SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETWORK DAN PRINCIPAL COMPONENT ANALYSIS

Transkripsi

1 Jurnal Teni dan Ilmu Komputer SISTEM PENGENALAN AJAH DENGAN MENGGUNAKAN BACKPROPAGATION ARTIFICIAL NEURAL NETORK DAN PRINCIPAL COMPONENT ANALYSIS FACE RECOGNITION SYSTEM USING BACKPROPAGATION ARTIFICIAL NEURAL NETORK AND PRINCIPAL COMPONENT ANALYSIS Ihwannul Kholis 1, Syah Alam 2 Universitas 17 Agustus 1945 Jaarta 1 ihwannul.holis@uta45aarta.ac.id, 2 syah.alam@uta45aarta.ac.id Abstra Pengenalan waah dapat dilauan dengan menggunaan metode Bacpropagation Artificial Neural Networ (ANN) dan Principal Component Analysis (PCA). ANN dibuat menyerupai sistem syaraf manusia. Dengan beberapa parameter pada Bacpropagation, dapat dietahui arateristi Bacpropagation sehingga dapat memperecil error dan epoch, serta memperbesar Recognition Rate. Hasil percobaan menunuan hubungan antara parameter eigenvalaue, parameter alpha, dan oefisien momentum terhadap Recognition Rate yang diperoleh. Kata unci: ANN, Bacpropagation, JST, Recognition Rate, Face Recognition, PCA. Abstract Face recognition can be performed using Bacpropagation Artificial Neural Networ (ANN) and Principal Component Analysis (PCA). ANN is made to resemble human neural system. Through several parameters on bacpropagation, bacpropagation characteristics could be nown so that errors and epoch would be minimized and Recognition Rate would be enlarged. The experimental results show the relationship between the parameter of eigenvalues, the parameter of alpha, and the momentum coefficien, with the obtained recognition rate. Keywords: ANN, Bacpropagation, JST, Recognition Rate, Face Recognition, PCA. Tanggal Terima Nasah : 10 Juni 2015 Tanggal Persetuuan Nasah : 02 Juni PENDAHULUAN Salah satu cabang dari Artificial Intelligence (AI) adalah Jaringan Saraf Tiruan (Artificial Neural Networ). Jaringan saraf tiruan telah diembangan sea tahun Pada tahun 1943, McCulloch dan.h. Pitts memperenalan pemodelan matematis neuron. Tahun 1949, Hebb mencoba mengai proses belaar yang dilauan oleh neuron. Teori ini dienal sebagai Hebbian Law. Tahun 1958, Rosenblatt memperenalan onsep perseptron suatu aringan yang terdiri atas beberapa lapisan yang saling berhubungan melalui umpan mau (feedfoward). Konsep ini dimasudan untu memberian ilustrasi tentang dasar-dasar inteleensia secara umum. Hasil era Rosenblatt yang sangat penting 343

2 ol. 05 No. 20, Ot Des 2016 adalah perceptron convergence theorem (tahun 1962), yang membutian bahwa bila setiap perseptron dapat memilah-milah dua buah pola yang berbeda maa silus pelatihannya dapat dilauan dalam umlah yang terbatas. Pengenalan waah dapat dilauan dengan menggunaan ANN Bacpropagation dan Principal Component Analysis (PCA). Data Face diambil dari seumpulan foto-foto hitam putih yang terdiri atas 10 orang dengan masing-masing seumlah 10 foto. Data-data Face ini menunuan nilai pixel pada foto tersebut [1]. Gambar 1. Data face Dalam hal ini, hanya 30x30 parameter yang digunaan sehingga pada proses training dibutuhan input sebanya 900 unit. Data IRIS ini terdiri atas 900 dimensi dan 10 sample dimana terdapat sepuluh elas sehingga banyanya unit eluaran adalah METODE PENELITIAN Tuuan penelitian ini adalah untu mempelaari tentang variasi parameter pembelaaran arsitetur aringan saraf tiruan bacpropagation dengan PCA untu melauan proses pengenalan waah. Tabel 1. Desripsi dataset penelitian Nama Data Jumlah Data Jumlah Kelas Jumlah Dimensi Metode Ui Face Foto 30x30 pixel yang diadian matris 900x1 Bacpropagation dan PCA Gambar 2. Data Face yang digunaan pada penelitian Dengan menggunaan arsitetur aringan saraf tiruan dilauan percobaan pelatihan dan pengenalan data, dengan rasio umlah data training berbanding umlah data testing adalah 50:50 dan 70:30. Pengamatan dilauan pada seberapa banya data yang berhasil dienali (recorgnition rate) dengan parameter-parameter pembelaaran aringan saraf tiruan yang divariasian. Proses pelatihan dan penguian dilauan dengan perangat luna MATLAB R2009 dengan menggunaan fitur editor m.file pada MATLAB. Dengan MATLAB, dihasilan pula grafi dari setiap esperimen sehingga dapat diamati perbedaannya. 344

3 Sistem Pengenalan aah 3. PEMBAHASAN 3.1 Pengertian Bacpropagation Jaringan Saraf Tiruan (JST) merupaan salah satu sistem pemrosesan informasi atau data yang didesain dengan meniruan cara era ota manusia dalam menyelesaian suatu masalah dengan melauan proses belaar melalui perubahan bobot sinapsisnya [2]. Salah satu metode yang digunaan dalam JST adalah Bacpropagation. Bacpropagation adalah algoritma pembelaaran untu memperecil tingat error dengan cara menyesuaian bobotnya berdasaran perbedaan output dan target yang diinginan. Bacpropagation uga merupaan sebuah metode sistemati untu pelatihan multilayer JST arena Bacpropagation memilii tiga layer dalam proses pelatihannya, yaitu input layer, hidden layer, dan output layer. Bacpropagation ini merupaan perembangan dari single layer networ (Jaringan Lapisan Tunggal) yang memilii dua layer, yaitu input layer dan output layer. Dengan adanya hidden layer pada bacpropagation dapat menyebaban tingat error pada bacpropagation lebih ecil dibanding tingat error pada single layer networ. arena hidden layer pada bacpropagation berfungsi sebagai tempat untu meng-update dan menyesuaian bobot [3]. 3.2 Arsitetur Bacpropagation Pada input layer tida teradi proses omputasi, hanya teradi pengiriman sinyal input e hidden layer. Pada hidden dan output layer teradi proses omputasi terhadap bobot dan bias, serta dihitung pula besarnya output dari hidden dan output layer tersebut berdasaran fungsi ativasi. Dalam algoritma bacpropagation ini digunaan fungsi ativasi sigmoid biner, arena output yang diharapan bernilai antara 0 sampai 1. Y 1 Y Y m Output Layer w 01 w 11 w 1 w p1 w o 1 p w 0m 1m m pm 1 Z 1 Z Z p Hidden Layer n1 o 1 i n 0p 1p ip np 1 X 1 X X n Input Layer Gambar 3. Arsitetur ANN Bacpropagation dengan: i = Bobot pada lapisan tersembunyi (hidden layer) o = Bias pada lapisan tersembunyi (hidden layer) i = Bobot pada lapisan eluaran (output layer) o = Bias pada lapisan eluaran (output layer) X = Lapisan masuan (Input Layer) Y = Lapisan eluaran (Output Layer) Z = Lapisan tersembunyi (Hidden Layer) 345

4 ol. 05 No. 20, Ot Des Algoritma Bacpropagation Inisialisasi Bobot Terdapat dua cara untu menginisialisasi bobot, yaitu inisialisasi secara random dan inisialisasi dengan menggunaan Nguyen-idrow [4]. Inisialisasi random merupaan cara yang paling sering digunaan dalam inisialisasi bobot. Pada inisialisasi bobot secara random, bobot diinisialisasi secara aca tanpa menggunaan fator sala. Pada inisialisasi Nguyen-idrow, inisialisasi dilauan dengan memodifiasi inisialisasi random dengan menggunaan fator sala β dengan tuuan untu mempercepat proses pelatihan. Algoritma inisialisasi dengan Nguyen-idrow adalah sebagai beriut: a. Menentuan besarnya sala β 1 n 0.7(p)... ( dengan p = umlah unit hidden dan n = umlah unit input. b. Inisialisasi bobot i secara random dengan nilai inisialisasi i adalah c. Menghitung besarnya magnitude bobot i i (2) p 2 i ( i )...(3) i 1 d. Meng-update bobot i i. i...(4) e. Mengatur nilai bias o sebesar Proses Feed Forward dan Bacpropagation o...(5) Pada dasarnya proses algoritma bacpropagation terdiri dari omputasi mau (feed forward) dan omputasi bali (bacpropagation). Algoritma proses feed forward adalah sebagai beriut. a. Unit input (X i, i=1,2,..,n) 1. Menerima input X i 2. Mengirimannya e semua unit layer di atasnya (Hidden layer). b. Unit Hidden (Z, =1,2,.,n) 1. Menghitung semua sinyal input dengan bobotnya: z _ in X...(6) o i i 346

5 Sistem Pengenalan aah 2. Menghitung nilai ativasi setiap unit hidden sebagai output unit hidden Z f ( z _ in 3. Mengirim nilai ativasi e unit output. f ( z _ in ) ) 1 e 1 z _ in... (7) c. Unit Output (Y, =1,2,..,n) 1. Menghitung semua sinyal input dengan bobotnya: y _ in Z... (8) 2. Menghitung nilai ativasi setiap unit output sebagai output aringan. o Y f ( y _ in ) f ( y _ in) 1 e 1 y _ in... (9) Algoritma proses bacpropagation adalah sebagai beriut: a. Unit Output (Y, =1,2,..,m) 1. Menerima pola target yang bersesuaian dengan pola input 2. Menghitung informasi error: ( T Y ) f '( y _ in )...(10) 3. Menghitung besarnya oresi bobot unit output: E( ) z... (1 4. Menghitung besarnya oresi bias output: 0... (12) 5. Mengiriman e unit-unit yang ada pada layer di bawahnya, yaitu e hidden layer. b. Unit Hidden (Z, =1,2,.,p) 1. Menghitung semua oresi error: _ in...(13) 2. Menghitung nilai ativasi oresi error: _ in f '( z _ in )...(14) 347

6 ol. 05 No. 20, Ot Des Menghitung oresi bobot unit hidden: i E( ) i i X i... (15) 4. Menghitung oresi error bias unit hidden: 0... (16) c. Update bobot dan bias 1. Unit Output (Y, = 1,2,,m) Meng-update bobot dan biasnya ( = 0,,p): (17) 2. Unit hidden (Z, = 1,,p) Meng-update bobot dan biasnya (i = 0,,n): i 0 i 0 i 0... (18) Stopping Condition Terdapat dua ondisi stopping pada algoritma bacpropagation, yaitu: a. Error < Error masimum Error adalah perbedaan yang teradi antara ouput terhadap target yang diinginan. Proses ANN aan berhenti ia besarnya error yang teradi telah bernilai lebih ecil dari nilai error masimum yang telah ditetapan. Besarnya nilai error dihitung dengan menggunaan fungsi error uadratis. E ( T Y )...(19) b. Epoch > Epoch masimum Epoch adalah suatu langah yang dilauan dalam pembelaaran pada ANN. Jia besarnya epoch lebih besar dari besarnya epoch masimum yang telah ditetapan, maa proses pembelaaran aan berhenti. Kedua ondisi stopping tersebut digunaan dengan logia OR. Jadi, ondisi stopping teradi ia besarnya Error < Error masimum atau Epoch > Epoch masimum. 3.4 Fator-Fator dalam Pembelaaran Bacpropagation Beberapa fator yang mempengaruhi eberhasilan algoritma bacpropagation, antara lain: 1. Inisialisasi bobot Bobot awal menentuan apaah aringan aan mencapai global minima atau local minima esalahan, dan seberapa cepat aringan aan onvergen

7 Sistem Pengenalan aah 2. Lau pembelaaran (alpha) Lau pembelaaran merupaan parameter aringan dalam mengendalian proses penyesuaian bobot. Nilai lau pembelaaran yang optimal bergantung pada asus yang dihadapi. Lau pembelaaran yang terlalu ecil menyebaban onvergensi aringan menadi lebih lambat, sedangan lau pembelaaran yang terlalu besar dapat menyebaban etidastabilan pada aringan. 3. Momentum (miu) Momentum digunaan untu mempercepat pelatihan aringan. Metode momentum melibatan penyesuaian bobot ditambah dengan fator tertentu dari penyesuaian sebelumnya. Penyesuaian ini dinyataan sebagai beriut: w z w ) w 0 v i X z i w 0 ) v ) i... (20) v 0 X i v 0 ) Dengan menggunaan persamaan 17, 18, dan 20, update bobot dengan momentum dirumusan sebagai beriut: ) z 0 i 0 ) i ) X i z 0 i... (2 0 0 ) X i Principal Component Analysis (PCA) Principal Component Analysis (PCA) merupaan suatu teni untu menyederhanaan suatu dataset, dengan mengurangi dataset multidimensional e dimensi yang lebih rendah dengan cara mengambil bagian-bagian dimensi yang penting (orthogonal secara vetor). Tuuan dari PCA adalah mengurangi dimensionalitas data sambil tetap memelihara sebanya mungin variansi yang muncul dalam dataset. Beriut adalah langah-langah dalam melauan PCA: a. Scaling Proses Scaling bertuuan untu membuat suatu dataset memilii persebaran data yang lebih bai. Output dari proses scaling adalah suatu Matrix Auto Scaling, yang merupaan pengurangan dari Matrix U Scaling dengan Matrix Mean Centering. Matrix U Scaling adalah matrix dataset yang telah dibagi dengan standar deviasi dari setiap dimensi (dalam hal ini dimensi diwaili oleh olom). Beriut adalah ilustrasi matrix U Scaling: Gambar 4. Proses scaling 349

8 ol. 05 No. 20, Ot Des 2016 Proses mean centering adalah proses pencarian nilai rata-rata setiap dimensi (dalam program yang dibuat diwaili dengan nama variable). Setelah melauan proses mean centering, matrix U scaling diurangan dengan nilai rata-rata sehingga terbentu matrix autoscaling. Beriut adalah potongan program pca.m terait proses scaling. Gambar 5. Program mfile proses scaling Pada program pca.m yang telah dibuat, matrix Xi_scaled merupaan matrix autoscaling, X_ave merupaan nilai rata-rata untu proses mean centering, dan Xi_auto adalah matrix autoscaling. b. Menghitung Covariance Matrix Covariance matrix dihitung dengan persamaan: 1 T S X X cov( X )...(22) m 1 Pada MATLAB, nilai covariance matrix dapat dicari dengan menggunaan fungsi S=cov(X), dengan X adalah matrix input dan S adalah covariance matrix. c. Menghitung Nilai Eigen dan etor Eigen Pencarian Nilai eigen dan vetor eigen bertuuan untu mengetahui seauh mana dimensionalitas dataset dapat dipotong, dimensi yang memilii eigen value yang besar adalah dimensi yang dinilai sangat penting dalam dataset. Pencarian eigen value dalam MATLAB dapat dilauan dengan fungsi [P,A]=eig(S), dengan S adalah matrix input, P merupaan vetor eigen dan A merupaan nilai eigen. d. Menghitung Score Score merupaan nilai ahir dataset yang dapat mewaili dataset. Score dihitung dengan persamaan: [ X ]([ P] T ) 1 [ T]...(23) dimana X adalah matrix autoscaling, P merupaan eigen vector, dan T merupaan score dari proses PCA. Beriut merupaan potongan program dari proses perhitungan covariance matrix sampai mendapatan score. 350

9 Sistem Pengenalan aah Gambar 6. Program mfile perhitungan covariance matrix 4. HASIL DAN PEMBAHASAN Pada penelitian ini digunaan data waah dari 10 orang (10 elas) dengan masingmasing orang terdiri atas 10 foto yang berbeda. Setiap foto orang memilii dimensi gambar (foto) 30x30 pixel. Dimensi 30x30 pixel ini aan direntangan menadi sebuah matris 900x1 yang aan diolah oleh input layer. Namun, arena dimensi yang cuup besar, aan dilauan peredusian dimensi dengan menggunaan metode PCA. Pada penelitian ini variable teriat yang diamati adalah nilai persentase tingat pengenalan rata-rata (average recognition rate), nilai error, epoh, dan watu pelatihan. ariable bebas yang diubah-ubah adalah umlah dimensi PCA, alpha, oefisien momentum, mode inisialisasi, umlah hidden neuron, umlah epoch, dan nilai error minimum. Penelitian dilauan dengan variasi data training : data testing 50:50 dan 70:30. Nilai awal untu masing-masing parameter adalah: alpha = 0.2; hidden neuron = 30; oefisien Momentum=0.2; epoh max= 10000; error min= 0.01; metode inisialisasi = nguyen widrow. Beriut adalah hasil dan analisis dari penelitian yang dilauan: a. Pengaruh perubahan dimensi pemotongan PCA Pada bagian ini dilauan variasi perubahan nilai dimensi PCA dengan rentang dimensi dari dengan interval 10 dimensi. Pemotongan data ini dilauan berdasaran nilai eigen value yang semain ecil etia dimensi semain besar. Beriut grafi eigen value yang dihasilan data Face Recognition. Gambar 7. Eigen value Selanutnya, diperoleh hasil dari pelatihan dan penguian sebagai beriut. 351

10 ol. 05 No. 20, Ot Des 2016 Tabel 2. Hasil penguian variasi parameter Eigen alue eigenvalue = 10 eigenvalue = 20 eigenvalue = 30 eigenvalue = 40 eigenvalue = 50 RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS , , , , , , , , , , , , , , , , , , ,333 97,143 86,667 Keterangan : RRTR : Recognition Rate data Training (Grafi Hiau) RRTS : Recognition Rate data Testing (Grafi Merah) (a) (b) (c) (d) (e) Gambar 8. Grafi hasil penguian variasi parameter Eigen value (a) Eigen value = 10, (b) Eigen value = 20, (c) Eigen value = 30, (d) Eigen value = 40, (e) Eigen value =

11 Sistem Pengenalan aah Dari hasil nilai recognition rate dapat diamati bahwa nilai pemotongan dimensi PCA ini optimal pada pemotongan 30 dimensi. Hal ini berarti 30 dimensi hasil pemotongan PCA cuup untu mewaili eseluruhan dimensi (900 dimensi). Dapat dilihat pula bahwa semain tinggi dimensi PCA watu pelatihan semain bertambah. Hal ini sangat logis, arena semain tinggi dimensi pemotongan, omputasi pada neuronneuron lebih banya. Karena pada percobaan didapatan nilai dimensi optimal adalah 30, untu percobaan selanutnya aan digunaan nilai dimensi PCA 30. b. Pengaruh perubahan alpha (Lau Pembelaaran) dan miu (momentum) Pada percobaan ini dilauan variasi perubahan nilai alpha dan miu dengan rentang dari 0,1-0,9 dengan interval 0,1. Beriut adalah data hasil dari esperimen. Tabel 3. Hasil Penguian Pengaruh Alpha dan Miu miu alpha RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS RRTR RRTS , , , , , , , , , , , , , , , , , , , ,29 86, , , , , ,67 88, , , , , , , , ,33 3 6, ,67 Keterangan: RRTR : Recognition Rate data Training (grafi hiau) RRTS : Recognition Rate data Testing (grafi merah) Gambar 9. Grafi Hasil Penguian variasi parameter lau pembelaaran dan oefisien momentum 353

12 ol. 05 No. 20, Ot Des 2016 Gambar 10. Grafi Hasil Penguian variasi parameter lau pembelaaran dan oefisien momentum (lanutan) Dari hasil nilai recognition rate dapat diamati bahwa nilai lau pembelaaran ini optimal pada nilai 0,2. Pada variasi miu, terlihat bahwa nilai momentum yang paling optimal terdapat pada nilai 0,2. Dapat dilihat pula bahwa semain tinggi dimensi PCA watu pelatihan semain berurang. Hal ini sangat logis, arena semain tinggi lau pembelaaran, ecepatan data untu menuu onvergen lebih cepat, tetapi urang stabil. Semain besar nilai Alpha dan momentum, walaupun proses watu pelatihan semain cepat, namun Recognition Rate aan semain turun arena error dapat masu e local minima. 5. KESIMPULAN Berdasaran percobaan yang telah dilauan untu Pengenalan waah dengan menggunaan metode Bacpropagation ANN dan PCA, diperoleh esimpulan sebagai beriut: a. Nilai recognition bervariasi mulai dari 40 % hingga 100%, namun sebagian besar nilai recognition rate untu tiap-tiap elas adalah 100 %. Nilai optimal berada pada nilai eigen value 30, alpha 0,2, dan miu 0,2. b. Untu memperoleh nilai eigen value terbai, diperluan perhitungan score sehingga diperoleh grafi eigen value. Pemotongan dimensi dilauan sesuai dengan banyanya nilai eigen value yang berarti. c. Semain ecil alpha, semain besar nilai recognition rate. d. Semain ecil miu, semain besar nilai recognition rate. REFERENSI [1]. Kim, Jong Min., Kang, Myung-A. (2010). "A Study of Face Recognition using the PCA and Error-Bacpropagation." IEEE. [2]. Kusumadewi, Sri. "Analisis Jaringan Syaraf Tiruan dengan Metode Bacpropagation untu Mendetesi Gangguan Psiologi." Media Informatia, 2004: [3]. Kusumoputro, Benyamin. (200. Jaringan Neural Buatan, Ed. 1. Jaarta: Universitas Indonesia. [4]. Marzui. "Multilayer Neural Networ and the Bacpropagation Algorithm." Lecture Material. Kuala Lumpur: UTM, n.d. 354