APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION

UNTUK KLASIFIKASI CITRA WAJAH MANUSIA

BERBASIS FITUR GEOMETRI
--------------------------------------
Tugas Akhir Program Studi S1 Teknik Elektro – Universitas Semarang

Dosen Pembimbing :

1. Sri Heranurweni, S.T, M.T

2. Muhammad Sipan, S.T, M.T

Disusun oleh :
EVA NUROCHIM
C431170081
Latar Belakang Penelitian
Pengolahan citra dan computer vision merupakan
penemuan di bidang komputer yang digunakan untuk
menghasilkan suatu sistem yang mendekati sistem
visual manusia
1 2
Sistem absensi berdasarkan akses fisik
Perkantoran, Comanditaire Venootschap (CV), dan
Perseroan Terbatas (PT) disekitar Desa Candigatak,
Kecamatan Cepogo, Kabupaten Boyolali masih banyak
yang memanfaatkan sistem absensi berbasis akses fisik
3 4
1. “Sistem Pengenalan Wajah dengan Metode Eigenface dan
Jaringan Syaraf Tiruan” oleh Tri Mulyono, Kusworo Adi, dan
Rahmat Gernowo (84,6% ).
2. “Pengenalan Wajah Manusia Menggunakan Principal
Component Analysis dan Jaringan Syaraf Tiruan Adaptive
Resonance Theory Two (ART-2)” oleh Fendi Setia Budi
(90% ).
3. Penelitian terkait oleh Sigit Kusmaryanto “Jaringan Syaraf
Tiruan Backpropagation untuk Pengenalan Wajah Metode
Ekstraksi Fitur Berbasis Histogram” (95%).
4. Nahdi Saubari, Rizal Isnanto, dan Kusworo Adi melakukan
penelitian serupa dengan judul “Jaringan Syaraf Tiruan
Peramban Balik Untuk Pengenalan Wajah” (80,8% ).
 Rumusan Masalah
Apakah perbandingan data uji-data latih
Berapa nilai akurasi klasifikasi dari sistem mempengaruhi akurasi klasifikasi dari sistem
jaringan syaraf tiruan backpropagation jaringan syaraf tiruan backpropagation pada
pada pengenalan citra wajah manusia pengenalan citra wajah manusia berbasis fitur
berbasis fitur geometri? geometri?

5 Bagaimana pengaruh parameter toleransi

error terhadap akurasi klasifikasi dari
sistem jaringan syaraf tiruan
backpropagation pada pengenalan citra
wajah manusia berbasis fitur geometri?
Apakah jumlah neurons lapisan tersembunyi
mempengaruhi akurasi klasifikasi dari sistem
jaringan syaraf tiruan backpropagation pada
pengenalan citra wajah manusia berbasis fitur
Bagaimana pengaruh iterasi perulangan terhadap
geometri?
akurasi klasifikasi dari sistem jaringan syaraf tiruan
backpropagation pada pengenalan citra wajah
manusia berbasis fitur geometri?
 Batasan Masalah
Citra wajah diambil dari 5 orang individu,
masing-masing individu diambil data citranya Komposisi perbandingan data latih dan data uji
sebanyak 64 kali dengan ekspresi wajah biasa diatur menjadi 3 kelas: 50:50, 60:40, dan 70:30.
dan tersenyum sehingga terkumpul 320 data
citra wajah

6
Proses klasifikasi citra wajah manusia
menggunakan jaringan syaraf tiruan
backpropagation.
Citra wajah berukuran 3456 x 4608 piksel diambil
menggunakan kamera HP Realme 3 Pro dengan jarak
pengambilan citra sejauh 1 meter, sudut pengambilan
citra dari arah depan objek, dan kondisi pencahayaan
relatif bervariasi.

Ekstraksi fitur geometri menggunakan algoritma

viola-jones. Fitur geometri yang digunakan
adalah jarak mata kanan-mata kiri, jarak mata
Citra wajah berukuran 3456 x 4608 piksel dilakukan
kanan-hidung, jarak mata kiri-hidung, jarak mata
proses pemotongan citra menjadi ukuran 432x577
kanan-mulut, jarak mata kiri-mulut, dan jarak
piksel, kemudian dilakukan proses segmentasi citra
hidung-mulut.
untuk memisahkan walayah (region) objek dengan
wilayah latar belakang agar objek mudah dianalisis.
Flowchart
1 Akuisisi Citra

proses pengubahan citra analog menjadi citra digital yang diambil

dari lingkungan atau dunia nyata menggunakan beberapa alat

Pre-Processing 2

bertujuan untuk memperbaiki kualitas citra agar mudah

diinterpretasikan oleh manusia atau mesin komputer. Pre-
processing yang dilakukan pada penelitian ini adalah resize
dan segmentasi citra.
 Ekstraksi Fitur
3 Geometri a Deteksi Objek

b Value Objek
c Deteksi Objek Perhitungan Z,Y, Bobot W Baru dan Bobot V
4 Baru

Hasil perhitungan manual dengan hasil perhitungan program klasifikasi jaringan

syaraf tiruan backpropagation harus sesuai, jika tidak sesuai menandakan program
yang dibuat belum berhasil.
a Normalisasi c Bobot W Awal dan Bobot V Awal

b Hasil Normalisasi

No 1 2 3 4 5 6 7 Identitas Citra
1 0,00 0,00 0,00 0,00 0,00 0,29 0,00 Dita Suci 1
2 0,34 0,28 0,28 0,20 0,28 0,31 0,00 Dita Suci 2
3 0,20 0,18 0,28 0,27 0,33 0,71 0,00 Dita Suci 3
4 0,87 1,00 0,97 0,90 0,84 0,43 1,00 Yatini 1
5 1,00 0,99 1,00 1,00 1,00 1,00 1,00 Yatini 2
6 0,94 0,97 0,75 0,90 0,73 0,71 1,00 Yatini 3
7 0,66 0,27 0,56 0,33 0,53 0,71 0,00 Dita Suci 4
Bobot V Bobot W
8 0,13 0,18 0,31 0,09 0,23 0,00 0,00 Dita Suci 5 J\K 1 2 3 4 5 J\K 1
9 0,20 0,07 0,37 0,11 0,22 0,15 0,00 Dita Suci 6 0 0,10 0,10 0,10 0,10 0,10
0 0,10
10 0,73 0,88 0,88 0,82 0,76 0,44 1,00 Yatini 4 1 0,65 0,12 0,26 0,15 0,35
1 0,59
11 0,02 0,73 0,47 0,63 0,54 0,37 1,00 Yatini 5 2 0,71 0,50 0,51 0,26 0,20
3
2 0,55
12 0,50 0,87 0,62 0,71 0,68 0,48 1,00 Yatini 6 0,75 0,96 0,70 0,84 0,25
4 0,28 0,34 0,89 0,25 0,62 3 0,92
5 0,68 0,59 0,96 0,81 0,47 4 0,29
6 0,66 0,22 0,55 0,24 0,35 5 0,76
7 0,16 0,75 0,14 0,93 0,83
 Bias pada neuron Bias pada neuron lapisan
d Perhitungan Nilai Z lapisan tersembunyi e Perhitungan Nilai Y
keluaran (Bias W)
(Bias V)

Neuron lapisan tersembunyi x

Neuron input x Bobot yang Bobot yang menghubungkan
menghubungkan neuron neuron lapisan tersembunyi
input dan neuron lapisan dan neuron lapisan keluaran
tersembunyi (Bobot V) (Bobot W)

Sinyal masukan ke Sinyal lapisan

neuron lapisan tersembunyi ke neuron
tersembunyi lapisan keluaran

Neuron lapisan keluaran

Neuron lapisan
tersembunyi

Apabila selisih nilai Y dengan target keluaran toleransinya masih melebihi dari nilai
Pehitungan nilai Z sampai dengan Z5, karena pada arsitektur yang ditetapkan jumlah neuron toleransi error perhitungan, maka dilakukan iterasi perulangan Kembali. Iterasi perulangan
lapisan tersembunyinya = 5. akan berhenti ketikan nilai toleransi error kurang dari atau sama dengan nilai toleransi error
yang ditetapkan walaupun belum mencapai batas iterasi perulangan yang ditetapkan.
 Target keluaran pada neuron
f Perhitungan Bobot W Baru keluaran – neuron keluaran g Perhitungan Bobot V Baru

Fungsi aktifasi dari sinyal Faktor koreksi dari neuron

lapisan tersembunyi ke keluaran x Bobot yang
neuron lapisan keluaran menghubungkan neuron keluaran
dan neuron lapisan tersembunyi
(Bobot W)

Faktor koreksi dari Sinyal factor koreksi

neuron keluaran lapisan keluaran ke
lapisan tersembunyi

Koreksi bobot yang

menghubungkan neuron
lapisan tersembunyi dan
Koreksi bobot yang neuron masukan.
menghubungkan neuron keluaran
dan neuron lapisan tersembunyi

Perhitungan bobot V baru dilakukan sampai membentuk matrik 8x5 (Bobot V Baru). Proses
perhitungan dilakukan sesuai dengan arsitektur yang telah ditetapkan.
 Pehitungan nilai w sampai dengan w , karena pada arsitektur yang ditetapkan jumlah
06
Bobot W = 5 + 1 (Bias). Begitupun dengan wjk (baru), sehingga akan membentuk
matrik berukuran 6x1 (Bobot W Baru).
 Hasil Perhitungan Manual dan Program
# Hasil Perhitungan Nilai Y

# Hasil Perhitungan Bobot V Baru

# Hasil Perhitungan Bobot W Baru

5 KLASIFIKASI
6 Hasil Klasifikasi
Klasifikasi Citra dengan Iterasi 10.000 dan TE = 0,00001 Klasifikasi Citra dengan Iterasi 10.000 dan TE = 0,01
Neuron Lapisan

Neuron Lapisan
Tersembunyi

Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data

Tersembunyi
50:50 60:40 70:30 50:50 60:40 70:30
Akurasi Akurasi Akurasi Akurasi Akurasi Akurasi
Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi
(%) (%) (%) (%) (%) (%)
5 0 94,53 0 95,04 0 94,86 5 64 86,88 52 86,51 37 86,24
10 0 94,63 0 94,71 0 95,14 10 62 86,58 52 86,14 38 86,17
15 0 94,66 0 94,71 0 95,11 15 58 85,95 47 85,85 34 85,42
Klasifikasi Citra dengan Iterasi 15.000 dan TE = 0,00001 Klasifikasi Citra dengan Iterasi 15.000 dan TE = 0,01
Neuron Lapisan

Neuron Lapisan
Tersembunyi

Tersembunyi
Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data
50:50 60:40 70:30 50:50 60:40 70:30
Akurasi Akurasi Akurasi Akurasi Akurasi Akurasi
Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi
(%) (%) (%) (%) (%) (%)
5 0 94,92 0 95,44 0 95,63 5 62 87,43 52 87,09 38 86,84
10 0 94,89 0 95,04 0 95,41 10 48 86,31 41 86,32 31 86,11
15 0 94,74 0 94,98 0 95,25 15 60 86,01 31 85,89 36 85,57
Klasifikasi Citra dengan Iterasi 20.000 dan TE = 0,00001 Klasifikasi Citra dengan Iterasi 20.000 dan TE = 0,01
Neuron Lapisan

Neuron Lapisan
Tersembunyi

Tersembunyi
Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data
50:50 60:40 70:30 50:50 60:40 70:30
Akurasi Akurasi Akurasi Akurasi Akurasi Akurasi
Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi
(%) (%) (%) (%) (%) (%)
5 0 94,90 0 95,23 0 96,25 5 64 87,35 52 86,70 36 86,11
10 0 94,92 0 95,14 0 95,60 10 64 86,50 52 86,52 35 85,52
15 0 95,04 0 95,09 0 95,35 15 57 85,73 46 85,62 24 85,63
Akurasi tertinggi (%) 96,25 Akurasi tertinggi (%) 87,43
Akurasi terendah (%) 94,53 Akurasi terendah (%) 85,42
Rata-rata akurasi lapisan tersembunyi = 5 (%) 95,20 Rata-rata akurasi lapisan tersembunyi = 5 (%) 86,79
Rata-rata akurasi lapisan tersembunyi = 10 (%) 95,05 Rata-rata akurasi lapisan tersembunyi = 10 (%) 86,24
Rata-rata akurasi lapisan tersembunyi = 15 (%) 94,99 Rata-rata akurasi lapisan tersembunyi = 15 (%) 85,74
Rata-rata akurasi TE = 0,00001 (%) 95,08 Rata-rata akurasi TE = 0,01 (%) 86,26
Rata-rata akurasi 50:50 (%) 94,80 Rata-rata akurasi 50:50 (%) 86,53
Rata-rata akurasi 60:40 (%) 95,04 Rata-rata akurasi 60:40 (%) 86,29
Rata-rata akurasi 70:30 (%) 95,40 Rata-rata akurasi 70:30 (%) 85,96
Rata-rata akurasi iterasi 10000 (%) 90,51 Rata-rata akurasi iterasi 10000 (%) 86,19
Rata-rata akurasi iterasi 15000 (%) 90,77 Rata-rata akurasi iterasi 15000 (%) 86,40
Rata-rata akurasi iterasi 20000 (%) 90,73 Rata-rata akurasi iterasi 20000 (%) 86,19
 KESIMPULAN
Semakin kecil toleransi error yang ditetapkan pada
penelitian ini maka nilai akurasi klasifikasi yang
dihasilkan semakin besar atau berbanding terbalik.
Pada saat dilakukan variasi toleransi error = 0,00001
akurasi klasifikasi berbanding lurus terhadap data uji-
data latih yang ditetapkan sedangkan pada saat
dilakukan variasi toleransi error = 0,01 akurasi
klasifikasi berbanding terbalik terhadap data uji-data
latih yang ditetapkan.

Nilai akurasi klasifikasi berbanding terbalik terhadap

besarnya nilai lapisan tersembunyi yang ditetapkan
Iterasi perulangan tidak memberikan pengaruh
terhadap akurasi klasifikasi.

Nilai akurasi klasifikasi tertinggi dari sistem jaringan

syaraf tiruan backpropagation pada pengenalan citra
wajah manusia berbasis fitur geometri adalah sebesar
96,25%