ta 1 luffi muhammad nur - j2f008113
TRANSCRIPT
PENGAMANAN RUANG DENGAN PENGENALAN POLA WAJAH
SECARA REAL TIME MENGGUNAKAN METODE JARINGAN
SARAF TIRUAN BACKPROPAGATION
PROPOSAL TUGAS AKHIR
Telah Diperiksa dan Disetujui Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Sarjana Komputer
Disusun oleh:
Luffi Muhammad Nur Putro Utomo
J2F008113
JURUSAN ILMU KOMPUTER / INFORMATIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
2012
ii
HALAMAN PENGESAHAN
Yang bertandatangan dibawah ini menyatakan bahwa Proposal Tugas Akhir yang berjudul:
PENGAMANAN RUANG DENGAN PENGENALAN POLA WAJAH SECARA
REAL TIME MENGGUNAKAN METODE JARINGAN SARAF TIRUAN
BACKPROPAGATION
Dipersiapkan dan disusun oleh:
Nama : Luffi Muhammad Nur Putro Utomo
NIM : J2F008113
Telah disahkan sebagai Proposal Tugas Akhir yang merupakan salah satu syarat untuk
memperoleh gelar Sarjana Komputer.
Semarang, Desember 2012
Menyetujui,
Pembimbing I,
Satriyo Adhy, S.Si, MT.
NIP 1983 02 03 2006 04 1 002
Pembimbing II,
Helmie Arif Wibawa, S.Si, M.Cs.
NIP. 1978 05 16 2003 12 1 001
Mengetahui,
Ketua Jurusan Ilmu Komputer / Informatika
FSM UNDIP,
Drs. Eko Adi Sarwoko, M.Kom
NIP. 1965 11 07 1992 03 1 003
iii
DAFTAR ISI
HALAMAN PENGESAHAN .............................................................................................. ii
DAFTAR ISI ........................................................................................................................ iii
DAFTAR GAMBAR ............................................................................................................. v
DAFTAR TABEL ................................................................................................................ vi
DAFTAR LAMPIRAN ....................................................................................................... vii
BAB I ..................................................................................................................................... 1
PENDAHULUAN ................................................................................................................. 1
1.1 Latar Belakang ............................................................................................................. 1
1.2 Rumusan Masalah ........................................................................................................ 2
1.3 Tujuan dan Manfaat ..................................................................................................... 2
1.4 Ruang Lingkup ............................................................................................................. 2
BAB II ................................................................................................................................... 3
METODOLOGI .................................................................................................................... 3
2.1. Studi Pustaka ............................................................................................................... 3
2.1.1. Pengolahan Citra Thresholding (Derajat keabuan) .............................................. 3
2.1.2. Deteksi Wajah ...................................................................................................... 4
2.1.3. Template Matching .............................................................................................. 6
2.1.4. Jaringan Saraf Tiruan ........................................................................................... 7
2.1.5. Metode Backpropagation ..................................................................................... 8
2.2. Garis Besar Penyelesaian Masalah ........................................................................... 13
2.2.1. Studi Pustaka ...................................................................................................... 14
2.2.2. Pengumpulan Data ............................................................................................. 14
2.2.3. Perancangan Sistem ............................................................................................ 15
2.2.4. Alur keseluruhan sistem ..................................................................................... 16
2.2.5. Implementasi Sistem .......................................................................................... 16
2.2.6. Testing ................................................................................................................ 17
2.2.7. Penarikan Kesimpulan ........................................................................................ 17
iv
2.3. Jadwal ........................................................................................................................ 17
DAFTAR PUSTAKA .......................................................................................................... 18
LAMPIRAN - LAMPIRAN ................................................................................................ 19
v
DAFTAR GAMBAR
Gambar 2.1. Conversi ke citra grayscale ............................................................................... 3
Gambar 2.2. Hasil Thresholding ........................................................................................... 4
Gambar 2.3. Citra Template .................................................................................................. 6
Gambar 2.4 Deteksi wajah..................................................................................................... 7
Gambar 2.5 Arsitektur Backpropagation .............................................................................. 9
Gambar 2.6. Sigmoid biner ................................................................................................... 9
Gambar 2.7. Sigmoid bipolar .............................................................................................. 10
Gambar 2.8. Tahapan pembuatan sistem ............................................................................. 13
Gambar 2.9 Proses Pengumpulan data ................................................................................ 14
Gambar 2.10. Proses pembelajaran Backpropagation ........................................................ 15
Gambar 2.11. Alur sistem dijalankan .................................................................................. 15
Gambar 2.12. Alur keseluruhan sistem ............................................................................... 16
vi
DAFTAR TABEL
Tabel 2.1 Jadwal Kegiatan................................................................................................... 17
vii
DAFTAR LAMPIRAN
Lampiran 1 : Daftar Hadir peserta Seminar TA1
Lampiran 2 : Tanya dan Jawab pada saat seminar TA1
1
BAB I
PENDAHULUAN
Bab ini memaparkan latar belakang, rumusan masalah, tujuan dan manfaat, dan
ruang lingkup tugas akhir mengenai Pengamanan Ruang Dengan Pengenalan Pola Wajah
Secara Real Time Menggunakan Metode Jaringan Saraf Tiruan Backpropagation.
1.1 Latar Belakang
Tingkat keamanan ruang yang telah terjaga dengan ketat oleh satuan
keamanan mungkin ada sedikit celah dalam keamanan tersebut, dalam hal ini
ketidak hadiran seorang pengaman pada ruang keamanan atau pos penjagaan akan
menjadi celah untuk penyusup memasuki ruang yang telah terjaga, maka untuk lebih
menambahkan tingkat keamanan ruang dibutuhkan suatu program atau pembantu
keamanan secara realtime guna mengatasi resiko terjadinya celah dalam suatu
keaman itu sendiri.
Perkembangan teknologi sekarang ini, telah banyak jenis – jenis sistem
pendeteksi yang dikembangkan untuk kepentingan penggunaan teknologi itu sendiri.
Sistem pendeteksi ini biasa digunakan pada sebuah benda maupun anggota tubuh
manusia. Teknologi yang menggunakan tubuh manusia sebagai objek deteksi adalah
teknologi biometrik.
Metode yang digunakan dalam proses pendeteksian adalah metode
Backprpagation atau komputasi balik yang lebih dikenal sebagai bagian dari
Jaringan Saraf Tiruan atau Neural Network. Metode ini bisa dipergunakan untuk
melakukan pendeteksian pada wajah yang sangat berguna untuk sistem keamanan
berbasis komputer, sehingga proses pengenalan seseorang dapat dikenali secara
cepat, beberapa penelitian yang telah teruji dengan metode Backpropagation yaitu
pengenalan sidik jari, pengenalan wajah dan penelitian lainnya.
Metode ini dapat diaplikasikan pada sistem keamanan ruang yang harus steril
tanpa ada orang asing yang harus masuk kedalam ruangan, sehingga metode ini
cukup untuk memperkuat sistem keamanan yang mungkin sudah dibangun
sebelumnya.
2
1.2 Rumusan Masalah
Rumusan masalah yang akan dibahas dalam tugas akhir ini dalam pengamanan
ruang dengan pengenalan pola wajah secara real time menggunakan metode jaringan
saraf tiruan backpropagation adalah.
1. Bagaimana sistem mendeteksi wajah.
2. Bagaimana sistem mengenali wajah yang ada dalam database.
3. Bagaimana sistem memberi notifikasi jika wajah tidak dikenali.
1.3 Tujuan dan Manfaat
Tujuan yang ingin dicapai dalam penulisan tugas akhir ini adalah menghasilkan
sebuah program aplikasi yang dapat menambah system keamanan ruang lebih
terjaga, sehingga mengurangi tindakan penyusupan dalam ruang itu sendiri, dan
dapat membantu system penjagaan yang sudah ada.
Manfaat penulisan tugas akhir ini adalah memberi tingkat keamanan yang
cukup pada sebuah ruang dengan mengenali pola wajah yang sudah tersimpan dan
pola wajah asing yang tidak tersimpan dalam sistem, sehingga tingkat keamanan
ruang dapat dijaga dengan baik.
1.4 Ruang Lingkup
Penyusunan tugas akhir ini, diberikan ruang lingkup yang jelas agar
pembahasan lebih terarah dan tidak menyimpang dari tujuan penulisan. Ruang
lingkup aplikasi yang dapat mengenali wajah seseorang melalui citra wajah yang
telah tersimpan menggunakan Jaringan Saraf Tiruan backpropagation adalah sebagai
berikut:
1. Pola yang dideteksi hanya pola wajah.
2. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan
(frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.
3. Menggunakan Webcam untuk media video recording.
4. Pengambilan gambar secara real time.
5. Notifikasi pengenalan menggunakan SMS google.
3
BAB II
METODOLOGI
Bab ini memaparkan studi pustaka, garis besar penyelesaian masalah, dan jadwal
dalam mengimplementasikan metode Jaringan Saraf Tiruan Backpropagation untuk
mengenali pola wajah sebagai sistem keamanan ruang secara real time.
2.1. Studi Pustaka
Studi pustaka merupakan metode pengambilan data dengan mempelajari
literatur yang dapat berupa buku-buku, diktat maupun bentuk lain yang
berhubungan dengan objek yang dipelajari guna mendukung penyelesaian tugas
akhir ini. Melalui metode ini, penulis mengumpulkan dan mempelajari literatur,
seperti buku, jurnal maupun artikel yang relevan dengan permasalahan tugas akhir
ini. Bahan-bahan yang diperlukan guna menyelesaikan tugas akhir ini adalah
pengolahan citra Thresholding (derajat keabuan), deteksi wajah, template matching,
Jaringan Saraf Tiruan, dan metode Backpropagation.
2.1.1. Pengolahan Citra Thresholding (Derajat keabuan)
Citra menghapus nila warna, yang ada adalah derajat keabuan. Untuk
mengubah citra berwarna yang mempunyai nilai matrik masingmasing r, g dan b
menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan
mengambil rata - rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:
𝑠 =𝑟 + 𝑔 + 𝑏
3
2.1
Percobaan proses konversi citra berwarna menjadi citra grayscale ini dapat
dibuat program seperti gambar 2.1.
Gambar 2.1. Conversi ke citra grayscale
4
Thresholding
Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada
pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah
sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 16, maka
tinggal membagi nilai derajat keabuan dengan 16. Proses thresholding ini pada
dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk
melakukan thresholding dengan derajat keabuan dapat digunakan rumus:
𝑥 = 𝑏. 𝑖𝑛𝑡(𝑤 𝑏) 2.2
dimana :
w = nilai derajat keabuan sebelum thresholding
x = nilai derajat keabuan setelah thresholding
Berikut ini contoh thresholding mulai di 256, 16, 4 dan 2.
Untuk mencoba melakukan proses thresholding, perlu dibuat program untuk
dapat mengubahubah nilai thresholding sesuai keinginan.
Sehingga perlu ditampilkan dua citra, yaitu citra asli (grayscale) dan hasil
thresholding-nya dengan nilai thresholding yang ditentukan melalui input seperti
terlihat pada gambar 2.2. [5]
2.1.2. Deteksi Wajah
Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana
inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas
dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan nonwajah
[6].
Gambar 2.2. Hasil Thresholding
5
Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak yang
menggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama
dan latar belakang yang seragam. Di dunia nyata, asumsi ini tidak selalu berlaku
karena wajah dapat muncul dengan berbagai ukuran dan posisi di dalam citra dan
dengan latar belakang yang bervariasi [1].
Pendeteksian wajah (face detection) adalah salah satu tahap awal yang
sangat penting sebelum dilakukan proses pengenalan wajah (face recognition).
Bidang-bidang penelitian yang berkaitan dengan pemrosesan wajah (face
processing) adalah:
1. Pengenalan wajah (face recognition) yaitu membandingkan citra wajah
masukan dengan suatu database wajah dan menemukan wajah yang
paling cocok dengan citra masukan tersebut.
2. Autentikasi wajah (face authentication) yaitu menguji
keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan
sebelumnya.
3. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun
dengan asumsi hanya ada satu wajah di dalam citra.
4. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu
wajah di dalam video secara real time.
5. Pengenalan ekspresi wajah (facial expression recognition) untuk
mengenali kondisi emosi manusia.
Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh
adanya faktor-faktor berikut:
1. Posisi wajah. Posisi wajah di dalam citra dapat bervariasi karena
posisinya bisa tegak, miring, menoleh, atau dilihat dari samping.
2. Komponen-komponen pada wajah yang bisa ada atau tidak ada,
misalnya kumis, jenggot, dan kacamata.
3. Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi
wajah seseorang, misalnya tersenyum, tertawa, sedih, berbicara, dan
sebagainya.
4. Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek
atau wajah lain, misalnya pada citra berisi sekelompok orang.
6
5. Kondisi pengambilan citra. Citra yang diperoleh sangat dipengaruhi
oleh faktor-faktor seperti intensitas cahaya ruangan, arah sumber
cahaya, dan karakteristik sensor dan lensa kamera. [1]
Penelitian dari Yang mengelompokkan metode deteksi wajah menjadi
empat kategori, yaitu:
1. Knowledge-based method. Metode ini kebanyakan digunakan untuk
lokalisasi wajah.
2. Feature invariant approach. Metode ini kebanyakan digunakan
untuklokalisasi wajah.
3. Template matching method. Metode ini digunakan untuk lokalisasi
wajah maupun deteksi wajah.
4. Appearance-based method. Metode ini kebanyakan digunakan untuk
deteksi wajah.
2.1.3. Template Matching
Pada metode ini akan disimpan beberapa pola wajah standar untuk
mendeskripsikan wajah secara keseluruhan maupun bagian-bagiannya. Pada saat
pendeteksian akan dihitung korelasi antara citra input dengan citra pola wajah yang
tersimpan sebelumnya.
Pada pendekatan ini, para peneliti mencoba menemukan fitur-fitur yang
tidak berubah (invariant) pada wajah. Asumsi ini didasarkan pada observasi bahwa
manusia dapat dengan mudah mendeteksi wajah dengan berbagai pose dan kondisi
cahaya, sehingga tentunya ada sifat-sifat atau fitur-fitur yang bersifat invariant.
Fitur wajah seperti alis, mata, hidung, mulut, biasanya diekstraksi dengan edge
detector. Selanjutnya dibentuk suatu model statistik yang mendeskripsikan
hubungan antara fitur-fitur tersebut untuk menentukan ada tidaknya wajah. [3]
Contoh penggunaan template matching untuk mendeteksi letak wajah yang
berada dalam suatu citra, template dapat dilihat pada gambar 2.3.
Gambar 2.3. Citra Template
7
Gambar 2.3 menerangkan kemungkinan kemungkinan posisi wajah yang
akan terjadi, sehingga akan dicari posisi dimana wajah terdeteksi, sebelum citra
diproses dalam template matching mungkin ada beberapa proses lain untuk
menentukan citra mana yang akan diolah oleh template matching ini, hasil dari
proses template matching dapat dilihat pada gambar 2.4. [4]
2.1.4. Jaringan Saraf Tiruan
Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal
dengan Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan saraf tiruan
merupakan salah satu sistem pemrosesan informasi yang didesain dengan
menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan
melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf
tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa
lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan
untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Dalam
analisis ini dicoba untuk dipelajari dan dicoba penerapannya didalam bidang
psikologi yaitu mendeteksi test psikologi pada manusia. JST yang berupa susunan
sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip organisasi otak
manusia.
Usaha manusia dalam mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa
Gambar 2.4 Deteksi wajah
8
decade belakangan ini. Jaringan saraf tiruan (JST), merupakan hasil perkembangan
ilmu dan teknologi yang kini sedang berkembang pesat. JST yang berupa susunan
sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip organisasi otak
manusia. Perhatian yang besar pada JST disebabkan adanya keunggulan yang
dimilikinya seperti kemampuan untuk belajar, komputasi paralel, kemampuan
untuk memodelkan fungsi nonlinier dan sifat fault tolerance.
Sejak ditemukan pertama kali oleh McCulloch dan Pitts pada tahun 1948,
JST telah berkembang pesat dan telah digunakan pada banyak aplikasi. Jaringan
saraf tiruan (JST) telah dikembangkan sejak tahun 1940. Belum ada definisi yang
baku mengenai JST. [2].
2.1.5. Metode Backpropagation
Perambatan galat mundur (Backpropagation) adalah sebuah metode
sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki
dasar matematis yang kuat, objektif dan algoritma ini mendapatkan bentuk
persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah
kuadrat galat eror melalui model yang dikembangkan (training set).
1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen
pemroses melalui lapisan luar.
2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data
aktual dan target.
3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi
masukan elemen pemroses.
4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen
pemroses ke kesalahan yang terdapat pada masukan. Ulangi p proses ini
sampai masukan tercapai.
5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan
elemen dan luaran elemen pemroses yang terhubung.
Algoritma pelatihan Backpropagation meliputi dua tahap : perambatan maju
dan perambatan mundur.
9
Arsitektur Jaringan Backpropagation
Contoh Arsitekstur JST Backpropagation dengan:
1. n unit masukkan
2. p unit layer tersembunyi
3. m unit keluaran
Fungsi Aktifasi
Fungsi aktifasi yang digunakan pada Backpropagation yaitu sigmoid biner
dan sigmoid bipolar.
1. Fungsi sigmoid biner.
Gambar 2.5 Arsitektur Backpropagation
Gambar 2.6. Sigmoid biner
10
2. Fungsi sigmoid bipolar.
Selama perambatan maju, tiap unit masukan 𝑥𝑖 menerima sebuah
masukan sinyal ini ke tiap-tiap lapisan tersembunyi z1,…..,zp. Tiap unit
tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya 𝑧𝑗
ke tiap unit keluaran. Tiap unit keluaran 𝑦𝑘 menghitung aktivasinya 𝑦𝑘 untuk
membentuk respon pada jaringan untuk memberikan pola masukan.
Selama pelatihan, tiap unit keluaran membandingkan perhitungan
aktivasinya 𝑦𝑘 dengan nilai targetnya 𝑡𝑘 untuk menentukan kesalahan pola
tersebut dengan unit itu. Berdasarkan kesalahan ini, faktor 𝛿𝑘 (k = 1,..,m) dihitung.
𝛿𝑘 digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali ke
semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke
𝑦𝑘). Juga digunakan (nantinya) untuk mengupdate bobot - bobot antara keluaran
dan lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,…,p) dihitung untuk
tiap unit tersembunyi 𝑧𝑗 . Tidak perlu untuk menyebarkan kesalahan kembali ke
lapisan masukan, tetapi δj digunakan untuk mengupdate bobot-bobot antara
lapisan tersembunyi dan lapisan masukan.
Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur
secara serentak. Pengaturan bobot 𝑤𝑗𝑘 . (dari unit tersembunyi 𝑧𝑗 ke unit keluaran
𝑦𝑘 .) didasarkan pada faktor 𝛿𝑘 dan aktivasi 𝑧𝑗 dari unit tersembunyi 𝑧𝑗 . didasarkan
pada faktor 𝛿𝑗 dan aktivasi xi unit masukan. Untuk langkah selengkapnya adalah:
Gambar 2.7. Sigmoid bipolar
11
Prosedur Pelatihan
Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),
Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,
Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju :
Langkah 3 : Tiap unit masukan (𝑥𝑖 , i = 1,…, n) menerima sinyal 𝑥𝑖 dan
menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit
tersembunyi),
Langkah 4 : Setiap unit tersembunyi (𝑥𝑖 , i = 1,…, p) jumlahkan bobot sinyal
masukannya,
𝑧_𝑖𝑛𝑗 = 𝑣𝑜𝑗 + 𝑥𝑖𝑣𝑖𝑗
𝑛
𝑖=1
2.3
voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya
untuk menghitung sinyal keluarannya, zj = f (z_inj), dan
kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit
keluaran).
Langkah 5 : Tiap unit keluaran (𝑦𝑘 , k = 1,…, m) jumlahkan bobot sinyal
masukannya,
𝑦_𝑖𝑛𝑘 = 𝑤𝑜𝑘 + 𝑧𝑗𝑤𝑗𝑘
𝑛
𝑖=1
2.4
𝑤𝑜𝑘 = bias pada unit keluaran k dan aplikasikan fungsi aktivasinya
untuk menghitung sinyal keluarannya, 𝑦𝑘 = f (𝑦_𝑖𝑛𝑘 ).
Perambatan Mundur :
Langkah 6 : Tiap unit keluaran (𝑦𝑘 , k = 1,…, m) menerima pola target yang
saling berhubungan pada masukan pola pelatihan, hitung kesalahan
informasinya,
𝛿𝑘 = 𝑡𝑘 − 𝑦𝑘 𝑓1 𝑦_𝑖𝑛𝑘
2.5
hitung koreksi bobotnya (digunakan untuk memperbaharui wjk
nantinya),
∆𝑤𝑗𝑘 = 𝑎 𝛿𝑘𝑧𝑗 2.6
12
hitung koreksi biasnya (digunakan untuk memperbaharui 𝑤𝑜𝑘
nantinya), dan kirimkan 𝛿𝑘 ke unit-unit pada lapisan dibawahnya,
Langkah 7 : Setiap unit lapisan tersembunyi (zj, j = 1,…, p) jumlahkan hasil
perubahan masukannya (dari unit-unit lapisan diatasnya),
∆_𝑖𝑛𝑗 = 𝛿𝑘𝑤𝑗𝑘
𝑚
𝑘=1
2.7
kalikan dengan turunan fungsi aktivasinya untuk menghitung
informasi kesalahannya,
𝛿𝑗 = 𝛿_𝑖𝑛𝑗𝑓1 𝑧_𝑖𝑛𝑗 2.8
hitung koreksi bobotnya (digunakan untuk memperbaharui 𝑣𝑜𝑗
nanti),
Langkah 8 : Tiap unit keluaran (𝑦𝑘 , k = 1,…, m) update bias dan bobotnya (j =
0,…, p) :
𝑤𝑗𝑘 𝑏𝑎𝑟𝑢 = 𝑤𝑗𝑘 𝑙𝑎𝑚𝑎 + ∆𝑤𝑗𝑘 2.9
Tiap unit lapisan tersembunyi (𝑧𝑗 , j = 1,…, p) update bias dan
bobotnya (I = 0,…,n) :
𝑣𝑖𝑗 𝑏𝑎𝑟𝑢 = 𝑣𝑖𝑗 𝑙𝑎𝑚𝑎 + ∆𝑣𝑖𝑗 2.10
Langkah 9 : Test kondisi berhenti.
Prosedur Pengujian :
Setelah pelatihan, jaringan saraf Backpropagation diaplikasikan dengan
hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur
aplikasinya adalah sebagai berikut :
Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan).
Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4.
Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi
13
Langkah 3 : for j = 1,…, p : .
𝑧_𝑖𝑛𝑗 = 𝑣𝑜𝑗 + 𝑥𝑖𝑣𝑖𝑗
𝑛
𝑖=1
2.11
𝑧𝑗 = 𝑓 𝑧_𝑖𝑛𝑗 2.12
Langkah 4 : for k = 1,…, m :
𝑦_𝑖𝑛𝑘 = 𝑤𝑜𝑘 + 𝑧𝑗𝑤𝑗𝑘
𝑝
𝑗=1
2.13
𝑦𝑘 = 𝑓 𝑦_𝑖𝑛𝑘 2.14
Langkah 5 : Jika 𝑦𝑘 ≥ 0,5 maka 𝑦𝑘 = 1, else 𝑦𝑘 = 0. [2]
2.2. Garis Besar Penyelesaian Masalah
Aplikasi untuk pengenalan pola wajah dengan menggunakan metode
Jaringan Saraf Tiruan Backpropagation. Pembuatan aplikasi ini dibagi ke dalam
lima tahapan proses, yaitu studi pustaka, pengumpulan data, rancangan sitem,
implementasi sistem, testing, serta penarikan kesimpulan. Tahapan pembuatan
aplikasi dapat dilihat pada gambar 2.8.
Gambar 2.8. Tahapan pembuatan sistem
14
2.2.1. Studi Pustaka
Studi pustaka dilakukan untuk mengetahui perkembangan terkini mengenai
metode Jaringan Saraf Tiruan Backpropagation yang digunakan dalam
penyelesaian masalah. Penelitian mengenai aplikasi ini telah populer dan banyak
metode baru yang berkembang, sehingga perlu merujuk pustaka-pustaka penelitian
untuk menetapkan metode yang efektif.
2.2.2. Pengumpulan Data
Pengumpulan data dalam penelitian ini dilakukan dengan mengambil 4
sampel citra wajah mahasiswa Teknik Informatika Universitas Diponegoro yang
dipilih secara acak untuk memberi pelatihan pada sistem. Alur pengumpulan data
dapat dilihat pada gambar 2.9 :
Gambar 2.9 menjelaskan tentang mengetahui eigen value dan eigen vector
sebuah citra, kemudian nilai eigen value dan eigen vector akan menjadi nilai
pelatihan pada sistem Backpropagation.
Proses pelatihan setelah mengetahui eigen value dan eigen vector sebuah
citra yaitu pelatihan pada sistem Backpropagation, alur pelatihan dapat dilihat pada
gambar 2.10 :
Mulai
Matriks CovarianBaca Image
Matriks
Eigen Value /
Eigen Vector
Simpan
Citra
Selesai
Gambar 2.9 Proses Pengumpulan data
15
2.2.3. Perancangan Sistem
Perancangan sistem keamanan ini ada 3 fase penting yaitu deteksi wajah,
pengenalan wajah dan pemberian notifikasi apakah wajah dikenali sistem atau
tidak, dalam perancangan ini dapat kita lihat alur sistem pada gambar 2.11 :
Pada proses baca file sistem mendapatkan sebuah citra gambar, kemudian
sistem melacak apakah di dalam citra gambar terdapat pola wajah, jika iya maka
proses deteksi wajah akan beraksi sedemikian hingga wajah dapat dipotong, setelah
Mulai
Baca File
Pelatihan
Epoch =
1000Feedforward
Simpan
Backpropagation
Selesai
N
Y
Mulai
Baca File
Deteksi WajahHasil
PengenalanPengenalan Wajah
Selesai
Pengiriman ke GooglePengiriman PesanNotifikasi
Gambar 2.10. Proses pembelajaran Backpropagation
Gambar 2.11. Alur sistem dijalankan
16
pemotongan wajah didalam citra tadi, sistem kembali bekerja untuk melakukan
resize citra wajah yang telah tertangkap dan dipotong, pada proses deteksi disinilah
peran aktif Backpropagation untuk mengenali sebuah citra wajah apakah wajah
yang telah terinput tadi sesuai dengan wajah yang telah disimpan oleh sistem
sebelumnya, dari hasil perbandingan antar sistem dan citra yang baru saja masuk
dapat kami cari kesimpulan wajah tersebut dikenali oleh sistem atau tidak, jika
tidak peran pada proses SMS Google beraksi untuk memberikan sebuah pesan atau
notifikasi bahwa sistem tidak mengenali wajah tersebut, notifikasi tersebut akan
dikirimkan kepada keamanan atau pun pemilik ruangan.
2.2.4. Alur keseluruhan sistem
Alur keseluruhan sistem ini gabungan seluruh alur alur sistem yang
sebelumnya antara lain alur pengumpulan data, alur proses Backpropagation, dan
alur sistem dijalankan, seperti apa yang digambarkan pada Gambar 2.12.
2.2.5. Implementasi Sistem
Pada tahap ini, semua algoritma dan proses pada perancangan sistem akan
diimplementasikan dalam sebuah aplikasi sebagai wujud dari sistem.
Matriks
Covarian
Baca
Image
Matriks
Eigen Value /
Eigen Vector
Simpan
Citra
Baca File
Pelatihan
Epoch =
1000
Feedforward
Simpan
Backpropagation
NY
Mulai
Baca File
Deteksi Wajah
Hasil
Pengenalan
Pengenalan Wajah
Selesai
Pengiriman ke GooglePengiriman Pesan
Notifikasi
Mulai
Gambar 2.12. Alur keseluruhan sistem
17
2.2.6. Testing
Pada tahap ini, suatu gambar yang dimasukkan ke dalam sistem akan di
proses sesuai dengan prosedur atau langkah-langkah yang telah di tentukan. Sistem
akan menghitung nilai tiap piksel dari citra wajah telah di-input-kan guna
mendapatkan hasil berupa notifikasi yang berisi apakah citra wajah baru dapat
dikenali oleh sistem jika iya sistem akan kembali melakukan deteksi wajah, dan
jika sistem tidak mengenali citra wajah tersebut maka sistem akan memberikan
pesan atau notifikasi kepada keamanan ataupun pemilik ruangan.
2.2.7. Penarikan Kesimpulan
Pada tahap ini dirumuskan pengembangan penelitian yang dapat dilakukan
selanjutnya, juga hasil yang didapat dari penelitian ini.
2.3. Jadwal
Estimasi waktu mulai dari persiapan, pembuatan hingga nantinya aplikasi
ini selesai dapat dilihat pada lampiran jadwal kegiatan. Dengan adanya jadwal ini
akan dapat memberikan gambaran mengenai tahapan yang akan dilakukan,
sehingga dalam pengerjaan ada acuan waktu sebagai evaluasi pada tahapan
sebelumnya, lihat Tabel 2. 1.
Tabel 2.1 Jadwal Kegiatan
Aktifitas
Waktu
Oktober
2012
November Desember Januari Februari Maret
2012 2012 2013 2013 2013
Minggu ke 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Persiapan
Penyusunan TA 1
Seminar TA 1
Analisis
Design
Implementasi
Pengujian
Penyusunan TA 2
Sidang TA 2
Revisi Laporan TA 2
18
DAFTAR PUSTAKA
[1] Hjelmas, E., Low, B.K., 2001, “ Face Detection: A Survey” , Computer Vision and
Image Understanding. 83, pp. 236-274.
[2] Kiki, Sri Kusumadewi, Journal “Analisis Jaringan Saraf Tiruan dengan Metode
Backpropagation Untuk Mendeteksi Gangguan Psikologi”, diakses dari:
http://cicie.files.wordpress.com/2008/06/analisis-jst-_backpropagation_.pdf , pada
tanggal 17 Oktober 2012 pukul 20.30 WIB.
[3] Nugroho, Setyo, 2004, Tesis “Sistem Pendeteksi Wajah Manusia Pada Citra”,
Program Pasca Sarjana Universitas Gajah Mada.
[4] Rijal, Yusron, Riza Dhian Ariefianto, 2008, Journal “Deteksi Wajah Berbasis
Segmentasi Model Warna Menggunakan Template Matching Pada Objek Bergerak”,
S1 / Jurusan Sistem Komputer, Sekolah Tinggi Manajemen Informatika & Teknik
Komputer Surabaya.
[5] Santi, Candra Noor, 2011, Journal “Mengubah Citra Berwarna menjadi Grayscale
dan citra biner ”, Fakultas Teknologi Informasi, Universitas Stikubank Semarang.
[6] Sung, K.K., 1996, “ Learning and Example Selection for Object and Pattern
Detection” , AITR 1572, Massachusetts Institute of Technology AI Lab.
[7] Yang, M.H., Kriegman, D., Ahuja, N., 2002, “Detecting Faces in Images: A Survey”
, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1.
19
LAMPIRAN - LAMPIRAN