IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION

Transkripsi

1 J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae 2, Meiton Boru 3 1,2,3 Jurusan Ilmu Komputer, Fakultas Sains dan Teknik, Universitas Nusa Cendana ABSTRAK Penelitian tentang pengenalan wajah sering digunakan dan dikembangkan saat ini karena pengenalan wajah merupakan salah satu karakteristik biometrika yang dapat digunakan sebagai penunjuk identitas seseorang. Pengenalan wajah dalam penelitian ini dilakukan melalui beberapa tahap yakni akuisisi citra, preprocessing, ekstraksi ciri dan identifikasi wajah. Penelitian ini menggunakan PCA sebagai metode ekstraksi ciri dan improved backpropagation sebagai metode pengenalan. Penelitian menggunakan 120 data latih dan 80 data uji yang diperoleh dari database Yale. Hasil akhir dari penelitian menunjukkan bahwa performasi akurasi rata-rata sistem menggunakan PCA dengan reduksi nilai eigen yaitu T=1%, T=2%, T=3%, T=4% dan T=5% masing-masing sebesar 100% untuk data uji yang sama dengan data latih dan 70,71%, 81,67%, 80%, 91,67%, 81,67% dan 89% untuk data uji yang tidak sama dengan data latih, sehingga penggunaan T=3% memberikan performasi terbaik dibandingkan penggunaan T yang lain. Kata kunci : improved backpropagation, PCA, pengenalan wajah, ekstraksi ciri ABSTRACT Nowadays research about face recognition is still on development stage it is because face recognition is one of the biometrical characteristic that can be used to identifity someone s identity. Face recognition in this research was being held through several stages, which are image acquisition, preprocessing, feature extraction and face identification. This research use PCA as its feature extraction method and improved backpropagation as its recognition method. The research use 120 training data and 80 testing data, which are gained from Yale databases. The final result of the research shows that the average accuration performance of system using PCA with reducted eigen value T=0%, T=1%, T=2%, T=3%,T=4% and T=5% is 100% each for the data identical to the training data and 70,71%, 81,67%, 80%, 91,67%, 81,67% and 89% for the testing data not identical with the training data, therefore the use of T=3% provide the best result compared to the other T values. Keyword : improved backpropagation, PCA, face recognition, feature extraction I. PENDAHULUAN Keamanan data dan informasi merupakan salah satu aspek penting dari sebuah sistem komunikasi data dan informasi. Pada era komputerisasi saat ini, dibutuhkan sistem keamanan yang dapat melindungi data dan informasi. Salah satu teknologi yang diciptakan dalam menunjang aspek keamanan informasi adalah sistem biometrika. Sistem biometrika diciptakan untuk mengukur dan menganalisis data biologis seseorang berdasarkan karakteristik tertentu seperti sidik jari, retina, iris, dan wajah untuk proses pengenalan. Pengenalan wajah merupakan salah satu karakteristik biometrik yang sering digunakan dan dikembangkan saat ini. Hal tersebut disebabkan karena wajah memiliki karakteristik universal (dimiliki oleh setiap orang), mudah dikenali sehingga dapat mencegah terjadinya penyangkalan terhadap informasi yang diberikan. Penelitian tentang pengenalan wajah ISSN

2 J-ICON ISSN telah banyak dilakukan, seperti penelitian tentang Pengenalan Wajah Menggunakan Analisis Komponen Utama dan Jaringan Syaraf Tiruan (JST) backpropagation (Zayuman, 2011). Namun, permasalahan yang sering muncul dalam penggunaan algoritma backpropagation konvensional pada fase pelatihan yaitu backpropagation sering terjebak dalam kondisi lokal minimum sehingga backpropagation sulit mencapai nilai konvergen yang ideal meskipun JST telah dilatih beberapa kali. Masalah algoritma backpropagation pernah diteliti oleh (Dillak dan Bintiri, 2012) yaitu dengan memperbaiki algoritma tersebut dengan menggunakan algoritma improved backpropagation. Pada penelitian tersebut digunakan lima buah data uji biaya perangkat lunak dan diperoleh penurunan nilai prediksi error (RMSSE/ Root Mean Square Standardized Effect) dari 17,4475% (backpropagation konvensional) menjadi 3,72% (improved backpropagation). Merujuk pada hal tersebut, maka digunakan metode ekstraksi ciri Principal Component Analysis (PCA) dan metode klasifikasi improved backropagation dalam melakukan pengenalan wajah. II. MATERI DAN METODE 2.1 Data Penelitian Data yang digunakan dalam tugas akhir ini adalah citra wajah sebagai citra masukan berupa citra BMP dengan ukuran 50x50 piksel yang diperoleh dari database Universitas Yale. 2.2 Tahap-Tahap Sistem Pengenalan Wajah Pengenalan wajah terdiri dari 2 tahap yaitu tahap pelatihan dan tahap pengujian. Kedua tahap pada pengenalan wajah tersebut dapat dilihat pada gambar 1. Pola uji Klasifikasi Akuisisi citra Preprocesing Ekstrasi ciri Identifikasi ciri Pelatihan Akuisisi citra Preprocessing Ekstraksi ciri Pembelajaran Pola pelatihan Gambar 1 Diagram blok pengenalan wajah Penjelasan gambar 1 akan dibahas secara terperinci sebagai berikut : Akuisisi citra Tahap akuisisi citra merupakan tahap awal dari pengenalan citra wajah. Proses akuisisi citra diambil dari database Yale yang akan digunakan dalam pengenalan wajah baik sebagai citra wajah latih maupun citra wajah uji Preprocessing Beberapa teknik preprocessing yang dibahas pada penelitian ini yakni, median filter, perenggangan kontras dan ekualisasi histogram. a. Median filter Pada penelitian ini digunakan rectangle filter 3x3 sehingga banyaknya piksel yang digunakan dalam perhitungan adalah 9 sebagai posisi piksel penyangganya sehingga dapat dihitung menggunakan persamaan : Implementasi Pengenalan Wajah Menggunakan Algoritma Principal Component Analysis(Pca) Dan Improved Backpropagation (Rini Miyanti Maubara)

3 91 ISSN (1) m : posisi piksel yang dipilih. b. Perenggangan Kontras Perenggangan kontras adalah teknik yang sangat berguna untuk memperbaiki kontras citra terutama citra yang memiliki kontras rendah. Perhitungan perenggangan kontras menggunakan persamaan (Putra, 2008):... (2) o(i, j) : piksel setelah ditransformasi koordinat (i, j) u(i, j) : piksel sebelum ditransformasi pada koordinat (i, j) c : nilai maksimum piksel pada citra masukan d : nilai minimum piksel pada citra masukan L : nilai grayscale maksimum (255) c. Ekualisasi Hitogram Tujuan ekualisasi histogram adalah untuk memperoleh penyebaran histogram yang merata, sedemikian sehingga setiap derajat keabuan memiliki jumlah piksel yang relatif sama. Perhitungan ekualisasi histogram menggunakan persamaan (Putra, 2008) :... (3) g : nilai graylevel awal yang nilainya dari 1 L-1 (L menyatakan graylevel maksimum) n(g) : ekualisasi histogram c(g) : nilai distribusi kumulatif N : banyaknya piksel pada citra Ekstraksi ciri Ekstraksi ciri pada merupakan tahap pemisahan ciri dari citra wajah yang dilakukan setelah citra melalui tahap preprocessing. Algoritma ekstraksi ciri yang digunakan pada penelitian ini adalah algoritma PCA. PCA merupakan metode yang mengambil informasi terpenting dari sekumpulan data yang kompleks. Tujuan dari PCA adalah mereduksi dimensi data dengan cara mentransformasinya menjadi dimensi yang lebih kecil (karakteristik) dengan mempertahankan variasi data yang ada (Swets,1996). Flowchart PCA dapat dilihat pada gambar 2 : J~ICON, Vol. 3 No. 2, Oktober 2015 : 89 ~95

4 J-ICON ISSN Mulai Citra preprocessing Cari dan urutkan nilai dan vektor eigen Susun vektor citra Cari principal component Hitung rata-rata vektor Citra hasil ekstraksi PCA Hitung matriks kovarian Selesai Gambar 2. Flowchart PCA Identifikasi ciri dengan algoritma improved backpropagation. Identifikasi ciri menggunakan JST dilakukan dengan algoritma improved backpropagation Identifikasi terdiri dari 2 tahap yakni, tahap pelatihan (training) dan tahap pengujian (testing). Sebelum masuk ke dalam tahap-tahap tersebut perlu dilakukan normalisasi yakni dilakukan dengan cara mengambil hasil ekstraksi ciri dari algoritma PCA sebagai pola masukan untuk identifikasi. Pada proses pelatihan bagian backpropagation, untuk improved backpropagation dilakukan penambahan momentum untuk setiap perubahan bobot yakni perubahan bobot iterasi saat ini, perubahan satu iterasi sebelumnya dan perubahan bobot dua iterasi sebelumnya, (Choudhary dan Rishi, 2011): jk jk jk jk jk w t w t w t w t w t... (4) v t v t v ( t ) v t v t... (5) ij ij ij ij ij w jk t + 1 : bobot antara lapisan tersembunyi dan lapisan keluaran pada 1 iterasi berikutnya w jk t 1 : bobot antara lapisan tersembunyi dan lapisan keluaran pada 1 iterasi sebelumnya w jk t 2 : bobot antara lapisan tersembunyi dan lapisan keluaran pada 2 iterasi sebelumnya v ij t + 1 : bobot antara lapisan masukan dan lapisan tersembunyi pad iterasi berikutnya v ij t 1 v ij t 2 μ : bobot antara lapisan masukan dan lapisan tersembunyi pada 1 iterasi sebelumnya : bobot antara lapisan masukan dan lapisan tersembunyi pada 2 iterasi sebelumnya : momentum a. Tahap pelatihan Pelatihan merupakan proses untuk mencari bobot dengan menggunakan algoritma improved backpropagation, bobot ini kemudian akan digunakan untuk melakukan proses pengujian dan proses pengenalan wajah. Proses pada tahap pelatihan dapat dilihat pada gambar 3 : Implementasi Pengenalan Wajah Menggunakan Algoritma Principal Component Analysis(Pca) Dan Improved Backpropagation (Rini Miyanti Maubara)

5 93 ISSN Mulai Akuisisi citra Preprocessing Ekstraksi ciri PCA Feedforward Improved backpropagation Selesai Gambar 3. Flowchart pelatihan improved backpropagation b. Tahap pengujian Tahap pengujian merupakan tahap dimana perangkat lunak yang telah dibuat akan diuji kembali menggunakan data yang sudah pernah dilatih maupun data yang belum pernah dilatih. Flowchart proses pengujian dapat dilihat pada gambar 4 : Mulai Akuisisi citra uji Normalisasi Preprocessing Ambil bobot Ekstraksi ciri PCA Feedforward Selesai Gambar 4. Flowchart pengujian improved backpropagation III. HASIL DAN PEMBAHASAN 3.1 Hasil Sesuai dengan tujuan dari penelitian ini, maka improved backpropagation dapat diterapkan dalam aplikasi pengenalan wajah. Kemampuan metode pengklasifikasi improved backpropagation yang sangat membantu sistem dalam mengoptimalisasi jaringan serta mempercepat konvergensi dengan penambahan momentum pada saat melakukan pengenalan wajah. 3.2 Pembahasan Dari hasil pengujian terhadap citra latih (tabel 1) dimana citra uji sama dengan citra latih, terlihat sistem melakukan klasifikasi dengan sangat baik mengunakan T=0%, T=1%, T=2%, T=3%, T=4% J~ICON, Vol. 3 No. 2, Oktober 2015 : 89 ~95

6 J-ICON ISSN dan T=5% dengan masing-masing akurasi = 100 %. Selanjutnya dari hasil pengujian terhadap citra latih lihat (tabel 2) dimana citra uji tidak sama dengan citra latih, terlihat sistem melakukan klasifikasi dengan baik mengunakan T=0%, T=1%, T=2%, T=3%, T=4% dan T=5% dengan masing-masing akurasi secara berturut-turut 70,71%, 81,67%, 80%, 91,67%, 81,67% dan 89%. Sehingga dapat dilihat bahwa penggunaan T=3% memberikan performasi rata-rata yang lebih baik dibandingkan dengan menggunakan T=0%, T=1%, T=2%, T=4% dan T=5%. Tabel 1. Hasil pengujian dimana citra uji sama dengan citra latih dengan T (%) Tabel 2. Hasil pengujian dimana citra uji sama dengan citra latih dengan T (%) IV. KESIMPULAN DAN SARAN 4.1 Kesimpulan Berdasarkan hasil pengujian terhadap sistem yang dibangun dapat disimpulkan hal-hal sebagai berikut: a. Performansi masing-masing sistem untuk pengujian dimana citra uji sama dengan citra latih dengan T=0%, T=1%, T=2%, T=3%, T=4% dan T=5% memberikan hasil akurasi masingmasing sebesar 100%. b. Performansi masing-masing sistem untuk pengujian dimana citra uji tidak sama dengan citra latih dengan T=0% memberikan hasil akurasi 70,71%, T=1% memberikan hasil akurasi 81,67%, T=2% memberikan hasil akurasi 80%, T=3% memberikan hasil akurasi 91,67%, T=4% memberikan hasil akurasi 81,67%, T=5% memberikan hasil akurasi 89%. Sehingga dapat disimpulkan bahwa penggunaan T=3% memberikan performasi yang lebih baik dibandingkan dengan menggunakan T=0%, T=1%, T=2%, T=4% dan T=5%. c. Improved backpropagation memiliki kemampuan dalam mempercepat iterasi pembelajaran serta dapat mencapai target error yang diinginkan. d. Kualitas ekstraksi ciri memiliki pengaruh yang besar terhadap keberhasilan sistem dalam mengidentifikasi citra wajah. 4.2 Saran Berdasarkan pembahasan sebelumnya, saran yang dapat diberikan adalah : a. Mengembangkan sistem pendeteksi citra wajah dengan metode ekstraksi ciri yang lebih baik. b. Mengembangkan sistem pendeteksi wajah secara realtime. c. Mencoba menggunakan ciri-ciri lain yang lebih unik yang dapat membedakan citra wajah satu dengan citra wajah yang lain. Implementasi Pengenalan Wajah Menggunakan Algoritma Principal Component Analysis(Pca) Dan Improved Backpropagation (Rini Miyanti Maubara)

7 95 ISSN DAFTAR PUSTAKA [1] Choudhary, A., Rishi, R., Improving The Character Recognition Efficiency of Feed Forward BP Neural Network, International Journal of Computer Science & Information Technology (IJCSIT), Vol. 3(1), [2] Dillak, R. Y., Bintiri, M. G., 2012, Estimasi Biaya Perangkat Lunak Menggunakan improved backpropagation, Prosiding Semnasif Yogyakarta, ISSN : [3] Putra, 2008, Sistem Biometrika, Andy, Yogyakarta. [4] Swets, D. L., 1996, Principal Component Analysis for Face Images. Diakses dari 05 Juni 2012 [5] Zayuman, H., Pengenalan Wajah Menggunakan Analisis Komponen Utama (PCA) dan Jaringan Syaraf Tiruan Perambatan-Balik. Diakses dari ML2F pdf, 12 maret J~ICON, Vol. 3 No. 2, Oktober 2015 : 89 ~95