Pengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)

Transkripsi

1 Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo Madura Jl. Raya Telang PO BOX 2 Kamal, Bangkalan E-mal: 1 rma_tw@yahoo.co.d; 2 rzh4@yahoo.co.d; 3 aery_r@yahoo.com Abstrak Pada peneltan n dlakukan pengenalan pola senyum menggunakan backpropagaton berbass ekstraks ftur Prncpal Component Analyss (PCA). Peneltan n bertujuan untuk mengembangkan peneltan tentang pengenalan ekspres wajah, yatu pola senyum seseorang yang dklasfkaskan menjad lma macam (senyum mans, senyum mulut tertutup, senyum mulut terbuka, senyum mengejek, senyum yang dpaksakan). Data yang dgunakan sebanyak 250 data, dambl dar 10 orang dengan lma macam pola senyum, masng-masng orang dwakl 25 data, sehngga masng-masng kelompok senyum terdapat lma data. Ukuran mage wajah yang dolah adalah pxel, kemudan dlakukan croppng pada bagan bbr sehngga ukuran mage menjad pxel. Selanjutnya dlakukan proses grayscale sebelum dlakukan ekstraks ftur menggunakan PCA. Tujuan penggunaan PCA adalah untuk mereduks dmens dar mage yang dolah. Kemudan untuk pengenalannya menggunakan backpropagaton. Pada peneltan n dgunakan teknk fve cross valdaton supaya nla akuras yang dhaslkan bersfat objektf. Hasl akuras pengenalan tertngg dperoleh saat dlakukan uj coba menggunakan 10 hdden layer, dan nla egen 15 yatu sebesar 82,67%. Kata kunc: pengenalan pola senyum, croppng, PCA, backpropagaton. Abstract In ths study conducted a smle pattern recognton usng feature extracton backpropagaton-based Prncpal Component Analyss (PCA). Ths study ams to develop research on facal expresson recognton, the pattern of a person s smle s classfed nto fve types (sweet smle, closed mouth smle, open mouth smle, smle tauntng, a forced smle). Data used as many as 250 data, taken from 10 people wth fve knds of smle patterns, each one represented by 25 data, so that each group contaned fve data smle. The sze of the processed face mage s pxels, then do croppng on the lps so that the mage sze to pxels. Grayscale process s then performed pror to feature extracton usng PCA. Purpose of usng PCA s to reduce the dmensons of the mage s processed. Then for the ntroducton usng backpropagaton. In ths study used fve cross-valdaton technque so that the resultng accuracy values are objectve. The results of the hghest recognton accuracy obtaned when conducted trals usng 10 hdden layer, and egenvalues 15 that s equal to 82.67%. Keywords: smle pattern recognton, croppng, PCA, backpropagaton. Pendahuluan Peneltan pengenalan pola senyum telah banyak dlakukan [1 6]. Hal n dsebabkan karena semakn luasnya penggunaan teknk dentfkas pola senyum dalam aplkas yang dgunakan oleh masyarakat. Pola senyum merupakan salah satu bentuk ekspres wajah. Para penelt telah melakukan peneltan terhadap teknk yang sudah ada dan mengajukan teknk baru yang lebh bak dar yang lama. Dua hal yang menjad masalah utama pada dentfkas pola senyum adalah proses ekstraks ftur dar sampel pola senyum yang ada dan juga teknk klasfkas yang dgunakan untuk mengklasfkaskan pola senyum yang ngn dkenal berdasarkan ftur-ftur yang telah dplh. Ekstraks ftur adalah proses untuk mendapatkan cr-cr pembeda yang membedakan suatu sampel pola senyum dengan sampel pola senyum yang lan. Bag sebagan besar aplkas pengenalan pola, teknk ekstraks ftur yang handal merupakan kunc utama dalam penyelesaan masalah pengenalan pola. Metode Prncpal Component Analyss (PCA) untuk pengenalan wajah dkenalkan oleh M Turk & Pentland pada tahun Metode tersebut bertujuan untuk memproyekskan data pada arah yang memlk varas terbesar, yang dtunjukkan oleh vektor egen yang bersesuaan dengan nla egen terbesar dar matrk kovaran. Nla egen (hasl ekstraks ftur) dsusun mula dar nla egen terbesar hngga yang terkecl.

2 70 Rekayasa, Volume 4, Nomor 1, Aprl 2011 Kemudan ftur-ftur yang terplh nantnya dgunakan untuk proses klasfkas pelathan dan dgunakan untuk ekstraks ftur data pengujan. Ekstraks ftur pada proses pengujan dlakukan dengan mengambl hasl ekstraks ftur pada proses pelathan dterapkan pada data pengujan. Hasl ekstraks ftur pada data pengujan n nantnya dgunakan sebaga nputan pada proses klasfkas pengujan. Selanjutnya proses klasfkas pelathan dlakukan setelah data-data pelathan dambl ftur-ftur khusus, d mana ftur-ftur khusus n berupa vektor ftur yang dmensnya lebh kecl. Metode n mampu mengklasfkaskan atau memlh suatu nput data ke dalam kategor tertentu yang sudah dtetapkan. Dalam peneltan n menggunakan metode backpropagaton. Backpropagaton mampu melakukan generalsas dan ekstraks dar suatu pola data tertentu [7]. Metode n merupakan salah satu jens dar aplkas Jarngan Saraf Truan (JST). Pada umumnya tujuan JST adalah melakukan proses pelathan untuk mendapat blancng antara kemampuan jarngan untuk menanggap secara benar pola-pola nput pada saat pelathan (dapat dkatakan kemampuan mengngat) dan kemampuan untuk memberkan penlaan yang layak dar suatu pola nput yang serupa. Sehngga dar proses pelathan tersebut akan dbentuk suatu harga pembobot yang akan dgunakan sebaga faktor pengkalan dar pola nput yang lan. Metode Peneltan Secara gars besar sstem terdr dar dua bagan, yatu proses pelathan ctra dan proses pengujan ctra sepert yang dtunjukan Gambar 1. Pada proses pelathan, ctra-ctra wajah tersenyum adalah fle-fle wajah yang masng-masng berukuran pxel grayscale yang dperoleh dar hasl modfkas manual. Artnya, setelah fle foto-foto wajah dperoleh, proses normalsas sepert croppng bbr dengan ukuran gambar pxel dan resze untuk menyamakan dmens gambar dlakukan secara manual. Selanjutnya, dlakukan proses ekstraks cr menggunakan PCA sehngga dhaslkan matrk egen vektor ctra pembelajaran yang nantnya dbandngkan dengan matrk ctra pengujan. Kemudan dlanjutkan dengan proses dentfkas/pengenalan pola senyum menggunakan metode backpropagaton. Pada peneltan n proses pengenalan pola senyum dkelompokkan atas lma kelas yatu senyum mans, senyum mulut tertutup, senyum mulut terbuka, senyum mengejek, senyum yang dpaksakan. Preprocessng Data yang dgunakan sebanyak 250 data wajah tersenyum, dambl menggunakan kamera dgtal Sony S950 dengan resolus 10,1 mega pxel. Kemudan jarak yang dgunakan dalam pengamblan ctra wajah tersenyum sebesar satu meter. Dar kamera, selanjutnya gambar dtransfer ke dalam komputer menggunakan software kodak easyshare, format default-nya JPG dengan dmens yang cukup besar yatu pxel. Supaya ctra dapat dolah, ctra wajah d stretchng menggunakan pant, yatu dengan horzontal 10% dan vertkal 10%, kemudan dambl bagan wajahnya saja dengan ukuran pxel yang lebh kecl. Selanjutnya ctra wajah dsamakan (normalsas) ukurannya dan formatnya dubah menjad BMP. Data Proses Pelathan Ekstraks Ftur Klasfkas - ctra Wajah tersenyum -ctra Mulut, Hasl Croppng PCA Backpropagaton Data klasfkas Wajah tersenyum Mulut, Hasl Croppng PCA Backpropagaton Proses Uj Ekstraks Ftur Klasfkas Gambar 1. Blok dagram perancangan sstem

3 Rma Tr Wahyunngrum, dkk., Pengenalan Pola Senyum Menggunakan Backpropagaton 71 Tabel 1. Dstrbus data pelathan dan pengujan Data Lath Uj Kelompok I Kelompok II Kelompok III Kelompok IV Kelompok V Kelas Kelas Kelas Kelas Kelas I II III IV V I II III IV V I II III IV V I II III IV V I II III IV V 1 s.d s.d s.d s.d s.d. 30 dan dan dan 21 s.d s.d s.d s.d s.d s.d s.d s.d ctra wajah sap dproses untuk lebh lanjut, yatu dlakukan croppng pada wlayah bbr dengan ukuran pxel kemudan dlakukan proses ekstraks ftur dan terakhr proses pengenalan pola senyum. Metoda fve-fold cross valdaton dgunakan sehngga data pada setap pola senyum dbag menjad lma kelompok, dengan 4/5 data untuk tap kelas (40 data) djadkan data pelathan sedangkan 1/5 data untuk tap kelas (10 data) djadkan data pengujan. Lma kelompok n kemudan d rotas tanpa terjad overlappng sehngga semua kelompok pernah menjad data pelathan dan data pengujan, sepert yang dtunjukkan pada Tabel 1. Ekstraks Ftur Menggunakan PCA Bass optmal yang dapat dgunakan untuk merepresentaskan suatu vektor ctra dberkan oleh egenspace yang dbentuk dar nla-nla egen yang tdak nol (nonzero egenvalues) dar matrk kovaran (a) (b) Gambar 2. (a) mulut sejumlah N. (b) Vektor mulut dsusun menjad sebuah matrk yang memlk dmens (n N)

4 72 Rekayasa, Volume 4, Nomor 1, Aprl 2011 seluruh ctra tersebut. Dengan menggunakan bass yang dbentuk oleh egenspace, dapat dlakukan reduks dmens dengan melakukan transformas lner dar suatu ruang berdmens tngg ke dalam ruang yang berdmens lebh rendah. Untuk menentukan dmens yang lebh rendah dengan nformaton loss yang mnmum dapat dlakukan dengan memlh sejumlah nla egen (egenvalue) yang terbesar dar ruang berdmens tngg tersebut. Egenspace dapat dhtung bla nla egenvector atau egenvalue dar nla matrk kovaran data telah dperoleh. Egenvalue yang dambl adalah yang bernla bukan nol dar matrk kovaran bass orthonormal pada dmens awal (n). Bla jumlah data yang dgunakan adalah, maka data matrk x adalah sepert pada Persamaan 1. [ x x ] T x 1... = (1) n Kemudan dlakukan proses mean centered, yatu proses pengurangan nla vektor terhadap rata-rata seluruh ctra, sepert dtunjukkan pada Persamaan 2. x N = x m 1, dengan m = x N = 1 (2) Pada proses pengenalan atau ndentfkas umumnya melbatkan banyak data ctra. Vektor mulut akan dsusun menjad sebuah matrk yang memlk dmens (n N) sepert pada Persamaan 3 dan Gambar N [ x x... x ] X = (3) Data matrk X kemudan dkalkan dengan transposenya sendr untuk menghaslkan nla kovaran, sepert dtunjukkan pada Persamaan 4. T Ω = X X (4) Selanjutnya menghtung egenvalue (Λ) dan egenvector (V), menggunakan Persamaan 5. Ω V = ΛV (5) Haslnya adalah sebuah matrk kovaran yang dapat memlk egenvector hngga sebanyak N dengan nla egenvalue yang dambl bukan nol. Egenvector yang dhaslkan durutkan dar nla terbesar sampa ke nla terkecl, sesua dengan nla pada egenvaluenya. Dengan demkan, egenvector dengan nla egenvalue terbesar adalah yang memlk varan terbesar pada seluruh ctra. Egenvector berkutnya memlk varan terbak kedua dan seterusnya. Memproyekskan data pelathan ke egenlps menggunakan Persamaan 6. Data pelathan yang dproyekskan adalah data pelathan yang sudah melalu proses mean centered. ~ T x = V x (6) Sehngga egenspace yang dhaslkan akan berdmens (N N), jauh lebh kecl darpada (n n). Jumlah data pelathan setap pola senyum pada pelathan n adalah 40 data. Untuk lma pola senyum mempunya data pelathan 200 data. Sehngga matrk vektor data pelathan pada peneltan n memlk dmens Setap vektor data sudah melalu proses mean centered. Selanjutnya matrk vektor data tersebut dproyekskan ke egenspace, maka dmens data pelathan menjad Dskrmnas yang dlakukan pada peneltan n mula egen pertama sampa dengan egen ke-20, dengan mempertmbangkan pada urutan varan terbak yang dmlk egenvector. Perubahan jumlah egen n akan duj seberapa besar pengaruh perubahan nla egen terhadap hasl klasfkas atau pengenalan pola senyum. Pengenalan pola senyum menggunakan backpropagaton Backpropagaton merupakan salah satu model jarngan saraf truan yang popular hngga saat n. Model jarngan n banyak dgunakan untuk daplkaskan pada penyelesaan suatu masalah yang berkatan dengan dentfkas, predks, pengenalan pola dan lan sebaganya. Metode n merupakan supervsed tranng yatu untuk tap pola nput terdapat pasangan target output untuk masng-masng pola nput. Ide dasarnya dapat ddeskrpskan dengan pola hubungan sederhana sebaga berkut: jka pola output memberkan hasl yang tdak sesua dengan pola target yang d ngnkan, maka bobot akan dkoreks agar errornya dapat dperkecl dan selanjutnya respons jarngan dharapkan akan lebh mendekat harga yang sesua. Umumnya tujuan jarngan saraf truan adalah pada proses pelathan supaya blancng antara kemampuan jarngan untuk menanggap secara benar pola-pola nput (dapat dkatakan kemampuan mengngat) dan kemampuan untuk memberkan penlaan yang layak dar suatu pola nput yang serupa. Sehngga dar proses

5 Rma Tr Wahyunngrum, dkk., Pengenalan Pola Senyum Menggunakan Backpropagaton 73 (7) dengan menerapkan fungs aktvas htung, sepert dtunjukkan Persamaan 8: (8) msal, fungs aktvas yang dgunakan adalah sgmod, sepert dtunjukkan Persamaan 9: (9) Gambar 3. Blok dagram backpropagaton dengan satu hdden layer pelathan tersebut akan dbentuk suatu harga pembobot yang akan dgunakan sebaga faktor pengal dar pola nput yang lan. Pada metode n terdapat tga tahapan dalam proses pelathan yatu: proses umpan maju dar pola nput pelathan, perhtungan propagas dar error yang terjad dan penyesuaan nla pembobot. Pada tahap pelathan n dlakukan perubahan bobot sambungan, bak bobot sambungan antara nput layer dan hdden layer maupun antara hdden layer dengan output layer. Bla terdapat lebh dar satu hdden layer maka juga terdapat pembobot antara hdden layer tu sendr. Sedangkan penyelesaan masalah akan dlakukan jka proses pelathan tersebut selesa, kemudan dlakukan proses pengujan tentunya dengan menggunakan pembobot yang telah dhaslkan pada proses pelathan [7]. Gambar 3 menunjukkan contoh jarngan saraf truan backpropagaton. Algortma Backpropagaton Berkut n djelaskan algortma metode backpropagaton: Langkah 1 : Insalsas bobot dengan blangan nla acak kecl. Langkah 2 : Selama konds berhent salah, kerjakan langkah 3 8. Umpan Maju (Feedforward) Langkah 3 : Tap unt nput (x, =1,..,n) menerma syarat nput x dan dteruskan ke untunt tersembuny (hdden layer). Langkah 4 : Tap unt tersembuny (z j, z=1,.,p) menjumlahkan bobot snyal nput, sepert dtunjukkan Persamaan 7. dan mengrmkan syarat n ke semua unt pada unt output. Langkah 5 : Tap unt output (y k, k=1,..,m) menjumlahkan syarat masukan berbobot sepert dtunjukkan Persamaan 10: (10) dengan menerapkan fungs aktvas htung sepert dtunjukkan Persamaan 11: (11) Perambatan Galat Mundur (Backpropagaton) Langkah 6 : Tap unt output (y k, k=1,..,m) menerma pola pelathan nputnya. Htung galat (error) nformasnya sepert dtunjukkan Persamaan 12: (12) Htung koreks bobot dan basnya menggunakan Persamaan 13: (13) Langkah 7 : Tap hdden layer (z j, z=1,.,p) menjumlahkan delta nputnya (dar untunt yang berada pada lapsan atasnya), sepert dtunjukkan Persamaan 14: (14) Htung galat (error) nformasnya menggunakan Persamaan 15:

6 74 Rekayasa, Volume 4, Nomor 1, Aprl 2011 (15) Htung koreks bobot dan basnya menggunakan Persamaan 16: (16) Perbak bobot dan bas Langkah 8 : Tap unt output (y k, k=1,..,m) memperbaharu bobot dan bas ( j=0,1,.. p), sepert dtunjukkan Persamaan 17: (17) Tap hdden layer (z j, z=1,.,p) memperbaharu bobot dan basnya ( =0,1,..n) menggunakan Persamaan 18: Langkah 9: Uj syarat berhent (18) Hasl dan Pembahasan Sepert telah djelaskan sebelumnya, jumlah ctra data bbr yang dgunakan sebanyak 250 ctra wajah kemudan dlakukan proses croppng untuk mengambl ctra bbr saja yang akan dgunakan dalam proses pelathan dan proses pengujan sesua dengan skenaro ujcoba yang djelaskan pada sub bab preprocessng. Adapun preprocessng yang dlakukan berupa convert to grayscale dan reszng. Beberapa contoh data ctra bbr yang dgunakan dalam peneltan n dapat dlhat pada Gambar 4. Setelah dlakukan proses pengenalan dan pengujan menggunakan ekstraks ftur PCA dan klasfkas backpropagaton dengan skenaro fve fold cross valdaton, kemudan tngkat akuras setap pola senyum pada masng-masng kelompok pada kelas yang sama drata-ratakan, sehngga hasl klasfkas yang ddapatkan lebh objektf untuk devaluas. Dar hasl uj coba pada peneltan n, akuras pengenalan tertngg terjad saat menggunakan jumlah hdden layer 10. Pada Tabel 2 menunjukkan rata-rata Gambar 4. Contoh ctra bbr yang akan dproses

7 Rma Tr Wahyunngrum, dkk., Pengenalan Pola Senyum Menggunakan Backpropagaton 75 Tabel 2. Rata-rata akuras pengenalan pola senyum dengan 10 hdden layer Akuras Pengenalan Rata-Rata nla egen Kelas I (%) Kelas II (%) Kelas III (%) Kelas IV (%) Kelas V (%) Total Ratarata 5 65,67 75,2 78,78 60, , ,8 69,45 76,67 65,33 83,33 73, , ,67 82,33 82, ,25 81,45 83,67 78,8 75,5 81, ,25 78, ,37 76,59 akuras pengenalan pola senyum dengan uj coba menggunakan 10 hdden layer. Berdasarkan hasl pada Tabel 2, rata-rata akuras pengenalan tertngg dperoleh saat nla egen yang dgunakan adalah 15 yatu sebesar 82,67%. Setap dlakukan uj coba menggunakan nla egen yang berbeda, hasl akuras pengenalan pola senyum juga berbeda. Oleh karena tu, metode ekstraks ftur dan metode klasfkas sangat memengaruh hasl akuras pengenalan pola. Smpulan Pada peneltan n telah berhasl melakukan uj coba pengenalan pola senyum menggunakan metode ekstraks ftur PCA dengan metode klasfkas backpropagaton. Kedua metode n sangat memengaruh hasl akuras pengenalan yang dperoleh. Berdasarkan hasl peneltan dengan skenaro uj coba fve fold cross valdaton, rata-rata pengenalan pola senyum tertngg dperoleh ketka menggunakan nla egen 15 dan jumlah hdden layer 10, yatu sebesar 82,67%. Daftar Pustaka [1] Kotsa, I., dan Ptas, I., Facal Expresson Recognton n Image Sequences Usng Geometrc Deformaton Features and Support Vector Machnes, Journal IEEE Transactons on Image Processng GRECE, Vol. 16, No. 1, hal [2] Cahyono, G.R., Purnomo, M.H., dan Haryad, M., Smle Stages Classfcaton Based on Aesthetc Dentstry Usng Egenfaces, Fsherfaces and Multclass SVM, Proceedng of 4 th Internatonal Conference on Bomedcal Engneerng, hal [3] Wahyunngrum, R.T., Purnomo, M.H., dan Purnama, I.K.E., Smle Stages Recognton n Orthodontc Rehabltaton Usng 2DPCA Feature Extracton, Proceedng of The Frst Internatonal Conference on Green Computng and The Second AUN/SEED-NET Regonal Conference on ICT, hal [4] Wahyunngrum, R.T., Purnama, I.K.E., dan Purnomo, M.H., Smle Stages Classfcaton by Usng Feature Extracton Based on 2DPCA and 2DLDA n Orthodontc Rehabltaton, Proceedng of 6 th Internatonal Conference on Bomedcal Engneerng, hal [5] Purnomo, M.H., Sarjono, T.A., dan Muntasa, A., Smle Stages Classfcaton Based on Kernel Laplacan-lps Usng Selecton of Non Lnear Functon Maxmum Value, IEEE Internatonal Conference on Vrtual Envronments Human-Computer Interfaces and Measurement Systems (VECIMS), hal [6] Wahyunngrum, R.T., dan Damayant, F., Stud Perbandngan Pengenalan Senyuman Berdasarkan Aesthetc Denttry Menggunakan Metode 2DPCA dan 2DLDA, Kursor, hal. [7] Sun, T.H., dan Ten, F.C., Usng backpropagaton neural network for face recognton wth 2D + 3D hybrd nformaton, Expert Systems wth Applcatons, Vol. 35, No. 1 2, hal