JARINGAN SARAF TIRUAN BACKPROPAGATION UNTUK PENGENALAN WAJAH METODE EKSTRAKSI FITUR Sigit Kusmaryanto Teknok Elektro FTUB, sigitkus@ub.ac.id ABSTRAKSI Salah satu kelemahan umum pada pengenalan pola untuk pengenalan wajah adalah keharusan pola masukan yang akurat terhadap pola teridentifikasi. Hal tersebut menyebabkan masukan sering tidak dikenali/tidak teridentifikasi sehingga harus di-input secara berulang-ulang. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan dengan komponen utama jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah diharapkan mengatasi kelemahan sistem pengenalan pola untuk pengenalan wajah. Penelitian ini akan mengimplementasikan Jaringan Saraf Tiruan (JST) Backpropagation dengan MATLAB 7. untuk pengenalan wajah. Pengenalan wajah menggunakan citra wajah yang diambil dari pose frontal dengan variasi ukuran piksel dan jarak. Citra wajah dilatih pada variasi ukuran piksel 64 x 48 piksel dan 6 x 8 piksel serta masing-masing wajah memiliki dua jarak pengambilan yaitu sedang(2-5m), dekat (<2m). Proses pelatihan menggunakan algoritma backpropagation. Hasil yang didapatkan dari uji JST menggunakan 8 citra dengan wajah frontal: dihasilkan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. dan learnng rate=.9 dengan prosentase pengenalan wajah 63 % Kata Kunci : Jaringan Saraf Tiruan, Backpropagation, Pengenalan Wajah ABSTRACT One common weakness on pattern recognition for face recognition is imperative that accurate input pattern to the pattern identified. This causes the input is often not recognized / not identified so it must be input repeatedly. Face recognition applications using artificial intelligence with the main component neural networks for processing and identification of faces is expected to overcome the weaknesses of pattern recognition systems for face recognition. This study will implement Artificial Neural Networks ( ANN ) backpropagation with MATLAB 7. for face recognition. Face recognition using face images taken from the frontal pose variations pixel size and distance. Trained face images in various sizes 64 pixels x 48 pixels and 6 x 8 pixels and each face has two making the distance is ( 2-5m ), close ( < 2m ). The process of training using the backpropagation algorithm. The results obtained from testing the ANN using 8 frontal face image with: resulting number of units in the hidden layer 8, the number of input unit 225, the number of output unit, the maximum epoch 25, and learnng the target error rate =.9 with 63% percentage of face recognition. Keywords : Neural Networks, Backpropagation, Face Recognition
PENDAHULUAN Latar Belakang Salah satu kelemahan umum pada pengenalan pola untuk pengenalan wajah adalah keharusan pola masukan yang akurat terhadap pola teridentifikasi. Hal tersebut menyebabkan masukan sering tidak dikenali/tidak teridentifikasi sehingga harus di-input secara berulang-ulang. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan dengan komponen utama jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah diharapkan mengatasi kelemahan sistem pengenalan pola untuk pengenalan wajah. Aplikasi pengenalan wajah dengan menggunakan kecerdasan buatan sebagai komponen utama khususnya jaringan saraf tiruan untuk pemrosesan dan identifikasi wajah masih belum banyak ditemui. Dalam penelitian yang sudah ada sebelumnya, [DEWI R., 27] aplikasi pengenalan wajah menggunakan citra wajah yang diambil dari pose frontal dan memiliki jarak pengambilan citra yang relatif sama dan kekurangannya adalah apabila kita melakukan pemrosesan terhadap citra wajah yang sama dengan pengambilan jarak citra yang berbeda maka aplikasi tidak dapat mengekstraksi fitur wajah dengan sempurna dan hasilnya tidak akurat. Penelitian sebelumnya juga belum mengadaptasi kecerdasan buatan. Berdasarkan penelitian tersebut, Peneliti bermaksud membuat sebuah aplikasi pengenalan wajah yang dapat menyelesaikan masalah dengan menggunakan jaringan saraf tiruan. Tujuan Tujuan dalam usulan penelitian ini adalah implementasi Program MATLAB untuk membuat sistem pengenalan wajah. Program aplikasi ini dilatih dengan memasukkan citra wajah. Setelah proses pelatihan selesai, citra wajah yang ingin dicari informasinya dimasukkan ke dalam aplikasi dan dilihat apakah aplikasi mampu mengenali citra wajah tersebut. METODE PENELITIAN Metode dalam pelaksanaan penelitian ini adalah dengan langkah-langkah sebagai berikut :
Melakukan kajian studi pustaka, yaitu dengan mengumpulkan data, artikel yang berhubungan dengan pengolahan citra, model warna, deteksi wajah, teori dasar matriks, kecerdasan buatan, jaringan saraf tiruan dan bahasa pemrograman MATLAB yang berhubungan dengan pengolahan citra. Pengambilan objek sebagai data dilakukan dengan menggunakan kamera dijital Implementasi JST Backpropagation untuk pengenalan wajah melalui bebrapa tahap yaitu tahap prepsosesing citra wajah, tahap ekstraksi citra wajah dan tahap pengenaan wajah menggunakan JST backpropagation. Gambar. PROSES IMPLEMENTASI JST BACKPROPAGATION UNTUK PENGENALAN WAJAH Tahap preprosesing citra wajah bertujuan mendapatkan aras keabuan dari citra wajah. Pada tahap ini digunakan pendekatan berbasis gambar dengan menghapus data yang berlebihan dari gambar wajah melalui kompresi gambar dengan menggunakan Microsoft Office Picture Manager. Untuk selanjutnya dilakukan perubahan aras keabuan pada citra dengan fungsi default MATLAB 7.: rgb2gray(citra_wajah.png). Pada tahap ini citra gambar yang akan
diproses terdiri tiga orang dengan jenis citra:. citra wajah jarak dekat 2. citra wajah jarak dekat piksel 8 x 6 3. citra wajah jarak dekat piksel 64 x 48 4. citra wajah jarak sedang 2. citra wajah jarak sedang piksel 8 x 6 3. citra wajah jarak sedang piksel 64 x 48. Sementara jarak dekat didefinisikan pengambilan citra wajah pada jarak kurang 2 m, untuk jarak sedang 2-5 m Gambar 2. PROSES PREPROSESING CITRA WAJAH. Proses Croping dengan Microsoft Office Picture Manager 2. Proses Grayscale citra dg fungsi default MATLAB: rgb2gray(citra.png) Tahap ekstrasi citra wajah dilakukan untuk proses menentukan ciri citra wajah. Pada penelitian ini digunakan ekstraksi fitur tekstur yang berbasis pada histogram citra wajah. Ekstraksi fitur tekstur akan menentukan ciri citra wajah berdasarkan 6 parameter yaitu:. rerata intensitas, 2. rerata kontras, 3. skewness, 4. energi, 5. entropi, 6. smoothness. Selanjutnya data ekstraksi ciri sebagai database citra wajah. Gambar 3. PROSES EKSTRAKSI CIRI BERBASIS HISTOGRAM. Proses histeq menggunakan perintah: histeq (citra grayscale) 2. Ekstraksi fitur tekstur dengan program MATLAB: function [Stat] = stattekstur(f)
Tahap pengenalan citra wajah dengan JST. JST yg dibentuk adalah jaringan Backpropagation. Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Arsitektur Backpropagation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Arsitektur backpropagation dengan n buah masukan (ditambah satu bias), dan sebuah layar tersembunyi yang terdiri dari p unit (ditambah satu bias), dan juga m buah unit keluaran, terdapat pada gambar Gambar 4. ARSITEKTUR JARINGAN BACKPROPAGATION Sumber: Kusumadewi, 24 Dari gambar ARSITEKTUR JARINGAN BACKPROPAGATION dapat dijelaskan bahwa Vji adalah bobot garis dari unit masukan Xi ke unit layar tersembunyi Zj (Vj adalah bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi Zj). Sedangkan Wkj adalah bobot dari unit layar tersembunyi Zj ke unit keluaran Yk (Wk adalah bobot dari bias di layar tersembunyi ke unit keluaran Yk).
Fungsi Aktivasi Dalam backpropagation ini, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu : kontinyu, terdeferensial dengan mudah dan merupakan fungsi yang tidak turun. fungsi yang dipakai adalah sigmoid biner, tansig dan purelin, dengan persamaan sebagai berikut: Fungsi sigmoid: yy = ff(xx) = + ee θθθθ dddddddddddd yy = ff (xx) = θθθθ(xx)[ ff(xx)] Fungsi tansig: yy = ff(xx) = ee 2xx + ee 2xx dddddddddddd yy = ff (xx) = [ + ff(xx)][ ff(xx)] Fungsi purelin yy = ff(xx) = xx dddddddddddd yy = ff (xx) =
Algoritma Pelatihan JST Backpropagation a. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil) b. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai false :. Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan : Feedforward : a. Tiap-tiap unit input (X i, i=,2,3, n) menerima sinyal x i dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi) b. Tiap-tiap unit tersembunyi (Z i, j=,2,3, p) menjumlahkan sinyal-sinyal input terbobot : z _ in j = Vo j + n i= X V gunakan fungsi aktivasi untuk menghitung sinyal outputnya: Z j = f(z_in j ) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit output (Y k,, K=,2,3, m) menjumlahkan sinyal-sinyal input terbobot. Y _ in k = Wo k + p i= Z W i jk gunakan fungsi aktivasi untuk menghitung sinyal outputnya: Y k = f(y_in k ) Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). Backpropagation d. Tiap-tiap unit output (Y k, K=,2,3, m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya : i ij kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai W jk ) :
hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai Wo k ): W = α δ kirimkan ini δ k ke unit-unit yang ada dilapisan ok k bawahnya. e. Tiap-tiap unit tersembunyi (Z j, j=,2,3, p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya): m δ _ in j = δ W k = k jk Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error : Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai V j ) : V jk = αδ X Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai V j ): V j = αδ f. Tiap-tiap unit output (Y k =,2,3, m) memperbaiki bias dan bobotnya (i=,2,3, p) : j j i Tiap-tiap unit tersembunyi (Z j, j=,2,3, p) memperbaiki bias dan bobotnya (i=,,2, n) : 2. Tes kondisi berhenti : 3. Langkah-langkah diatas adalah untuk satu kali siklus pelatihan (satu epoch). Proses pelatihan diulang sampai jumlah epoch tertentu atau telah tercapai target error yang diinginkan. 4..Hasil akhir pelatihan jaringan adalah didapatkannya bobot-bobot W. Wn yang kemudian disimpan untuk pengujian jaringan. Dua fase dilakukan pada tahap pengenalan wajah dengan JST yaitu pelatihan dan pengujian. Pelatihan menggunkan sebagian data hasil ekstraksi fitur tekstur, sementara pengujian dilakukan dengan citra wajah lainnya
Gambar 5. DIAGRAM ALIR IMPLEMENTASI JST UNTUK PENGENALAN WAJAH Pembahasan dan Analisis Hasil Pengujian Pada prakteknya, perancangan arsitektur JST Backpropagation sangat tergantung pada masalah yang akan diselesaikan. Untuk himpunan masukan berdimensi besar atau jumlah kelas keluaran yang dinginkan besar, maka diperlukan jumlah node pada lapisan tersembunyi yang lebih banyak. Atau diperlukan lebih dari satu lapisan tersembunyi, tetapi tentu saja ada batas optimumunya untuk kedua parameter tersebut. Pengujian pertama kita lakukan pengujian terhadap jumlah lapisan tersembunyi yaitu dengan mengubah-ngubah jumlah unit pada lapisan tersembunyi :
Table. Pengujian Terhadap Jumlah Unit Pada Lapisan Tersembunyi. Input : 225 Maksimum epoh : 25 Output : Target error :. Learning rate (α ) :.9 Jumlah Epoh Dikenali Tidak Persentase (%) lapisan Dikena tersembunyi li 5 85 9 9 % 6 256 % 7 98 % 8 29 % Berikut adalah grafik dari setiap jumlah unit pada lapisan : kuadratv error.9.7.6.5.3. 6 6 2 26 3 36 4 46 5 56 6 66 7 76 8 epoh Grafik Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 5. kuadrat error.9.7.6.5.3. 2 39 58 77 96 5 34 epoh 53 72 9 2 229 248 Grafik 2 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 6. kuadrat error.9.7.6.5.3. 7 3 9 25 3 37 43 49 55 6 67 73 79 85 9 97 epoh Grafik 3 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 7.
.9.7.6.5.3. 7 33 49 65 8 97 3 29 45 kuadrat error 6 77 93 29 225 24 257 273 289 epoh Grafik 4 Grafik Kuadrat Error Dengan Jumlah Lapisan Tersembunyi 8. Pada pengujian selanjutnya penulis akan menggunakan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. dan dengan nilai learning rate (α ) yang diubahubah. Pada pengujian ini penulis menguji tiap citra wajah sebanyak kali menginput-kan pola wajah yang akan dikenali.. Nilai learning rate (α ) =.5 Citra Wajah Dikenali Tidak dikenali Persentase (%) 9 9 5% 2 7 39% 3 7 4% 4 8 55% 5 7 6% 6 7 4% 7 7 6% 8 9 9 5% 9 7 6% 7 6% 9 9 5% 2 7 4% 3 7 38% 4 9 9 5% 5 9 9 49% 6 9 9 5% 7 3 5 7% 8 7 6% Rerata 5%
kuadrat error.9.7.6.5.3. 2 3 4 5 6 7 8 9 2 3 4 5 6 7 8 epoh Grafik 5 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.5 2. Nilai learning rate (α ) =.6 Citra Wajah Dikenali Tidak dikenali Persentase (%) 8 55% 2 8 53% 3 7 6% 4 7 62% 5 3 5 7% 6 7 4% 7 8 55% 8 8 53% 9 8 58% 7 6% 9 9 48% 2 9 9 5% 3 7 38% 4 9 9 5% 5 9 9 49% 6 9 9 5% 7 3 5 7% 8 7 6% Rerata 55% Kuadrat Error.6 2 39 58 77 96 5 34 53 72 9 2 229 248 267 286 35 324 343 Epoh Grafik 6 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.6
3. Nilai learning rate (α ) =.7 Citra Wajah Dikenali Tidak dikenali Persentase (%) 8 58% 2 8 54% 3 2 6 65% 4 7 62% 5 3 5 7% 6 7 4% 7 8 54% 8 8 53% 9 8 58% 7 6% 9 9 48% 2 9 9 5% 3 7 38% 4 7 6% 5 9 9 49% 6 9 9 5% 7 2 6 69% 8 2 6 68% Rerata 56% Kuadrat Error.9.7.6.5.3. 8 35 52 69 86 3 2 37 54 7 88 25 222 239 256 273 29 37 324 Epoh Grafik 6 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.7 4. Nilai learning rate (α ) = Citra Wajah Dikenali Tidak dikenali Persentase (%) 7 6% 2 7 6% 3 2 6 68%
4 2 6 65% 5 3 5 7% 6 9 9 48% 7 7 59% 8 7 6% 9 8 58% 7 6% 9 9 48% 2 9 9 5% 3 7 38% 4 7 6% 5 9 9 49% 6 9 9 5% 7 2 6 69% 8 2 6 68% Rerata 58% Kuadrat Error.9.7.6.5.3. 9 37 55 73 9 9 27 45 63 8 99 27 235 253 27 289 37 325 Epoh Grafik 8 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) = 5. Nilai learning rate (α ) =.9 Citra Wajah Dikenali Tidak dikenali Persentase (%) 7 62% 2 7 6% 3 7 63% 4 7 6% 5 2 6 64% 6 7 62% 7 7 6% 8 9 9 5% 9 3 5 7% 7 6% 3 5 7% 2 7 6% 3 3 5 7% 4 7 6%
5 3 5 7% 6 7 6% 7 3 5 7% 8 7 6% Rerata 63%.9.7.6.5.3. 7 33 49 65 8 kuadrat error 97 3 29 45 6 77 93 29 225 24 257 273 289 epoh Grafik 9 Grafik Kuadrat Error Dengan Nilai Learning Rate (α ) =.9 PENUTUP Kesimpulan Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan wajah dapat dibuat dengan program MATLAB 7. pada Penelitian ini. Tahapan Penelitian terdiri atas Preprosesing Citra Wajah, Ekstraksi Citra Wajah dan Pengenalan Citra Wajah dengan JST. Citra Wajah yang diuji tiga orang dengan:. Variasi jarak yaitu dekat (<2m) dan sedang (2-5m), 2. Variasi piksel 8x6 piksel dan 64x48 piksel. Pada ekstraksi citra wajah dilakukan dengan ekstraksi fitur tekstur yang berbasis histogram, sedangkan JST menggunakan jaringan Backpropagation Dari hasil pengamatan dikaitkan dengan permasalahan dan tujuan dilakukannya pembuatan penelitian ini maka dapat diambil beberapa hal:. Perangkat lunak ini dapat mengelompokkan citra dengan menggunakan segmentasi citra dengan metode ekstraksi fitur tekstur. 2. Pola Citra Wajah tersebut dapat dikenali sebagai Citra Wajah dengan Jaringan Syaraf Tiruan dengan menggunakan Backpropagation. 3. Pengenalan pola Citra Wajah akan mengalami kesalahan jika jaringan syaraf tiruan yang kita bangun tidak sesuai dengan input data yang kita masukkan.
4. Implementasi Jaringan Saraf Tiruan Backpropagation untuk Pengenalan wajah dapat dibuat dengan program MATLAB pada Penelitian ini. 5. Pada Pelatihan JST kondisi terbaik dihasilkan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. 6. Pada Pelatihan JST kondisi terbaik dihasilkan jumlah unit pada lapisan tersembunyi 8, jumlah unit input 225, jumlah unit output, maksimum epoh 25, target error. dan learnng rate=.9 Saran Banyaknya jumlah data citra untuk setiap wajah orang yang dilatih dapat mempengaruhi hasil proses pengenalan. Semakin banyak data yang dilatih, jaringan akan semakin baik mengenali pola sehingga hasil pengenalan akan lebih akurat, namun akan berdampak dengan melambatnya proses pelatihan. DAFTAR PUSTAKA [] Darma, Putra. 23. Pengolahan Citra Digital. Penerbit Andi [2] Hsu, R.L., Abdel-Mottaleb, M. dan Jain, A.K. 2. "Face Detection in Color Images". Proceedings of the IEEE International Conference on Image Processing. [3] Kadir, Abdul. Susanto, Adi. 22. Teori dan Aplikasi Pengolahan Citra. Yogyakarta-Penerbit ANDI. [4] Kusumadewi, Sri. 23. Artificial Intellegence. Yogyakarta-Graha Ilmu. [5] Kusumadewi, Sri. 24. Membangun Jaringan Saraf Tiruan Menggunakan MATLAB&Exel Link. Yogyakarta-Graha Ilmu. [6] Sianipar. R.H. dkk. 23. MATLAB untuk Pemrosesan Citra Digita. Bandung- Penerbit Informatika. [7] Sianipar. R.H. dkk. 23. Pemrograma MATLAB dalam Contoh dan Penerapan. Bandung-Penerbit Informatika. [8] Siang, Jong Jek. 25. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan Matlab. Yogyakarta-Penerbit ANDI.