BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam masa perkembangan teknologi yang berkembang pesat ini, kata Kecerdasan Buatan (Artificial Intelligence) mulai umum untuk didengar oleh semua orang. Kecerdasan Buatan merupakan salah satu disiplin dari Ilmu Komputer (Computer Science). Disiplin ini mempelajari bagaimana agar mesin memiliki kecerdasan sendiri seperti layaknya manusia. Kecerdasan Buatan sendiri masih memiliki cabang disiplin yang lain. Fokus dari studi yang diajarkan dalam Kecerdasan Buatan ini, adalah Computer Vision dan Neuro Computing. Computer Vision merupakan teknik yang mempelajari bagaimana mesin dapat melakukan ekstraksi fitur gambar 2 dimensi menjadi suatu informasi baik kuantitatif maupun kualitatif. Sementara Neuro Computing adalah salah satu teknik kategorisasi atau klasifikasi dengan cara mencocokkan pola masukkan dengan pola hasil pelatihan berdasarkan arsitektur dan konstruksi jaringan syaraf biologis. Computer Vision sering digunakan untuk pendeteksian wajah manusia dalam sebuah gambar yang umum, pengenalan wajah manusia serta pengenalan ekspresi yang ditunjukkan wajah. Melalui pengenalan ekspresi wajah memungkinkan mesin untuk membedakan emosi yang ditunjukkan wajah tersebut. 1
2 Pengenalan ekspresi wajah dilakukan melalui berbagai tahap, yaitu dimulai dari pendeteksian wajah, kemudian pengambilan citra-citra wajah yang memberikan informasi tentang ekspresi wajah yang akan dideteksi. Metode yang umum digunakan untuk mengekstraksi fitur wajah, khususnya dalam pengklasifikasian ekspresi, adalah Analisis Komponen Prinsipal (Principal Component Analysis) yang mana dimensi citra yang tinggi dikompresi menjadi data dengan dimensi yang lebih kecil. Metode ini ternyata masih dapat terus dikembangkan. Pada tahun 1999, Lee dan Seung, mengusulkan suatu metode baru yang disebut Non-negative Matrix Factorization (NMF) yang digunakan sebagai feature extraction dan classifier. Metode ini tidak menggunakan classifier tertentu, tetapi hanya membandingkan nilai feature untuk proses klasifikasi penentuan emosi wajah. Namun sebelumnya, David R. Rumelhart pada tahun 1986, telah menemukan suatu metode pembelajaran sebagai metode training dan classifier, yaitu metode Back-Propagation. Untuk meningkatkan akurasi dalam pendeteksian emosi wajah ini, penulis memberikan usul untuk menggabungkan kemampuan feature extractor dari Non-negative Matrix Factorization dan kemampuan classifier dari metode Back Propagation sehingga dapat menghasilkan suatu metode gabungan. Proses yang dilakukan setelah pengekstraksian fitur wajah adalah proses klasifikasi yang berbasis vektor fitur. Salah satu metode klasifikasi yang akurat dan fault tolerant adalah supervised training yang mana peneliti memberikan nilai masukan dan keluaran yang sesuai untuk masalah yang diteliti dan mesin mempelajari pola yang sesuai untuk pemecahan masalah.
Metode pembelajaran supervised training yang cukup terkenal dan umum dilakukan adalah algoritma pembelajaran Backpropagation. 3 NMF reliable digunakan sebagai feature extractor dan BP reliable digunakan sebagai classifier. Maka peneliti melakukan penggabungan kedua metodologi ini dalam mendeteksi ekspresi wajah. Dengan demikian, proses komputasi pengenalan emosi melalui ekspresi wajah dapat diharapkan lebih optimal dengan penggunaan algoritma yang lebih optimal pada tahap pengekstraksian vektor fitur dan tahap pelatihan. 1.2. Ruang Lingkup Ruang lingkup penelitian pengenalan ekspresi wajah ini terbatas pada 1. Database gambar yang digunakan adalah JAFFE yang terdiri atas 213 gambar ekspresi wajah yang diambil dari 10 wanita Jepang. Objek wajah yang dikenali berupa gambar wajah manusia dengan ekspresi yang berbeda-beda diambil dari tampak depan. 2. Ekspresi dasar yang diteliti adalah ekspresi netral (neutral), marah (angry), senang (happy), sedih (sad), takut (fear), terkejut (surprised), dan jijik (disgust). 3. Metode yang digunakan adalah Faktorisasi Matriks Non-Negatif dan Jaringan Syaraf Tiruan Propagasi-Balik 4. Eksperimen dilakukan dengan menggunakan perangkat lunak MATLAB 7.11b
4 1.3. Tujuan Dan Manfaat Tujuan dari pengenalan ekspresi wajah dengan metode Faktorisasi Matriks Non-Negatif dan Jaringan Syaraf Tiruan Propagasi-Balik adalah: 1. Mengembangkan metode Faktorisasi Matriks Non-Negatif yang digunakan untuk proses pengenalan ekspresi wajah sebagai pengekstraksian fitur digabungkan dengan metode Jaringan Syaraf Tiruan Propagasi-Balik sebagai algoritma pendeteksian. Metode gabungan ini diharapkan memiliki tingkat akurasi yang lebih tinggi dalam mengenali ekspresi wajah. Penelitian ini diharapkan menghasilkan manfaat sebagai berikut: 1. Menghasilkan metode untuk pengembangan aplikasi pengenalan ekspresi wajah yang lebih akurat. 2. Membantu penelitian dalam bidang psikologi dalam mengenali emosi melalui ekspresi wajah manusia. 3. Mengembangkan prototype aplikasi pengenalan ekspresi wajah berbasis komputer pribadi (PC) yang lebih akurat.
5 1.4. Metodologi Terdapat tiga metodologi yang digunakan dalam penelitian ini, metodologi tersebut adalah: 1. Metode Non-Negative Matrix Factorization (NMF) Gambar-gambar yang disiapkan untuk proses pelatihan dikecilkan ukurannya, lalu diproses untuk diekstrak fiturnya dengan metode NMF. Pemrosesan menghasilkan matriks W dan matriks H yang selanjutnya digunakan untuk proses pengujian dan untuk menentukan hasil klasifikasi pendeteksian ekspresi wajah. 2. Metode Artificial Neural Network Back-Propagation (BP) Dengan metode ini, gambar-gambar yang disiapkan untuk proses pelatihan dikecilkan ukurannya, lalu dilatih dalam jaringan syaraf tiruan. Pelatihan tersebut menghasilkan suatu jaringan (net) yang nantinya digunakan untuk proses pengujian untuk menentukan hasil klasifikasi pendeteksian ekspresi wajah. 3.Metode Kombinasi NMF dan BP Metode kombinasi ini menggunakan metode NMF sebagai pengekstraksi fitur dan metode BP sebagai pengklasifikasi. Gambar-gambar yang digunakan dalam proses pelatihan dikecilkan ukurannya, lalu diekstrak fiturnya dengan NMF. Fitur-fitur yang berhasil diperoleh digunakan sebagai masukan untuk dilatih dalam jaringan syaraf tiruan sehingga didapat suatu jaringan. Proses pengujian dilakukan dengan langkah yang sama, yaitu dengan mengekstrak fitur gambar lalu hasil pengekstraksiannya digunakan untuk mengenali ekspresi dengan menggunakan jaringan yang telah diperoleh sebelumnya.
6 1.5. Sistematika Penulisan Adapun susunan tercantum pada sistematika penulisan skripsi ini terdiri dari komposisi dengan uraian lima bab yang meliputi: BAB 1 PENDAHULUAN Bab ini berisi latar belakang permasalahan dari penelitian yang dilakukan, ruang lingkup permasalahan, tujuan dan manfaat penelitian, hipotesis dari penelitian, metodologi serta sistematika penulisan yang digunakan. BAB 2 TINJAUAN PUSTAKA Bab ini membahas teori umum yang berkaitan dengan penelitian, yaitu membahas tentang visi komputer serta jaringan syaraf tiruan. Selain itu, membahas pula perkembangan terakhir dari penelitian dalam bidang atau topik yang berkaitan yang diperoleh melalui jurnal-jurnal penelitian, khususnya yang berkaitan dengan metodologi yang digunakan. BAB 3 METODOLOGI Bab ini membahas metode-metode yang digunakan dalam penelitian. Metodologi yang digunakan dalam penelitian ini adalah metode faktorisasi matriks non-negatif (non-negative matrix factorization) dan jaringan syaraf tiruan propagasi-balik (backpropagation). BAB 4 HASIL PENELITIAN Bab ini berisi hasil penelitian dari metodologi yang digunakan serta analisis dari hasil penelitian tersebut. BAB 5 SIMPULAN DAN SARAN Pada bab ini berisikan kesimpulan dari penelitian serta saran dari peneliti untuk penelitian lebih lanjut mengenai topik yang diteliti.