1

ANALISIS PERBANDINGAN METODE KLASIFIKASI MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION PADA SISTEM PENGENALAN

WAJAH “Comparative Analysis of Classification Methods Using Backpropagation Neural Network and Learning Vector

Quantization on Face Recognition System” 1Artiastuti 2Koredianto Usman, ST., MSc. 3Eko Susatio, ST., MT. 1101080023 02750290-1 10830725-3

1,2,3Departemen Elektro dan Komunikasi – Universitas Telkom Jl. Telekomunikasi No.1, Dayeuh Kolot, Bandung 40257, Indonesia

1artiastuti28@gmail.com 2kru@ittelkom.ac.id 3tio@ittelkom.ac.id

ABSTRAK Perkembangan teknologi di bidang biometrik khususnya pengenalan wajah memacu para peneliti untuk

menemukan metode-metode baik untuk proses ektraksi ciri maupun klasifikasi. Salah satu metode klasifikasi yang sering digunakan adalah Jaringan Saraf Tiruan (JST).

JST yaitu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. Berdasarkan sifat belajarnya JST dibagi menjadi dua yaitu supervised learning (pembelajaran terawasi) dan unsupervised learning (pembelajaran tak terawasi). JST yang digunakan untuk perbandingan klasifikasi pada tugas akhir ini merupakan jenis supervised learning yaitu JST backpropagation dan Learning Vector Quantization (LVQ). Sedangkan ekstraksi ciri yang digunakan yaitu Principal Component Analysis (PCA).

Hasil pengujian menunjukkan akurasi tertinggi pada backpropagation dengan PCA yaitu 99.5%, dicapai pada saat menggunakan 150 PC, jumlah hidden neuron 250, dan nilai learning rate 0.1. Sedangkan akurasi tertinggi pada LVQ yaitu 90.75%, dicapai pada saat menggunakan 50 PC, jumlah hidden neuron 250, dan nilai learning rate 0.0075.

Kata Kunci: Biometrik, Jaringan Saraf Tiruan, Supervised Learning, Unsupervised Learning, Backpropagation, Learning Vector Quantization, Principal Component Analysis.

ABSTRACT Technological development of biometrics especially face recognition is developed by the researchers to find

better methods for feature extraction and classification. One classification method that commonly used is Artificial Neural Network (ANN).

ANN is information processing system that has characteristic similiar to biological neural networks. Based on learning method, ANN is devided into Supervised learning and Unsupervised learning. In this research, ANN that being used are Backpropagation ANN and Learning Vector Quantization (LVQ). While the feature extraction used Principal Component Analysis (PCA).

The test result showed the highest acuraccy on backpropagation with PCA is 99.5%, achieved when using 150 PC, and the number of hidden neuron 250, and learning rate value 0.1,. While the highest accuracy on LVQ is 90.75%, achieved when using 50 PC, the number of hidden neuron 250, and learning rate value 0.0075.

Keywords: Biometric, Artificial Neural Network, Supervised Learning, Unsupervised Learning, Backpropagtion, Learning Vector Quantization, Principal Component Analysis.

1. PENDAHULUAN 1.1 Latar Belakang

Perkembangan teknologi di bidang biometrik memacu para peneliti untuk menemukan metode-metode baik untuk ektraksi ciri maupun klasifikasi. Salah satu metode klasifikasi yang sering digunakan digunakan adalah Jaringan Saraf Tiruan (JST).

JST yaitu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi [8]. Berdasarkan sifat belajarnya JST dibagi menjadi supervised learning (pembelajaran terawasi) dan unsupervised learning (pembelajaran tak terawasi). JST yang digunakan untuk perbandingan klasifikasi pada tugas akhir ini merupakan jenis

2

supervised learning yaitu JST backpropagation dan Learning Vector Quantization (LVQ). Sedangkan ekstraksi ciri yang digunakan yaitu Principal Component Analysis (PCA).

Pada tugas akhir ini, data yang digunakan adalah citra wajah manusia karena wajah manusia memiliki ciri unik yang membedakan manusia satu dengan lainnya, pengambilan citra wajah relatif mudah, dan tidak membutuhkan sensor khusus. Ekstraksi ciri digunakan metode PCA karena pada metode ini dimensi matriks input hasil pre-processing masih tergolong besar, dengan PCA dimensi matriks input dapat direduksi sesuai dengan jumlah principal component yang kita pilih. Pemilihan JST backpropagation dan LVQ sebagai metode klasifikasi karena kedua metode ini mempunyai cara yang berbeda dalam pengkoreksian bobot-bobotnya, backpropagation dengan cara propagasi balik sesuai dengan nilai error yang didapatkan sedangkan LVQ dengan bobot kompetisi dan bobot linier.

Pada tugas akhir ini, akan dibandingkan kedua metode klasifikasi tersebut. Hal yang akan dibandingkan adalah tingkat akurasi metode-metode tersebut dengan diuji dengan beberapa keadaan yang diberlakukan kedua metode tersebut dengan menggunakan database wajah, proses preprocessing, dan ekstraksi ciri yang sama agar terlihat perbedaan akurasi dan waktu komputasi dari kedua metode tersebut.

Penelitian mengenai pengenalan manusia melalui wajah manusia dengan menggunakan ekstraksi ciri PCA sudah pernah dilakukan pada tugas akhir yang berjudul “Analisis Perbandingan Metode Eigenface, Fisherface dan Laplacianface pada Sistem Pengenalan Wajah” (Fahmi, 2012) [3]. Pada penelitian tersebut didapatkan akurasi tertinggi yaitu 95.79% dengan menggunakan ekstraksi ciri eigenface (PCA) dengan menggunakan metode klasifikasi ecluidean distance. Berdasarkan referensi penelitian tersebut bahwa penggunaan metode ecluidean distance sebagai klasifikasi menghasilkan akurasi yang cukup tinggi. Pada kali ini penulis mencoba mengangkat topik sejenis dengan menggunakan metode klasifikasi lain yaitu JST backpropagation dan learning vector quantization (LVQ) dengan tetap menggunakan metode Principal Component Analysis (PCA) sebagai eksraksi ciri.

1.2 Rumusan Masalah Berdasarkan latar belakang, maka perumusan

masalahnya adalah sebagai berikut: 1 Bagaimana merancang jaringan saraf tiruan

backpropagation, learning vector quantization, dan ecluidean distance pada sistem pengenalan wajah?

2 Parameter-parameter apa saja yang mempengaruhi performansi dari ketiga algoritma tersebut?

3 Bagaimana performansi dan kecepatan komputasi dari ketiga algoritma tersebut?

4 Bagaimana ketahanan kedua sistem terhadap gangguan dari luar?

1.3 Tujuan Penelitian Berdasarkan perumusan masalah, maka tujuan

dari penelitian yang dilakukan adalah sebagai berikut: 1 Mengetahui penerapan algoritma jaringan saraf

tiruan backpropagation, learning vector quantization , dan ecluidean distance pada pengenalan wajah

2 Menganalisis parameter-parameter yang mempengaruhi performansi dari ketiga algoritma tersebut

3 Mengetahui performansi dan kecepatan komputasi pada ketiga algoritma tersebut

4 Mengetahui ketahanan ketiga sistem setelah diberikan gangguan dari luar

1.4 Batasan Masalah Batasan-batasan masalah yang diberikan pada

tugas akhir ini adalah sebagai berikut: 1. Format citra berekstensi .bmp dan berdimensi

1024 x 768 piksel 2. Latar belakang saat pengambilan citra berwarna

terang 3. Tidak membahas proses deteksi wajah 4. Ekstraksi ciri menggunakan Principal Component

Analysis (PCA) 5. Sistem merupakan sistem non-realtime 6. Sistem dirancang dengan menggunakan Matlab

2013a

2. LANDASAN TEORI 2.1 Biometrik [1]

Sistem biometrik merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Secara harfiah, biometrika berasal dari bahasa Yunani yaitu bio dan metrics, bio berarti sesuatu yang hidup, dan metrics berarti mengukur. Biometrika berarti mengukur karakteristik pembeda pada badan atau perilaku seseorang yang digunakan untuk melakukan pengenalan secara otomatis terhadap identitas orang tersebut, dengan membandingkannya dengan karakteristik sebelumnya yang telah disimpan pada suatu database.

2.2 Citra Digital [4] Citra dapat dapat dinyatakan sebagai suatu

fungsi dua dimensi f dengan x maupun y adalah posisi

3

koordinat f merupakan amplitudo pada posisi (x,y) yang sering dikenal sebagai intensitas atau grayscale (Gonzales, 2002). Nilai dari intensitas bentuknya adalah diskrit dengan rentang antara 0 sampai 255. Citra yang ditangkap oleh kamera dan telah dikuantisasi dalam bentuk nilai diskrit disebut citra digital. Contoh citra digital yaitu citra yang tersimpan dalam bentuk file gambar (bmp, jpg, png, dll) pada komputer sedangkan foto hasil cetak printer merupakan citra analog.

2.3 Principal Component Analysis PCA merupakan ekstraksi ciri yang bertujuan

untuk mereduksi dimensi vektor citra wajah yang besar menjadi sebuah vektor ciri dengan dimensi kecil. Sekumpulan dimensi baru yang dihasilkan proses PCA dinamakan Principal Component atau disingkat PC. Besarnya dimensi diperoleh sesuai dengan jumlah PC yang dipilih.

Algoritma PCA atau Eigenface untuk sistem pengenalan wajah adalah sebagai berikut : 1. Sekumpulan citra latih T1, T2, T3, … TM sebanyak

M dengan ukuran N x N dihitung rata-rata nya, dengan

M

iiT

1

2. Setiap citra latih dikurangi dengan rata-rata yang telah dihitung sehingga di dapat

iT

3. Setelah itu dapat dihitung matriks kovarians C dengan :

TTi

M

ii AA

MC 1

1

4. Namun matriks C memiliki ukuran N2 x N2 yang tentu saja terlalu besar dan membuat perhitungan menjadi cukup lama. Oleh karena itu dilakukan perhitungan eigenvector dari matriks L yang memiliki ukuran M x M, dengan :

AAL T

iiiT vAvA

(2.5)

iiiT AvAvAA

5. Dari perhitungan diatas didapat bahwa eigenvector dari matriks C adalah Avi, sehingga eigenvector yang telah kita dapatkan saat menggunakan matriks L dapat digunakan untuk mencari eigenvector dari matriks C.

iAvu

6. Untuk mendapatkan ciri citra dari eigenface ini digunakan perhitungan yang simpel yaitu

)( Tuw

2.4 Jaringan Saraf Tiruan [8] Jaringan saraf Tiruan (JST) adalah sistem

pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. JST dibentuk sebagai genelarisasi model matematika dari jaringan saraf biologi.

2.4.1 Pelatihan dengan Supervisi dan Tanpa Supervisi [8]

JST berdasarkan memodifikasi bobotnya, terdapat 2 macam pelatihan yang dikenal yaitu dengan supervisi (supervised learning) dan tanpa supervisi (unsupervised learning).

Pelatihan dengan supervisi, terdapat sejumlah pasangan (masukan dan keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi sebagai “guru” untuk melatih jaringan hingga diperoleh bentuk yang terbaik. ‘Guru” akan memberikan informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unjuk kerjanya.

3. PERANCANGAN DAN IMPLEMESTASI SISTEM

3.1 Gambaran Umum Sistem

START

Pre-

processing

Ekstraksi Ciri

PCA

Databas

e Latih

Klasifikasi

FINISH

START

Pre-

processing

Ekstraksi

CiriPCA

Klasifikasi

(Backpropagat

ion, LVQ,

Ecluidian

Distance)

FINISH

Gambar 3.1 Diagram Alir Sistem Secara Umum

Blok diagram di atas menunjukkan blok diagram umum dari sistem yang dibuat. Secara umum, sistem ini dibagi menjadi empat proses, yaitu: 1. Pemrosesan awal (preprocessing) 2. Ekstraksi ciri PCA 3. Proses Pelatihan 4. Proses Pengujian

3.2 Preprocessing

Citra masukan yang digunakan diakuisisi dengan menggunakan kamera digital dengan jarak antara kamera dengan wajah sekitar 20 cm. Warna

4

latar belakang pada saat pengambilan citra adalah menggunakan warna terang polos dan dengan pencahayaan yang baik.

Pada preprocessing dilakukan beberapa proses yaitu deteksi area wajah menggunakan algoritma Viola Jones, cropping, resize, grayscale, dan filter.

Deteksi

area wajahCropping

GrayscaleFilter

ResizingSTART

STOP

Citra

Input

Citra hasil

preprocess

-ing

Gambar 3.2 Diagram Alir Preprocessing

3.3 Principal Component Analysis

START

Normalisasi

Mencari

Covariance Matrix

Mencari

Eigenvector dan

Component

Eigenvalues

Mencari Principal

Component

STOP

Gambar 3.3 Diagram Alir PCA

Langkah-langkahnya yaitu: 1. Normalisasi

Setelah melakukan preprocessing data, dihasilkan database training input yang berukuran awal (5625x350). Dari matriks tersebut dilakukan perhitungan untuk mendapatkan mean (5625x1) setiap baris yang berukuran awal. Setelah mean didapatkan, lakukan normalisasi input sehingga didapatkan data normal (5625x350). 2. Pencarian matrik kovarian

Didapatkan matrik kovarian L yang berukuran diinginkan (350x350). 3. Pencarian eigenvector dan eigenvalues

Didapatkan eigenvalues (1x350) dan eigenvector berkorelasi (5625x350) dari matriks kovarian. 4. Pencarian Principal Component

Eigenvector berkorelasi yang didapatkan sebelumnya, diurutkan berdasarkan eigenvalues yang diurutkan secara descending (dari besar ke kecil). Dari eigenvector yang sudah terurut tersebut, kemudian dilakukan pemilihan jumlah PC yang akan diambil, sehingga didapatkan PC yang sesuai.

5. Penurunan dataset baru Hasil dari perkalian PCT x DataNormal

3.4 Backpropagation Proses training dan pengujian dengan

menggunakan backpropagation dapat dilihat pada diagram alir berikut :

START

Initialization

Input Data

(P),

Target (T)

Feed

Propagation

Back

Propagation

Any data?

Calculate

MSE

MSE <=

Target eror ?

FINISH

Epoch

max ?

No

No

Yes

Yes

Save

WeightYes

Optimal

Weight

START

Test

Image

Feed

Propagation

Classification

Any Image ?

STOP

Yes

No

No

a b

Gambar 3.4 Diagram Alir Pelatihan (a) dan Pengujian (b) Backpropagation

Proses pelatihan pada backpropagation terdiri dari perambatan maju untuk meneruskan informasi dari lapisan input ke lapisan output kemudian dilakukan perambatan mundur untuk memperbarui bobot-bobot sinapsis. Proses perambatan mundur dilakukan setelah mendapatkan nilai error dari selisih keluaran yang sebenarnya dengan pola target yang sudah ditentukan di awal pembentukan jaringan.

3.5 Learning Vector Quantization Untuk pelatihan digunakan 350 buah neuron

input, ini sesuai dengan ukuran data input JST yang berukuran (x1) untuk setiap citra wajah yang dilatih. Output yang dihasilkan dalam lapisan kompetitif dijadikan pembanding dengan sejumlah 50 target, yaitu 50 wajah yang dikenali.

Keluaran yang dihasilkan dari proses pelatihan LVQ adalah bobot optimal pada hidden neuron. Bobot ini dibutuhkan untuk pengujian data uji LVQ. Adapun proses pelatihan yang dilakukan LVQ pada

5

tugas akhir ini dapat dilihat pada blok diagram berikut :

Mulai

Initialization

Calculate Euclidean

distance|| X-Wj ||

Determine min

Euclidiean distance

Determine Output

Output=target ?

Close weight to

input vector

decrease Learning

Rate

MSE <= min

MSE?

Save weight

Move away

Weight to

input vector

No

Calculate MSE

Yes

Input data

(x), target (t)

Optimal

WeightFINISH

Yes

Epoch Max?

No

Yes

No

Gambar 3.5 Diagram Alir Pelatihan LVQ

START

Input

Image (X),

vector

weight W

and V

Calculate

ecluidean distance || X-Wj ||

Determine

minimum

distance

Forming output

vector from

competitive layer

Clasification

Any Image?

STOP

No

Yes

Gambar 3.6 Diagram Alir Pengujian LVQ

4. PENGUJIAN SISTEM DAN ANALISIS Pada bab ini akan dilakukan pengujian dan

analisis terhadap program yang telah dengan beberapa tujuan dan skenario yang telah dirancang.

4.1 Pengujian dan Analisis Parameter Jaringan

4.1.1 Pengujian dan Analisis Principal Component Terhadap Jaringan

Dari beberapa jumlah PC yang diujikan dihasilkan akurasi tertinggi ketiga metode seperti table di bawah ini:

Tabel 4.1 Hasil Pengujian Terbaik Terhadap Jumlah PC

Meto-

de

Jmlh

PC

Jmlh

Hidden

Neuron

Learning

Rate

Akurasi

Train

Aku-

rasi

Uji

BP 150 250 0.1 100 99.5

LVQ 50 150 0.0075 90 89.5

ED 50 - 99.25

4.1.2 Pengujian dan Analisis Hidden Neuron Terhadap Jaringan

Dari beberapa jumlah hidden neuron yang diujikan dihasilkan akurasi tertinggi kedua metode seperti table di bawah ini.

Tabel 4.2 Hasil Pengujian Terbaik Terhadap Jumlah Hidden Neuron

Meto-

de

Jmlh

PC

Jmlh

Hidden

Neuron

Learning

Rate

Akurasi

Train

Aku-

rasi

Uji

BP 150 250 0.1 100 99.5

LVQ 50 250 0.0075 92 90.75

4.1.3 Pengujian dan Analisis Learning Rate terhadap Jaringan

Dari beberapa nilai learning rate yang diujikan dihasilkan akurasi tertinggi kedua metode seperti table di bawah ini.

Tabel 4.3 Hasil Pengujian Terbaik Terhadap Nilai Learning Rate

Meto-

de

Jmlh

PC

Jmlh

Hidden

Neuron

Learning

Rate

Akurasi

Train

Aku-

rasi

Uji

BP 150 250 0.1 100 99.5

LVQ 50 50 250 90 90.75

Berdasarkan pengujian terhadap jumlah PC, jumlah hidden neuron, dan nilai learning rate pada backpropagation dan LVQ serta pengujian terhadap

6

jumlah PC pada ecluidean distance diperoleh parameter terbaik yaitu:

Tabel 4.4 Parameter Terbaik Backpropagation, LVQ, dan Ecluidean Distance

Keterangan BP LVQ ED

Akurasi 99.5 90.75 99.25

Jumlah PC 150 50 50

Hidden Neuron 250 250 -

Learning rate 0.1 0.0075 -

MSE 0.0001140 0.0031429 -

Epoch ke 2000 1323 -

Maks Epoch 2000 2000 -

4.2 Penguian dan Analisis Ukuran Citra yang Berbeda terhadap sistem

Mengingat ukuran citra yang digunakan sangat berpengaruh terhadap akurasi maupun kecepatan komputasi, maka di ujikan ukuran citra yang berbeda seperti table di bawah ini:

Tabel 4.5 Akurasi Ketiga Metode dengan Ukuran Citra yang Berbeda

Metode

Akurasi Tertinggi (%)

100x100

piksel

75x75

piksel

50x50

piksel

BP 99.5 99.5

LVQ 89.75 90.75 83.25

ED 99.25 99.5 99.25

4.3 Pengujian dan Analisis Terhadap Gangguan

dari Luar

4.3.1 Pengujian Terhadap Pemakaian Kacamata Tabel di bawah menunjukan perbedaan

pengaruh pemakaian kacamata terhadap akurasi.

Tabel 4.6 Pengaruh Penggunaaan Kacamata Terhadap Akurasi

Metode Akurasi

Backpropagation 90

LVQ 80

Ecluidean Distance 86

Dari ketiga metode di atas, backpropagation menghasilkan akurasi tertinggi. LVQ dan ecluidean distance mengalami penurunan yang cukup drastis di bawah 10% dari pengujian terhadap citra normal.

Perbedaan akurasi yang terpaut cukup jauh disebabkan karena pada citra wajah menggunakan

kacamata tidak terdapat pada citra latih serta jumlah data uji yang berbeda antara citra normal dengan citra yang menggunakan kacamata.

4.3.2 Pengujian Terhadap Noise

Tabel 4.7 Pengaruh Noise Salt & Pepper Terhadap Akurasi

Metode Tanpa

Noise

Dens

0.02

Dens

0.05

Dens

0.07

Dens

0.1

BP 99.5 99.5 99.25 99.5 99.5

LVQ 90.75 90.5 90.5 90.25 89.5

ED 99.25 99.25 99.25 99.25 98.75

Penambahan noise salt & pepper pada backpropagation hanya sedikit mengalami penurunan akurasi, pada ecluidean distance tidak mengurangi akurasi. Namun, penambahan noise pada LVQ mengalami penurunan akurasi berbanding lurus dengan konstanta density. Penurunan akurasi pada LVQ ini disebabkan karena penggunaan noise dengan tingkat density yang tinggi menyebabkan kualitas citra semakin kabur dan semakin berbeda dengan citra aslinya. Meskipun pada proses pre-processing digunakan filter tetapi hasil dari filter tidak akan sama persis dibandingkan citra aslinya.

Tabel 4.8 Pengaruh Noise Poisson Terhadap Akurasi

Metode Tanpa noise Tambah

Noise

BP 99.5 99.5

LVQ 90.75 90.75

ED 99.25 99.25

Pada tabel pengujian di atas terlihat bahwa penambahan noise poisson pada citra uji tidak mempengaruhi akurasi dari ketiga metode.

4.3.3 Pengujian Ketahanan Sistem Terhadap Motion Blur

Salah satu gangguan yang sering terjadi saat pengakuisisian citra adalah motion blur.

Tabel 4.9 Motion Blur Terhadap Akurasi dengan Sudut 0°

Meto-

de

Normal 5

piksel

10

piksel

15

piksel

20

piksel

BP 99.5 99.5 99.5 99.5 99.5

LVQ 90.75 90.75 90.25 90.25 90.75

ED 99.25 99.25 99.25 99.25 99.25

7

Tabel 4.10 Motion Blur Terhadap Akurasi dengan Sudut 45°

Meto-

de Normal 5

piksel

10

piksel

15

piksel

20

piksel

BP 99.5 99.5 99.5 99.5 99.5

LVQ 90.75 90.25 90.25 90.5 90.5

ED 99.25 99.25 99.25 99.25 99

Tabel 4.11Motion Blur Terhadap Akurasi dengan Sudut 90°

Meto-

de Normal 5

piksel

10

piksel

15

piksel

20

piksel

BP 99.5 99.5 99.5 99.5 99.5

LVQ 90.75 90.25 90.25 90 90.25

ED 99.25 99.25 99.25 99.25 99.25

Dengan melihat perubahan akurasi rata-rata dapat disimpulkan bahwa backpropagation dan ecluidean distance tidak terpengaruh sama sekali dengan adanya efek motion blur berbeda dengan LVQ yang sedikit terpengaruh dengan adanya motion blur walaupun penurunannya sangat sedikit.

4.3.4 Pengujian Ketahanan Sistem Terhadap Rotasi

Tabel 4.12 Pengaruh Rotasi Citra Terhadap Akurasi Metode 0° 2.5° 5° 7.5° 10°

c 99.5 98.5 94.25 80.5 69.25

LVQ 90.75 88 81.75 69.75 57.25

ED 99.25 98 93.5 79.5 66.25

Berdasarkan tabel di atas, dengan melihat penurunan akurasi dari citra normal, maka dapat disimpulkan backpropagation lebih tahan terhadap rotasi

4.4 Gangguan dan Analisis Terhadap Citra

Asing Citra asing yang dimaksud pada pengujian kali

ini yaitu citra wajah yang belum pernah dilatih sedangkan citra asli merupakan citra wajah yang pernah dilatih sebelumnya.

Sistem dapat mengetahui apakah citra yang diujikan merupakan citra wajah yang pernah dilatih sebelumnya atau tidak dengan menggunakan fungsi threshold. Threshold atau batas ambang dihasilkan dengan cara mencari nilai maksimal keluaran dari masing-masing bobot yang menuju ke layer output. Nilai maksimal hanya dihitung untuk

pengidentifikasian yang benar. Setelah itu, didapatkan nilai threshold yang sesuai untuk menguji sistem terhadap citra asing maupun citra asli.

Threshold yang digunakan untuk menentukan keluaran hasil klasifikasi:

Tabel 4.13 Perbandingan Ketiga Metode Metode Fungsi Threshold Backpropagation LVQ Ecluidean Distance

Tabel 4.14 Kehandalan Sistem dalam Menolak Citra

Asing Me-

tode

TP FN Akura

-si

C.Asli

TN FN Akurasi

C.Asing

Akura

-si

Total

BP 385 15 96.25 160 40 80 90.83

LVQ 359 41 89.75 170 30 85 88.17

ED 378 22 94.5 146 54 97.5 87.33

Keterangan : - TP (True Positive) :Citra asli yang

teridentifikasi benar sesuai namanya. - FN (False Negative) : Citra asli yang salah

teridentifikasi. - TN (True Negative) :Citra asing yang

teridentifikasi dengan benar yaitu muncul notifikasi ”Wajah Tidak di Kenal”

- FN (False Negative) :Citra asing yang teridentifikasi sebagai citra wajah yang pernah dilatih sebelumnya

- Perhitungan akurasi diperoleh dengan perhitungan:

Berdasarkan pengujian di atas, pemilihan

threshold sangatlah penting untuk menolak citra asing. Pemilihan threshold harus seimbang untuk pengklasifikasian citra wajah asli dan citra wajah asing. Kesimpulan pengujian ini yaitu, ketiga sistem masih bisa membedakan citra asli dengan citra asing dengan baik. 4.5 Perbandingan Ketiga Metode

Berdasarkan hasil dari beberapa jenis pengujian di atas maka dapat dibandingkan antara ketiga metode tersebut. Hasil perbandingan dapat dilihat pada tabel berikut.

8

Tabel 4.15 Perbandingan Ketiga Metode Metode Kelebihan Kekurangan BP - Akurasi tinggi

(99.5%) - Tahan terhadap

pemakaian kacamata

- Tahan terhadap noise salt & pepper dan noise poisson.

- Tahan terhadap motion blur

- Tahan terhadap rotasi

- Waktu pelatihan sangat lama

LVQ - Waktu pelatihan cepat

- Tahan terhadap noise poisson

- Tahan terhadap motion blur

- Akurasi tidak begitu tinggi (90.75%)

- Tidak tahan terhadap pemakaian kacamata

- Tidak tahan terhadap noise salt & pepper

- Tidak tahan terhadap rotasi

ED - Akurasi tinggi (99.25%)

- Tidak ada proses pelatihan, hanya terdapat kumpulan citra pada database sebagai acuan.

- Tahan terhadap noise salt & pepper dan noise poisson.

- Tahan terhadap motion blur

- Tidak tahan terhadap pemakaian kacamata

- Tidak tahan terhadap rotasi

5. PENUTUP 5.1 Kesimpulan

Dari hasil pengujian dan analisis, maka dapat ditarik kesimpulan sebagai berikut: 1. Dalam perancangan sistem pengenalan wajah

dengan menggunakan PCA dan Jaringan Saraf Tiruan ada beberapa hal yang perlu diperhatikan, yaitu: a. Jumlah Principal Component (PC) yang

dipilih pada proses PCA

Semakin Besar jumlah PC yang dipilih, maka dimensi input JST semakin besar, sehingga proses pelatihan semakin lama. Selain itu, semakin besar jumlah PC cenderung manaikkan akurasi, tetapi untuk jumlah yang terlalu besar justru akan mengurangi akurasi.

b. Jumlah Hidden Neuron Jumlah hidden neuron mempengaruhi tingkat akurasi dan waktu komputasi, semakin banyak jumlah hidden neuron makan waktu komputasi akan semakin lama.

c. Nilai Learning Rate Nilai learning rate mempengaruhi tingkat akurasi dan waktu komputasi. Pemilihan learning rate yang terlalu besar atau terlalu kecil akan membuat sistem menjadi tidak stabil.

2. Akurasi tertinggi ketiga metode didapatkan: a. pada backpropagation mencapai 99.5% yaitu

pada saat menggunakan jumlah 150 PC, jumlah hidden neuron 250, dan nilai learning rate 0.1.

b. pada LVQ mencapai 90.75% yaitu pada saat menggunakan jumlah 50 PC, jumlah hidden neuron 250, dan nilai learning rate 0.0075.

c. pada ecluidean distance mencapai 99.25% yaitu pada saat menggunakan 50 PC.

3. Berdasarkan akurasi maksimal yang dicapai dan ketahanan sistem terhadap pengaruh dari luar seperti penggunaan kacamata, penambahan noise, penambahan rotasi, dan motion blur , backpropagation lebih baik daripada LVQ dan ecluidean distance untuk sistem pengenalan wajah

4. Waktu pelatihan pada backpropagation jauh lebih lama dibandingkan LVQ. Hal ini disebabkan karena dalam pengkoreksian bobot-bobot pada backpropagation harus melalui beberapa perhitungan berbeda dengan LVQ yang hanya melalui satu hitungan.

5. Waktu pengujian dari akuisisi sampai dengan pengenalan antara ketiga algoritma tidak jauh berbeda yaitu 1.004169 sekon pada backpropagation, 1.00045 sekon pada LVQ, dan 1.00218 sekon pada ecluidean distance. Waktu rata-rata pengujian tersebut diambil pada saat pengujian pengaruh jumlah PC terhadap jaringan.

5.2 Saran Berdasarkan hasil pengujian dan analisis yang

telah dilakukan, maka dapat diambil beberapa saran untuk pengembangan sistem pengenalan wajah selanjutnya: 1. Agar sistem tetap tahan terhadap pengaruh rotasi,

maka tahap pre-processing ditambahkan

9

normalisasi sudut untuk mengembalikan posisi wajah menjadi normal atau pada posisi 0°.

2. Gunakan metode momentum gradient pada backpropagation untuk menghindari perubahan bobot yang mencolok akibat adanya data yang sangat berbeda dengan yang lain (outlier).

3. Tinjau kembali parameter-parameter untuk backpropagation dengan 2 hidden layer atau lebih.

4. Gunakan data validasi pada proses pelatihan agar jaringan tidak jenuh.

5. Pada proses akuisisi agar dicari lagi sistem pendeteksian wajah yang lebih baik.

6. Gunakan citra yang lebih bervariasi baik pose maupun pencahayaan.

7. Sistem dijalankan secara realtime

DAFTAR PUSTAKA [1] Anon., n.d. Mean Squared Error, Sum of Squared Error Calculator. http://easycalculation.com/statistics/mean-and-standard-square-error.php, (download tanggal 25 Januari 2014). [2] Hermawan, A., 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. 1st ed. Yogyakarta: Andi. [3] Prakoso, F. G., 2012. Analisis Perbandingan Metode Eigenface, Fisherface dan Laplacianface pada Sistem Pengenalan Wajah. Bandung: Institut Teknologi Telkom. [4] Purnomo, H. M. & Muntasa, A., 2010. Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. 1st ed. Yogyakarta: Graha Ilmu. [5] Putra, D., 2009. Sistem Biometrika. 1st ed. Yogyakarta: Andi. [6] Rachmat, A., 2013. Sistem Identifikasi Biometrik Ruas Jari Tangan Manusia Menggunakan Metode Principal Component Analysis (PCA) dan Learning Vector Quantization (LVQ). Bandung: Institut Teknologi Telkom. [7] Rahman, F. A., 2013. Deteksi Penyakit Kulit Menggunakan Filter 2d Gabor Wavelet dan Jaringan Saraf Tiruan Radial Basis Function. Bandung: IT Telkom. [8] Siang, J. S., 2009. Jaringan Syaraf Tiruan & Pemrograman Menggunakan Matlab. 2nd ed. Yogyakarta: Andi. [9] Smith, L. I., 2002. A Tutorial on Principal Component Analysis. 26 February. [10] Sutoyo, T. et al., 2009. Teori Pengolahan Citra Digital. 1st ed. Yogyakarta: Andi. [11] Wijaya, M. C. & Priyono, A., 2007. Pengolahan Citra Digital Menggunakan Matlab. 1st ed. Bandung: Informatika.