JST HM
JST HM
HETEROASSOCIATIVE MEMORY
Oleh :
I Gusti Agung Widagda, S.Si, M.Kom
I G.A. Widagda
RINGKASAN
Pengenalan wajah (face recognition) merupakan salah satu bidang kajian dari
pengenalan objek (object recognition). Pengenalan karikatur wajah merupakan salah
satu implementasi dari pengenalan wajah berbasis sketsa (sketch-based face recognition
(SBFR)). SBFR biasanya diaplikasikan di bidang penegakan hukum untuk mengenali
terduga pelaku kriminal. Sketsa wajah dari terduga akan dicocokkan dengan beberapa
wajah foto yang tersimpan dalam database kepolisian. Jaringan Syaraf Tiruan (JST)
merupakan salah satu metode yang biasanya dipakai untuk pengenalan wajah termasuk
karikatur wajah. Pengenalan wajah dengan JST terdiri dari dua tahapan yaitu : pelatihan
(training) dan pengujian (testing). Tahap pelatihan bertujuan untuk menghitung bobot
(weight) jaringan sedangkan tahap pengujian untuk mengenali wajah berdasarkan bobot
yang dihasilkan dalam proses pelatihan. JST Heteroassociative Memory (HM)
merupakan JST yang lebih efisien dibanding JST lainnya seperti : Perceptron dan
Backpropagation. Algoritma dari JST HM lebih singkat sehingga waktu komputasi yang
diperlukan juga semakin cepat. Dalam penelitian ini dipergunakan 8 buah citra karikatur
wajah, 4 buah citra tanpa noise dan sisanya ber-noise. Noise berupa penambahan detil
pada wajah berupa : rambut, kumis, jambang dan jenggot. Dalam tahap pelatihan
dipakai 4 citra tanpa noise sedangkan dalam tahap testing baik citra ber-noise maupun
tanpa noise akan diujikan. Hasil penelitian menunjukkan JST HM dapat mengenali 8
buah karikatur wajah tersebut, baik yang ber-noise maupun tanpa noise.
ii
Facial-Caricature Recognition by means of Heteroassociative
Memory’s Neural Network
I G.A. Widagda
SUMMARY
iii
KATA PENGANTAR
Kami memanjatkan puji syukur kepada Tuhan Yang Maha Esa, karena berkat
rahmat-Nya maka karya tulis ilmiah yang berjudul ”Pengenalan Karikatur Wajah
dengan Jaringan Syaraf Tiruan Heteroassociative Memory” dapat kami rampungkan.
Kami menyampaikan rasa terima kasih yang sebesar-besarnya kepada pihak-
pihak yang telah membantu penyelesaian karya tulis ini diantaranya :
-Bapak Dekan FMIPA, Universitas Udayana
-Bapak Koordinator Program Studi Fisika, FMIPA, Universitas Udayana
-Rekan - rekan dosen Jurusan Fisika, FMIPA, Universitas Udayana
kami menyadari bahwa karya tulis ini masih mengandung banyak kekurangan.
Sehingga kami sangat mengharapkan masukan, saran dan kritik dari semua pihak demi
kesempurnaan hasil karya tulis ini.
Penyusun
iv
DAFTAR ISI
Halaman
HALAMAN JUDUL i
RINGKASAN/SUMMARY ii
KATA PENGANTAR iv
DAFTAR ISI v
DAFTAR TABEL vi
I PENDAHULUAN 1
II TINJAUAN PUSTAKA 3
IV METODE PENELITIAN 15
v
DAFTAR TABEL
halaman
vi
DAFTAR GAMBAR
halaman
vii
I. PENDAHULUAN
Pengenalan wajah (face recognition) merupakan salah satu bidang kajian dalam
pengenalan objek (object recognition). Pengenalan objek bertujuan untuk mendeteksi dan
mengenali sebuah objek dengan jalan mengolah daerah tertentu pada citra masukan dan
mengecek apakah citra tersebut cocok dengan salah satu citra yang ada dalam database.
Proses pengenalan dilakukan dengan memakai model-model objek yang sudah diketahui
sebelumnya. Pengenalan objek tersebut merupakan proses yang sangat komplek. Manusia
dapat melakukan proses pengenalan objek dengan mudah dan cepat. Bertolak belakang jika
algoritma pengenalan tersebut diimplementasikan pada mesin maka pengenalan objek akan
menjadi sangat sulit (Sinkar dan Deshpande, 2015). Metode yang sering dipakai dalam
pengenalan objek yaitu momen invarian (invariant momen). Pengenalan objek dengan momen
invarian dilakukan dengan menghitung jarak Euclidian (Euclidian distance) antara momen
invarian citra uji dan seluruh citra yang ada dalam database. Jarak Euclidien terkecil akan
dipilih sebagai objek yang cocok dengan objek uji. Beberapa penelitian terdahulu yang telah
mempergunakan momen invarian untuk pengenalan objek adalah Ming-Kuei (1962), Zhihu
dan Jinsong (2010) serta Abu-Mostafa dan Psaltis (1984). Kelemahan metode momen
invarian yaitu sensitif terhadap noise. Semakin tinggi orde dari momen invarian maka
semakin rentan terhadap noise (Teh dan Chin, 1988). Metode lain untuk pengenalan objek
adalah Jaringan Syaraf Tiruan (JST). Metode JST secara garis besar terdiri dari dua tahapan
yaitu : pelatihan (trainning) dan pengujian (testing). Data pelatihan berupa nilai intensitas
pixel citra objek. Dari proses pelatihan akan didapatkan nilai bobot (weight) dari JST.
Selanjutnya nilai bobot ini akan dipakai dalam tahap pengujian. Dalam tahapan pengujian,
JST akan diuji untuk mengenali citra uji. JST telah dipakai dalam beberapa penelitian yang
berkaitan dengan objek termasuk wajah. Penelitian yang dilakukan oleh Sinkar dan
Deshpande (2015), memakai JST Multilayer Perceptron (MLP) untuk mengenali objek.
Dileep dan Danti (2016) melakukan penelitian dengan JST Feed-Forward untuk memprediksi
umur dan gender berbasis wajah. Talele dkk. (2016) melaporkan hasil penelitiannya tentang
pengenalan ekspresi wajah dengan menggunakan jaringan syaraf General Regression Neural
1
Network (GRNN). Verma dan Khunteta (2017) telah melakukan riset tentang pengenalan
ekspresi wajah dengan jaringan syaraf multilayer Feed-Forward. Disamping itu penelitian
tentang pengenalan wajah juga oleh dilakukan Adini dkk. (1997). Metode yang dipakai yaitu
dengan mengubah representasi citra dengan jalan menentukan tepian (edge), turunan
(derivative) dan perkalian dengan filter Gabor. Representasi ini diharapkan tidak akan
berpengaruh pada kondisi citra jika terjadi perubahan penyinaran (illumination), sudut
pandang (viewpoint) dan ekspresi wajah. Dari beberapa penelitian ini didapatkan bahwa
pengenalan objek yang mengandung cacat (noise) masih dapat dilakukan dengan JST. Jadi
metode JST memiliki kelebihan jika dibandingkan dengan metode momen invarian dalam
kaitannya dengan pengenalan objek yang mengandung cacat atau noise. Berdasarkan
kelebihan ini maka dalam penelitian ini digunakan JST. Metode JST yang dipakai adalah
Pengenalan karikatur wajah merupakan salah satu implementasi dari pengenalan wajah
berbasis sketsa (sketch-based face recognition (SBFR)). Salah satu aplikasi dari SBFR yaitu
di bidang penegakan hukum, untuk mengenali wajah terduga pelaku kriminal. Sketsa wajah
dari terduga akan dicocokkan dengan beberapa citra wajah yang tersimpan dalam database
kepolisian (Ouyang dkk., 2016). Penelitian yang dilakukan oleh Yuen dan Man (2007)
ditujukan untuk mengenali citra wajah dengan memakai citra sketsa. Metode yang dipakai
yaitu principle component analysis (PCA) dan linear discriminant analysis (LDA). Klare dkk.
(2011) juga melakukan penelitian untuk mengenali citra sketsa forensik dengan metode local
2
II. TINJAUAN PUSTAKA
terinsipirasi dari sistem kerja sistem syaraf biologis yaitu otak dalam mengolah
informasi. JST berusaha untuk meniru cara kerja otak manusia terutama dalam proses
belajar. Agar menjadi cerdas maka manusia perlu berlatih (training) atau belajar.
Demikian juga JST perlu dilatih sehingga menjadi pintar seperti manusia. JST awalnya
dilatih mengenali pola-pola misalnya : sidik jari, wajah, suara, kornea dan lain-lain.
Selanjutnya JST tersebut diuji untuk mengenali pola-pola tersebut maka dia akan
Di dalam otak manusia tersusun atas 10 milyar sel syaraf (neuron) yang saling
berhubungan satu sama lain. Gambar 2.1 memperlihatkan 2 buah neuron pada otak
manusia. Neuron secara garis besar terdiri dari 3 unit yaitu : input, proses, dan output.
Denrite merupakan unit input yang berfungsi sebagai tempat masuknya sinyal. Inti sel
(nucleus) adalah unit yang berfungsi untuk memproses sinyal menjadi informasi.
Sedangkan axon berfungsi sebagai unit output untuk mengirim sinyal dari inti menuju
denrite neuron lainnya. Tampak dalam Gambar 2.1 sinyal yang keluar dari axon neuron
1 akan dikirim ke denrite neuron 2. Hubungan antara axon neuron 1 dan denrite neuron
2 terkoneksi lewat synapses. Agar sinyal dari neuron 1 dapat terkirim ke neuron 2 maka
sinyal tersebut harus memenuhi batasan atau nilai ambang tertentu (threshold). Keadaan
dimana 2 buah neuron saling berhubungan maka neuron tersebut dalam keadaan
teraktivasi. Hubungan antara 2 buah neuron terjadi secara adaptif yang artinya
3
hubungan itu terjadi secara dinamis. Dalam proses belajar maka otak selalu memiliki
antara neuron ini berfungsi untuk mentransformasikan informasi yang diterima lewat
unit input untuk dikirim ke unit keluaran dan menuju ke neuron yang lain. Hubungan
antar neuron ini dinyatakan dengan bobot (weight). Gambar 2.2 memperlihatkan
Input berupa informasi akan dikirim neuron dengan nilai bobot kedatangan tertentu.
Informasi dari berbagai neuron ini akan dijumlahkan ( ∑ ). Hasil penjumlahan ini akan
dibandingkan dengan nilai ambang (threshold) tertentu dengan memakai fungsi aktivasi.
Fungsi aktivasi akan dibahas lebih lanjut di sub bab berikutnya. Jika hasil fungsi
aktivasi melewati nilai ambang tertentu maka neuron tersebut akan diaktifkan sedang
jika tidak maka neuron tersebut tidak akan diaktifkan. Neuron yang aktif akan
y = f(x.w)=f(x1w1+x2w2+…+xmwm)
dimana
y = output
f = fungsi aktivasi
Secara garis besar ada 2 model atau arsitektur JST yaitu JST satu lapisan (single layer)
dan JST banyak lapisan (multi layer). JST satu lapisan ditunjukkan dalam Gambar 2.4.
Dalam JST satu lapisan ini terdiri dari m input (x1,x2,...xm) dan n output (y1,y2,...ym)
dimana :
y1 = f(x1w11+x2w21+…+xmwm1)
y2 = f(x1w12+x2w22+…+xmwm2)
ym = f(x1w1n+x2w2n+…+xmwmn)
JST banyak lapisan merupakan gabungan dari JST satu lapisan seperti diperlihatkan
pada Gambar 2.5. JST terdiri dari n lapisan dari lapisan ke-1 sampai lapisan ke-n.
Lapisan antara lapisan ke-1 dan lapisan ke-n disebut lapisan tersembunyi (hidden layer).
5
Gambar 2.5 Model JST banyak lapisan
Output dari suatu lapisan menjadi input bagi lapisan berikutnya seperti dinyatakan
dalam persamaan berikut ini. Untuk lapisan ke-1 outputnya yaitu : z1,z2,...zn
z1 = f(x1w11+x2w21+…+xmwm1)
z2 = f(x1w12+x2w22+…+xmwm2)
⁞
zm = f(x1w1n+x2w2n+…+xmwmn)
Untuk lapisan ke-2 outputnya yaitu : q1,q2,...qk
q1 = f(z1v11+z2v21+…+znvn1)
q2 = f(z1v12+z2v22+…+znvn2)
⁞
qk = f(z1v1k+z2v2k+…+znvnk)
Dan untuk lapisan terakhir, lapisan ke-n outputnya yaitu : y1,y2,...yn. Jika diandaikan
y1 = f(q1u11+q2u21+…+qkui1)
y2 = f(q1u12+q2u22+…+qkui2)
⁞
yn = f(q1u1k+q2u2k+…+qkuin)
Beberapa fungsi aktivasi yang umumnya dipakai dalam JST diantaranya adalah :
a) Fungsi Linear
Dimana α adalah gradien atau kemiringan fungsi. Bentuk fungsi aktivasi linear
6
Gambar 2.6 Fungsi linear
0 jika x 0
y = f ( x) = (2.2)
1 jika x 0
− 1 jika x 0
y = f ( x) = (2.3)
+ 1 jika x 0
− 1 jika x −1
y = f ( x) = x jika − 1 x 1 (2.4)
1 jika x 1
Bentuk fungsi aktivasi linear piecewise ditunjukkan pada Gambar (2.9).
1
y = f ( x) = untuk 0 f ( x) 1 (2.5)
1 + e −x
Bentuk fungsi aktivasi Sigmoid biner ditunjukkan pada Gambar (2.10).
e x − e − x
y = f ( x) = untuk − 1 f ( x) 1 (2.6)
ex + e −x
8
Gambar 2.11 Fungsi Sigmoid bipolar
Otak manusia agar menjadi cerdas maka perlu berlatih atau belajar. Demikian
juga JST perlu diberi pelatihan atau pembelajaran agar menjadi cerdas. Neuron-neuron
dalam JST saling berhubungan satu sama lain. Seberapa besar hubungan antara satu
neuron dengan neuron lainnya dinyatakan dengan bobot. Selama proses pembelajaran
nilai bobot ini akan berubah secara dinamis. Jika informasi diterima oleh sebuah neuron
dapat terkirim ke neuron tujuan maka nilai bobot yang menghubungkan kedua neuron
tersebut akan bertambah. Demikian sebaliknya jika informasi tidak terkirim maka nilai
bobot akan berkurang. Pada saat pelatihan maka sebuah JST diberikan data atau input
yang berbeda-beda sehingga nilai bobot akan terus mengalami perubahan sampai
tercapai nilai yang seimbang. Jika nilai ini sudah tercapai berarti semua input sudah
Metode pembelajaran pada JST secara garis besar terdiri dari dua bagian :
Dalam metode pembelajaran terawasi maka target atau output yang diharapkan
sudah diketahui sebelumnya. Pola input akan diberikan pada neuron pada lapisan
Lapisan output akan menghasilkan output yang akan dibandingkan dengan targetnya.
Jika terjadi perbedaan antara output dengan target maka masih terjadi error. Jika
perbedaan ini cukup besar berarti JST perlu diberikan pembelajaran lagi.
9
b) Metode pembelajaran tidak terawasi
kita tidak dapat menentukan hasil seperti apakah yang diharapkan selama proses
pembelajaran. Nilai bobot diatur dalam suatu range nilai tertentu tergantung dari nilai
input yang diberikan dan selanjutnya akan menghasilkan outputnya secara mandiri.
Metode ini biasanya sangat cocok dipakai untuk kasus pengelempokan pola (pattern
classification)
pengenalan pola berbasis Jaringan Syaraf Tiruan. Pelatihan dalam metode HM dilakukan
dengan memperbaiki bobot (weight) dari JST. JST HM ini dapat menyimpan sekumpulan
pola (P). Tiap-tiap kumpulan pola adalah pasangan vektor input dan target (s(p), t(p)),
dimana p = 1,2,…,P. Tiap vektor input atau sumber s(p) terdiri dari n komponen, dan tiap
vector target atau output t(p) terdiri dari m komponen. Nilai bobot dpt dicari dg memakai
aturan Hebb (Hebb Rule) atau aturan Delta (Delta Rule). Jika dinyatakan dalam bentuk
persamaan :
dimana,
10
dimana
(Fausset, 1998) :
Langkah 1 : untuk tiap pasangan input dan target s : t, lakukan langkah 2 sampai 4 :
xi = si (i = 1,2,…,n)
yj = tj dimana j = 1, 2, ...,m
Algoritma pelatihan JST HM juga dapat dinyatakan dengan perkalian matrik (Outer
Product) antara vektor input s(p) dan target t(p) seperti berikut ini :
Jika S = st dan T = t maka bobot w dapat ditentukan dari perkalian S.T yaitu :
s1 s1t1 s 1t j s1tm
. .
w = ST = si ( t1 tj tm ) = si t1 s itj s i tm
. .
s snt1 s nt j s n tm
n
c) Algoritma Pengujian (testing) JST HM
dengan menggunakan nilai bobot yang dihasilkan dari proses pelatihan. Algoritma
Langkah 2 :
xi = si (i = 1,2,…,n)
1 jika y _ in j 0
y j = f ( y _ in j ) = 0 jika y _ in j = 0
−1 jika y _ in 0
j
1 jika y _ in j 0
y j = f ( y _ in j ) =
0 jika y _ in j 0
Sedangkan proses pengujian dari hasil pelatihan yang didapatkan lewat perkalian
Langkah 1 : untuk tiap pasangan input dan target s : t ,lakukan langkah 2 sampai 4 :
x=s
Langkah 3 : hitung vektor input jaringan ke unit output y_in dengan persamaan :
y _ in = x.w
1 jika y _ in j 0
y j = f ( y _ in j ) =
0 jika y _ in j 0
dimana vektor yj :
13
III. TUJUAN DAN MANFAAT PENELITIAN
Untuk merancang program aplikasi komputer pengenalan karikatur wajah dengan JST
Heteroassociative Memory
Aplikasi komputer yang dihasilkan dapat dipergunakan untuk mengenali pola wajah
14
IV. METODE PENELITIAN
a. Perangkat keras :
b. Perangkat lunak :
3. Pelaksanaan Penelitian
Data input dari JST HM berupa citra karikatur wajah dengan ukuran lebar 150 pixel
dan tinggi 150 pixel. Citra ini dapat dinyatakan dalam bentuk matrik dua dimensi dengan
150 baris dan 100 kolom. Sehingga jumlah input atau sumber s sebanyak 15000 elemen
yaitu : s1, s2, ..., s15000. Jumlah target t sebanyak 4 elemen yaitu : t1, t2, t3, t4. Jumlah data
citra wajah yang dipakai dalam pelatihan ini yaitu 4 buah seperti diperlihatkan pada Tabel
4.1.
111 -1
2
15
11-1 1
3
11-1 -1
4
Dalam proses pengujian maka data citra wajah yang diujikan adalah data citra yang
tidak bernoise dan bernoise. Data citra tidak bernoise adalah data citra yang dipakai
dalam proses pelatihan seperti tercantum dalam Tabel 4.1. Sedangkan data citra bernoise
diperlihatkan pada Tabel 4.2. Data citra bernoise adalah versi lain citra tanpa noise
(Tabel 4.1) dengan penambahan seperti : rambut, kumis, jambang dan jenggot.
S
1
s
Dari data pelatihan maka rancangan arsitektur JST HM seperti diperlihatkan pada
Gambar 4.1.
16
Gambar 4.1 Arsitektur JST HM untuk pengenalan wajah
Dari arsitektur JST HM dapat dilihat bahwa jumlah elemen vektor input x yaitu 15000.
Elemen dari vektor input x yaitu : x1, x2, …, x15000. Sedangkan jumlah output y adalah 4.
Elemen vektor output y yaitu : y1, y2, y3 dan y4. Jumlah elemen vektor bobot w yaitu
mulai
xi = si
wij( baru) = wij(lama) + xiyj
P = P +1
P<=jml_pola? ya
tidak
selesai
Wij , P= 1
Jml_pola
xi = si
y_inj = ∑xiwij
yj = f(y_inj)
P = P +1
P<=jml_pola? ya
tidak
selesai
Rancangan GUI aplikasi pengenalan wajah dengan JST HM dapat dilihat pada
18
3.6 Implementasi kode program (source code)
for i=1:1:num_im
% s(i,:,:)=rgb2gray(handles.im_original{i});
end
%s(1,:,:)
%size(s)
for i=1:1:num_im
s_target(i,:,:)=im2bw(handles.im_original_target{i});
%s_target(i,:,:)=rgb2gray(handles.im_original_target{i});
end
%s_target(1,:,:)
%size(s_target)
jml_citra=size(s,1);
jml_baris=size(s,2);
jml_kolom=size(s,3);
for k=1:1:jml_citra
for i=1:1:jml_baris
for j=1:1:jml_kolom
if s(k,i,j)>0 %putih
s_temp(k,i,j)=-1;
else %hitam
s_temp(k,i,j)=1;
end
19
end
end
end
handles.jml_citra_target=size(s_target,1);
handles.jml_baris_target=size(s_target,2);
handles.jml_kolom_target=size(s_target,3);
for k=1:1:handles.jml_citra_target
for i=1:1:handles.jml_baris_target
for j=1:1:handles.jml_kolom_target
if s_target(k,i,j)> 0 %putih
s_target_temp(k,i,j)=-1;
else %hitam
s_target_temp(k,i,j)=1;
end
handles.s_target_bipolar(k,i,j)=s_target_temp(k,i,j);
end
end
end
%handles.s1_target_bipolar
%ubah citra 'source' format matrik baris kolom(i,j) jadi format baris
%citra 1
for m=1:1:jml_citra
k=0;
for i=1:1:jml_baris
for j=1:1:jml_kolom
20
k=k+1;
source(m,k)=s_temp(m,i,j);
end
end
end
%ubah citra 'target' format matrik baris kolom(i,j) jadi format baris
%citra target 1
for k=1:1:handles.jml_citra_target
m=0;
for i=1:1:handles.jml_baris_target
for j=1:1:handles.jml_kolom_target
m=m+1;
target(k,m)=s_target_temp(k,i,j);
end
end
end
jml_pola=size(source,1);
jml_input = size(source,2);
jml_output=size(target,2); %handles.jml_baris_target*handles.jml_kolom_target;
handles.w=0;
for i=1:1:jml_pola
handles.w= handles.w+source(i,:)'*target(i,:);
end
%for j=1:1:jml_output
% for i=1:1:jml_input
% disp(strcat('w',num2str(i),num2str(j),' = ',num2str(handles.w(i,j))));
% end
%end
21
%Tampilkan bobot dalam list box
n=0;
for i=1:1:jml_input
n=n+1;
in(n)=i;
jn(n)=j;
wn(n)=handles.w(i,j);
end
end
set(handles.show_listbox,'String',strcat('w',num2str(in'),num2str(jn'),' = ',num2str(wn')));
guidata(hObject,handles);
s=im2bw(handles.im_testing);
%s=rgb2gray(handles.im_testing);
jml_baris=size(s,1);
jml_kolom=size(s,2);
for i=1:1:jml_baris
for j=1:1:jml_kolom
if s(i,j)>0 %putih
s_temp(i,j)=-1;
else %hitam
s_temp(i,j)=1;
end
end
end
%s_temp
22
k=0;
for i=1:1:jml_baris
for j=1:1:jml_kolom
k=k+1;
s_vektor(k)=s_temp(i,j);
end
end
jml_input = k;
jml_output=handles.jml_baris_target*handles.jml_kolom_target;
y_temp=s_vektor*handles.w;
for j=1:1:jml_output
if y_temp(j)>0
y(j)=1;
else
if y_temp(j)<=0
y(j)=-1;
else
if y_temp(j)==0
y(j)=0;
end
end
end
end
s_vektor
handles.s_target_bipolar(1,:)
handles.s_target_bipolar(2,:)
23
handles.s_target_bipolar(3,:)
handles.s_target_bipolar(4,:)
axes(handles.axes4);
for k=1:handles.jml_citra_target
if y==handles.s_target_bipolar(k,:);
imshow(handles.im_original{k});
break;
end
end
24
V. HASIL DAN PEMBAHASAN
Hasil akhir aplikasi pengenalan wajah dengan JST HM diperlihatkan pada Gambar
5.1. Tahap pertama adalah proses pelatihan. JST HM dilatih dengan 4 buah citra wajah seperti
diperlihatkan pada Tabel 4.1. Tujuan dari proses pelatihan untuk menentukan nilai bobot w
(w11,w12,... w150004).
Setelah tahapan pelatihan maka dilanjutkan dengan proses pengujian (testing). Untuk proses
testing maka JST diuji dengan citra wajah yang dipakai dalam proses pelatihan (Tabel 4.1)
Hasil pengujian untuk citra wajah yang dipakai dalam proses pelatihan dapat dilihat
25
Gambar 5.2 Hasil testing dengan citra wajah no. 2
Hasil testing dengan memakai pola pelatihan selengkapnya diperlihatkan dalam tabel 5.1.
Tabel 5.1 Hasil testing dengan citra wajah pelatihan (tanpa noise)
No. Citra testing Citra hasil keterangan
(query) testing
1 cocok
26
2 cocok
3 cocok
4 cocok
Dari tabel 5.1 didapatkan bahwa jst HM dapat mengenali semua pola pelatihan yang
dilatihkan dengan sempurna. Hal ini berarti bahwa jst HM memiliki kemampuan untuk
mengingat (memorization) pola – pola pelatihan yang sudah dilatihkan kepada jst
tersebut.
Data-data citra wajah bernoise (Tabel 4.2) merupakan data citra yang tidak dipakai
dalam proses pelatihan. Beberapa citra wajah ini mengandung noise berupa penambahan
rambut, kumis, jambang dan jenggot. Hasil testing untuk citra wajah bernoise ini
27
Gambar 5.5 Hasil testing citra wajah bernoise nomer 3
Hasil testing untuk citra wajah bernoise dirangkum dalam tabel 5.2.
1 cocok
2 cocok
3 cocok
4 cocok
Dari tabel 5.2 didapatkan bahwa jst HM dapat mengenali semua citra wajah yang
diujikan. Jadi tingkat keberhasilan JST untuk mengenali pola wajah bernoise sebesar 100
28
%. Hal ini berarti bahwa jst HM memiliki kemampuan generalisasi yaitu mampu
mengenali pola-pola yang mengandung noise yang belum pernah dilatihkan padanya.
29
VI. KESIMPULAN DAN SARAN
1. Kesimpulan
a. Program aplikasi JST HM dapat dipakai untuk mengenali citra karikatur wajah
b. JST HM dapat mengenali citra wajah yang dilatihkan kepadanya dengan sempurna.
Dari 4 citra tanpa noise yang dilatihkan semuanya dapat dikenali dengan sempurna
c. JST HM dapat mengenali pola ber-noise yang diujikan. Dari 4 pola yang diuji
2. Saran
b. Perlu dilakukan penelitian untuk mengenali wajah karikatur dengan metode JST
30
VII. DAFTAR PUSTAKA
Abu-Mostafa, Y.S., dan Psaltis, D. 1984. Recognitive Aspects of Moment Invariants. IEEE
Transactions on Pattern Analysis and Machine Intelligence PAMI-6(6): 698-706.
Adini, Y., Moses, Y., dan Ullman, S. 1997. Face recognition: the problem of compensating
for changes in illumination direction. IEEE Transactions on Pattern Analysis and
Machine Intelligence 19(7): 721-732.
Dileep, M.R., dan Danti, A. 2016. Multiple hierarchical decision on neural network to predict
human age and gender. 2016 International Conference on Emerging Trends in
Engineering, Technology and Science (ICETETS), 24-26 Feb. 2016.
Fausset, L. 1998. Fundamentals of Neural Network Architectures, Algorithm, and
Applications. New York: Prentice Hall Inc.
Klare, B., Li, Z., dan Jain, A.K. 2011. Matching Forensic Sketches to Mug Shot Photos. IEEE
Transactions on Pattern Analysis and Machine Intelligence 33(3): 639-646.
Kumar, D.S.D., dan Rao, P.V. 2015. Analysis and Design of Principal Component Analysis
and Hidden Markov Model for Face Recognition. Procedia Materials Science 10: 616-
625.
Ming-Kuei, H. 1962. Visual pattern recognition by moment invariants. IRE Transactions on
Information Theory 8(2): 179-187.
Ouyang, S., Hospedales, T., Song, Y.-Z., Li, X., Loy, C.C., dan Wang, X. 2016. A survey on
heterogeneous face recognition: Sketch, infra-red, 3D and low-resolution. Image and
Vision Computing 56: 28-48.
Sinkar, S.V., dan Deshpande, A.M. 2015. Object recognition with plain background by using
ANN and SIFT based features. 2015 International Conference on Information
Processing (ICIP), 16-19 Dec. 2015.
Talele, K., Shirsat, A., Uplenchwar, T., dan Tuckley, K. 2016. Facial expression recognition
using general regression neural network. 2016 IEEE Bombay Section Symposium
(IBSS), 21-22 Dec. 2016.
Teh, C.H., dan Chin, R.T. 1988. On image analysis by the methods of moments. IEEE
Transactions on Pattern Analysis and Machine Intelligence 10(4): 496-513.
Verma, K., dan Khunteta, A. 2017. Facial expression recognition using Gabor filter and
multi-layer artificial neural network. 2017 International Conference on Information,
Communication, Instrumentation and Control (ICICIC), 17-19 Aug. 2017.
Yuen, P.C., dan Man, C.H. 2007. Human Face Image Searching System Using Sketches.
IEEE Transactions on Systems, Man, and Cybernetics - Part A: Systems and Humans
37(4): 493-504.
Zhihu, H., dan Jinsong, L. 2010. Analysis of Hu's moment invariants on image scaling and
rotation. 2010 2nd International Conference on Computer Engineering and Technology,
16-18 April 2010.
31