PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta Rahayu, S.Kom., M.Sc.
Latar Belakang Manusia mengenali objek Pola Mengenali sesama manusia Warna kulit Tinggi badan Rambut Wajah Ekspresi
Latar Belakang Metode pengenal pola Minimum Distance Pattern Classifier Fokus pada jarak antar vektor Neural Network Backpropagation Sering dipakai Mengikuti cara kerja otak manusia Memajukan teknologi keamanan Kunci pintu dengan wajah
Inti Permasalahan Wajah Manusia Ekspresi Rumusan Masalah Metode Minimum Distance Pattern Classifier Metode Neural Network Backpropagation Metode apa yang dapat efektif digunakan dalam mengenali wajah manusia dengan ekspresi yang berbeda?
Batasan Masalah Objek yang diamati Wajah Manusia Foto 2 jenis data Data Penulis (10 orang, 10 ekspresi) Kamera Samsung NX300 Kelas 4ia11 angkatan 2012 Data FERET (5 orang, 10 ekspresi) www.nist.gov
Batasan Masalah Pengambilan Foto Pengambilan foto berjarak 1 meter Fokus muka Dahi sampai dagu, tulang pipi kanan kiri Cahaya cukup jelas Ukuran foto 30x30 dan 50x50 Eksperimen mencari citra Ekspresi berbeda Orang sama
Batasan Masalah Metode yang digunakan Minimum Distance Pattern Classifier (MDPC) Neural Network Backpropagation (BPNN) Program yang digunakan Matlab iphoto
Tujuan Menerapkan metode MDPC dan BPNN dalam mengenali wajah manusia dengan ekspresi yang berbeda Membandingkan metode MDPC dan BPNN dalam mengenali wajah manusia dengan ekspresi yang berbeda
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Recognition Rate Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Data Data Penulis Rekan kelas 4IA11 angkatan 2012 Kamera Samsung NX300 mirrorless Lorong Kampus G Universitas Gunadarma Jarak kurang lebih 1 meter Pencahayaan dari lampu lorong 10 orang dengan 10 ekspresi Total 100 foto
Data Data FERET Database FERET (The Facial Recognition Technology) Website www.nist.gov Email spesifik 5 orang dengan 10 ekspresi Total 50 foto
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Recognition Rate Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Preprocessing iphoto Memotong foto Black & White Resize pixels 30x30 50x50
Preprocessing Data Penulis 30x30 50x50
Preprocessing Data FERET 30x30 50x50
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Recognition Rate Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Transformasi Data Matlab Citra Matriks Matriks Vektor 30x30 900 dimensi 50x50 2500 dimensi Vektor semua citra 1 Matriks Data Penulis = 100 citra x dimensi Data FERET = 50 citra x dimensi
Transformasi Data Matrix Data Diurutkan Ekspresi Orang Database P (30x30) P (50x50) F (30x30) F (50x50)
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Recognition Rate Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Feature Extraction Principal Component Analysis Z-Score Normalisasi Data Merepresentasikan data lebih baik Z = X u σ A B C A B C
Principal Component Analysis Data Z-Score Data PCA -n dimensi -redundant -m dimensi -dimana m<n -tidak redundant M = T Z Matriks Kovarian C z = Zt Z n 1 Vektor Eigen -Nilai Eigen -Signifikansi data -Buang mendekati 0 Matriks Transformator
Nilai Eigen Data Penulis
Nilai Eigen Data Penulis
Nilai Eigen Data FERET
Nilai Eigen Data FERET
Principal Component Analysis
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Recognition Rate Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Minimum Distance Pattern Classifier Classifier Jarak terpendek Vektor Definisi kemiripan dx = σ x k m k T. x k m k
Minimum Distance Pattern Classifier Bagan Eksperimen Melalui PCA Tidak melalui PCA Data Preprocessing Feature Transformation Principal Component Analysis Recognition Rate Minimum Distance Pattern Classifier
Minimum Distance Pattern Classifier Cara Eksperimen Data dibagi dua Datatest = Data test, 10 orang, 5 ekspresi (50) Data pedoman, 10 orang, 5 ekspresi (50) x 1.1 x 1.50, Database = x 50.1 x 50.50 Setiap Citra Data Test Setiap Citra Data Pedoman Dicari nilai yang terkecil x 51.1 x 51.50 x 100.1 x 100.50 dx = σ x k m k T. x k m k
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Neural Network Neural Network Transmisi informasi Sinyal Elektrokimia Sinapsis Nilai ambang Mc Culloch dan Pitts Tahun 1940 : Model matematis Perceptron
Backpropagation Neural Network Data Preprocessing BPNN Pembelajaran Target Transformasi Data Principal Component Analysis Neural Network Backpropagation Bagan Eksperimen Pembelajaran Uji Nilai bobot Neural Network Backpropagation Er < 0,01 Recognition Rate BPNN Uji Data dibagi 2 Data training (50) Data test (50)
Backpropagation Neural Network Arsitektur Eksperimen Lapisan Input 50 Lapisan Hidden 100 Lapisan Output 10 / 5 Target berurutan A-B-C-
Backpropagation Neural Network Langkah-langkah BPNN Inisialisasi Bobot (Nguyen Widrow) Bobot Acak - nilai acak antara 0,5 sampai -0,5 Nilai Mutlak - Vij = σi i=1 (Vij) 2 - Wjk = σi i=1 (Wjk) 2 Bobot baru - Vij new = β.vij old Vij Faktor Skala - Vij new = β.vij old Vij - β = 0.7 (P) 1 n
Backpropagation Neural Network Pembelajaran Data Training - Masuk per citra (vektor) Feed Forward Error dan Feed Backward Stopping Condition - Error total < 0.01 / Epoch = 500 - Simpan bobot Pembaruan Bobot - V ij new = V ij old + V ij - W jk new = W jk old + W jk
Backpropagation Neural Network Uji Feed Forward Data Test - Masuk per citra (vektor) Hasil Klasifikasi - Hasil klasifikasi BPNN
Bagan Eksperimen Data Preprocessing Feature Transformation Recognition Recognition Rate Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Classifier Feature Extraction
Recognition Rate Satuan yang menyatakan rasio pengenalan RR = Citra yang berhasil dikenali Total Citra x 100%
Hasil Eksperimen Data Penulis Recognition Rate Minimum Distance Pattern Classifier Data Penulis 100% 80% RR 60% 40% 20% 0% A B C D E F G H I J TOTAL ORANG MDPC-Recogniton Rate 30*30 MDPC-Recognition Rate 30*30-PCA MDPC-Recognition Rate 50*50 MDPC-Recognition Rate 50*50-PCA
Hasil Eksperimen Data Penulis Recognition Rate Backpropagation Neural Network - Data Penulis 100% 80% RR 60% 40% 20% 0% A B C D E F G H I J TOTAL ORANG BPNN-Recognition Rate 30x30-PCA BPNN-Recognition Rate 50x50-PCA
Hasil Eksperimen Data FERET Recognition Rate Minimum Distance Pattern Classifier - Data FERET 100% 80% RR 60% 40% 20% 0% A B C D E TOTAL Orang MDPC-Recognition Rate 30x30-FERET MDPC-Recognition Rate 50x50-FERET MDPC-Recognition Rate 30x30-PCA-FERET MDPC-Recognition Rate 50x50-PCA-FERET
Hasil Eksperimen Data FERET 100% Recognition Rate Backpropagation Neural Network - FERET 80% RR 60% 40% 20% 0% A B C D E TOTAL Orang BPNN-Recognition Rate 30x30-PCA-FERET BPNN-Recognition Rate 50x50-PCA-FERET
Kesimpulan Peran feature extraction dalam pattern recognition yang sangat dominan Hasil Principal Component Analysis sangat bergantung pada pemotongan ukuran dimensi datanya, yang didasari dari nilai eigen Neural Network Backpropagation bekerja lebih baik dibandingkan dengan classifier Minimum Distance Pattern Classification Neural Network Backpropagation dapat mengenali ekspresi wajah walau hanya sekedar mirip, sedangkan Minimum Distance Pattern Classification sangat bergantung dengan kesamaan antara citra Data FERET memiliki hasil yang kurang karena variansi citra yang banyak tetapi data yang sedikit
Saran Ada potensi besar bahwa penelitian ini dapat dibawa ke jenjang selanjutnya dengan cara ekspresi manusia yang lebih dirumitkan, karena dengan begitu lebih terlihat jelas perbandingan antara kedua metode