SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN

Transkripsi

1 SISTEM PENGENAL WAJAH DENGAN JARINGAN SYARAF TIRUAN Julian Supardi, Rz. Abdul Aziz, Syepriansyah Seolah Tggi Manaemen Informatia dan Komputer Darmaaya Jl. Z.A Pagar Alam No. 93 Bandar Lampung Indonesia Telp : ( Fax ( ulian_sp01@yahoo.com Abstra Teni identifiasi onvensional untu mengenali identitas seseorang dengan menggunaan password atau artu tida cuup handal, arena sistem eamanan dapat ditembus etia password dan artu tersebut digunaan oleh pengguna yang tida berwenang Penelitian tentang identifiasi biometri dengan argan syaraf tiruan telah banya dilauan, terutama terhadap sidi ari. hasil penelitian terhadap sidi ari tersebut diperoleh etepatan hgga 95 % (Marni,2004. Permasalahannya bagaimana dengan obe yang berada pada posisi tertentu yang citra sidi arya tida dapat diambil. Penguian terhadap sistem i dilauan dengan dua tipe image, yani image yang diperoleh dari amera digital Sonny (manual dan image yang diperoleh dengan Web Cam GE-HO98063 yang terhubung langsung dengan sistem (live. Hasil yang diperoleh adalah sistem dapat mengenali waah dari image yang diperoleh dari amera digital sonny dengan etepatan 95 %, sedangan image yang diperoleh dari Web Cam GE-HO98063 dengan 67 %. I. Pendahuluan I.1. Latar Belaang Teni identifiasi onvensional untu mengenali identitas seseorang dengan menggunaan password atau artu tida cuup handal, arena sistem eamanan dapat ditembus etia password dan artu tersebut digunaan oleh pengguna yang tida berwenang. Teni identifiasi biometri didasaran pada arateristi alami manusia, yaitu arateristi fisiologis dan arateristi perilau seperti waah, sidiari, suara, telapa tangan, iris dan reta mata, DNA, dan tandatangan. Identifiasi biometri memilii eunggulan dibandg dengan metode onvensional dalam hal tida mudah dicuri atau digunaan oleh pengguna yang tida berwenang. Waah adalah representasi stimulasi visual yang omples, multidimensional dan penuh mana. Membangun model omputasi pengenalan waah dengan tgat epercayaan yang tggi adalah peeraan yang sulit. Hal i diarenaan citra waah sangat dipengaruhi oleh Distorsi Kamera dan noise, implesitas latar belaang, ilumasi, translasi, rotasi, sala, espresi waah, tata rias dan gaya rambut. Distorsi amera dan noise adalah variasi yang umumnya pasti teradi dalam masalah pengenalan waah manusia dan dapat diatasi dengan pengatan signal-to-noise ratio. Untu mengatasi permasalahn latarbelaang yang omples diperluan pendetesi waah untu mengisolasi obe dengan bagian la dari citra. Ilumasi uga adang menadi masalah yang utama dalam pengenalan citra waah, untu mengurangi aibat ilumasi i dapat digunaan

2 teni-teni image-ecnhanchemnt (dynamic tresholdg, histogram equalization, self-quotientimage, eigenfaces atau algoritama fisherface. Permasalahan variasi translasi, rotasi, sala, espresi waah, tata rias dan gaya rambut dapat diatasi pada tahap proses detesi waah menggunaan algoritma image-pyramid, imagealignment atau dengan cara membatasi hanya pada sebagian daerah frontal citra waah yang signifian. (Shang-Hung L,2000. Penelitian tentang identifiasi biometri dengan argan syaraf tiruan telah banya dilauan, terutama terhadap sidi ari. Bahan hasil penelitian terhadap sidi ari tersebut diperoleh etepatan hgga 95 % (Marni,2004. Permasalahannya adalah identifiasi terhadap sidi ari baru bisa diterapan ia obe yang g diidentifiasi didapatan citra sidi arya. Jia obe berada dalam posisi tertentu maa identifiasi terhadap sidi ari sudah tida dapat dilauan lagi. Penelitian i g mencoba cara la dalam melauan mengidentifiasi, yani dengan menggunaan waah sebagai obe penelitian. I. 2. Tuuan Penelitian Tuuan dari penelitian i adalah: 1. Mempelaari teni pengolahan citra untu masuan argan syaraf tiruan 2. Membangun Sistem Pengenal Waah dengan Jargan Syaraf Tiruan 3. Mengui emampuan Sistem Pengenal Waah dengan Jargan Syaraf Tiruan I.3. Asumsi Asumsi-asumsi yang dipaai dalam penelitian i adalah sebagai beriut: 1. Citra masuan yang digunaan adalah true color 24 Bit. 2. Waah yang aan dienali adalah waah yang menghadap e depan (frontal, dalam posisi tega, dan tida terhalangi oleh obe la. 3. Latar belaang citra tida omples, noise dan distorsi amera mimal 4. Ilumasi, espresi waah, gaya, mae-up dan bentu rambut diambil dengan variasi yang rendah II. Landasan Teori 2.1 Pra-pengolahan Citra Pra-pengolahan citra bertuuan untu mengubah dan mempersiapan nilai-nilai pisel citra digital agar menghasilan bentu yang lebih coco untu operasi beriutnya. Pra pengolahan citra yang dilauan pada penelitian i adalah Gray Scale, Equalization, Cropg, Penghalusan, dan Segmentasi Jargan Syaraf Tiruan Jargan Syaraf Tiruan merupaan model pemrosesan formasi yang diembangan berdasaran prsip era sistem syaraf ota manusia. Sebagai model maa JST memilii omponen-omponen, yani omponen masuan, fungsi sumasi, fungsi ativasi, dan omponen eluaran. Seperti halnya ota manusia, JST aan dapat menyelesaian masalah apabila pengetahuan yang beraitan dengan masalah tersebut dimilii. Pengetahuan di dalam JST diperoleh melalui proses pembelaaran.. Dalam ranga pembelaaran terhadap JST i terdapat beberapa metode yang dapat digunaan, salah satunya adalah dengan algoritma bacpropagation yang diberian dalam tabel 1.1 beriut: Tabel 1.1: Algoritma Bacpropagation Langah Asi 0 Inisialisasi bobot untu bilangan aca yang ecil 1 While (ondisi berhenti salah { For (masg-masg trag patern { for (i= 1 to n x { Set semua i 2 For (=1,2,..,p{ z = v x n i i i = 1, f ( z z =

3 3 For (=1,2,.., m{ y = y = f p = 0 ( y z w 4 δ = t y f ' ( y 5 6 w w δ v ( baru v i = i /*end for*/ /* end while ( = αδ f ' ( z = αδ x z m = 1 i δ w = w ( lama + w ( baru = v ( lama + i v Setelah tahap pembelaaran selesai dilauan, maa JST siap digunaan. Penggunaan JST i damaan dengan penguian atau pemaaian. Untu melauan penguian i, maa algoritma yang dipaai harus disesuaian dengan algoritma yang digunaan pada saat pembelaaran. Algoritma bacpropagation untu tahap pemaaian atau penguian adalah sebagai beriut : Tabel 1. 2: Algoritma bacpropagation untu tahap penguian Langah Asi 0 Inisialisasi bobot v dan w dari algoritma trag 1 For (setiap vetor masuan { For (i=1 to n { Set semua x i 2 For (=1 to p { z = v x n i i = 1 f ( z z = i i III. Pengembangan Sistem III.1. Arsitetur Sistem Arsitetur Sistem Pengenal Waah dipeliahatan oleh Gambar 3.1. Obe Kamera File Data Normalisasi Pra proses GAMBAR 3.1. ARSITEKTUR SISTEM JST Klasifiasi Obe Obe yang diambil dalam penelitian i adalah obe yang mengandung waah dengan riteria, yaitu : Waah tida terhalang oleh obe la, waah frontal menghadap e depan dengan berbagai expresi, citra waah diambil dengan ara, pencahayaan, efe dan sala yang sama. Kamera Untu mendapatan citra yang dapat diolah oleh omputer maa digunaan amera digital, pengambilan citra waah dengan amera digunaan pengaturan yang sama pada brightnes, eontrasan, perbesaran dan beberapa efe la pada image. 3 For (=1 to m { /*end for */ p y = = 0 y = f ( z y w File Data Image waah yang sudah di ambil disimpan e dalam file data, yang dalam hal i dibagi menadi dua macam, yani file waah untu pelatihan dan file waah untu penguian. Praproses data Hasil yang didapat dari amera masih berupa citra yang terdiri dari beberapa obe sehgga perlu

4 diadaan pemilahan citra agar tiap citra hanya terdiri dari waah saa. Citra waah hasil Pemotretan dari amera harus melalui proses pengolahan citra untu mendapatan data putan Jargan Syaraf tiruan. Proses pengolahan citra yang dilauan dalam penelitian i adalah: Gray Scale, Equalization, Cropg, Penghalusan, dan Segmentasi Normalisasi data Sebelum dimasuan e JST data dormalisasian agar bernilai antara 0 sampai dengan 1. Karena put e Jargan saraf tiruan berupa nilai rata segmen atau tgat greyscale tiap segmen dari bagian waahnya saa maa untu menormalisasian rata segmen dibagi dengan tgat greyscale yang palg tggi pada bagian waah. Jargan Syaraf Tiruan a. Arsitetur Jargan Banya unit pada lapisan masuan tergantung pada umlah segmen dari waah. Banyanya uuran unit pada lapisan hidden dipilih 1 unit. Jumlah unit pada lapisan output terdiri dari satu unit. f(x GAMBAR 3.3 FUNGSI SIGMOID BINER. c. Pembelaaran Dengan melauan proses latihan yang berulangulang maa diperoleh parameter sebagai beriut: Harga nilai error mimum : 0,0015 Harga onstanta belaar (α : 0,5 Harga momentum (µ : 0,5 Harga bobot awal V i : random antara 0,1 sampai 0,4 Harga bobot awal W : random antara 0,1 sampai 0,4 Iterasi masimum : 1000 d. Penduung Sistem pengenal waah i diduung oleh dua tabel, yani. Tabel Pertama adalah tabel identitas. Tabel i aan mengaitan waah yang diambil oleh amera dengan identitas epemilian waah tersebut, yang aan diterusan sebagai put e argan syaraf tiruan. Sedangan Tabel edua yang digunaan untu proses pelatihan adalah tabel ParamLatih Pada tabel ParamLatih i terdapat beberapa subye dengan 2 espresi yang berbeda-beda. x Klasifiasi Gambar 3.2 Arsitetur argan b. Fungsi Ativasi Fungsi ativasi argan yang dipilih sebagai elemen pemrosesan untu menyataan eluaran dari argan adalah fungsi sigmoid ber yang dyataan oleh persamaan: 1 f ( x = 1+ exp( x dan f '( x = f ( x[1 f ( x ] Data yang dihasilan dari proses pelatihan adalah parameter-parameter untu lapisan tersembunyi dan bobot antara hidden dan lapisan eluaran. Parameter-parameter tersebut disimpan e dalam bentu pengetahuan. Selanutnya aan digunaan untu proses pengenalan waah. IV. Hasil dan Pembahasan Penelitian dilauan dengan materi utama berupa seumpulan citra waah yang beruuran 185 x 185 pixel yang diperoleh dari Kamera Digital Sony.

5 IV.1. Pelatihan Citra yang digunaan untu pelatihan berumlah 100 citra dengan dua expresi, yani expresi normal dan expresi tida normal. Dari dua expresi tersebut dapat diperoleh Histogram dan nilai eabuan tiap pixel Gambar 4.5. dan nilai Histoqual (pemerataan tsitas warna Gambar 4.6. Gambar 4.1 Histogram IV.1. Penguian Penguian terhadap sistem i dilauan dengan dua tipe image, yani image yang diperoleh dari amera digital Sonny (manual dan image yang diperoleh dengan Web Cam GE-HO98063 yang terhubung langsung dengan sistem (live. Hasil yang diperoleh adalah sistem dapat mengenali waah dari image yang diperoleh dari amera digital sonny dengan etepatan 95 %, sedangan image yang diperoleh dari Web Cam GE- HO98063 dengan 67 %. V. Kesimpulan dan Saran V.1. Kesimpulan Sistem Pengenal Waah Dengan Jargan Syaraf Tiruan telah dapat mengenali waah dengan etepatan 95 % dari amera yang sama dengan saat pelatihan, tetapi etepatan aan menurun apabila ualitas image yang digunaan lebih rendah dibandgan saat pelatihan. V.2. Saran Image yang dihasilan dari Web Cam GE- HO98063 ualitasnya tida sebai image yang dihasilan oleh amera digital. Karena itu untu penerapan dalam bentu live etepatan pengenalan mung aan mengat apabila digunaan Web Cam dengan spesifiasi yang lebih tggi. Gambar 4.2 Histoqual Data hasil pelatihan JST dan data hasil validasi dari proses pelatihan, diperlihatan pada gambar 4.3 Daftar Refrensi Balza Achmad, Kartia Firdausy. Teni Pengolahan Citra Digital menggunaan Delphi Ardi Publishg: Yoyaarta Fausett, Laurence, 1994, Foundamentals of Neural Networs, Englewoods Cliff : Prentice Hall. Kristanto Andri, Jargan Syaraf Tiruan (Konsep Dasar Algoritma dan apliasya 2004, Yoyaarta : Gava Media Gambar 4.3 Data Hasil Pelatihan Marni. Klasifiasi Sidiari Dengan Pemrosesan Awal Transformasi Wavelet Transmisi, Vol. 8, No. 2, Desember 2004 : 37 41

6 Setiawan Kuswara, Paradigma Sistem Cerdas Bayumedia Publishg, Malang. Siang Jong Je, Dr. Jargan Syaraf Tiruan Dan Pemograman Menggunaan Matlab PT ANDI Yoyaarta. Joaarta Simon Hy. Neural Networ : A Comprehensive Foundation Prentice-Hall,Inc, Ney Jersey. Subeti, R. Muhammad. Perbaian Metode Bacpropagation untu Pelatihan Jargan Syaraf Tiruan Multilayer. Maalah Purwadhi, F. Sri Hardiyanti. Intrepretasi Citra Digital PT. Gramedia Widiasarana Indonesia. Van Der Heiden,F, 1995, Image Based Measurement System, State University Of New Yor a buffalo, USA