Jurnal Ilmiah Komputer dan Informatika (KOMPUTA) PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA

Transkripsi

1 27 PENGENALAN WAJAH DUA DIMENSI MENGGUNAKAN MULTI-LAYER PERCEPTRON BERDASARKAN NILAI PCA DAN LDA Shofwatul Uyu 1, Muhammad Fadzlur Rahma 2 1,2 Program Studi Tekik Iformatika, Fakultas Sais da Tekologi, Uiversitas Islam Negeri Sua Kalijaga. Jl. Marsda Adisucipto No.1 Yogyakarta shofwatul.uyu@ui-suka.ac.id 1,fazlur.mudaya@gmail.com 2 ABSTRAK Mausia memiliki kecerdasa multi itelligece yag sagat kompleks sehigga secara otomatis mampu megeali seseorag yag perah ditemui. Saat ii bayak sekali sistem pegeala wajah yag sedag dikembagka baik secara supervised maupu usupervised. Jariga Syaraf Tirua (JST) merupaka salah satu metode supervised, dimaa salah satu metode pembelajaraya disebut dega Multi-Layer Perceptro (MLP). Peetua bayakya ode pada hidde layer secara tepat mempegaruhi kierja dari MLP pada sistem pegeala wajah. Peelitia ii megguaka 12 citra wajah sebagai data latih yag diekstraksi mejadi covaria matriks lalu diambil ilai eige dari setiap data citra megguaka metode pricipal compoet aalysis (PCA) da liear discrimiat aalysis (LDA). Setiap data meghasilka 4 ilai eige yag mejadi masuka pada algoritma pelatiha MLP yag meghasilka ilai bobot optimal yag mejadi acua utuk megeali citra wajah. Berdasarka hasil pegujia da perbadiga variasi ilai parameter yag diguaka utuk megeali citra wajah telah didapatka ilai akurasi optimal sebesar 77,77%. Aristektur dari MLP tersebut terdiri atas : 4 ode di iput layer, 8 ode di hidde layer da 3 ode di output layer dega ilai epoch pelatiha sebesar 60x10 4. Kata Kuci : sistem pegeala wajah, MLP, PCA da LDA 1. PENDAHULUAN Megeali wajah seseorag merupaka suatu hal yag mudah dilakuka oleh mausia. Seseorag aka cepat megeal, meghafal da membedaka wajah setiap orag yag dikeal sebelumya walaupu dega ekspresi yag berbeda-beda ketika ditemui, atau bahka dalam keadaa terag maupu gelap. Aka tetapi, bagaimaa agar sistem komputer dapat megeali wajah mausia, aka ada kedala pada sistem tapa adaya pembelajara bagi sistem tersebut. Dalam perkembagaya, tekologi pegeala wajah bayak dimafaatka di berbagai macam cakupa aplikasi yag sagat luas seperti sistem keamaa, sistem akses kotrol suatu area ataupu sistem absesi kelas Latar Belakag Pegeala wajah mempuyai dua aplikasi utama yaitu: verifikasi da idetifikasi. Verifikasi sematamata mecocokka data baru seseorag dega data yag ada di database (oe to oe) da umumya meghasilka dua keadaa yaitu true atau false. Sedagka idetifikasi megeali seseorag dega keputusa berdasarka tigkat kedekata atau kemiripa. Kemampua megukur karakteristik fisik atau perilaku yag dapat diguaka utuk memverifikasi atau megidetifikasi seseorag disebut dega biometrik [1]. Sidik jari da tada taga, masig-masig merupaka cotoh biometrik berdasarka karakteristik fisik da perilaku seseorag. Perbedaa medasar atara fase pegeala wajah da deteksi wajah adalah dimaa pegeala wajah memulai dega proses ekstraksi ciri pada citra wajah yag lalu diidetifikasi da diverifikasi pada basis data sistem pegeala wajah yag telah dilatih dega kumpula citra wajah. Sedagka fase pada deteksi wajah merupaka proses klarifikasi pada citra yag sebelumya pegklarifikasi dibetuk dari data latih yag terdiri dari citra wajah da citra o-wajah sebagai pembadig Rumusa Masalah Berdasarka latar belakag masalah di atas maka rumusa masalah dalam peelitia ii adalah : Apakah pegeala wajah dega megguaka metode ekstraksi ciri PCA da LDA dapat mecapai prosetase keberhasila diatas 50% serta bagaimaa meetuka struktur JST yag tepat utuk algoritma pelatiha data di dalam sistem pegeala wajah Tujua Sesuai dega latar belakag da rumusa masalah yag dibahas diatas, maka tujua dari peelitia ii adalah utuk egetahui jumlah prosetase

2 28 keberhasila pegeala wajah dega megguaka metode ekstraksi ciri PCA da LDA serta mecari struktur jariga syaraf tirua yag tepat utuk algoritma pelatiha sistem pegeala wajah. 2. KAJIAN PENELITIAN Peelitia terdahulu terkait sistem pegeala wajah sudah bayak dilakuka, atara lai oleh [2] yag megembagka sistem pegeala wajah berdasarka peampaka yag berbasis sigal megguaka DCT 2D. Hasil ekstraksi megguaka DCT 2D selajutya diormalisasi ilaiya, proses selajutya adalah melakuka reduksi dimesi megguaka PCA. Hasil peyeleksia fitur tersebut selajutya diukur kemiripaya megguaka Euclidea Distace maupu Mahatta. Ekstraksi fitur citra dilakuka megguaka DCT-2D yag dilakuka secara zigzag utuk megekstrak fitur yag dibutuhka. Selajutya [3] membagu sebuah peragkat luak pegeala citra wajah mausia megguaka metode Eigefaces dega memafaatka GUI dari Matlab. Pada tahap pegujia, aka dicari akurasi/tigkat pegeala yag dicapai oleh peragkat luak ii utuk megetahui seberapa besar kemampua dari peerapa metode Eigefaces dalam megeali citra wajah dega ekstraksi fitur megguaka metode PCA. Adapu tigkat pegeala optimal yag diperoleh pada peelitia tersebut sebesar 75%. Berbeda dega [4] yag telah megguaka dua metode ekstrasi atau kompresi fitur citra dega megguaka alat batu pemrograma Borlad Delphi 7.0. Hasil ekstraksi ciri PCA da LDA kemudia dijumlahka sehigga haya memiliki satu parameter sehigga masih ditemuka kekuraga pada proses traiig yag mejadika sistem pegeala wajah tidak dapat bekerja secara maksimal. Semetara [5] telah megitegrasika TDLDA (Two Dimesioal Liear Discrimiat Aalysis) da SVM (Support Vektor Machie) utuk pegeala wajah. TDLDA yag merupaka metode pegembaga dari LDA berfugsi sebagai metode ekstraksi fitur yag bisa megatasi sigular problem da SVM sebagai metode klasifikasi yag mempuyai kemampua geeralisasi yag tiggi. Peelitia tersebut mampu meghasilka akurasi dalam pegeala wajah sebesar 84,18%. Oleh karea itu pada peelitia ii diguaka dua metode utuk ekstraksi ciri citra wajah yaitu PCA da LDA. Utuk pembelajaraya diguaka metode terawasi yaitu Jariga Syaraf Tirua MLP. PCA megkompresi citra wajah berdasarka idetifikasi pola data citra yag ada lalu disusu kembali berdasarka kesamaa da perbedaa pola data yag ada. Sedagka LDA dega mudah meagai kasus dalam frekuesi kelas yag tidak seimbag da operasi kelas tersebut telah diperiksa pada data tes acak yag dihasilka. Fokus dari peelitia ii adalah utuk megetahui seberapa besar prosetase keberhasila pegeala wajah megguaka metode ekstraksi ciri PCA da LDA. Selai itu juga igi megetahui struktur MLP yag tepat utuk algoritma pelatiha sistem pegeala wajah tersebut. 3. METODE PENELITIAN Tahapa-tahapa yag dilakuka pada peeliti ii terdiri dari tiga tahapa, atara lai : 1. Ekstraksi ciri citra wajah Proses utuk megambil ilai fitur dari citra wajah. Utuk ekstraksi wajah diguaka metode PCA da LDA 2. Traiig data Proses traiig atau pelatiha data hasil dari ekstraksi fitur citra wajah megguaka metode MLP. 3. Pegujia. Proses pegujia terhadap Jariga Syaraf Tirua dalam megeali wajah berdasarika hasil traiig pada tahapa sebelumya. Utuk lebih jelasya dapat dilihat pada gambar 1. Gambar 1 Diagram alir tahapa peelitia 4. HASIL DAN PEMBAHASAN Pada bab ii diuraika megeai hasil da pembahasa sistem pegeala wajah dega metode PCA da LDA. Secara rigkas sistem pegeala wajah pada peelitia ii dapat dilihat pada gambar 2.

3 29 pegeala wajah yag diujika terhadap sistem. Da data keluara berupa ama yag ada pada basis data pelatiha beserta omor target yag dihasilka dari algoritma aplikasi dari pada sistem. Gambar 2 Tahapa proses system Secara detail sistem ii dapat meerima masuka dari user berupa citra wajah yag atiya diolah dega proses ekstraksi ciri lalu hasil ekstraksi disimpa pada basis data yag meampug hasil dari ekstraksi citra-citra wajah. User juga dapat melakuka pembelajara terhadap hasil dari ekstrasi ciri yag dilakuka pada citra di setiap waktu atau setelah melakuka peambaha data citra wajah. Semetara, dari hasil pembelajara yag telah dilakuka di awal, sistem dapat melakuka 4.1. Ekstraksi Ciri Citra Wajah Pada subbab ii membahas tetag ekstraksi ciri citra wajah dilakuka sebelum pelatiha da pada saat pegeala citra wajah. a. Metode Ekstraksi Ciri Pricipal Compoet Aalysis Hasil output dari proses ii berupa ilai eige hasil ekstraksi dari iput citra wajah. Sebelum medapat output berupa ilai eige, citra dirubah mejadi Covaria matriks. Alur kierja dari PCA dapat dilihat pada gambar 3. Mulai Iput : Citra Mamogram Meghitug rata-rata X mamogram X i i X 1 cov( x, y) Meghitug ilai covaria i 1 ( x X)( y Y) i i Meghitug rata-rata Y mamogram Y i i Y 1 Membetuk covaria matriks cov( x, x) cov( x, y) covmatrik cov( y, x) cov( y, y) Mecari ilai eige A=USV AA T US 2 V Output = Nilai eige (ilai matrik sigular 2) S Selesai Gambar 3 Diagram alir ekstraksi ciri PCA

4 30 b. Metode Ekstraksi Ciri Liear Discrimiat Aalysis LDA dega mudah meagai kasus dalam frekuesi kelas yag tidak seimbag da performa kelas tersebut telah diperiksa pada data tes acak yag dihasilka. Metode ii memaksimalka rasio varias betwee-class ke dalam varias withi-class di semua data yag bisa dipisahka [6]. Dalam proses ektraksi dega metode LDA, sama seperti halya PCA yag mecari Covaria matriks dari pada citra wajah, aka tetapi masih ada proses lajut utuk mecari matriks scatter withi dega persamaa tepat sebelum melakuka peetua ilai eige. Lebih jelasya lihat gambar 4. Gambar 4 Diagram alir metode ekstraksi ciri LDA Peelitia ii megguaka 12 data latih utuk diekstraksi, sebelum semua data ilai hasil ekstraksi dipaggil utuk dilakuka pembelajara terhadap pegeala citra wajah. Dari 12 data latih, terdiri dari citra wajah 4 orag yag berbeda, masigmasig orag meyumbag tiga citra yag diambil dari sudut yag berbeda. Hal tersebut dilakuka utuk memperkaya sistem pegeala terhadap daya itelegesi utuk megidetifikasi citra wajah satu orag walaupu citra tersebut diambil dari sudut yag berbeda. Adapu citra data latih yag dikeaka ekstraksi ciri dapat dilihat pada tabel 1

5 31 Tabel 1 Citra data latih No. Nama Citra 1 Afif 2 Aldi 3 Catur 4 Fazlur 4.2. Traiig Data Pada tahap traiig atau pelatiha data, sistem megguaka jariga syaraf tirua MLP sebagai metode pembelajara atau pelatiha dalam megeali citra wajah. Dega 3 lapisa pembelajara yag terdiri dari satu lapisa iput da output serta lapisa hidde. Di setiap lapisa terdiri dari ode-ode yag terhubug satu sama lai di setiap lapisa sehigga membetuk jariga. Adapu lapisa iput terdapat empat ode yag medapat ilai masuka dari empat ilai eige hasil ekstraksi citra wajah yag sebelumya telah diormalisasi dega persamaa. Sedagka ode output terdiri dari tiga buah ode yag meggambarka ilai bier dari kuci data pelatiha, dimaa setiap data pelatiha mempuyai omor urut yag uique lalu omor tersebut dibierisasi utuk mejadi target sebagai solusi output dari algoritma pembelajara, sehigga, dega eam ode pada lapisa output dapat meampug maksimal data pembelajara sebayak 8 data atau ama. Semetara utuk lapisa hidde haya dega satu lapisa saja da terdiri dari delapa ode. Adapu jariga syaraf tirua MLP yag diguaka dalam peelitia ii dapat dilihat pada gambar 5. Gambar 5 Desai Jariga Syaraf Tirua MLP Hasil dari MLP bagi sistem berupa ilai bobot yag mejadi acua utuk diterapka pada algoritma aplikasi utuk megeali citra wajah yag diuji dega data citra wajah yag sudah ada pada data pembelajara. Adapu alur kerja algoritma pembelajara jariga syaraf tirua MLP dapat dilihat pada gambar 6.

6 32 Gambar 6 Diagram alir jariga syaraf tirua MLP Setiap pembelajara, tidak semua jariga syaraf tirua yag diracag diawal aka memberi solusi pelatiha yag tepat bagi sistem, Aka selalu ada perbaika jariga syaraf tirua utuk medapat solusi bobot optimal yag diperluka oleh sistem. Adapu siklus pelatiha jariga syaraf tirua bisa dilihat pada gambar 7. Gambar 7 Siklus jariga syaraf tirua

7 ID Target Jural Ilmiah Komputer da Iformatika (KOMPUTA) 33 Tujua dari adaya pelatiha sistem adalah utuk medapatka ilai error miimum dalam meetuka bobot dari jariga syaraf tirua MLP. Dega ilai bobot optimal yag diperoleh algoritma pelatiha, dapat meujag sistem dalam megeali masuka citra wajah pada algoritma aplikasi terbatas pada data pelatiha. Diiisiasika terlebih dahulu alfa (α) dega ilai 0,5 da ilai epoch yag mejadi titik berhetiya perulaga dalam algoritma pelatiha MLP Pegujia Tahapa terakhir pada peelitia ii adalah pegujia JST. Pegujia JST ii dilakuka dega megguaka sistem pedukug test yag meguji kemampua JST dalam megeali citra wajah. Pada tahap ii, peeliti melakuka pegujia pada dua aspek, yaki pegujia struktur jariga syaraf tirua pembelajara MLP da pegujia pegeala citra wajah. Dalam pegujia struktur jariga syaraf tirua MLP, peeliti mecoba utuk membuat solusi bobot optimal yag dihasilka oleh sistem. Dega meguji lapisa hidde da ilai epoch sebagai kodisi berheti pelatiha jariga syaraf tirua MLP. Adapu skema da hasil pegujia jariga syaraf tirua sistem dapat dilihat pada tabel 2. Dari tabel 2, diperoleh prosetase bobot optimal yag didapat dari tes sederhaa dega masuka citra basis data pelatiha sebagai iput tes. Target pada tes sederhaa yag dilakuka adalah ID ama citra masuka yag ada pada basis data citra ekstraksi. Tabel 2 Percobaa jariga syaraf tirua No Epoch Waktu Pelatiha Error Accuracy (%) 1 5x meit 9 detik , x meit 20 detik , x meit 24 detik , x meit 25 detik , x meit 35 detik , x meit 46 detik ,00 Pada pegujia pegeala citra, peeliti megguaka bobot optimal hasil dari pegujia struktur JST MLP yag dilakuka dega skema tabel 2. Tahap ii megguaka citra uji yag berbeda dega citra latih dari orag yag sama. Citra uji diambil dari 4 orag yag berbeda, yag sebelumya sudah dilakuka pelatiha terhadap citra latih dari keempat orag tersebut. Pegujia pegeala citra wajah dilakuka dega bobot yag diambil dari pegujia omor 6 dega ilai epoch 60x10 4 pada percobaa struktur JST karea memiliki ilai error terakhir yag palig kecil, yaitu 0.01, da dapat megeali semua data latih dega tepat. Adapu skema maupu hasil dari pegujia pegeala citra dapat dilihat pada tabel 3. No Tabel 3 Pegujia pegeala citra wajah Data Uji Data Hasil Nama Citra Nama 1 Afif 1 Afif 2 Afif 1 Afif 3 Afif 1 Afif 4 Aldi 3 Catur 5 Aldi 2 Aldi 6 Aldi 2 Aldi 7 Catur 2 Aldi 8 Catur 3 Catur 9 Catur 2 Aldi 10 Fazlur 4 Fazlur 11 Fazlur 4 Fazlur 12 Fazlur 3 Catur Status SALAH SALAH SALAH SALAH

8 34 Dari 12 pegujia yag dilakuka da diketahui melalui tabel 3, terdapat 8 target yag sukses medapati ama target yag sesuai dega ama citra masuka. Dari data tabel 3 didapatka hasil pegujia pegeala wajah dega struktur JST back propagatio 4 ode di layer iput, 8 ode di layer hidde da 3 ode di layer output dega prosetasi keberhasila megeali citra wajah sebesar 77,77%. Berdasarka hasil diatas, dapat disimpulka bahwa peelitia eksperimetal dega sistem pegeala wajah ii bekerja cukup optimal dega megguaka struktur JST MLP sebayak 3 layer. 5. PENUTUP 5.1. Kesimpula Berdasar pada peelitia yag telah dilakuka oleh peeliti megeai sistem pegeala wajah megguaka metode PCA da LDA, maka dapat diambil kesimpula sebagai berikut: a. Pegeala wajah dega megguaka ekstraksi ciri PCA da LDA, dapat megeali wajah dega prosetase keberhasila sebesar 77,77%. b. Peelitia ii megguaka struktur jariga syaraf tirua MLP dega 3 layer: 4 ode pada iput layer, 8 ode pada hidde layer da 3 ode pada output layer sebagai algoritma pelatiha, serta ilai epoch sebesar 60x Sara Peelitia yag telah dilakuka tetuya tidak lepas dari kekuraga pada setiap eksperime. Oleh karea itu, perlu diperhatika beberapa hal, diataraya. Pada peelitia ii, algoritma atau metode pelatiha data terbatas pada ilai epoch yag ditetuka oleh peeliti sebagai titik berheti proses pelatiha, sehigga tidak dapat meghasilka ilai bobot optimal utuk mejadi acua pada algoritma aplikasi pegeala wajah. Maka dari itu, kedepaya dapat megatasi masalah pelatiha tersebut. DAFTAR PUSTAKA [1] Ail K. Jai, Aru Ross, ad Salil Prabhakar, A Itroductio to Biometric Recogitio, IEEE Trasactios o Circuits ad Systems for Video Techology, vol. 14, o. 1, pp. 4-20, 2004 [2] Sopha, Mochamad K. da Mutasa, Arif. Ekstraksi Fitur Berbasis 2d-Discrete Cosie Trasform Da Pricipal Compoet Aalysis Utuk Pegeala Citra Wajah. Semiar Nasioal Aplikasi Tekologi Iformasi. Yogyakarta [3] Marti, Ni Waya. Pemafaata Gui Dalam Pegembaga Peragkat Luak Pegeala Citra Wajah Mausia Megguaka Metode Eigefaces. Semiar Nasioal Aplikasi Tekologi Iformasi. Yogyakarta [4] Purwato, Jemmy E. Pegeala Wajah Melalui Webcam Dega Megguaka Algoritma Pricipal Compoet Alaysis (PCA) Da Liier Discrimiat Aalysis (LDA). Tugas Akhir Uiversitas Komputer Idoesia. Badug [5] Damayati, Fitri. Arifi, Agus Zaial. da Soelaima Rully. Pegeala Wajah Berbasis Metode Two-Dimesioal Liear Discrimiat Aalysis. Thesis Program Magister Tekik Iformatika Istitute Tekologi Sepuluh November Surabaya [6] Balakrishama, S. & Gaapathiraju, A. Liear Discrimiat Aalysis A Brief Tutorial. Istitute for Sigal ad Iformatio Processig Departmet of Electrical ad Computer Egieerig Mississippi State Uiversity. 1998