Anda di halaman 1dari 19

PERANCANGAN PROGRAM APLIKASI PENGENALAN W AJAH BERBASISKAN JARINGAN SYARAF TIRUAN DENGAN MENERAPKAN METODE PRINCIPAL COMPONENT ANALYSIS

Wikaria GazaliclanLily.

ABSTRAK
PERANCANGAN PROGRAM APLIKASI PENGENALAN WAJAH BERBASISKAN JARINGAN SYARAF TIRUAN DENGAN MENERAPKAN METODE PRINCIPAL COMPONENT ANALYSIS. Informasimengenai seseorang ini sangat saat pentingdan sulit didapat jika data orang sangat banyak. Salah sam teknik unmk mendapatkan informasi mengenai seseorang adalah daTirota wajah orang,di mana daTirota tersebutakandidapatidentitasorangyang bersangkutan, yang kemudian akan didapat informasi orang tersebutpula. Banyak orang telah mencoba dan berhasil membangun program aplikasi pengenalan wajah denganberbagaimacammetodeyang masing-masing memiliki kelebihandan kekurangannya. Ada metodeyang cepatdalam mengenalicitra wajah, tetapi mengorbankan keakuratan pengenalan,begim pula sebaliknya.Tujuan penelitian ini adalah untuk merancangdan membangunsebuah program aplikasi pengenalanwajah bagi komputer dengan memanfaatkan metodePrincipal Component Analysisyang berbasiskan JaringanSyarafTiman. Dalam penelitian ini, penulis membuat programpengenalan wajah mulai daTiobyekberupacitra wajah, deteksi sisi, hinggamendapatkan karakteristikcitra tersebutsampai padaprosespengenalannya denganJaringan SyarafTiman. Penulis membangun dan menguji program tersebutdi laboratorium.Setelahdilakukan pengujian,diperolehbasil analisabahwaprogram dapatmengenal sebagian besarcitra wajah yang diuji. Beberapa kesalahan pengenalan terjadi karenaprogramkesulitandalammembedakan bentukwajahyang banyakkesamaannya. Kata kunci : Pengenalan wajah,Principal Component Analysis, Jaringan SyarafTiruan

ABSTRAK
Information concerning someone at present is very important and difficult to get if there are a lot of data of people. One of techniques to get information concerning someone is from his or her photo, where from the photo of the face will be got someone's identity, which later will give the information about him or her. Many people have tried and succeededto build a face recognition application program by various methods where each method has its superiority and deficiency. There is a fast method in recognition face image but sacrificing its accuracy of recognition, so is the contrary. The purpose of this research is to design and build a face recognition application program for computer by utilizing principal component analysis which has artificail neural network bases. In this research, the writers made a face recognition program from object of the form face image, side detection until we got the image characteristics and came up with its recognition process with artificial neural network. The writers built and tested the program in a laboratory. After a testing was conducted, we obtain the result of analysis that

.UniversitasBina Nusantara

87

RisalahLokakaryaKomputasidalamSainsdaDTeknologiNuklir XIV, Juli 2003 (87-170)

the program could recognize most faces tested. Several failures occurred because the program has a difficulty in recognizing similar faces.

Keywords: Facerecognition,Principal Component Analysis,Artificial NeuralNetwork.

PENDAHULUAN
Latar Belakang Sekarang banyakperusahaan ini dinas kependudukan maupunpihak kepolisian mencariinformasi mengenaiseseorang secaramanual. Informasi tersebutakan sulit didapatjika data sangatbanyak. Salah satu teknik untuk mendapatkan informasi mengenaiseseorang adalahdari foto wajah, di manadari foto tersebutakan didapat identitasorangyang bersangkutan. ini mendorong Hal penulis untuk membuatsebuah program aplikasi pengenalan wajah menggunakankomputer karena pencarian informasidengan komputerlebih cepatdibandingkan secara manual. Untuk membuatprogram aplikasi pengenalan wajah menngunakan komputer terdapatbanyak metode, tetapi dalam penelitian ini penulis hanya menggunakan metode Principal ComponentAnalysis (PCA) yang berbasiskanJaringan Syaraf Tiruan (JST). PCA digunakankarena mampumereduksidimensi daTisuatuobyek, sehinggaukurandari obyek akan lebih ringkas clanmampumengambilkarakteristik yang penting dari obyek yang diolah. Jika dimensi daTi obyek lebih kecil clan informasi yang terkandunglebih padat, maka obyek tersebut akan lebih spesifik dibandingkan obyek yang belum diolah sebelumnya. Hal ini tentunya akan mempermudahdalam pemrosesanobyek lebih lanjut. JST digunakan karena mempunyai kemampuan untuk belajardari pengalaman, berupadata-data contohyang diberikanpadanya. Suatuobyek akan dapat dikenali oleh komputermelalui parameter-parameter (ciri-ciri) yang dihasilkan daTi perhitunganPrincipal Componentterhadap obyek tersebut. Teknik ini melibatkan pemakai untuk memasukkan citra dalam format bitmap (File dengan ekstensi .BMP) tingkat keabuan. Citra tersebut kemudian diproses menggunakan metode Principal Component Analysis untuk mendapatkan karakteristiknyadalam bentuk parameter.Parameterini lalu disimpan di file untuk pengenalan citra tersebut. Sebagai implementasi dari metode ini, penulis membuat sebuah program aplikasiuntuk mendapatkan parameter obyekdengan menggunakan metodePrincipal Component Analysisclanmenyimpanparameter tersebut dalamfile. Parameter ke ini kemudiandilatih sehingga pada akhirnya dapatmengenal obyektersebut.Tetapijika obyek tersebutbelum pernah disimpan dalamfile, maka akan dibandingkandengan

88

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiruan

(Wikaria Gazali,Lily)

data yang ada di file denganbantuanJaringanSyarafTiman untuk mengetahui jenis obyek tersebut. Hal ini dimungkinkan karena tersedianyaperangkatkeras yang mendukung sepertiprosessor dengankemampuan komputasiyang cepatclankamera digital kecepatan tinggi.

Ruaug Lingkup
Penelitian ini hanya dibatasi pada pengenalan obyek-obyek dua dimensi pada citra tingkat keabuan (grey-scale image) yang berformat hitmap (berekstensi .BMP). Obyek dua dimensi yang dimaksud di sini hanya dibatasi untuk kurva tertutup bempa kontur daTi obyek. Sebagai obyeknya, dipergunakan enam citra wajah manusia, masing-masing dengan sepuluh ekspresi dalam posisi yang berbeda. Pengenalan obyek dilakukan melalui bantuan program perangkat lunak menggunakan dua modul software yang ditinjau daTi sisi fungsinya. Modul pertama adalah modul untuk representasicitra dengan metode Principal ComponentAnalysis. Modul ini dibangun dengan menerapkan beberapa fungsi matematika sehingga didapat karakteristik daTi citra. Masing-masing karakteristik citra tersebut disimpan ke dalamfile. Representasi karakteristik obyek inilah yang menghasilkan nama obyek tersebut. Modul kedua adalah modul untuk pengklasifikasian citra menggunakan metode Jaringan Syaraf Timan dengan teknik Propagasi Balik (Backpropagation Neural Network). Hubungan antara modul pertama dan kedua adalah berumtan artinya keluaran dari modul pertama digunakan sebagaikeluaran oleh modul kedua. Sebagaipercobaan, diambil citra wajah manusia yang lain yang belum pernah disimpan di dalamfile kemudian dibandingkan dengan data yang ada difile yaitu untuk mengenalwajah.

TujuaD daD MaDfaat Tujuan penelitian ini adalah untuk merancangclan membangun sebuah program aplikasi pengenalan wajah menggunakan komputer dengan memanfaatkan metode Principal Component Analysis yang berbasiskan Jaringan Syaraf Timan, sehingga dengan memasukkan obyek barn (citra wajah manusia yang belum pemah disimpan dalamfile), komputer dapat menentukan wajah siapa yang mendekati wajah tersebut. Manfaat penelitian ini yaitu: .Bagi pihak yang membutuhkan informasi melalui wajah seseorang. Contohnya : Perusahaanbesar yang ingin mencari informasi karyawannya melalui foto karyawan yang telah di-scan.

R9

RisalahLokakarya KomputasidalamSainsdan TeknologiNuklir XN, Juli 2003

Bagi pihakkeamanan yaitu polisi daDsecuritygedung. Pihak ini bisa mencari inforrnasi orang yang melakukan kejahatan atau pelanggaran melalui foto yangtelahdi-scan.

METODOLOGIPENELInAN
Pengenalan Citra Wajah
Pada penelitian ini, digunakan 60 citra wajah yang terdiri daTi 6 orang. Setiap orang diambil sampel sebanyak 10 citra dengan ekspresi yang berbeda-beda, di mana 8 citra digunakan sebagai tahap pelatihan (sample learning) clan 2 citra digunakan sebagaitahap pengujian (sample detection). Setiap citra menggunakan format bitmap tingkat keabuan 8 bit (256 tingkat keabu-abuan),karena format ini menyimpan citra piksel per piksel dan tanpa kompresi data sehingga tidak terjadi kehilangan informasi pada citra yang dapat mengurangi keakuratan pengenalan. Citra yang digunakan berukuran 100 x 133 piksel sesuai dengan pertimbangan untuk memperoleh ketelitian dan kecepatan pengenalan yang optimal. Proses pengambilan citra adalah dengan cara memotret menggunakan kamera digital. Citra tersebut kemudian diubah ke dalam bentuk grey-scale 8 bit clan berukuran 100 x 133 denganmenggunakan software Adobe Photoshop.

Representasi Citra denganPrincipal ComponentAnalysis


Penelitian ini mernanfaatkan masukan PCA sebagai pemrosesan awal untuk menciptakan representasi citra yang akan digunakan sebagaiinput bagi jaringan syaraf timan. Proses representasi citra dengan PCA terdiri dari beberapa tahap, yaitu tahap pendeteksian sisi, tahap pembacaan citra, tahap perhitungan PCA, tahap normalisasi dan tahap pemberian identitas. Berikut ini adalah tahapan pembentukan representasi citra dengan teknik PCA yang penulis gunakan dalam penelitian ini:

90

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiruan

(Wikaria Gazali,Lily)

Gambar Tahapan 1. Pembentukan Representasi Citra dengan Teknik PCA

Tahap PendeteksianSisi Tahappertama daTirepresentasi citra adalahmendeteksisisi-sisi citra supaya lebih jelas dengan menggunakanoperator Laplacian. Pendeteksiansisi dengan operatorLaplacian ini akan mendapatkan basil yang bagusjika menggunakan citra tingkatkeabuan. Nilai piksel citra yang barn akan didapat dengan menggunakan perkalian matriks3x3 menurut Laplacian:
-1

-1 -1

8
-1

Hasil yangdidapatdiletakkandi tengah-tengah matriks tersebut sebagai citra barn.

91

Risalah Lokakarya Kornputasi dalam gains dan Teknologi Nuklir XIV, Juli 2003

Citra Masukan

Jendela Konvolusi

Matriks Bobot Konvo/usi

PikselBarn

Piksel Barn: 8 x 4 -Io -11 -12 -13 -Is -~

-17 -Is

Gambar Perhitungan 2. PikselBarn MenurutOperatorLaplacian


Dari perhitungan tersebut, ada kemungkinan yang bemilai negatif. Oleh sebab itu, perlu adanya pemberian threshold (batas ambang) setelah perhitungan matriks Laplacian. Jika intensitas piksel barn bemilai negatif, maka nilai piksel barn dianggap 0 (nol atau berwama hitam) sedangkanjika intensitas piksel barn bemilai lebih besar dari 16777215, maka nilai piksel barn dianggap 16777215 (berwama putih). Ifa[m,n] < 0 then a[m,n]:=O; Ifa[m,n] > 16777215 then a[m,n]:= 16777215;

92

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiruan

(Wikaria Gazali, Lily)

Tahap Pembacaan Citra Tahapkedua adalah menyimpannilai-nilai piksel dari citra yang barn (citra yang telah mengalami prosesedge detection) sebuah ke vektor yang diberi nama tau. Nilai piksel yang semulaterdiri daTi256 tingkat keabu-abuan (nilai 0 berarti wama putih sampainilai 255 berarti hitam) untuk masing-masing wama RGB (Red,Green, Blue) dikonversimenjadi nilai antara0 sampai1 dengancara membaginilai piksel dengan16777215 (2553-1yang berarti nilai piksel adalahdari 0 sampai16777215). Setelahsemuacitra mengalamiakusisi, akan diperoleh48 vektor atau48 tau, yang mana1 vektor mempunyai ukuran1 x P (1 x 13300). Tj=[tt,tZ,t3,...tp] Tj = vektor tau ke-i.
Vektor-vektor yang diperoleh digabung menjadi sebuah matriks berukuran N x P (48 x 13300).

1"11 1"21

1"12 1"22

T13 T23

TIP

T2P

T=

TN)

TN2

TN3

TNP

T = matriks tOll: 48 x 13300 N = jurnlah vektor = jumlah citra = 48 P = ukuran citra = 13300 (100 x 133).

Semuavektor yang diperoleh disimpanke dalam sebuah matriks bemama 'Matriks tOll' dalamfile bemama 'Data.pca'.

Tahap Perhitungan PCA Tahapketiga adalahmenghitungnoise (psi) pada vektor tOll, membuatvektor barn (fi) yang mernpakanvektor tOll yang bebasnoise, menghitungnilai pembeda (eigen value)antaravektor satu denganvektor lain, membuatvektor eigen (Veigen) yang diurutkan (GoodV) berdasarkan nilai eigen terbesardan membentuk principal component (construct) yang telah direduksiukurannya(extract).

93

Risalah wkakarya Komputasidalamgainsdan TeknologiNuklir XN. Juli 2003

Noise adalah persamaan tiap vektor tou. Persamaan ini dapat mengganggu keakuratan perhitungan Principal Component. Persamaantiap vektor adalah rata-rata dari semua vektor tou, yang dapat dihitung menggunakanrumus:
1 N

\jI=-LTi i=1 N
\II = vektor psi = noise N = jumlah vektor = jumlah citra = 48 'tj = vektor tau ke-i

(1)

sehingga diperolehsebuah vektor psi berukuran x P (1 x 13300)


\11= [\11\\112\113.'.\lip]

Semua vektor yang telah diperoleh disimpan ke dalam sebuahmatriks bemama 'Matriks psi' dalamfile bemama'Data.pca'. Setelah diperolehnilai noise(psi) untuk vektortau, makadisusunvektorbaru fi yang merupakan vektor tou yang bebasnoise.Rumusyang digunakanadalahsebagai berikut <l>i T i -\jI = (2)
cI> vektor fi = vektor barn yang bebas noise = T = vektor tau = vektor awal 'V = vektor psi = vektor rata-rata. Vektor-vektor yang diperoleh digabung menjadi sebuahmatriks berukuran N x P (48 x 13300).
tfJIP,.
tfJ2P

<P!! <P21

tfJ12

lfJ13 lfJ23

tfJ22

A=
...
,fjlNI
tPN2
lfJN3 ...tfJNP

...

Semua vektor yang telah diperoleh disimpan ke dalam sebuahmatriks bemama 'Matriks A' dalamfile bemama'Data.pca'.

94

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiman

(Wikaria Gazali,Lily)

Prosesberikutnya adalah menghitungnilai eigen. Namun untuk menghitung nilai eigen, terlebih dahuluhams dihitung matriks covariancedenganrumus sebagai berikut : 1 (3) C=~AAT C = vektorcovariance AT = transpose matriksA. dan
Vektor-vektor yang diperoleh digabung menjadi sebuahmatriks berukuran N x N (48

x 48).
XII X21 X12 X22

Xl3
X23

XIN X2N

c=
XNI XN2 XN3 XNN

Semua vektor yang telah diperoleh disimpan ke dalam sebuahmatriks bemama 'Matriks covariance'dalamfile bemama 'Data.pca'. Nilai eigenadalahnilai pembeda antarasatuvektor dengan vektorlainnya, dapat dicari dengan rumus :
Det CX.I-C) = 0

(4)

x = nilai eigen I = matriksidentitas. Sehinggaakan diperoleh nilai-nilai eigen berukuran1 x 48. Karena dimensi matriks C masih cukup tinggi sehinggauntuk menghitungdeterminan matriks masih cukupsusah,makadigunakanbantuansoftwareMatlab untukmenghitungnya dengan sintaksX = eig(C). Semuavektor yang telah diperolehdisimpanke dalamsebuah matriksbemama 'Nilai Eigen' dalamfile bemama 'Data.pca'. Nilai eigen ini digunakan untuk menghitungvektor eigen, denganrumus sebagai berikut: (xl-C)

-.

-.

x=0

(5)

x = vektoreigen.

95

RisalahLokakaryaKomputasidalamSainsdaDTeknologiNuklir XIV, Juli 2003

Sehingga diperoleh vektor eigen berukuran N x N (48 x 48).

VII

V12

Vl3

VIN

V21

V22

V23

V2N

Veigen=

VNl

VN2

VN3

VNN

Vektor eigen dapat dihitung dengan mudah menggunakan bantuansoftware Matlab, dengan sintaks[V,D] = eig(C). v = vektor eigen D = matriks diagonaldaTinilai eigen Semua vektor yang telah diperoleh disimpan ke dalam sebuahmatriks bemama 'Vektor Eigen' dalamfile bemama'Data.pca'. Vektor eigenyang diperolehdiurutkanberdasarkan nilai eigenterbesar(secara descending), kemudiandisimpanke dalamsebuah matriks bemama'Matriks GoodV' dalamfile bemama'Data.pca'. Vektor eigen yang didapat harus dibangun kembali supaya dapat mewakili himpunan citra awal. Pembangunannya adalah dengan mengoperasikan matriks GoodV dengan transpose, tou seperti berikut:
Construct = touT x GoodV

(6)
CIN C2N

C"

Ct2
C22

C13 C23

C2, Construct=

Cpl

Cp2

Cp3

CpN

Hasi1nya ada1ahmatriks berukuran 13300 x 48, setiap ko1om mewaki1i karakteristik citra awa1. Proses construct menghasi1kan suatu matriks yang bi1a dikonversi menjadi citra akan menghasi1kan yang dinamakan apa eigen letters atau principal component.

96

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiruan

(Wikaria Gazali,Lily)

Nilai constructyang diperoleh disimpan ke dalam sebuahmatriks bemama 'Matriks Construct'dalamfile bemama'Data.pca'. Principal componentyang diperolehharus diambil intisarinya melalui proses ekstraksidengan rumus sebagai berikut:
Extract = tou x construct
el2 e22 e13 elN

(7)

e23

e2N

Extract=

eN2

eN3

eNN

Nilai extract yang diperoleh disimpanke dalam sebuahmatriks bernama 'Matriks Extract' dalamfile bernama'Data.pca' .

Tahap Normalisasi
Tahap keempat ada1ah mengkonversi ni1ai principal component (extract) menjadi ni1ai bipolar antara -1 sampai dengan 1, ha1 ini di1akukan karena JST menggunakan ni1ai input bertipe bipolar. Proses konversi ini dinamakan norma1isasi, yang rumusannya ada1ahsebagaiberikut: Norma4 = -1 +

2
extractmax -extract

(8)

Semua vektor yang telah diperoleh disimpan ke dalam sebuahmatriks bernama 'Matriks Normalisasi'dalamfile bemama 'Data.pca'.

Tahap PemberianIdentitas
Tahap kelima adalah pengambilan sejumlah principal component sebagai input bagi JST dan pemberian identitas sebagai output yang diharapkan. Pemberian identitas berguna untuk proses pelatihan JST dalam mengklasifikasi data. Matriks identitas dibangun dengan ukuran N x N. Karena tipe wajah yang diuji adalah 6 orang, maka dibangun matriks identitas berdimensi 6 x 6. Dimensi matriks

97

Risalah Lokakarya Komputasi dalarn Sains clan Teknologi Nuklir XIV, Juli 2003

identitas yang dibangun perlu disesuaikandengan dimensi matriks norrnalisasi, terutamakomponenbarisnya. Jika matriks norrnalisasimemiliki 48 komponenbaris (satu tipe wajah terdiri dari 8 sampel), maka masing-masing baris pada matriks identitas harus direplikasi sebanyak 8 baris, sehingga akan terbentuk matriks berukuran x 6. 48

BASIL PENELITIAN ProsesTraining Untuk proses training, penulis menggunakan Multi-Layer Back Propagation Neural NetworkSimulator Version2.10, 01 Nov '90, Copyright1990 GeorgeMason University(bps.exe). Prosestraining berlangsung selamalebih kurang46 menit dengantingkat error mencapai 1,500777602 dalam500000epoch. Tabell. Hasil Training Konfigurasi48:10:6 Epoch
0 20 40 60 100 200 400 600 1000 2000 4000 6000 10000 20000 40000 60000 100000 200000 500000

Eta~~~

~ ~ Qz!! .Qz!! ~ ~~~~

~
Qz!!!1;!!

~ ~ ~
0,11

Error 24,01227951 19,851871490 19,2444457245 18,198221207 17,646648407 17,326906204 14,274851799 11,624680519 15,644331932 8,286162376 4,971900463 2,208449364 1,949677944 1,593265414 1,524013996 1,542595625 1,528662443 1,507794142 1,50077~02

Jaringan dengan basil training ini disimpan dengannama 'train.net'. Kemudian dilakukan pengujian.

98

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan JaringanSyarafTiruan

(Wikaria Gazali,Lily)

Pengujian Terhadap Citra yang Telah Di-training Tabe12.Hasil PengujianKonfigurasi48:10:6Terhadap Citra yangTelah Di-training
Ol.b 02.b 03.b

CA
0,74998 0,74980 0,74999 0,74998 0,74998 0,74999 0,74998 -0,02628

~~.~ -0,26548 -0,57746 -0;18058

I !I I I

-0,20565 -0,64567 -0,05709 0'10988 -0,06246 0,10672

II

sv
0,23949 -0,66138 -0,10209I -0,23274 -0,06716 -0,10073 -0,04024I -0,02431I -0,16769I -0,32943 -0,48448I ~,~!~~Q -0,54534 -0,46002 -0,17439 -0,24939I -0,51608I -0,43058I -0,39141

-0,25437 I 0,74968I I
I

04.b
05.b 06.b 07.b 08.b ll.b l2.b l3.b 14.b l5.b l6.b l7.b l8.b 21.b 22.b 23.b 24.b 25.b 26.b 27.b 28.b 31.b 32.b 33.b 34.b 35.b 36.b 37.b 38.b 41.b 42.b 43.b

0,13524
-0,11607 0,06420 0,05362

~,~~~~~ -0,30624 -0,28724


-0,14366

0,02210
-0,16108 -0,07711

-0,32563
-0,34175

~ -0,14896

HR -0,02711 0,17281 0,10401 -0,36814 -0,27416

-0,23617 0,74999 0,75000 0,74999 0,74999 0,74997 0,75000 0,74999 0,75000


0:44762 Q,!97Z~ 0,07233 0,56047

0,10405

0,09730
-0,15052 -0,04784 -0,48466 0,08222 0,06429 0,19387 0,74998 0,74999 0,74999 0,74998 0,74992 0,74997 0,74999 0,74999 -0,49286 -0,21847 -0,47138 -0,56020 -0,70866 -0,09040 -0,70859 0,01718 -0,52220 -0,69152 -0,35187 -0,31090 -0,31938 -0,16999

-0,60166I
-0,51273I 0,18333

-0,13283

-0,72385
-0,64539 -0,68870 -0,68614I
-0,68229I -0,64454

-0,13388 '

!i I I

-0,67204
-0,56946

0,74692 0,64098

I
I

~,~~~~~
-0,59923 ~,~~~~~ -0,21426 -0,46273 -0,64269I -0,46779I ~'~~~~2

-0,33133
0,37224

-0,05095
-0,72240 0,74972 0,74985

0,19235 0,02108 -0,73210 -0,72677 -0,11371 -0,53668 -0,74861 -0,50393 -0,73628 -0,74252 -0,74513 -0,74510 -0,72857 0,18426 -0,27247 -0,54617 -0,74800

0,74738I
Q,!~~! :

0,74962I
0;74937 I 0,74970 0,74974 0,74958 0,74993 -0,74277
-0,73384

~ -0,74507
!

-0,74071
-0,74337 -0,73529 -0,74556 -0,73903

~,g~~g~ -0,73952
-0,29426
-0,73811 -0,24947

0,74989I
0,74932I ~,~~gg~

~ -0,72820

-0,74183
-0,74090 -0,74347 -0,74338 -0,74526 -0,68940 -0,49557 0,73529 0,72712 0,72401 0,72244 0,73042 0,73905

-0,70987
I -0;74033
, -0,73950 I

44.b
45.b 46.b 47.b 48.b 51.b 52.b 53.b 54.b 55.b 56.b 57.b 58.b1lm

~,~~~~~ 0,74995
~,~~~~

-0,44007
-0,39312

0,08567 0,05365
0,22975 0,20981 0,21025 0,06085 -0,57920 -0,08672

-0,73495 -0,20268 I -0,12275 -0,73369 -0,73712 -0,72870

0,74996 0,74997

-0,23232i -0,29277 -0,21022

-0,72975 -0,72988 -0,73795 0,51367

-0,24065
-0,17080 -0,19916

-0,64743
-O.312~.7

0,74980

~73416

99

RisalahLokakaryaKomputasidalamgains dan TeknologiNuklir XN, Juli 2003

Tabe13.Hasil Pengenalan Terhadap Citra yangTelah Di-training


Citro Citra yang Dimasukkan CA CA CA CA CA CA CA Dikenal Sebagai CA CA CA CA CA CA

~ ~ ~ ~ ~ ~ ~ ~ ~ ~

"fA
CA AR AR AR AR AR AR AR AR

~
tfi.hn1!J
18.brnp ---I -AR

--17.brnp

AR AR AR AR AR AR AR BR

1--

22.bmpI n.bmp

~ ~ ~ ~ ~ ~
32.bmp

BR BR BR BR BR BR BR
II II II II

BR BR BR BR BR BR BR BR
II II II II
AR

~ ~~ ~

~ ~ ~ ~~~~~
~-

II -I
II

II

II AR II

SV
SV

sv sv sv sv sv SV
HR HR HR HR HR HR HR HR

-sv

SV SV SV SV

SV
HR

sv

~ ~ ~ ~~~~

HR HR HR
HR HR ~ I

58.bmp

100

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiruan

(Wikaria Gazali,Lily)

Dari tabeldi atas,dapatdilihat bahwakeakuratan dalampengenalan citra wajah untuk citra yang sudahpernah di-training adalahsebesar 95,83%. Dan 48 citra yang diuji, ada2 citra yang salahkenaI.

Pengujian Terhadap Citra yang Belum Di-training Tabel4 Hasil PengujianKonfigurasi 48:10:6 TerhadapCitra Baru yang Belum Ditraining
-

Citrai 10.b 9.b

CA

I -0,68687

AR 0,74988

0,71145 -0,47386 20.b -0,39941 29.bmp -0,73689 0,00427 ~~ -0,73943 O.b ! -0,73966 49.b -0,68541 50.b! 0,03456

19.b

0,74217 0,75000 0,75000 0,74961 -0,43980


0,74995

BR -0,73289 -0,74851

0,74995
-0,32760

59.bmp

0,70159
-0,69944

60.bmD

0,63669 0,69404 0.27823

II 0,74963 0,74923 0,10163 -0,69202 0,06450 -0,70700 0,74957 -0,65601 0,74999 0,15105 -0,71241 0,74966 -0,71326 0,74968 -0,6557g 0,74988 0,34963 -0,71598 0,72782~,44802 -0,07163 -0,35051

sv
-0,74568 -0,74958 -0,57858

HR
-0,71912 -0,44681 -0,74916 -0,74923 -0,53682 -0,26385 -0,73805 -0,73708 -0,56973 -0,74915

-0,52661
-0,74022 -0,10641 -0,74104 -0,74116 0,73482

0,74986
-0,74958

0,74685

0,45506

0.7498~

Tabel Hasil Pengenalan Terhadap Citra yangBelum Di-training

yan~~ukkan
CA CA
AR AR

_DikenalSebagai

AR

n
AR
AR AR BR AR AR

BR BR

II II
SV SV
HR HR

n
SV
HR HR

101

Risalah wkakarya KomputasidalamSainsdanTeknologi Nuklir XN, Juli 2003

Dari tabel di atas,dapatdilihat bahwakeakuratan dalampengenalan citra wajah untuk citra yangbelumpernahdi-training adalahsebesar %. Dari 12 citra yangdiuji, ada 50 6 citra yangsalah kenaI. Persentase keakuratan total untuk semua citra adalah:

makaakandidapatpersentase pengenalancitra sebagai berikut: % pengenalan citra=~ x 100% = 86,66%.


60

KESIMPULAN DAN SARAN Berdasarkandata analisa yang telah diperoleh pada penelitian ini dapat disimpulkansebagai berikut : 1. Semakin banyak citra yang di-training per orang akan semakin akurat pengenalannya. Untuk penelitian ini, delapancitra per orang akan lebih akurat pengenalannya daripadaenamcitra per orang. 2. Semakin sedikit citra yang di-training akan semakin efisien dan sebaliknya, artinya48 citra yang di-training akanlebih cepatdaripada citrayang di-training 60 untukkeseluruhan citra. Beberapa saranagarpenelitianini dapatdilanjutkan: Untuk pengembanganlebih lanjut, penelitian pengenalanpola ini dapat menggunakan obyek2-D selainwajah danobyek3-D. 2. Pengujian programaplikasi dapatdilakukandengan menggunakan simulatoryang lain. penelitian ini, selain menampilkanwajah orangjuga bisa 3 Untuk pengembangan menampilkan identitasdan inforrnasiorangtersebut.

102

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan JaringanSyarafTiruan

(Wikaria Gazali, Lily

DAFTARPUSTAKA ANIL, K., JAIN, Fundamentalsof Digital ImageProcessing. Prentice-Hall,Inc, New Jersey.1989 ANURADHA LAKSHMINARAYANA, NEWMAN, T.S., Principal Component Analysis ofLack of Cohesion Methods(LCOM)metrics in 3 URL: htto://www.cs.uah.edu/tech-reDortsrrR-UAH-CS-1999-01.Rdf,
11 September2002

BLUM, A., Neural Networksin C++. JohnWiley & Sons, Inc. Canada.1992 5 ERNEST,L., HALL., ComputerImage Processingand Recognition.Tennessee. 1979 FREEMAN, J., SKAPURA, D.M. Neural NetworksAlgorithms,Application and ProgrammingTechniques. Addison-Wesley PublishingCompany, Inc. New York.
1991
7

HANSELMAN, DUANE, Matlab. Prentice-Hall, Inc. New Jersey.1997 JENSEN,C., et al. Delphi in Depth. Osborne McGraw-Hill. U.S.A. 1996 Laplacian Based Edge Detection. UTI: hnn://www.ii.metu.edu.tr/-ion528/

8.

demo/iectures/6/3/index.htrnI, September. 28 2002


10. MICHAEL, G., FAIRHURST, Computer Vision for Robotic Systems an Introduction.Prentice-Hall,Inc. Canterbury.1988 11. RAO, V.B., RAO, H.V. C++ Neural Network and FuzzyLogic. First Edition. Henry Holt andCompany. United States America.1993 of 12. RAO, V.B., RAO, H.V., C++ Neural Networkand FuzzyLogic. Second Edition HenryHolt andCompany. United Statesof America.1995 13. RICH, E., KNIGHT, KArtificial Intelligence.Second Edition. McGraw-Hill, mc. Singapore. 1991 14. ROBERT, J., SCHALKOFF, Digital Image Processingand Computer Vision. JohnWiley & Sons, Inc. Canada.1989

103

RisalahLokakarya KomputasidalamSainsdanTeknologiNuklir XIV, Juli 2003

15. Second Order Detection. UTI: computervision/43.htm, Oktober2002 26

http://www.netnam.vn/unescocourse/

16. TOM, M.M., Machine Learning. International Editions. McGraw-Hill, Inc. Singapore. 1997

DISKUSI
ABU KHALill RN AI Apakahdengan penelitianBapakini bisa mengenali foto dengan posisi di luar posisi yangditrainingkan(posisiacak)? WIKARIA GAZALI

Ada kemungkinan bisa dan ada kemungkinan tidak karena Artificial Neural Network bukanlah pembelajaran yang pasti tetapi ada probabilitas untuk bisa mengenal. Dari data/foto yang diteliti, citra wajah yang diambil memang dalam posisi yang berbedabeda.

GUNANDJAR
Identitas apa saja daTi program aplikasi pengenalanwajah tersebut? Karena wajah itu berubah denganumur, berlaku berapa lama? 2. Apakah program ini nanti dapat membantu dalam bidang kriminalitas yaitu membuat citra wajah dengan input identitas?

WIKARIA GAZALI
1 Identitas seperti yang ada di KTP clanketerangankriminal yang pemah dilakukan jika ada. Foto yang ada di KTP di-scan, jadi setiap pembuatan KTP barn (5 tahun sekali), rota yang lama diganti. Foto clanidentitas setiap orang kemudian dimasukkan dalam database.

104

Perancangan Program Aplikasi Pengenalan WajahBerbasiskan Jaringan SyarafTiruan

(Wikaria Gazali,Lily)

2. Untuk pengembangan selanjutnya, programini dapatmembantu dalambidang kriminalitas yaitu dengan menginputcitra wajahakandidapatidentitasnya, dan sebaliknya denganmenginputidentitasorangberupanomorKTP akan didapat fotonya.

DAFT AR RIW A Y AT HIDUP

Nama 2. Tempatrranggal Lahir 3. Instansi 4. Pekerjaan Jabatan / 5. RiwayatPendidikan .S1


.S2

: Wikaria Gaza1i, S.Si.,M.T. : Padang,14Juni 1954 : FMIPA -Universitas Bina Nusantara : Kajur Matematika Statistika clan : (sete1ah SMUsampai sekarang)

BidangMatematika,UniversitasTerbuka,1996
Bidang Optoelektronika, Universitas Indonesia, 1998 : PembantuPelaksana Proyek Pelud. Polonia -Medan : Pembantu Pelaksana Proyek PT Jondul-Perumahan KODAM 1 7 Agustus di Padang

6. PengalamanKerja
.1979-1981: .1981

.1981-1982:

Pengajar (guru) matematika di SMA Don Bosko dan SMA Murni Padang

.1983-

sekarang : Dosen Matematika -Universitas Bina NusantaraJakarta

.1986-1987:

Dosen Matematika -AMIK :

Bunda Mulia -Jakarta

7. Organisasi Profesional

.Jaringan MIPA (MIPAnet) .Himpunan MatematikaIndonesia (Indo MS)

Home

105