PENGENALAN POLA MENGGUNAKAN

JARINGAN SARAF TIRUAN PADA WAJAH

Disusun oleh : Jamalul Insan (1657301055)

Muammar Rizki Ramadhan (1657301058)
Hafidh Rizki Wanandi (1657301051)
PENGENALAN POLA MENGGUNAKAN
JARINGAN SARAF
 Pengenalan pola adalah disiplin ilmu yang tujuannya untuk mengklasifikasikan
obyek menjadi beberapa kategori atau kelas.
 Salah satu pengenalan pola adalah pengenalan wajah, yaitu proses identifikasi
manusia dengan menggunakan gambaran wajah seseorang. Pengenalan wajah
dapat dilakukan oleh komputer dengan adanya bantuan aplikasi secara real
time dan non real time.
 Jaringan syaraf tiruan atau umumnya disebut neural network, adalah sistem
pembelajaran berbentuk jaringan yang terinspirasi berdasarkan jaringan
syaraf manusia. SOM (Self Organizing Maps) sebagai metode pengenalan atau
klasifikasi termasuk salah satu metode jaringan syaraf tiruan.
PROSES PENGENALAN WAJAH

Dapat dilihat pada Gambar sebelah. Proses pengenalan wajah ada 2

tahap, yaitu pelatihan (Training), dan pengujian (Testing). Pada
pelatihan wajah terdapat 3 tahapan, yaitu pra-pengolahan, ekstrasi
ciri dan klasifikasi. Pra-pengolahan berfungsi untuk membersihkan
citra serta mempersiapkan citra agar dapat menghasilkan fitur yang
lebih baik pada tahap ekstrasi ciri. Setelah citra dibersihkan tahap
selanjutnya adalah melakukan perhitungan PCA dengan tujuan
untuk mendapatkan nilai ciri. Setelah ciri didapat maka langkah
selanjutnya adalah nilai ciri yang didapat diolah dengan
perhitungan SOM. Pada tahap pengujian wajah nilai dari citra yang
akan dikenali akan diproyeksikan terhadap nilai bobot yang telah di
dapat pada tahap pelatihan wajah sebelumnya dengan mencari
jarak yang paling maksimal dengan dot product, dari hasil
perhitungan tersebut maka akan didapatkan citra yang paling
mendekati wajah yang akan dikenali. Pengenalan wajah dari
komputer sulit dilakukan tidak seperti halnya manusia, komputer
harus melalui beberapa proses dan harus mempunyai perangkat
lunak khusus untuk mengenali wajah manusia.
 METODE PENGENALAN WAJAH
1. Principal Component Analysis (PCA)
adalah alat matematika untuk mengekstrak fitur fitur khas yang disebut eigenfaces dari
data gambar asli (smith, 2002). Setiap principal component merupakan representasi dari
suatu kombinasi linier dari semua citra-citra wajah training yang sudah dikurangi dengan
mean citra, gabungan dari citra wajah inilah yang dinamakan eigenface. Pelatihan dan
pengujian dengan PCA yang dapat dijelaskan sebagai berikut:
a. Merepresentasikan nilai-nilai piksel kedalam vector dengan cara membaca nilai piksel
citra dari kiri atas sampai kanan bawah.
b. Menghitung rata-rata vector dengan mengurangi rata-rata image (µ) dari setiap image
vector (φi).
c. Menghitung matrik kovarian PCA dengan mengalikan matriks data
d. Menentukan eigen value (λi) dan eigen vector (νi)
e. Menentukan komponen dan membentuk fitur vector
 METODE PENGENALAN WAJAH
2. Self Organizing Map (SOM) / Kohonen
adalah jenis jaringan syaraf tiruan yang dilatih menggunakan pembelajaran tanpa
pengawasan. Jaringan syaraf tiruan Kohonen memiliki perbedaan yang cukup
signifikan dengan algoritma JST propagasi balik, perbedaan terletak di cara
bagaimana jaringan ini melakukan pelatihan dan cara memanggil kembali pola.
Seperti yang ditunjukkan pada Gambar 2. struktur jaringan SOM hanya memiliki
dua layer, input layer dan output layer biasa dikenal Kohonen layer, tidak memiliki
hidden layer di dalam JST Kohonen, masukan untuk sebuah jaringan saraf tiruan
Kohonen diberikan kepada jaringan melalui neuron input, input neuron tersebut
akan diisi dengan angka yang akan membangun suatu pola input yang akan
dikenali jaringan, input yang akan dimasukkan harus dinormalisasi hingga
memenuhi batas pengenalan input dari JST Kohonen yaitu berada di antara nilai -1
dan 1, bila pola input ini telah terbangun di jaringan, akan memancing reaksi dari
neuron output. Di jaringan ini hanya satu neuron output yang akan benar-benar
menghasilkan suatu nilai, nilai tunggal ini merupakan nilai benar atau salah, saat
pola input dimasukkan kepada jaringan maka satu neuron output akan dipilih
sebagai pemenang (winning neuron), dan dalam neuron inilah informasi output
diperoleh.
PENERAPAN PENGENALAN WAJAH DENGAN METODE
PCA
1. Pengujian Konfigurasi 1
Pengujian pada penelitian ini dilakukan dengan menggunakan data gambar dengan
ukuran 80x80, sebanyak 300 data dan 150 data akan digunakan untuk pembelajaran

Berdasarkan Tabel 1, pengenalan menggunakan data wajah sebanyak 300 gambar yang
berukuran 80x80 menghasilkan akurasi sebesar 100%, karena data wajah yang telah di
latih sebelumnya memiliki nilai bobot yang sama dengan 300 data yang akan diuji
sehingga menghasilkan akurasi yang sangat baik. Sedangkan dengan menggunakan 150
data latih menghasilkan akurasi sebesar 86%. Hasil akurasi tersebut cukup baik karena
hanya 24 gambar wajah yang tidak dikenali dari 150 gambar yang akan dikenali.
sistem tidak dapat mengenali gambar wajah tersebut karena nilai bobot yang didapat
mendekati nilai bobot gambar wajah yang lain, sehingga gambar tidak dapat dikenali.
2. Pengujian Konfigurasi 2
Pengujian 2 pada penelitian ini menggunakan data gambar dengan ukuran 120x120, sebanyak 300 data
dan 150 data akan digunakan untuk pembelajaran.

Berdasarkan tabel 2, pengenalan menggunakan data wajah

sebanyak 300 gambar yang berukuran 120x120 menghasilkan
akurasi sebesar 100%, karena data wajah yang telah di latih
sebelumnya memiliki nilai bobot yang sama dengan 300
data yang akan diuji sehingga menghasilkan akurasi yang
sangat baik.

Dapat dilihat pada Gambar 3. yang membedakan pengujian

1 dan pengujian 2 dengan menggunakan 300 data uji yang
sama adalah waktu kinerja pengujian 1 lebih cepat
dibandingkan dengan pengujian 2, selisih waktu antara
kedua konfigurasi tersebut adalah 15 menit.
3. Pengujian Konfigurasi 3
Pengujian yang dilakukan dengan menggunakan data gambar dengan ukuran 160x160, sebanyak 300 data
dan 150 data akan digunakan untuk pembelajaran. Hasil pengujian dan analisa selengkapnya dapat
dilihat pada tabel di bawah ini:

Pada tabel 3, hasil yang dilampirkan sama

dengan konfigurasi 1 dan 2, karena data wajah
yang telah di latih sebelumnya memiliki nilai
bobot yang sama dengan 300 data yang akan
diuji sehingga menghasilkan akurasi yang
sangat baik.

Pada Gambar 5. Menunjukkan bahwa

perbedaan pada pengujian konfigurasi 1 dan 2
lebih cepat dibandigkan dengan lama sistem
bekerja pada konfigurasi 3, karena konfigurasi
3 menggunakan resolusi 160x160 yang berarti
ada 25.600 data yang akan diolah pada satu
gambar wajah maka kinerja pengujian
konfigurasi 3 lebih lama.
  Pengujian Konfigurasi 3

Dapat dilihat dari Gambar 6. Pengujian konfigurasi 3 yang

mendapat akurasi yang paling rendah dibanding yang lain,
akurasi dapat ditingkatkan jika nilai komponen ciri PCA di
tingkatkan. Jika kita menggunakan resolusi 160x160 atau
bahkan lebih maka sebaiknya nilai ciri yang diambil lebih dari
150 karena semakin banyak ciri yang diambil maka semakin
detail gambar wajah yg akan dikenali, karena resolusi gambar
160x160 memiliki 25.600 nilai data maka terlalu sedikit jika
nilai ciri yang diambil hanya 150 dibandingkan dengan jumlah
nilai data per gambar. Resolusi yang tinggi akan mendapatkan
hasil akurasi yang tinggi jika nilai komponen ciri PCA yang
akan diolah ditingkatkan (Veldhuis et al., 2006). Pada
pengujian tersebut menggunakan dataset sebanyak 3699
gambar wajah yang berresolusi tinggi dan 1803 gambar wajah
yang berresolusi rendah, 270 nilai ciri komponen PCA
digunakan untuk resolusi yang tinggi dan pengujian kedua
menggunakan 110 nilai ciri komponen PCA untuk resolusi
rendah, resolusi tinggi yang dipilih adalah 128x128 sedangkan
resolusi rendah adalah 32x32. Hasil kedua pengujiannya
memberikan hasil yang baik dan sesuai dengan yang
diharapkan oleh para peneliti, jika resolusi tinggi yang
digunakan maka lebih baik nilai ciri komponen PCA sebaiknya
lebih dari 90 agar mendapat akurasi yang tinggi.