PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL

Transkripsi

1 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MENDETEKSI POSISI WAJAH MANUSIA PADA CITRA DIGITAL Setyo Nugroho 1, Agus Harjoko 2 1 Jurusan Teknk Informatka, STMIK STIKOM Balkpapan Jln. Kapten P. Tendean 2A, Balkpapan, Program Pascasarjana Ilmu Komputer, Unverstas Gadjah Mada, Yogyakarta Abstrak Salah satu bagan pentng dalam proses pengenalan wajah adalah mendeteks poss wajah. Dalam makalah n kam merancang dan mengmplementaskan sstem pendeteks poss wajah dengan menggunakan jarngan syaraf truan. Sstem n dlath dengan menggunakan contoh-contoh wajah yang dberkan. Algortma Quckprop dan metode actve learnng dgunakan untuk mempercepat proses pelathan sstem. Dar hasl ekspermen dengan menggunakan 23 fle ctra bers 149 wajah, sstem pendeteks wajah n memberkan hasl detecton rate 71,14% dan false postve 62. Kata kunc: deteks wajah, jarngan syaraf truan, quckprop, actve learnng 1. Pendahuluan Dengan semakn tnggnya kemampuan komputer untuk memproses data dalam jumlah besar dengan kecepatan yang tngg, sstem bometrk semakn banyak daplkaskan dalam kehdupan manusa. Sstem bometrk adalah sstem untuk melakukan dentfkas dengan cara menggunakan cr-cr fsk atau anggota badan manusa, sepert sdk jar, retna mata, suara. Teknolog bometrk n memlk beberapa kelebhan sepert tdak mudah hlang, tdak dapat lupa, tdak mudah dpalsukan, dan memlk keunkan yang berbeda antara manusa satu dengan yang lan. Salah satu cara yang dgunakan dalam sstem bometrk adalah pengenalan wajah. Sstem pengenalan wajah bertujuan untuk mengdentfkas wajah seseorang dengan cara membandngkan wajah tersebut dengan database wajah yang sudah ada. Dalam sstem pengenalan wajah, pendeteksan poss wajah merupakan salah satu tahap yang pentng karena d duna nyata wajah dapat muncul d dalam ctra dengan berbaga ukuran dan poss, dan dengan latar belakang yang bervaras [Hjelmas, 2001]. Dalam makalah n kam merancang dan mengmplementaskan sstem pendeteks wajah manusa yang dapat memberkan output berupa jumlah, poss, dan ukuran wajah manusa yang dtemukan d dalam suatu ctra dgtal. 2. Jarngan Syaraf Truan Jarngan syaraf truan adalah suatu sstem pemrosesan nformas yang cara kerjanya memlk kesamaan tertentu dengan jarngan syaraf bologs [Fausett, 1994]. Jarngan syaraf truan dkembangkan sebaga model matemats dar syaraf bologs dengan berdasarkan asums bahwa: a. Pemrosesan terjad pada elemen-elemen sederhana yang dsebut neuron. b. Snyal dlewatkan antar neuron melalu penghubung. c. Setap penghubung memlk bobot yang akan mengalkan snyal yang lewat. d. Setap neuron memlk fungs aktvas yang akan menentukan nla snyal output. Jarngan syaraf dapat dgolongkan menjad berbaga jens berdasarkan pada arstekturnya, yatu pola hubungan antara neuron-neuron, dan algortma tranngnya, yatu cara penentuan nla bobot pada penghubung. 2.1 Mult-Layer Perceptron Mult-Layer Perceptron adalah jarngan syaraf truan feed-forward yang terdr dar sejumlah neuron yang dhubungkan oleh bobot-bobot penghubung. Neuron-neuron tersebut dsusun dalam lapsan-lapsan yang terdr dar satu lapsan nput (nput layer), satu atau lebh lapsan tersembuny (hdden layer), dan satu lapsan output (output layer). Lapsan nput menerma snyal dar luar, kemudan melewatkannya ke lapsan tersembuny pertama, yang akan dteruskan sehngga akhrnya mencapa lapsan output [Redmller, 1994]. Setap neuron d dalam jarngan adalah sebuah unt pemrosesan sederhana yang menghtung nla aktvasnya yatu s terhadap nput ekstas yang juga dsebut net nput net. net = s w θ (1) j j pred () j d mana pred() melambangkan hmpunan predesesor dar unt, w j melambangkan bobot koneks dar unt j ke unt, dan θ adalah nla bas dar unt. Untuk membuat representas menjad lebh mudah, serngkal bas dgantkan dengan suatu bobot yang terhubung dengan unt bernla 1. Dengan demkan bas dapat dperlakukan secara sama dengan bobot koneks. F-1

2 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun Supervsed Learnng Tujuan pada pembelajaran supervsed learnng adalah untuk menentukan nla bobot-bobot koneks d dalam jarngan sehngga jarngan dapat melakukan pemetaan (mappng) dar nput ke output sesua dengan yang dngnkan. Pemetaan n dtentukan melalu satu set pola contoh atau data pelathan (tranng data set). Setap pasangan pola p terdr dar vektor nput x p dan vektor target t p. Setelah selesa pelathan, jka dberkan masukan x p seharusnya jarngan menghaslkan nla output t p. Besarnya perbedaan antara nla vektor target dengan output aktual dukur dengan nla error yang dsebut juga dengan cost functon: 1 p p 2 E = ( t n sn ) (2) 2 p P n d mana n adalah banyaknya unt pada output layer. Tujuan dar tranng n pada dasarnya sama dengan mencar suatu nla mnmum global dar E. 2.3 Algortma Backpropagaton Salah satu algortma pelathan jarngan syaraf truan yang banyak dmanfaatkan dalam bdang pengenalan pola adalah backpropagaton. Algortma n umumnya dgunakan pada jarngan syaraf truan yang berjens mult-layer feed-forward, yang tersusun dar beberapa lapsan dan snyal dalrkan secara searah dar nput menuju output. Algortma pelathan backpropagaton pada dasarnya terdr dar tga tahapan [Fausett, 1994], yatu: a. Input nla data pelathan sehngga dperoleh nla output b. Propagas balk dar nla error yang dperoleh c. Penyesuaan bobot koneks untuk memnmalkan nla error. Ketga tahapan tersebut dulang terusmenerus sampa mendapatkan nla error yang dngnkan. Setelah tranng selesa dlakukan, hanya tahap pertama yang dperlukan untuk memanfaatkan jarngan syaraf truan tersebut. Secara matemats [Rumelhart, 1986], de dasar dar algortma backpropagaton n sesungguhnya adalah penerapan dar aturan ranta (chan rule) untuk menghtung pengaruh masngmasng bobot terhadap fungs error: s = (3) s dan s j j s = net j net = j f log ( net ) s j (4) dmana w j adalah bobot penghubung dar neuron j ke neuron, s adalah output, dan net adalah jumlah haslkal pada nput dar neuron. 2.4 Algortma Quckprop Pada algortma Quckprop dlakukan pendekatan dengan asums bahwa kurva fungs error terhadap masng-masng bobot penghubung berbentuk parabola yang terbuka ke atas, dan graden dar kurva error untuk suatu bobot tdak terpengaruh oleh bobot-bobot yang lan [Fahlman, 1988]. Dengan demkan perhtungan perubahan bobot hanya menggunakan nformas lokal pada masng-masng bobot. Perubahan bobot pada algortma Quckprop drumuskan sebaga berkut: ( t) ( ) = ( ) + (5) w t ε t * w( t 1) ( t 1) ( t) d mana: w(t) : perubahan bobot w ( t 1) : perubahan bobot pada epoch sebelumnya ε : adalah learnng rate (t) : dervatf error ( t 1) : dervatf error pada epoch sebelumnya Pada ekspermen dengan masalah XOR dan encoder/decoder [Fahlman, 1988], terbukt bahwa algortma Quckprop dapat menngkatkan kecepatan tranng. Ekspermen dar [Schffmann, 1993] juga menunjukkan penngkatan kecepatan tranng dan unjuk kerja yang sgnfkan. 3. Cara Peneltan Dalam peneltan n kam menggunakan data yang terdr dar satu set ctra untuk pelathan (tranng data set) dan satu set ctra untuk pengujan (testng data set). Untuk data pelathan dgunakan ctra wajah berukuran 20x20 pxel sebanyak 3000 buah. Sedangkan untuk ctra non-wajah dperoleh dar fle-fle ctra yang tdak terdapat wajah manusa d dalamnya. Sstem n menggunakan jarngan syaraf truan (JST) dengan jens mult-layer perceptron. Arstektur yang dgunakan dadaptas dar hasl peneltan [Rowley, 1998], namun lebh dsederhanakan. Lapsan nput terdr dar 400 unt nput, yang menerma masukan dar nla grayscale pxel 20x20 dar subctra yang akan ddeteks. Sebelum djadkan nput untuk JST, nla grayscale yang berksar dar 0 sampa 255 dnormalsas menjad antara 1 dan 1. F-2

3 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 Lapsan output terdr dar sebuah unt dengan nla keluaran berksar antara 1 dan 1. Pada tranng data set ddefnskan nla 1 untuk data wajah dan 1 untuk data non-wajah. Lapsan tersembuny (hdden layer) terdr dar total 25+16=41 unt. Bagan pertama terhubung dengan lapsan nput yang membentuk 25 area berukuran 4x4 pxel. Bagan kedua terhubung dengan lapsan nput yang membentuk 16 area berukuran 5x5 pxel. Secara keseluruhan jarngan n memlk 883 bobot penghubung, sudah termasuk bas. Jarngan n lebh sederhana dbandngkan dengan sstem [Rowley, 1998] yang jumlah bobot penghubungnya mencapa Teknk Actve Learnng Tranng dlakukan secara bertahap dengan menggunakan metode actve learnng [Sung, 1994]. Pada tahap pertama tranng dmula dengan menggunakan sedkt data non-wajah. Pada tahap berkutnya, data tranng non-wajah dtambah sedkt dem sedkt. Namun data tambahan tersebut dseleks hanya untuk data tertentu saja, yatu data yang yang ddeteks sebaga wajah (false postve) pada hasl tranng tahap sebelumnya. Dengan demkan jumlah data tranng yang dgunakan untuk jarngan syaraf truan akan lebh sedkt. Karena data tranng yang dgunakan lebh sedkt, waktu yang dperlukan untuk proses tranng juga akan lebh sngkat. Gambar 1 menunjukkan teknk actve learnng yang dgunakan untuk sstem pendeteks wajah. 3.2 Detektor Wajah Bagan detektor wajah menggunakan arstektur jarngan syaraf yang sama dengan yang dgunakan untuk tranng. Bobot penghubung yang dgunakan dambl dar bobot terakhr yang dhaslkan pada proses tranng. Hasl deteks akan dputuskan sebaga wajah jka output dar JST lebh dar 0, dan dputuskan sebaga non-wajah jka output JST kurang dar atau sama dengan 0. Koleks Contoh Data Non-Wajah Plh random False Postve Hasl Deteks Gambar 1. Teknk Actve Learnng untuk Sstem Pendeteks Wajah 3.3 Ekstraks Subctra Poss wajah bsa berada d mana saja pada ctra yang akan ddeteks. Untuk tu dgunakan wndow berukuran 20x20 pxel yang akan dgeser melalu seluruh daerah ctra. Daerah ctra yang dlewat oleh wndow tersebut akan dperksa satu persatu apakah ada wajah atau tdak d area tersebut. Untuk mengantspas ukuran wajah yang bervaras d dalam ctra yang ddeteks, ctra dperkecl secara bertahap dengan skala perbandngan 1:1,2 sebagamana dlakukan pada [Rowley, 1998]. Pada setap ukuran ctra yang dperkecl, wndow 20x20 pxel akan dgeser melalu seluruh area ctra. 3.4 Preprocessng Koleks Contoh Data Wajah Data Tranng Tranng JST Bobot JST Hasl Tranng Deteks Wajah Sebelum dgunakan sebaga tranng data set, ctra akan melalu tahap-tahap preprocessng berkut: Hstogram Equalzaton, untuk memperbak kontras ctra. Maskng, yatu menghlangkan bagan sudutsudut ctra untuk mengurang varas ctra sehngga memperkecl dmens data. Normalsas, yatu mengkonvers nla ntenstas grayscale ctra sehngga memlk range antara 1 sampa dengan 1. Tahap-tahap preprocessng n juga dgunakan pada saat proses pendeteksan wajah. F-3

4 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 data set yang dgunakan untuk tranng tdak sama jumlah data yang dgunakan untuk tranng tdak sama Gambar 2. Contoh data wajah yang telah mengalam preprocessng 3.5 Mergng Pada saat dlakukan deteks wajah pada ctra, basanya sebuah wajah akan terdeteks pada beberapa lokas yang berdekatan. Lokas-lokas n dsebut dengan kanddat wajah. Untuk tu perlu dlakukan proses penggabungan (mergng), yatu menyatukan lokas kanddat-kanddat wajah yang berdekatan. Gambar 3. Hasl deteks sebelum dan sesudah proses penggabungan (mergng) 4. Hasl dan Pembahasan Unjuk kerja dar detektor wajah pada umumnya dukur dengan menggunakan dua parameter, yatu detecton rate dan false postve rate [Yang, 2002]. Detecton rate adalah perbandngan antara jumlah wajah yang berhasl ddeteks dengan jumlah seluruh wajah yang ada. Sedangkan false postve rate adalah banyaknya subctra non-wajah yang ddeteks sebaga wajah. Contoh hasl deteks yang dlakukan pada beberapa ctra pengujan dtunjukkan pada gambar 4. Pengujan dlakukan dengan data uj ctra yang berasal dar Massachusetts Insttute of Technology (MIT) yang terdr dar 23 fle ctra yang secara keseluruhan bers 149 wajah (data uj MIT-23). Kumpulan ctra n pertama kal dpublkaskan pada [Sung, 1994]. Pada data uj n dperoleh hasl detecton rate sebesar 71,14% dan false postves sebanyak 62. Hasl n dperoleh dar tranng yang menggunakan 3000 data wajah dan 5200 data nonwajah yang dperoleh melalu metode actve learnng. Tabel 1 menunjukkan hasl deteks yang pernah dlakukan oleh para penelt lan dengan menggunakan data uj MIT-23. Perbandngan n tdak bsa djadkan patokan mutlak untuk menympulkan bahwa satu metode lebh bak dar metode yang lan, karena faktor-faktor berkut [Hjelmas, 2001]: Gambar 4. Contoh hasl deteks wajah pada beberapa ctra uj yang juga dgunakan pada [Sung, 1994] Tabel 1. Beberapa hasl deteks wajah pada data uj MIT-23 Metode Detecton False Rate Postve Support vector machnes (SVM) (Osuna, 1997) 74,2% 20 Dstrbuton-based dan clusterng (Sung, Poggo, 79,9% ) Neural Networks (Rowley, 1998) 84,5% 8 Kullback relatve nformaton (Lew, Hujsmans, 1996) 94,1% Pengaruh Jumlah Data Tranng Tabel 2 menunjukkan pengaruh jumlah data tranng yang dgunakan terhadap hasl deteks. Tabel n berdasarkan hasl deteks pada suatu ctra bers 15 wajah dan memlk total wndow. Terlhat bahwa semakn banyak data tranng nonwajah yang dgunakan, semakn kecl angka false F-4

5 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 postve yang dhaslkan. Hal n menunjukkan bahwa dengan data yang semakn lengkap, hasl belajar sstem akan semakn bak. Tabel 2. Pengaruh Jumlah Data Tranng pada Unjuk Kerja Deteks Wajah Jumlah data tranng Detecton Rate False Postve wajah nonwajah total / / / / / / / / / / / / / / / / Pengaruh Algortma Quckprop pada Kecepatan Tranng Tabel 3 menunjukkan perbandngan waktu tranng yang dperlukan antara tranng yang menggunakan algortma backpropagaton standar dengan tranng yang menggunakan algortma Quckprop. Ekspermen dlakukan dengan menggunakan 2000, 3000, dan 4000 data. Untuk setap proses tranng, teras dhentkan pada saat nla error mencapa 0,05. Terlhat bahwa untuk jumlah data tranng yang semakn besar, algortma Quckprop memberkan penngkatan kecepatan yang sgnfkan. Tabel 3. Pengaruh Algortma Quckprop pada Kecepatan Tranng Jumlah Waktu tranng (detk) data Error Backprop tranng standar Quckprop , , , Pengaruh Metode Actve Learnng Tabel 4 menunjukkan perbandngan antara hasl tranng yang menggunakan metode actve learnng untuk memlh contoh data non-wajah, dengan hasl tranng yang menggunakan data nonwajah yang dplh secara random. Pada ekspermen pertama dgunakan 6000 data yang terdr dar 3000 data wajah dan 3000 data non-wajah. Sedangkan pada ekspermen kedua dgunakan 8200 data yang terdr dar 3000 data wajah dan 5200 data nonwajah. Terlhat bahwa teknk actve learnng memberkan hasl yang lebh bak. In berart bahwa teknk actve learnng dapat memlh data yang benar-benar perlu, sehngga dapat memnmalkan jumlah data tranng yang dgunakan. Tabel 4. Hasl Perbandngan Knerja antara Metode Actve Learnng dengan Random Data 5. Kesmpulan Dar peneltan n dapat dambl kesmpulan bahwa jarngan syaraf truan dengan jens mult layer perceptron dapat dgunakan untuk melakukan deteks wajah pada ctra dgtal. Pada sstem pendeteks wajah yang berbass contoh, knerja hasl deteks yang ddapatkan sangat tergantung dar kualtas dan kuanttas dar data contoh yang dberkan. Untuk tranng dengan jumlah data yang besar, algortma Quckprop memberkan penngkatan kecepatan tranng yang sgnfkan. Metode actve learnng dapat dgunakan untuk memlh data contoh yang lebh tepat, sehngga memnmalkan jumlah data tranng yang dgunakan. Daftar Pustaka Random Data Jumlah Data Tranng Detecton Rate False Postve Actve Learnng Detecton Rate False Postve ,42% ,14% ,76% ,14% 62 [1] S.E. Fahlman, An Emprcal Study of Learnng Speed n Back-Propagaton Networks, Techncal Report CMU-CS , Carnege Mellon Unversty, USA, [2] L. Fausett, Fundamentals of Neural Networks: Archtectures, Algorthms, and Applcatons, Prentce-Hall Inc., USA, [3] E. Hjelmas, B.K. Low, Face Detecton: A Survey, Computer Vson and Image Understandng. 83, pp , [4] H. Rowley, S. Baluja, T. Kanade, Neural Network-Based Face Detecton, IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 20, no. 1, [5] D.E. Rumelhart, G.E. Hnton, R.J. Wllams, Learnng Internal Representatons by Error Propagaton, Parallel Dstrbuted Processng, chapter 8, MIT Press, Cambrdge, MA, [6] W. Schffmann, M. Joost, R. Werner, Comparson of Optmzed Backpropagaton Algorthms, Proc. of the European Symposum on Artfcal Neural Networks (ESANN) 93, Brussels, F-5

6 Semnar Nasonal Aplkas Teknolog Informas 2005 (SNATI 2005) ISBN: Yogyakarta, 18 Jun 2005 [7] K.K. Sung, Learnng and Example Selecton for Object and Pattern Detecton, AITR 1572, Massachusetts Insttute of Technology AI Lab, [8] K.K. Sung, T. Poggo, Example-Based Learnng for Vew-Based Human Face Detecton, Techncal Report AI Memo 1521, Massachusetts Insttute of Technology AI Lab, [9] M.H. Yang, D. Kregman, N. Ahuja, Detectng Faces n Images: A Survey, IEEE Trans. Pattern Analyss and Machne Intellgence, vol. 24, no. 1, F-6