Jabatan Fungsional : Asisten Ahli

Dengan ini menyatakan bahwa hasil penelitian saya dengan judul :

Aplikasi Sistem Pengenalan Wajah Menggunakan Algoritma Principal
Component Analysis (PCA) Dan Levenberg-Marquardt dalam skema Riset Dasar
Tahun Anggaran 2016 Bersifat original dan belum pernah dibiayai oleh lembaga /
sumber dana lain

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

Kupang, November 2016

Mengetahui, Yang menyatakan,

Kepala Unit Penelitian dan PpM
Politeknik Negeri Kupang

(Yohanes B. Yokasing, ST., MT) (Rocky Yefrenes Dillak, ST., M.Cs)

NIP. 197112121990031003 NIP. 198505292012121004

39