RANCANG BANGUN APLIKASI PENGENALAN WAJAH

DENGAN METODE PRINCIPAL COMPONENT ANALYSIS

(PCA) AND ADAPTIVE RESONANCE THEORY (ART)
BERBASIS JARINGAN SARAF TIRUAN DENGAN MATLAB

Dosen Pembimbing :

Ir. Riki Mukhaiyar ST, MT, Ph.D

PROYEK AKHIR
Diajukan sebagai Salah Satu Syarat untuk Memperoleh Gelar

Sarjana Sains Terapan (S.ST)

OLEH :

DEVIRA FRENZA

17130008

PROGRAM STUDI TEKNIK ELEKTRO INDUSTRI

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK

UNIVERSITAS NEGERI PADANG

2020
 DAFTAR PUSTAKA

Electronic for you ; New Delhi. (Sep 30, 2016). Top 25 MATLAB Project
Ideas. Anthena Information Solution Pvt. Ltd.
Loppies, S. H. D. (2018)/ IMPLEMENTASI JARINGAN SARAF
TIRUAN BACKPROPAGATION UNTUK DETEKSI WAJAH
DALAM CITRA DIGITAL. Musamus Journal of Technology &
Information, 1(02), 1-7.
Pratiwi, D. E., & Harjoko, A. (2013). Implementasi Pengenalan Wajah
Menggunakan PCA (Principal Component Analysis). IJEIS
(International Journal of Electronics and Instrumentation
Systems), 3(2), 175-184
Mabrur, A. F. (2017). SISTEM PENGAMAN PINTU MENGGUNAKAN
PENGENALAN WAJAH BERBASIS JARINGAN SARAF
TIRUAN. Jurnal E-Komtek (Elektro-Komputer-Teknik), 2017,
1.(1),39-45.
Fiqhi, Z. b., Isnanto, R. R., & Somantri, M. (2014). PENGENALAN
TANDA TANGAN MENGGUNAKAM ANALISIS KOMPONEN
UTAMA (PRINCIPAL COMPONENT ANALYSIS-PCA) DAN
METODE JARINGAN SARAF TIRUAN PERAMBATAN
BALIK. TRANSIENT, 2014, 3(2), 150-156.
Prasetioniri, C. A., Isnanto, R. R., & Hidayanto, A. (2013).
PENGENALAN IRIS MATA MENGGUNAKAN JARINGAN
SARAF TIRUAN METODE PERAMBATAN BALIK DENGAN
PENCIRIAN MATRIKS KO-OKURENSI ARAS KEABUAN
(GRAY LEVEL CO-OCCURRENCE MATRIX-C-GLCM).
Transient: Jurnal Ilmiah Teknik Elektrok, 2(2), 255-259.
Setiawan, R. A., Isnanto, R. R., & Hidayanto, A. (2013). Identifikasi Diri
Berdasarkan Biometrika Telapak Tangan Menggunakan Metode
Tapis Gabor 2-D dan Jaringan Syaraf Tiruan Learning Vector
Quantization (LVQ). TRANSIENT, 2(3), 401-407.
Hidayanto, A., Isnanto, R. R., & Kurniawan, D. (2006). Penentuan
wilayah Wajah Manusia pada Citra Berwarna Berdasarkan Warna
Kulit Dengan Metode Template Matching. Majalah Ilmiah
Teknologi Elektro, 5(2).
Pratiwi, P. (2014). METODE EKSTRAKSI CIRI 2DPCA PADA
PENGENALAN CITRA WAJAH DENGAN MATLAB. Jurnal
Teknologi, 7(1), 1-5.
 ABSTRAK

Circuit Design Calculator Lossless Image Compression Cameras are

nowadays being provided with more and more megapixels to improve the quality
of captured images. Huffman Encoding and Decoding Gain and Noise
Calculations of cascaded Systems Parameters like noise, signal-to-noise ratio and
gain play ang important role in the performance of communication systems.

Sebuah citra adalah kumpulan piksel-piksel yang disusun dalam lari dua-
dimensi. Sebuah piksel pada citra digital adalah stempel dari pemandangan yang
mengandung intensitas citra yang dinyatakan dalam bilangan bulat. Pendeteksian
wajah adalah salah satu bidang kecerdasan buatan yang berguna pada pengolahan
data. Tujuan dari penelitian ini adalah untuk mengimplementasikan jaringan saraf
tiruan pada pendeteksian wajah dalam citra digital dengan menggunakan metode
backpropagation. Deteksi wajah dalam citra digital akan dilatih dan diuji
menggunakan tahap-tahap pada backpropagation. Vector input pelatihan dan
pendeteksian wajah diperoleh dari hasil pengolahan citra. Metodologi yang
digunakan dalam pengembangan lunak ini adalah Rational Unified Process (RUP)
dengan kakas yang digunakan adalah Unified Modelling Language (UML).
Aplikasi dibangun dengan menggunakan bahasa pemograman Matlab 7.0.
berdasarkan hasil pengujian menunjukkan bahwa semua citra wajah yang dilatih
akan dikenali. Citra wajah yang telah dimodifikasi akan memiliki nilai akurasi
pendeteksian yang berbeda dengan wajah sebelum dimodifikasi. Citra wajah yang
telah dimodifikasi akan memiliki nilai akurasi pendeteksian yang berbeda dengan
citra wajah sebelum dimodifikasi. Hal ini disebabkan karena perbedaan vector
input dari citra-citra tersebut.

Sistem identifikasi berkembang dengan cepat. Perkembangan tersebut

mendorong kemajuan sistem keamanan berbasis biometric. Pengenalan wajah
adalah salah satu sistem identifikasi yang dikembangkan berdasarkan cirri wajah
seseorang berbasis biometric yang memiliki keakuratan tinggi. Eigenface
merupakan salah satu metode pengenalan wajah berdasarkan Principal
Component Analysis (PCA) yang mudah diimplementasikan. Eigenface dimulai
dengan pemrosesan awal untuk mendapatkan hasil citra yang lebih baik. Setelah
itu menghitung eigenvector dan eigenvalue dari citra dilakukan proses training
image, proses training wajah yaitu mencari eigenvectorm eigenvalue dan average
image yang diproyeksikan ke dalam sub ruang PCA. Perbandingan terkecil
proyeksi PCA antara file database dan input merupakan hasil nama pengguna,
perbandingan nilai terkecil dicari meggunakan Nearest Neighbor. Program
pengenalan wajah menampillam salah satu nama pengguna ang telah tersimpan
dalam database. Pengujian menggunakan eksoresi seyum dan tanpa ekspresi pada
rosentase keberhasilan proses pengenalan wajah adalah 82,81%. Bebrapa factor
yang mempengruhi keberhasilan pengenalan yaitu pencahayaan pada wajah, jarak
wajah dengan webcam, banyaknya gambar wajah yang tersimpan dan performa
komputer yang digunakan.

Perkembangan teknologi cukup pesat yang disertai peningkatan tindak

kriminalitas mendorong manusia untuk membuat sistem keamanan yang handal.
Pintu otomatis dengan kunci elektronis sebagai salah satu contoh sistem
keamanan telah banyak digunakan oleh berbagai individu serta intansi baik swasta
maupun pemerintah. Namun dari beberapa macam tipe pengaman pintu otomatis
masih ada yang mengundang banyak kekurangan sebagai pengaman yang handal.
Penelitian ini akan merancang sistem pengaman pintu menggunakan pengenalan
wajah berbasis Jaringan Saraf Tiruan (JST) sebagai salah satu upaya menciptakan
keamanan yang handal. Obejek penelitian ini adalah sebuah sebuah pengaman
pintu yang hanya dapat diakses oleh pihak tertentu saja. Bagian-bagian yang perlu
dirancang dalam pembuatan pengaman pintu ini adalah rangkaian
penggerak/pengendali motor, dan program untuk mengolah citra sehingga
menghasilkan keputusan apakah pintu dapat dibuka atau tidak. Perangkat lunaka
(software) yang digunakan adalah matlab 7.04. Hasil penelitian menunjukkan
bahwa prototype sistem yang telah dirancang mempunyai kemampuan utnuk
membedakan antara orang yang asli dengan para pemalsu. Kemampuan dari
sistem pengaman pintu ini secara umum sangat dipengaruhi oleh laju
pembelajaran dan batas ambang (threshold) yang digunakan. Akurasi dalam
proses klasifikasi ini ditunjukkan dengan besarnya nilai FRR (kesalahan untuk
menolak pengguna yang sebenarnya) dan FAR (kesalahan untuk menerima para
“pemalsu”). Besarnya nilai FRR rata-rata adlah 4,67% dan FAR rata-rata adalah
0.51%. Sistem belum sempurna jiak ingin diimplementasikan paa masyarakat,
karena nilai FRR rata-rata=40% dan FAR rata-rata=24,8% yang diperoleh pada
pengujian secara online masih relative besar.

Kebutuhan terhadap sistem pengenalan identitas secara otomatis yang

handal dan dapat dipercaya semakin meningkat terutama untuk sistem keamanan
pada era informasi sekarang ini. Sistem pengenalan bertujuan mengetahui
identitas seseorang. Banyak orang memanfaatkan kekurangan sistem pengenalan
konvensional untuk mendapatkan keuntungan individu. Oleh karena itu,
dibuthkan keamanan dalam teknologi biometric untuk melindungi identitas
seseorang. Penelitian ini bertujuan mengembangkan sebuah program yang dapat
mengenali perilaku manusia, yaitu tanda tangan. Sistem dilatih dengan
memasukkan beberapa citra hasil pindai tanda tangan. Proses identifikasi ciri
menggunakan PCA bertujuan menyederhanakan variable yang diamati dengan
cara menyusutkan dimensi citra tanda tangan. Proses pengenalan pemilik tanda
tangan dilakukan menggunakan metode jaringan saraf tiruan perambat balik
sehingga didapat satu sistem yang dapat mengenali individu pemilik tanda tangan.
Berdarkan penelitian yang dilakukan, didaptkan hasil bahwa semakin banyak citra
latih yang digunakan dalam membuat jaringan akan meningkatkan tingkat
pengenalan jaringan terhadap citra uji. Semakin banyak jumlah komponen utama
pada citra juga akan meningkatkan tingkat pengenalan sistem. Dimana
penggunaan Sembilan citra dilatih dan 50 komponen utama untuk setiap individu
menghasilkan tingkat pengenalan hingga 83,33%. Sedangkan hasil pengujian
sistem dengan citra tanda tangan tiruan pada variasi jumlah data latih=9 dan
jumlah komponen utama=50 menghasilkan pengenalan sebesar 15%.

Selama ini identifikasi individu menggunakan wajah, sidik jari, ataupun

tanda tangan. Padahal selain penelitian tersebut ada cara lain yang lebih spesifik
yaitu menggunakan iris mata. Oleh sebah itu perlu dilakukan lebih lanjut
mengenai iris mata. Pada penelitian ini digunakan ekstraksi cirri okurensi aras
keabuan ( Gray Level Co-occurrence Matrix- GLCM) dan pengenalan
menggunakan Jaringan Saraf Tiruan dengan metode propagasi balik. Pada
penelitian ini, citra iris mata akan diolah terlebih dahulu dipisahkan dari mata
untuk selanjutnya dilakukan peningkatan kualitas citra menggunakan ekualisasi
histogram. Kemudian ekstraksi ciri dilakukan dengan menggunakan pencirian
matriks ko-okurensi aras keabuan ( Gray Level Co-occurrence Matrix- GLCM).
Ciri-ciri yang diperoleh adalah energy, kontras, korelasi, dan ho,ogenitas, yang
akan dijadikan sebagai data masukan (data latih) untuk jaringan saraf tiruan
metode perambatan balik. Selanjutnya digunakan untuk pengujian data uji yang
tidak dilatih sebelumnya, yang dilakukan dalam tiga jenis penelitian yaitu:
pengaruh jarak GLCM, pengaruh sudut GLCM dan pengaruh jumlah layer
tersembunyi. Dari hasil pengujian, dapat disimpulkan bahwa ciri-ciri dari matriks
ko-okurensi memiliki nilai yang berbeda dan jarak yang relative jauh. Pengaruh
parameter sudut yang tertinggi pada GLCM adalah 90% dan persentase
pengenalan jarak GLCM yang paling baik adalah jarak 2, sedangkan jumlah layer
tersembunyi pada Jaringan Saraf Tiruan adalah variasi 1. Dari ketiga parameter
tersebut diperoleh persentase tertinggi yaitu sebesar 93,75%.

Biometika merupakan pengembangan dari metode dasar identifikasi

seseorang dengan menggunakan karakteristik alami manusia sebagai basisnya.
Telapak tangan (palmprint) merupakan salah satu dari organ tubuh manusia yang
bisa digunakan sebagai identifikasi karena bersifat unik. Setiap telapak tangan
memiliki tekstur yang detail dan unik berdasarkan cirri garis-garis utama
(principal-line features) dan cirri garis-garis kusut (wrinkles features), bahkan
berbeda antara telapak tangan kanan dan kiri, telapak tangan juga dapat berubah
serta stabil selama berpuluh-puluh tahun, sehingga dapat digunakan dalam sistem
identifikasi. Pada penelitian ini proses yang dilakukan untuk identifikasi telapak
tangan adalah akuisisi data, pengolahan awal, normalisasi intensitas citra hasil
segmentasi, ekstraksi cirri dan klasifikasi. Algoritma yang digunakan untuk
ekstraksi ciri tekstur telapak tangan adalah tapis Gabor 2-D sedangkan untuk
mengklasifikasikan ciri dari tekstur telapak tangan digunakan Jaringan Syaraf
Tiruan Learning Vector Quantization (LVQ). Pengujian dilaksanakan dengan
program simulasi menggunakan perangkat lunak Matlab 7.12 (2011a). Pengenalan
terhadap klasifikasi nilai vector ciri pada setiap telapak tangan diperoleh dari
banyaknya nilai pengenalan atau jumlah persentase setiap nilai vector ciri
terhadap nilai kelas target yang ditentukan. Persentase pengenalan terbaik adalah
87,5% dari 40 citra uji dari 20 individu dengan 36 citra uji dikenali dengan tepat
pada individunya sedangkan 5 citra uji lainnya dikenali sebagai individu yang
salah.

Penentuan wilayah wajah dalam citra digital telah mengalami

perkembangan yang sangat berarti dalam decade terakhir ini, dengan
penerapannya pada berbagai bidang, misalnya dalam hak penyidikan, dan sampai
dengan sekarang ini terus dilakukan penelitian ilmiah atas penentuan wilayah
wjah ini, meskipun penentuan wilayah wajah sangat mudah dikenali dengan
penglihatan manusia, tetapi automasi pengolahan pada komputer memerlukan
berbagai macam teknik pengolahan citra. Informasi warna kulit dan metode
template matching digunakan dalam penelitian ini. Metode ini terdiri atas dua
langkah pengolahan citra. Pertama, mamisahkan wilayah kulit dengan wilayah
bukan kulit. Kedua, menempatkan wajah model tampak depan didalam wilayah
kulit. Dalam langkah pertama, citra berwarna diubah menjadi citra kemungkinan
kulit (citra aras keabuan). Citra ini mempunyai nilai keabuan yang menunjukkan
suatu piksel mempunyai kemungkinan merupakan wilayah kulit. Kemudian citra
kemungkinan kulit diambangkan dengan pengambangan adaptif. Citra terambang
ini merupakan citra biner, yang terdiri atas wilayah kulit dan wilayah bukan kulit.
Selanjutnya dengan menggunakan metode template matching, ditentukan wilayah
kulit tersegmentasi tersebut merupakan wilayah wajah atau bukan. Penelitian ini
dilakukan dengan program bantu MATLAB 6.5. Hasil dari penelitian ini
menunjukkan bahwa penggunaan informasi warna kulit dan metode template
matching, dapat mendeteksi wajah manusia dalam citra berwarna. Tingkat
pengenalan wilayah wajah dengan tingkat keberhasilan 100% alaha sebesar 75%.

Penelitian mengenai pengenalan wajah telah banyak dilakukan dengan

berbagai metode. Namun, penelitian ini masih menarik dilakukan seiring
perkembangan teknologi dan metode yang digunakan dalam pengolahan citra.
Metode ekstraksi cirri pada pengenalan wajahpun cukup banyak yaitu dengan
mengidentifikasi citra wajah secara spesifik dengan menggunakan karakteristik
terukur. Pada penelitian ini peneliti menggunakan ekstraksi cirri 2 Dimensional
Principal Component Analysis (2DPCA) dan menggunakan aplikasi matlab. Data
diambil terlebih dahulu dari digital image kemudian dilakukan cropping untuk
mendapatkan citra wajah. Proses selanjutnya citra wajah dibaca sebagai matrik
dan dibuat berukuran sama 112x96 pixel, kemudian dilakukan konversi ke bentuk
grayscale. Setelah ekstraksi cirri 2DPCA dilakukan pengujian citra wajah
dilakukan dengan metode jarak Euclid. Metode Euclid adalah metode dengan
membandingkan jarak citra pengujian dengan basis data citra pelatihan yang
memiliki jarak minimal, pengelompokan data latih dan data uji menggunakan 5
fold cross validation. Hasil akurasi yang diperoleh saat dilakukan percobaan pada
10 wajah dengan prosentase nilai eigen 80%, 85%, 90%, dan 95%, hasilnya
mencapai rata-rata diatas 96,5%.
 SKETSA RANCANGAN TUGAS AKHIR

INPUT SISTEM CITRA

GRAYSCALE

NO YES IDENTIFIKASI
FORMAT CITRA
.JPG

NO YES

EKSTRAKSI CIRI
WAJAH DENGAN
METODE PCA

MODEL JARINGAN
SARAF TIRUAN ART

VERIFIKASI CITRA
(WAJAH)