analisis_perbandingan_jst_bp_dan_lvq_pada_sistem_pengenalan_wajah-libre.pdf
TRANSCRIPT
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
[email protected] [email protected] [email protected]
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.