SISTEM VERIFIKASI WAJAH MENGGUNAKAN JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION

SISTEM VERIFIKASI WAJAH MENGGUNAKAN JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION Abdul Fadlil dan Surya Yeki Program Studi Teknik Elektro, Fakultas Teknologi Industri, Univesitas Ahmad Dahlan, Kampus III UAD Jl. Prof. Dr. Soepomo, Janturan, Umbulharo, Yogyakarta Telp 074-37948,3853, Fax 074-3853 fadlil@uad.ac.id, sureack@ee.uad.ac.id Abstrak Verifikasi waah merupakan salah satu teknologi biometrika yang menadi perhatian para peneliti. Banyak sekali sistem aplikasi yang berbasis kepada verifikasi waah misalnya: akses pintu, akses mesin ATM, sistem presensi kehadiran, dll. Pada makalah ini akan dibahas perancangan dan pembuatan sistem verifikasi waah manusia menggunakan metode ekstraksi menggunakan metode SPCA (Simple Principle Component Analysis) dan teknik klasifikasi aringan saraf tiruan Learning Vector Quantization. Data citra waah yang digunakan berasal dari 5 orang yang terdiri masing-masing sebanyak 0 citra waah untuk proses pelatihan dan uga masingmasing sebanyak 0 waah untuk proses penguian. Hasil penguian unuk kera sistem didapat nilai FRR rata-rata 0% dan FAR rata-rata,55%. Kata kunci : verifikasi waah, SPCA, learning vector quantization. PENDAHULUAN Mengenali waah seseorang merupakan suatu hal yang mudah dilakukan oleh manusia. Seseorang akan dengan mudah mengenali waah orang yang dikenali sebelumnya walaupun ekspresi waah orang tersebut berbeda dari ekspresi waah ketika dia bertemu bahkan dalam kondisi terang ataupun gelap. Namun tidak demikian bagi sebuah mesin atau komputer yang belum dilengkapi sistem cerdas. Dalam era perkembangan sains dan teknologi, para ahli mencoba untuk menggantikan sistem kera otak manusia atau lebih dikenal dengan aringan saraf tiruan ke dalam sistem komputer. Dengan cara ini diharapkan pada suatu saat nanti akan dapat tercipta suatu komputer yang dapat menimbang dan mengambil keputusan sendiri sebagaimana layaknya manusia. Salah satu metode klasifikasi aringan saraf tiruan yang sering digunakan untuk klasifikasi adalah Learning Vector Quantization (LVQ). Salah satu contoh sistem pengenalan pola (pattern recognition) adalah sistem pengenalan biometrika. Penggunaan teknologi biometrika untuk mengenali seseorang pada dasarnya telah digunakan seak ribuan tahun yang lalu. Waah seseorang telah digunakan untuk pengenalan selain suara, sidik ari maupun cara alan. Bahkan saat ini berbagai karakteristik biometrika lain secara aktif masih dikembangkan oleh para peneliti seperti: DNA, tanda tangan, telapak tangan, retina mata, dll. Penggunaan biometrika untuk sistem pengenalan mempunyai banyak keunggulan dibandingkan sistem tradisional seperti: penggunaan password, PIN, kartu, dan kunci yang telah banyak diaplikasikan pada: akses pintu, presensi kehadiran, mesin ATM, dll. Sedangkan untuk aplikasi pemerintahan misalnya: kartu penduduk/paspor, SIM, dan imigrasi (Jain et al, 004). 480

. KAJIAN PUSTAKA Telah banyak usaha-usaha yang dilakukan oleh para peneliti untuk membangun suatu sistem berbasis pengenalan waah dengan menggunakan berbagai metode yang berbeda-beda meliputi pemilihan ekstraksi ciri dan teknik klasifikasi. Walaupun sudah banyak teknik-teknik pengenalan waah telah dikemukakan dan uga telah menunukkan hasil yang cukup signifikan, namun pengenalan waah yang handal masih sukar didapatkan (Paul and Michael, 004, Zhao et al, 005). Studi awal pengenalan waah telah dilakukan dengan suatu pendekatan sederhana program sederhana. Pada sistem pengenalan waah yang telah dibuat menggunakan dua fungsi arak yaitu Manhattan (L) dan Euclidean (L) serta aringan saraf tiruan sebagai pengklasifikasi (Fadlil, 007, Fadlil, 006, Wilson and Tony, 997). Secara umum diagram blok sistem pengenalan waah sebagaimana digambarkan sebagai berikut (Zhao et al, 005): Citra / video Deteksi waah Secara simultan Ekstraksi ciri waah Pengklasifikasi Identifikasi / verifikasi Gambar : Diagram blok sistem pengenalan waah Pada Gambar, ditunukkan bahwa sistem pengenalan waah meliputi tiga tahap/bagian yaitu:. deteksi dan normalisasi waah secara kasar. ekstraksi ciri dan normalisasi waah secara lebih akurat 3. pengklasifikasi untuk mendapatkan hasil identifikasi atau verifikasi. Masalah umum pada sistem pengenalan waah adalah dimulai dari pemberian masukan berupa citra/gambar selanutnya dilakukan identifikasi atau verifikasi satu atau beberapa orang dari gambar-gambar yang tersimpan pada database. Penyelesaian masalah ini dapat dilakukan dengan prose-proses yang meliputi segmentasi waah atau deteksi waah dari gambar, ekstraksi ciri dari waah yang telah diketahui lokasinya, dan 48

pengenalan. Tuuan deteksi waah adalah untuk menentukan ada atau tidaknya muka didalam gambar (Yang, et al, 00). Kadang-kadang perbedaan pembagian ini tidak sepenuhnya terpisah, sebagai contoh ciri waah (mata, hidung, mulut) digunakan untuk pengenalan waah namun sering uga digunakan dalam deteksi waah. Deteksi waah dan ekstraksi ciri dapat dicapai secara simultan sebagaimana ditunukkan pada Gambar. Kebayakan penelitian yang telah dilakukan sampai dengan pertengahan 990an ditekankan pada segmentasi satu-waah dari latar belakang gambar yang simpel atau kompleks. Berbagai pendekatan pada metode ini meliputi: penggunaan template keseluruhan-waah, template berbasis ciri, warna dan aringan syaraf tiruan. Deteksi waah otomatis yang telah dilakukan oleh Rowley, dkk. pada tahun 998 dengan membandingkan metode berbasis ciri dan template-matching. Satu pendekatan berbasis template telah dikai oleh Yuille, dkk. pada tahun 99, untuk mendeteksi mata-mata dan mulut pada gambar waah. Metode deteksi waah yang lebih baru lagi yaitu dengan satu pendekatan yang didasarkan pada pelatihan sampel-sampel waah dan bukan waah (Paul and Michael, 004, Roberto and Tomaso, 993). Metode ekstraksi ciri terdiri dari tiga macam yang dapat dibedakan menadi:. metode umum berdasarkan pada tepi, garis dan kurva. metode yang berdasarkan pada template ciri yang digunakan untuk mendeteksi ciri-ciri waah seperti mata. 3. metode matching struktural Banyak metode pengenalan waah telah diusulkan selama kurun waktu lebih dari 30 tahun. Pengenalan waah merupakan masalah penting yang belum berhasil dengan memuaskan sehingga masih menadi perhatian para peneliti yang mempunyai latar belakang disiplin ilmu yang berbeda-beda: psikologi, pengenalan pola, aringan syaraf, visi komputer dan komputer grafik. Seperti halnya pada sistem pengenalan biometrik yang lain, pengenalan waah uga terdiri dari dua mode operasi yaitu identifikasi dan verifikasi (Jain et al, 004). Pada mode identifikasi atau dikenal dengan mode satu-ke-banyak (one to many), gambar waah seseorang yang belum diketahui dibandingkan dengan template waah banyak orang yang tersimpan dalam database. Sedangkan pada mode verifikasi atau dikenal dengan mode satu-ke-satu (one to one), sistem membuat validasi identitas seseorang dengan cara membandingkan gambar waah dengan template waah kepunyaannya yang telah tersimpan dalam database. Analisis unuk kera sistem untuk mode identifikasi diperoleh melalui proses penguian menggunakan data penguian (testing set) sehingga diperoleh akurasi pengenalan. Pada mode verifikasi unuk kera sistem dikenal dua istilah yaitu FRR (False Reection Rate) dan FAR (False Acceptance Rate. FRR adalah nilai kemungkinan sistem gagal atau menolak pengguna yang sebenarnya. Sedangkan FAR (False Acceptance Rate) adalah nilai kemungkinan sistem gagal atau menerima pemalsu (Jain, 004, Prabhakar, et al, 003). 48

3. METODE PENELITIAN Secara garis besarnya sistem verifikasi waah yang dirancang terdiri dari fase yaitu pelatihan dan penguian. Diagram blok sistem verifikasi waah pada fase pelatihan sebagaimana ditunukkan pada Gambar. Input Waah (database) Pemroses awal Segmentasi Nilai bobot untuk proses penguian Pengklasifikasi (LVQ) Ekstraksi Ciri (SPCA) Gambar. Blok diagram sistem verifikasi waah pada fase pelatihan (training) Sedangkan diagram blok sistem verifikasi waah pada fase penguian sebagaimana ditunukkan pada Gambar 3. ID Input Waah Diterim a/ Pemroses awal Pengklasifikasi Segmentasi Ekstraksi Ciri bobot Gambar 3. Blok diagram sistem waah pada fase penguian (test) Input waah (Database) dan Pemroses Awal Data citra waah yang digunakan saat pelatihan adalah berupa citra waah dari lima orang yang masing-masing terdiri dari 0 citra pelatihan dan 0 citra penguian. Citra. Pada pemroses awal dilakukan konversi dari citra true color ke dalam bentuk keabuan (grayscale). Segmentasi daerah waah Citra yang diambil melalui webcam merupakan citra utuh dengan resolusi tertentu (60x0 piksel). Dalam citra utuh masih terdapat obyek background dan obyek waah. Sebelum masuk pada tahap pengambilan ciri waah sebagai input ke aringan maka perlu dilakukan pemisahan obyek waah dari obyek background. Untuk memisahkan obyek waah dari background digunakan metode analisis proyeksi citra. Dari proyeksi citra abu-abu yang diperoleh, selanutnya dilakukan proses cropping waah. Proses ini dilakukan untuk menentukan bagian mana dari citra yang termasuk 483

waah dan bagian mana yang termasuk background. Bagian yang termasuk waah akan diwakili oleh windows capture dan bagian background akan diwakili oleh diluar windows capture. Penentuan nilai windows capture dapat lakukan dengan memanfaatkan bentuk segiempat panang dengan menunggu masukkan dengan menggunakan mouse sebagai perintah pengambilan gambarnya. Ekstraksi ciri Ekstraksi ciri adalah proses pemilihan ciri citra waah yang digunakan sebagai input ke dalam JST. Ekstraksi ciri merupakan satu tahap yang dilakukan sebelum melakukan klasifikasi. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Ciri citra waah diekstraksi dalam bentuk vektor ciri [4]. Berikut adalah tahap-tahap ekstraksi ciri: Tahap : Hadirkan citra waah yang akan dilatihkan ke aringan I, I, LI N Tahap : Normalisasi citra waah dari segi format, ukuran, dan dimensi citra. Hal ini dilakukan karena citra hasil segmentasi tidak memiliki dimensi yang identik antara yang satu dengan yang lainnya. Pengektraksian ciri citra dengan dimensi yang berbeda-beda menyebabkan kerancuan dalam pengambilan ciri. Tahap 3 : Representasikan citra waah I i ke dalam bentuk vektor Γ i seperti pada Gambar 4. Gambar 4. Representasi citra sebagai vektor Tahap 4: Hitung rerata seluruh vektor citra waah pelatihan Rerata pola citra didefinisikan dengan persamaan: N ψ Γ N i i Dimana m adalah umlah elemen vektor dan N adalah umlah sampel citra Γ + Γ + Γ3 + Γ4 + Γ5 + L +Γ n Γ + Γ + Γ3 + Γ4 + Γ5 + L +Γn rerata( Ψ) M M M M Γm + Γm + Γm3 + Γm 4 + Γm5 + L +Γmn Tahap 5 : Untuk mendapatkan vektor ciri, kurangkan nilai vektor citra waah dengan nilai rerata seluruh sampel citra waah. Φ Γ ψ i i Φ i merupakan pola hasil ekstraksi ciri yang akan digunakan sebagai input pada pengklasifikasi aringan syaraf tiruan. 484

Φ Γ Γ M Γ m, Φ M m Γ Γ M Γ m M m, Φ 3 Γ Γ M 3 3 cm 3 M m,, Φ n Γ Γ M Γ n n mn M m Pengklasifikasi Pengenalan adalah kemampuan untuk mengklasifikasi pola-pola input. Sedangkan klasifikasi adalah proses penetapan pola input ke dalam klas berdasarkan pada ciri dengan menggunakan teknik klasifikasi aringan saraf tiruan LVQ. Dalam sebuah pola sangat memungkinkan adanya klas dan ciri yang lebih dari satu. Banyak klas dalam suatu pola tergantung pada umlah obyek-obyek di dalam citra yang akan diklaskan. Algoritma pembelaarannya adalah sebagai berikut (Fauset, 994): x : vektor pelatihan (x,..., x i,..., x n ) T : klas atau kategori vektor pembelaaran w : vektor bobot unit output; (w,..., w i,, w n ) C : kategori atau klas yang berikan oleh unit output x-w : arak euclidean antara vektor input dan vektor L0. Inisialisasi vektor referensi Inisialisasi lau pembelaaran α(0) L. Selama syarat berhenti false kerakan langkah -6 L. Untuk setiap vektor input pembelaaran x, kerakan langkah 3-4 L3. Cari J sehingga x-w minimum L4. Perbarui w : Bila T C, maka w ( baru) w ( lama) + α. x w ( lama) [ ] Bila T C, maka w ( baru) w ( lama) α. x w ( lama) [ ] L5. Kurangi lau pembelaaran L6. Ui syarat berhenti; Syaratnya: spesifikasi cacah iterasi atau lau pembelaaran mencapai nilai yang cukup kecil. 4. HASIL DAN PEMBAHASAN Keseluruhan database citra yang akan digunakan untuk pengembangan dan penguian unuk kera sistem verifikasi waah ditunukkan pada Tabel. Citra yang digunakan pada proses fase pelatihan tidak akan digunakan dalam proses fase penguian. Tabel. Database citra yang digunakan Sumber Citra Citra Pelatihan Citra Penguian Ukuran Format Citra webcam 50 citra waah 50 citra waah 60x0.pg Asli Citra webcam Cropping (0 citra per orang) 50 citra waah (0 citra per orang) (0 citra per orang) 50 citra waah (0 citra per orang) 80x60.pg 485

Data yang digunakan saat penguian terbagi menadi dua, yaitu data milik orang yang sebenarnya dan data milik para pemalsu. Jumlah citra yang digunakan pada tahap ini untuk masing-masing orang berumlah 0 citra. Penggunaan variasi parameter-parameter diatas akan menghasilkan nilai FAR dan FRR yang dapat digunakan untuk mengetahui tingkat unuk kera optimal/terbaik dari sistem yang dirancang. FRR (False Reection Rate) merupakan kemungkinan sistem gagal melakukan verifikasi dan menolak pengguna sebenarnya, sedangkan FAR (False Acceptance Rate) adalah kemungkinan perancangan sistem menerima pemalsu. Hasil penguian sistem verifikasi sebagaimana ditunukka pada Tabel dan Tabel 3. Tabel. Hasil penguian FRR dengan variasi lau pembelaaran User ID FRR (%) 0, 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0 0 0 0 0 0 0 0 0 0 0 3 7 8 0 4 4 3 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0 0 0 0 0 0 5 0 0 0 0 0 0 0 0 0 0 User ID 0 0,4 0,6,4,6,, 0,8 0,8 Tabel 3. Hasil penguian FAR dengan variasi lau pembelaaran FAR (%) 0, 0, 0,3 0,4 0,5 0,6 0,7 0,8 0,9 0,56 8,33 3,33,78 3,33 3,33 3,88 4,44,77,77 0,56 0 0 0 0 0 0 0 56,66 67,77 3 3,86,,67,, 8,33 33,33 5,77 56,66 65 4 0,56 0,56 0,56 0,56 3,33 3,33 3,88 4, 53,33 58,33 5,,67 0,65 5,55 8,88,77 5 7, 7,77 Ratarata Ratarata,55,55 3,,,66 0,77 4,77,66 37,3 44,3 Berdasarkan dari hasil-hasil eksperimen sebagaimana ditunukkan pada Tabel dan Tabel 3 diatas, dengan memvariasi nilai lau pembelaaran didapatkan hasil penguian unuk kera sistem didapat nilai FRR rata-rata 0% dan FAR rata-rata,55% pada nilai lau pembelaaran 0,3. Hasil yang telah diperoleh ini menunukkan bahwa sistem mempunyai unuk kera yang baik dan dapat dikembangkan untuk aplikasi real. Namun upaya untuk lebih meningkatkan unuk kera sistem masih perlu dilakukan misalnya dengan melakukan proses yang mencoba menggunakan teknik-teknik lain pada tahap pemroses awal, ekstraksi ciri maupun pengklasifikasi. 486

5. SIMPULAN Simpulan yang dapat diambil dari penelitian ini adalah bahwa sistem verifikasi waah menggunakan metode ekstraksi SPCA (Simple Principle Component Analysis) dan teknik klasifikasi aringan saraf tiruan Learning Vector Quantization yang telah dibuat dapat bekera dengan baik. Hasil-hasil eksperimen dari penguian sistem didapatkan hasil penguian unuk kera sistem didapat nilai FRR rata-rata 0% dan FAR rata-rata,55% pada nilai lau pembelaaran 0,. Pada penelitian selanutnya dapat dikembangkan suatu sistem verifikasi waah dengan cara menemukan metode ekstaksi ciri yang mampu menaamkan perbedaan untuk citra waah yang berbeda dan adanya kemiripan untuk citra waah orang yang sama. Selain itu dapat dilakukan dengan menggunakan teknik-teknik klasifikasi pola yang lebih sesuai. DAFTAR PUSTAKA Fadlil, A., 006. Program Sederhana Sistem Pengenalan Waah Menggunakan Fungsi Jarak, Jurnal TELKOMNIKA Vol. No., Teknik Elektro UAD, Desember 006, Yogyakarta. Fadlil, A., 007. Perbandingan Pengklasifikasi Fungsi Jarak Dan Jaringan Syaraf Tiruan Pada Sistem Pengenalan Waah, Prosiding SNATI 007, Yogyakarta. Fauset L., Fundamentals of Neural Networks, Prentice Hall Inc., USA, 994. Jain, A. K., Ross, A., and Prabhakar, A., 004. An Introduction to Biometric Recognition, IEEE Transactions on Circuits and Systems for Video Technology, vol. 4, no., January 004, pp. 4-0. Prabhakar, S., Pankanti, S.,Jain, A.K., 003. Biometric Recognition: Security and Privacy Concerns, Security & Privacy Magazine, IEEE, Volume:, Issue:, Mar- Apr 003, pp. 33 4. Roberto, B. and Tomaso, P., 993. Face Recognition: Features versus Templates, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 5, no. 0, October 993, pp 04-05. Wilson, D. R. and Tony R. M., 997. Improved Heterogeneous Distance Functions, Journal of Artificial Intelligence Research, vol 6, pp. -34. Yang, M., Kriegman, D. J., and Ahua, N., 00. Detecting Face in Images: A Survey, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 4, no., January 00, pp 34-58. Zhao, W., Chellappa, R., Phillips, P. J., and Rosenfeld, A., 005, Face Recognition: A Literature survey, ACM Computing Surveys, Vol. 35, No. 4, pp. 399 458. 487