1.

Pengertian Neuron Network

• Jaringan saraf tiruan adalah sistem pemrosesan informasi yang cara

kerjanya memiliki kesamaan tertentu dengan jaringan saraf biologi.

• Jaringan saraf tiruan merupakan suatu model kecerdasaan yang

bersumber dari struktur otak manusia kemudian diimplementasikan
menggunakan program komputer yang mampu menyelesaikan
sejumlah proses perhitungan selama proses pembelajaran
berlangsung.

• Jaringan saraf biologi merupakan kumpulan sel saraf(neuron).

Neuron memiliki tugas mengolah informasi.
Komponen utama dari sebuah neuron dapat di kelompokkan menjadi tiga
bagian yaitu :

1. Dendrit bertugas untuk menerima informasi

2. Badan Sel(Soma) berfungsi sebagai tempat pengolahan informasi.

3. Akson(neurit) berfungsi mengirimkan impuls ke sel saraf lainnya

Algoritma Pembelajaran Dalam Jaringan Saraf Tiruan

Algoritma ini merupakan suatu proses dimana parameter-parameter bebas

jaringan saraf tiruan diadaptasikan melalui suatu proses perangsangan
berkelanjutan oleh lingkungan dimana jaringan berada. Proses algoritma
pembelajaran ini meliputi tiga proses, yaitu :

1. Perhitungan Output,

2. Membandingkan output dengan target yang diinginkan.

3. Menyesuaikan bobot dan mengulangi prosesnya.

• Proses pembelajaran atau pelatihan tersebut merupakan proses perubahan
bobot antar neuron sehingga sebuah jaringan dapat menyelesaikan sebuah
masalah. Semakin besar bobot keterhubungannya maka akan semakin cepat
meyelesaikan suatu masalah. Proses pembelajaran dalam JST dapat
diklasifikasikan menjadi dua bagian, yaitu:

1. Supervised Learning (pembelajaran terawasi) yang menggunakan sejumlah

pasangan data masukan dan keluaran yang diharapkan. Contoh dari tipe ini
adalah metode back propagation, jaringan Hopfield dan perceptron.

2. Unsupervised Learning (pembelajaran tidak terawasi) yang hanya

menggunakan sejumlah pasangan data masukan tanpa ada contoh keluaran
yang diharapkan.
2. Algoritma Jaringan Saraf Tiruan

1) Algoritma Backpropagation

• Algoritma pelatihan jaringan syaraf tiruan yang banyak dimanfaatkan

dalam bidang pengenalan pola adalah backpropagation.

• Algoritma ini umumnya digunakan pada jaringan syaraf tiruan yang

berjenis multi-layer feed-forward, yang tersusun dari beberapa lapisan

dan sinyal dialirkan secara searah dari input menuju output.

Arsitektur Backpropagation

• Arsitektur algoritma bp terdiri dari tiga layer, yaitu

input layer , hidden layer dan output layer.

• Pada input layer tidak terjadi proses komputasi,

namun pada input layer terjadi pengiriman sinyal
input X ke hidden layer.

• Pada hidden dan output layer terjadi proses

komputasi terhadap bobot dan bias dan dihitung pula
besarnya output dari hidden dan output layer tersebut
berdasarkan fungsi aktivasi tertentu.

• Dalam algoritma backpropagation ini digunakan

fungsi aktivasi sigmoid biner, karena output yang
diharapkan bernilai antara 0 sampai 1.
2) Algoritma Quickprop

• Algoritma Quickprop merupakan hasil pengembangkan dari algoritma

backpropagation standar. Pada algoritma Quickprop dilakukan pendekatan
dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot
penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari
kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang
lain.

• Dengan demikian perhitungan perubahan bobot hanya menggunakan

informasi lokal pada masing-masing bobot.
 Penerapan Jaringan Syaraf Tiruan Pada
Sistem Pengenalan Wajah Manusia

Dengan semakin tingginya kemampuan komputer untuk memproses data

dalam jumlah besar dengan kecepatan yang tinggi, sistem biometrik semakin
banyak di aplikasikan dalam kehidupan manusia.

Sistem biometrik adalah sistem untuk melakukan identifikasi dengan cara

menggunakan ciri-ciri fisik atau anggota badan manusia, seperti sidik jari, retina
mata, suara dan wajah. Teknologi biometrik ini memiliki beberapa kelebihan
seperti tidak mudah hilang, tidak dapat lupa, tidak mudah dipalsukan, dan memiliki
keunikan yang berbeda antara manusia satu dengan yang lain.
 Salah satu cara yang digunakan dalam sistem biometrik adalah
pengenalan wajah. Sistem pengenalan wajah bertujuan untuk mengidentifikasi
wajah seseorang dengan cara membandingkan wajah tersebut dengan database
wajah yang sudah ada.

Dalam sistem pengenalan wajah, pendeteksian posisi wajah merupakan

salah satu tahap yang penting karena di dunia nyata wajah dapat muncul di
dalam citra dengan berbagai ukuran dan posisi, dan dengan latar belakang
yang bervariasi.
• Teknik Active Learning
Training dilakukan secara bertahap dengan menggunakan metode active
learning. Pada tahap pertama training dimulai dengan menggunakan sedikit
data non-wajah. Pada tahap berikutnya, data training non-wajah ditambah
sedikit demi sedikit.

• Detektor Wajah
Bagian detektor wajah menggunakan arsitektur jaringan syaraf yang sama
dengan yang digunakan untuk training. Bobot penghubung yang digunakan
diambil dari bobot terakhir yang dihasilkan pada proses training. Hasil deteksi
akan diputuskan sebagai wajah jika output dari jaringan saraf tiruan lebih dari
0, dan diputuskan sebagai non-wajah jika output jaringan saraf tiruan kurang
dari atau sama dengan 0.
• Ekstraksi Subcitra

Posisi wajah bisa berada di mana saja pada citra yang akan dideteksi.
Untuk itu digunakan window berukuran 20x20 pixel yang akan digeser
melalui seluruh daerah citra. Daerah citra yang dilewati oleh window
tersebut akan diperiksa satu persatu apakah ada wajah atau tidak di area
tersebut.

Untuk mengantisipasi ukuran wajah yang bervariasi di dalam citra yang

dideteksi, citra diperkecil secara bertahap dengan skala perbandingan
1:1,2. Pada setiap ukuran citra yang diperkecil, window 20x20 pixel akan
digeser melalui seluruh area citra.
• Preprocessing

Sebelum digunakan sebagai training data set, citra akan melalui tahap-
tahap preprocessing berikut:

1. Histogram Equalization, untuk memperbaiki kontras citra.

2. Masking, yaitu menghilangkan bagian sudutsudut citra untuk

mengurangi variasi citra sehingga memperkecil dimensi data.

3. Normalisasi, yaitu mengkonversi nilai intensitas grayscale citra

sehingga memiliki range antara – 1 sampai dengan 1.
• Merging

Pada saat dilakukan deteksi wajah pada citra, biasanya sebuah wajah akan
terdeteksi pada beberapa lokasi yang berdekatan. Lokasi-lokasi ini disebut
dengan kandidat wajah. Untuk itu perlu dilakukan proses penggabungan
(merging), yaitu menyatukan lokasi kandidat-kandidat wajah yang
berdekatan.

Hasil deteksi sebelum dan sesudah

proses penggabungan (merging)
Contoh Hasil Deteksi Wajah Pada Beberapa Citra Uji
KESIMPULAN
• Jaringan saraf tiruan merupakan suatu model kecerdasan yang di dapat dari
struktur otak manusia dan kemudian diimplementasikan menggunakan
program computer yang mampu menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran berlangsung.

• Algoritma Jaringan Saraf Tiruan yaitu Algoritma Backpropagation. Algoritma

ini umumnya digunakan pada jaringan syaraf tiruan yang berjenis multi-layer
feed-forward, yang tersusun dari beberapa lapisan dan sinyal dialirkan secara
searah dari input menuju output.

• Dan Algoritma Quickprop merupakan hasil pengembangkan dari algoritma

backpropagation standar. Pada algoritma Quickprop dilakukan pendekatan
dengan asumsi bahwa kurva fungsi error terhadap masing-masing bobot