JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR

Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id

ABSTRAKSI

Salah satu kelemahan umum pada pengenalan pola untuk pengenalan wajah adalah keharusan pola masukan yang akurat terhadap pola teridentifikasi. Hal tersebut menyebabkan masukan sering tidak dikenali/tidak teridentifikasi sehingga harus di-input secara berulang-ulang. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan dengan komponen utama jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah diharapkan mengatasi kelemahan sistem pengenalan pola untuk pengenalan wajah. Penelitian ini akan mengimplementasikan Jaringan Saraf Tiruan (JST) Backpropagation dengan MATLAB 7.0 untuk pengenalan wajah. Pengenalan wajah menggunakan citra wajah yang diambil dari pose frontal dengan variasi ukuran piksel dan jarak . Citra wajah dilatih pada variasi ukuran piksel 640 x 480 piksel dan 600 x 800 piksel serta masing-masing wajah memiliki dua jarak pengambilan yaitu sedang(2-5m), dekat (<2m). Proses pelatihan menggunakan algoritma backpropagation. Hasil yang didapatkan dari uji JST menggunakan 18 citra dengan wajah frontal: dihasilkan jumlah unit pada lapisan tersembunyi 18, jumlah unit input 225, jumlah unit output 10, maksimum epoh 2500, target error 0.001 dan learnng rate=0.9 dengan prosentase pengenalan wajah 63 % Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Pengenalan Wajah

ABSTRACT

One common weakness on pattern recognition for face recognition is imperative that accurate input pattern to the pattern identified . This causes the input is often not recognized / not identified so it must be input repeatedly . Face recognition applications using artificial intelligence with the main component neural networks for processing and identification of faces is expected to overcome the weaknesses of pattern recognition systems for face recognition . This study will implement Artificial Neural Networks ( ANN ) backpropagation with MATLAB 7.0 for face recognition . Face recognition using face images taken from the frontal pose variations pixel size and distance . Trained face images in various sizes 640 pixels x 480 pixels and 600 x 800 pixels and each face has two making the distance is ( 2-5m ) , close ( < 2m ) . The process of training using the backpropagation algorithm . The results obtained from testing the ANN using 18 frontal face image with: resulting number of units in the hidden layer 18, the number of input unit 225, the number of output unit 10, the maximum epoch 2500, 0001 and learnng the target error rate = 0.9 with 63% percentage of face recognition. Keywords : Neural Networks , Backpropagation , Face Recognition

PENDAHULUAN

Latar Belakang

Salah satu kelemahan umum pada pengenalan pola untuk pengenalan

wajah adalah keharusan pola masukan yang akurat terhadap pola teridentifikasi.

Hal tersebut menyebabkan masukan sering tidak dikenali/tidak teridentifikasi

sehingga harus di-input secara berulang-ulang. Aplikasi pengenalan wajah dengan

menggunakan kecerdasan buatan dengan komponen utama jaringan saraf tiruan

untuk pemrosesan dan identifikasi wajah diharapkan mengatasi kelemahan sistem

pengenalan pola untuk pengenalan wajah.

Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan

sebagai komponen utama khususnya jaringan saraf tiruan untuk pemrosesan dan

identifikasi wajah masih belum banyak ditemui. Dalam penelitian yang sudah ada

sebelumnya, [DEWI R., 2007] aplikasi pengenalan wajah menggunakan citra

wajah yang diambil dari pose frontal dan memiliki jarak pengambilan citra yang

relatif sama dan kekurangannya adalah apabila kita melakukan pemrosesan

terhadap citra wajah yang sama dengan pengambilan jarak citra yang berbeda

maka aplikasi tidak dapat mengekstraksi fitur wajah dengan sempurna dan

hasilnya tidak akurat. Penelitian sebelumnya juga belum mengadaptasi kecerdasan

buatan. Berdasarkan penelitian tersebut, Peneliti bermaksud membuat sebuah

aplikasi pengenalan wajah yang dapat menyelesaikan masalah dengan

menggunakan jaringan saraf tiruan.

Tujuan

Tujuan dalam usulan penelitian ini adalah implementasi Program

MATLAB untuk membuat sistem pengenalan wajah. Program aplikasi ini dilatih

dengan memasukkan citra wajah. Setelah proses pelatihan selesai, citra wajah

yang ingin dicari informasinya dimasukkan ke dalam aplikasi dan dilihat apakah

aplikasi mampu mengenali citra wajah tersebut.

METODE PENELITIAN

Metode dalam pelaksanaan penelitian ini adalah dengan langkah-langkah sebagai

berikut :

• Melakukan kajian studi pustaka, yaitu dengan mengumpulkan data, artikel

yang berhubungan dengan pengolahan citra, model warna, deteksi wajah, teori

dasar matriks, kecerdasan buatan, jaringan saraf tiruan dan bahasa

pemrograman MATLAB yang berhubungan dengan pengolahan citra.

• Pengambilan objek sebagai data dilakukan dengan menggunakan kamera

dijital

• Implementasi JST Backpropagation untuk pengenalan wajah melalui bebrapa

tahap yaitu tahap prepsosesing citra wajah, tahap ekstraksi citra wajah dan

tahap pengenaan wajah menggunakan JST backpropagation.

Gambar 1. PROSES IMPLEMENTASI JST BACKPROPAGATION UNTUK PENGENALAN WAJAH

• Tahap preprosesing citra wajah bertujuan mendapatkan aras keabuan dari citra

wajah. Pada tahap ini digunakan pendekatan berbasis gambar dengan

menghapus data yang berlebihan dari gambar wajah melalui kompresi gambar

dengan menggunakan Microsoft Office Picture Manager. Untuk selanjutnya

dilakukan perubahan aras keabuan pada citra dengan fungsi default MATLAB

7.0: rgb2gray(citra_wajah.png). Pada tahap ini citra gambar yang akan

diproses terdiri tiga orang dengan jenis citra: 1. citra wajah jarak dekat 2. citra

wajah jarak dekat piksel 800 x 600 3. citra wajah jarak dekat piksel 640 x 480

4. citra wajah jarak sedang 2. citra wajah jarak sedang piksel 800 x 600 3. citra

wajah jarak sedang piksel 640 x 480. Sementara jarak dekat didefinisikan

pengambilan citra wajah pada jarak kurang 2 m, untuk jarak sedang 2-5 m

Gambar 2. PROSES PREPROSESING CITRA WAJAH

1. Proses Croping dengan Microsoft Office Picture Manager 2. Proses Grayscale citra dg fungsi default MATLAB: rgb2gray(citra.png)

• Tahap ekstrasi citra wajah dilakukan untuk proses menentukan ciri citra

wajah. Pada penelitian ini digunakan ekstraksi fitur tekstur yang berbasis pada

histogram citra wajah. Ekstraksi fitur tekstur akan menentukan ciri citra wajah

berdasarkan 6 parameter yaitu: 1. rerata intensitas, 2. rerata kontras, 3.

skewness , 4. energi, 5. entropi, 6. smoothness. Selanjutnya data ekstraksi ciri

sebagai database citra wajah.

Gambar 3. PROSES EKSTRAKSI CIRI BERBASIS HISTOGRAM

1. Proses histeq menggunakan perintah: histeq (citra grayscale) 2. Ekstraksi fitur tekstur dengan program MATLAB: function [Stat] = stattekstur(F)

• Tahap pengenalan citra wajah dengan JST. JST yg dibentuk adalah jaringan

Backpropagation.

Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara

kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan

serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola

masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama

pelatihan.

Arsitektur Backpropagation

Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar

tersembunyi. Arsitektur backpropagation dengan n buah masukan (ditambah

satu bias), dan sebuah layar tersembunyi yang terdiri dari p unit (ditambah

satu bias), dan juga m buah unit keluaran, terdapat pada gambar

Gambar 4. ARSITEKTUR JARINGAN BACKPROPAGATION

Sumber: Kusumadewi, 2004

Dari gambar ARSITEKTUR JARINGAN BACKPROPAGATION dapat

dijelaskan bahwa Vji adalah bobot garis dari unit masukan Xi ke unit layar

tersembunyi Zj (Vj0 adalah bobot garis yang menghubungkan bias di unit

masukan ke unit layar tersembunyi Zj). Sedangkan Wkj adalah bobot dari unit

layar tersembunyi Zj ke unit keluaran Yk (Wk0 adalah bobot dari bias di layar

tersembunyi ke unit keluaran Yk).

Fungsi Aktivasi

Dalam backpropagation ini, fungsi aktivasi yang dipakai harus memenuhi

beberapa syarat yaitu : kontinyu, terdeferensial dengan mudah dan merupakan

fungsi yang tidak turun. fungsi yang dipakai adalah sigmoid biner, tansig dan

purelin, dengan persamaan sebagai berikut:

Fungsi sigmoid:

𝑦𝑦 = 𝑓𝑓(𝑥𝑥) =1

1 + 𝑒𝑒−𝜃𝜃𝑥𝑥

𝑑𝑑𝑒𝑒𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑦𝑦′ = 𝑓𝑓′(𝑥𝑥) = 𝜃𝜃𝑓𝑓(𝑥𝑥)[1 − 𝑓𝑓(𝑥𝑥)]

Fungsi tansig:

𝑦𝑦 = 𝑓𝑓(𝑥𝑥) =1 − 𝑒𝑒−2𝑥𝑥

1 + 𝑒𝑒−2𝑥𝑥

𝑑𝑑𝑒𝑒𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑦𝑦′ = 𝑓𝑓′(𝑥𝑥) = [1 + 𝑓𝑓(𝑥𝑥)][1 − 𝑓𝑓(𝑥𝑥)]

Fungsi purelin

𝑦𝑦 = 𝑓𝑓(𝑥𝑥) = 𝑥𝑥

𝑑𝑑𝑒𝑒𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑦𝑦′ = 𝑓𝑓′(𝑥𝑥) = 1

Algoritma Pelatihan JST Backpropagation

a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)

b. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai false :

1. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran,

kerjakan :

Feedforward :

a. Tiap-tiap unit input (Xi, i=1,2,3,…n) menerima sinyal xi dan

meneruskan sinyal tersebut ke semua unit pada lapisan yang ada

diatasnya (lapisan tersembunyi)

b. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,…p) menjumlahkan sinyal-sinyal

input terbobot : ∑=

+=n

iijijj VXVoinz

1_

gunakan fungsi aktivasi untuk menghitung sinyal outputnya: Zj =

f(Z_inj)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit

output).

c. Tiap-tiap unit output (Yk,, K=1,2,3,…m) menjumlahkan sinyal-sinyal

input terbobot.

∑=

+=p

ijkikk WZWoinY

1_

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

Yk = f(Y_ink)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit

output).

Backpropagation

d. Tiap-tiap unit output (Yk, K=1,2,3,…m) menerima target pola yang

berhubungan dengan pola input pembelajaran, hitung informasi errornya

:

kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai Wjk) :

hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai Wok):

kokW δα=∆ kirimkan ini kδ ke unit-unit yang ada dilapisan

bawahnya.

e. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p) menjumlahkan delta

inputnya (dari unit-unit yang berada pada lapisan diatasnya):

∑=

=m

kjkkj Win

1_ δδ

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk

menghitung informasi error :

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk

memperbaiki nilai V1j) : ijjk XV αδ=∆

Hitung juga koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai V0j): jjV αδ=∆ 0

f. Tiap-tiap unit output (Yk=1,2,3,…m) memperbaiki bias dan bobotnya

(i=1,2,3,…p) :

Tiap-tiap unit tersembunyi (Zj, j=1,2,3,…p) memperbaiki bias dan

bobotnya (i=0,1,2,…n) :

2. Tes kondisi berhenti :

3. Langkah-langkah diatas adalah untuk satu kali siklus pelatihan (satu

epoch). Proses pelatihan diulang sampai jumlah epoch tertentu atau telah

tercapai target error yang diinginkan.

4..Hasil akhir pelatihan jaringan adalah didapatkannya bobot-bobot W1…. Wn

yang kemudian disimpan untuk pengujian jaringan.

Dua fase dilakukan pada tahap pengenalan wajah dengan JST yaitu pelatihan

dan pengujian. Pelatihan menggunkan sebagian data hasil ekstraksi fitur

tekstur, sementara pengujian dilakukan dengan citra wajah lainnya

Gambar 5. DIAGRAM ALIR IMPLEMENTASI JST UNTUK PENGENALAN WAJAH

Pembahasan dan Analisis Hasil Pengujian

Pada prakteknya, perancangan arsitektur JST Backpropagation sangat

tergantung pada masalah yang akan diselesaikan. Untuk himpunan masukan

berdimensi besar atau jumlah kelas keluaran yang dinginkan besar, maka

diperlukan jumlah node pada lapisan tersembunyi yang lebih banyak. Atau

diperlukan lebih dari satu lapisan tersembunyi, tetapi tentu saja ada batas

optimumunya untuk kedua parameter tersebut.

Pengujian pertama kita lakukan pengujian terhadap jumlah lapisan

tersembunyi yaitu dengan mengubah-ngubah jumlah unit pada lapisan

tersembunyi :

Table 1. Pengujian Terhadap Jumlah Unit Pada Lapisan Tersembunyi.

Berikut adalah grafik dari setiap jumlah unit pada lapisan :

Grafik 1 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 15.

Grafik 2 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 16.

Grafik 3 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 17.

00.10.20.30.40.50.60.70.80.9

1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 76 81

epoh

kuad

ratv

err

or

00.10.20.30.40.50.60.70.80.9

1

1 20 39 58 77 96 115

134

153

172

191

210

229

248

kuad

rat e

rror

epoh

00.10.20.30.40.50.60.70.80.9

1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97

epoh

kuad

rat e

rror

Input : 225 Maksimum epoh : 2500

Output : 10 Target error : 0.0001

Learning rate (α ) : 0.9

Jumlah

lapisan

tersembunyi

Epoh Dikenali Tidak

Dikena

li

Persentase (%)

15 85 9 1 90 %

16 256 10 0 100 %

17 98 10 0 100 %

18 290 10 0 100 %

Grafik 4 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 18.

Pada pengujian selanjutnya penulis akan menggunakan jumlah unit pada

lapisan tersembunyi 18, jumlah unit input 225, jumlah unit output 10, maksimum

epoh 2500, target error 0.0001 dan dengan nilai learning rate (α ) yang diubah-

ubah. Pada pengujian ini penulis menguji tiap citra wajah sebanyak 10 kali meng-

input-kan pola wajah yang akan dikenali.

1. Nilai learning rate (α ) = 0.5

Citra Wajah

Dikenali Tidak dikenali

Persentase (%)

1 9 9 50% 2 7 11 39% 3 7 11 40% 4 10 8 55% 5 11 7 60% 6 7 11 40% 7 11 7 61% 8 9 9 50% 9 11 7 60%

10 11 7 60% 11 9 9 50% 12 7 11 40% 13 7 11 38% 14 9 9 50% 15 9 9 49% 16 9 9 50% 17 13 5 70% 18 11 7 60%

Rerata 51%

00.10.20.30.40.50.60.70.80.9

1

1 17 33 49 65 81 97 113

129

145

161

177

193

209

225

241

257

273

289

epohku

adra

t err

or

Grafik 5 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 0.5

2. Nilai learning rate (α ) = 0.6

Citra Wajah

Dikenali Tidak dikenali

Persentase (%)

1 10 8 55% 2 10 8 53% 3 11 7 60% 4 11 7 62% 5 13 5 70% 6 7 11 40% 7 10 8 55% 8 10 8 53% 9 10 8 58%

10 11 7 60% 11 9 9 48% 12 9 9 50% 13 7 11 38% 14 9 9 50% 15 9 9 49% 16 9 9 50% 17 13 5 70% 18 11 7 60%

Rerata 55%

Grafik 6 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 0.6

00.10.20.30.40.50.60.70.80.9

1

1 11 21 31 41 51 61 71 81 91 101

111

121

131

141

151

161

171

181

epoh

kuad

rat e

rror

0

0.2

0.4

0.6

0.8

1

1 20 39 58 77 96 115

134

153

172

191

210

229

248

267

286

305

324

343

Epoh

Kua

drat

Err

or

3. Nilai learning rate (α ) = 0.7

Citra Wajah

Dikenali Tidak dikenali

Persentase (%)

1 10 8 58% 2 10 8 54% 3 12 6 65% 4 11 7 62% 5 13 5 70% 6 7 11 40% 7 10 8 54% 8 10 8 53% 9 10 8 58%

10 11 7 61% 11 9 9 48% 12 9 9 50% 13 7 11 38% 14 11 7 60% 15 9 9 49% 16 9 9 50% 17 12 6 69% 18 12 6 68%

Rerata 56%

Grafik 6 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 0.7

4. Nilai learning rate (α ) = 0.8

Citra Wajah

Dikenali Tidak dikenali

Persentase (%)

1 11 7 60% 2 11 7 60% 3 12 6 68%

00.10.20.30.40.50.60.70.80.9

1

1 18 35 52 69 86 103

120

137

154

171

188

205

222

239

256

273

290

307

324

Epoh

Kua

drat

Err

or

4 12 6 65% 5 13 5 70% 6 9 9 48% 7 11 7 59% 8 11 7 60% 9 10 8 58%

10 11 7 61% 11 9 9 48% 12 9 9 50% 13 7 11 38% 14 11 7 60% 15 9 9 49% 16 9 9 50% 17 12 6 69% 18 12 6 68%

Rerata 58%

Grafik 8 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 0.8

5. Nilai learning rate (α ) = 0.9

Citra Wajah

Dikenali Tidak dikenali

Persentase (%)

1 11 7 62% 2 11 7 61% 3 11 7 63% 4 11 7 60% 5 12 6 64% 6 11 7 62% 7 11 7 61% 8 9 9 50% 9 13 5 70%

10 11 7 60% 11 13 5 70% 12 11 7 60% 13 13 5 70% 14 11 7 60%

00.10.20.30.40.50.60.70.80.9

1

1 19 37 55 73 91 109

127

145

163

181

199

217

235

253

271

289

307

325

Epoh

Kua

drat

Err

or

15 13 5 70% 16 11 7 60% 17 13 5 70% 18 11 7 60%

Rerata 63%

Grafik 9 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 0.9

PENUTUP

Kesimpulan

Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan

wajah dapat dibuat dengan program MATLAB 7.0 pada Penelitian ini. Tahapan

Penelitian terdiri atas Preprosesing Citra Wajah, Ekstraksi Citra Wajah dan

Pengenalan Citra Wajah dengan JST. Citra Wajah yang diuji tiga orang dengan: 1.

Variasi jarak yaitu dekat (<2m) dan sedang (2-5m), 2. Variasi piksel 800x600

piksel dan 640x480 piksel. Pada ekstraksi citra wajah dilakukan dengan ekstraksi

fitur tekstur yang berbasis histogram, sedangkan JST menggunakan jaringan

Backpropagation

Dari hasil pengamatan dikaitkan dengan permasalahan dan tujuan dilakukannya

pembuatan penelitian ini maka dapat diambil beberapa hal:

1. Perangkat lunak ini dapat mengelompokkan citra dengan menggunakan

segmentasi citra dengan metode ekstraksi fitur tekstur.

2. Pola Citra Wajah tersebut dapat dikenali sebagai Citra Wajah dengan

Jaringan Syaraf Tiruan dengan menggunakan Backpropagation.

3. Pengenalan pola Citra Wajah akan mengalami kesalahan jika jaringan syaraf

tiruan yang kita bangun tidak sesuai dengan input data yang kita masukkan.

00.10.20.30.40.50.60.70.80.9

1

1 17 33 49 65 81 97 113

129

145

161

177

193

209

225

241

257

273

289

epoh

kuad

rat e

rror

4. Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan

wajah dapat dibuat dengan program MATLAB pada Penelitian ini.

5. Pada Pelatihan JST kondisi terbaik dihasilkan jumlah unit pada lapisan

tersembunyi 18, jumlah unit input 225, jumlah unit output 10, maksimum

epoh 2500, target error 0.001

6. Pada Pelatihan JST kondisi terbaik dihasilkan jumlah unit pada lapisan

tersembunyi 18, jumlah unit input 225, jumlah unit output 10, maksimum

epoh 2500, target error 0.001 dan learnng rate=0.9

Saran

Banyaknya jumlah data citra untuk setiap wajah orang yang dilatih dapat

mempengaruhi hasil proses pengenalan. Semakin banyak data yang dilatih,

jaringan akan semakin baik mengenali pola sehingga hasil pengenalan akan

lebih akurat, namun akan berdampak dengan melambatnya proses pelatihan.

DAFTAR PUSTAKA

[1] Darma, Putra. 2013. Pengolahan Citra Digital. Penerbit Andi

[2] Hsu, R.L., Abdel-Mottaleb, M. dan Jain, A.K. 2001. "Face Detection in

Color Images". Proceedings of the IEEE International Conference on

Image Processing1.

[3] Kadir, Abdul. Susanto, Adi. 2012. Teori dan Aplikasi Pengolahan Citra.

Yogyakarta-Penerbit ANDI.

[4] Kusumadewi, Sri. 2003. Artificial Intellegence. Yogyakarta-Graha Ilmu.

[5] Kusumadewi, Sri. 2004. Membangun Jaringan Saraf Tiruan

Menggunakan MATLAB&Exel Link. Yogyakarta-Graha Ilmu.

[6] Sianipar. R.H. dkk. 2013. MATLAB untuk Pemrosesan Citra Digita.

Bandung- Penerbit Informatika.

[7] Sianipar. R.H. dkk. 2013. Pemrograma MATLAB dalam Contoh dan

Penerapan. Bandung-Penerbit Informatika.

[8] Siang, Jong Jek. 2005. “Jaringan Syaraf Tiruan & Pemrogramannya

Menggunakan Matlab”. Yogyakarta-Penerbit ANDI.