pengenalan wajah menggunakan jst …digilib.uin-suka.ac.id/10894/1/bab i, v, daftar...
TRANSCRIPT
PENGENALAN WAJAH MENGGUNAKAN JST
BERDASARKAN EKSTRAKSI CIRI PCA DAN LDA
Skripsi
untuk memenuhi sebagian persyaratan
mencapai derajat Sarjana S-1
Diajukan oleh :
Muhammad Fazlur Rahman
(NIM : 07650009)
kepada
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SUNAN KALIJAGA
YOGYAKARTA
2012
ii
HALAMAN PENGESAHAN SKRIPSI/TUGAS AKHIR
iii
HALAMAN PERSETUJUAN SKRIPSI/TUGAS AKHIR
Pembimbing 1
iv
HALAMAN PERNYATAAN KEASLIAN SKRIPSI
Yang bertanda tangan di bawah ini:
Nama : Muhammad Fazlur Rahman
NIM : 07650009
Program Studi : Teknik Informatika
Fakultas : Sains dan Teknologi
Menyatakan bahwa skripsi dengan judul “PENGENALAN WAJAH
MENGGUNAKAN JST BERDASARKAN EKSTRAKSI CIRI PCA DAN
LDA” tidak terdapat karya yang pernah diajukan untuk memperoleh gelar
kesarjanaan di suatu Perguruan Tinggi, dan sepanjang pengetahuan saya juga
tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang
lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam
daftar pustaka.
Yogyakarta, 10 Mei 2012
Yang menyatakan,
Muhammad Fazlur Rahman
NIM. 07650009
v
KATA PENGANTAR
Alhamdulillah, segala puji bagi Allah Subhanahu wa ta’ala atas limpahan
rahmat, hidayah, serta bimbingan-Nya. Shalawat serta salam semoga tercurah
kepada Nabi Muhammad Shallallohu ‘alaihi wa sallam. Akhirnya peneliti dapat
menyelesaikan penelitian Tugas Akhir yang berjudul Pengenalan Wajah
Menggunakan JTA Berdasarkan Ekstraksi Ciri PCA Dan LDA. Oleh karena
itu, dengan segala kerendahan hari pada kesempatan ini peneliti mengucapkan
banyak terima kasih kepada:
1. Prof. Drs. H. Akh. Minhaji, M.A., Ph.D selaku Dekan Fakultas Sains dan
Teknologi Universitas Islam Negeri Sunan Kalijaga.
2. Bapak Agus Mulyanto, S.Si, M.Kom. selaku Ketua Program Studi Teknik
Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sunan
Kalijaga.
3. Ibu Shofwatul „Uyun, M.Kom, selaku pembimbing yang selalu sabar
membimbing, mengarahkan, memberikan nasehat dan saran selama
penyusunan skripsi.
4. Seluruh teman-teman keluarga besar Program Studi Teknik Informatika,
khususnya angkatan 2007 dan 2006 yang telah banyak sekali memberikan
masukan, saran dan diskusi yang begitu berharga
5. Serta semua rekan-rekan peneliti di berbagai kegiatan maupun organisasi
yang juga telah memberikan banyak sekali masukan dan kontribusi yang
sangat berarti bagi peneliti
vi
Peneliti merasa masih banyak sekali kekurangan dan kelemahan dalam
penelitian ini, oleh karena itu segala kritik dan saran senantiasa peneliti harapkan
dari para pembaca. Akhir kata, semoga penelitian ini dapat menjadi panduan serta
referensi yang sangat berguna bagi pembaca dan dapat dimanfaakan sebaik-
baiknya.
Yogyakarta, 10 Mei 2012
Peneliti
vii
HALAMAN PERSEMBAHAN
Teriring ucapan syukur yang mampu ku ucapkan kepada-Mu ya Allah, semoga
shalawat dan salam senantiasa tercurah kepada Baginda Nabi Muhammad SAW. Aku
bersyukur kepadamu alhamdulillah, dengan bimbingan, karunia dan petunjuk-Mu, telah
berhasil kuselesaikan tugas akhir ini. Ya Allah aku hanyalah manusia biasa, yang tanpa
bimbinganmu aku bukanlah apa-apa. Aku hanyalah manusia biasa, yang tanpa orang-orang
disekitarku aku juga bukanlah siapa-siapa... Untuk itu Ya Allah, ijinkanlah aku untuk
menyampaikan rasa terimakasihku pada-Mu dan pada mereka... dan sudilah kiranya Engkau
senantiasa menjaga dan menjaga mereka dijalan-Mu Ya Allah.. dari relung hati yang
terdalam kusampaikan rasa terimakasihku :
Ibunda Elik Muflihah dan ayahanda Arfian Mudayan tercinta yang sejak lahir sampai
sekarang dan kelak akan senantiasa memberikan dukungan, do’a dan pengorbanannya
untuk-ku. Terimakasih banyak karena selalu menyelipkan namaku disetiap do’a
sepanjang sholat malam kalian. Ya Allah hanya seuntai doa yang aku panjatkan,
Ampunilah dosa-doa mereka, sayangilah mereka seperti mereka menyayangiku diwaktu
kecil dan Masukkanlah mereka kedalam surga-Mu.... Amiin.
Prof. Drs. H. Akh. Minhaji, M.A.,Ph.D selaku Dekan Fakultas Sains dan Teknologi
Universitas Islam Negeri Sunan Kalijaga.
Bapak Agus Mulyanto, M. Kom, selaku Ketua Program Studi Teknik Informatika.
Keberadaan beliau dalam menuntut ilmu sudah seperti Bapak kedua bagi peneliti yang
selalu sabar membimbing, mengarahkan, memberikan nasehat dan saran yang tak ternilai
harganya. Semoga Allah selalu melindungi Pak Agus dan keluarga :).
viii
Ibu Shofwatul ‘Uyun, M.Kom selaku Dosen Pembimbing I yang telah banyak sekali
memberikan ilmu-ilmu dan diskusi yang sangat mengakselerasi bagi pertambahan
pengetahuan peneliti, memberikan saran serta masukan kepada peneliti dalam
penyusunan skripsi. Semoga Allah senantiasa memberikan kemudahan dan petunjuk-
Nya untuk bu ‘Uyun dan keluarga :).
Para dosen Teknik Informatika, Pak Mustaqim, Pak Sumarsono, Pak Nurrochman, Pak
Bambang, Pak Nasirudin, Bu Ade, Bu Uyun, Bu Ulfah, Pak Taufik, Pak Anshari dan
pak Bambang Robiin.. terimaksih untuk semua ilmu yang telah dibagikan kepadaku...
semoga Allah senantiasa memberikan kemudahan dan petunjuk-Nya untuk Bapak/Ibu
dosen sekalian...
Sahabat-sahabat seperjuangan informatika 2007, Jovie Candra, Adamono Awamiti,
Wiwit Nuryanti, Nisaa Ratna, Lilik Sophie, Slamet Yulianto, Hardi Saputra, Saiful
Muttaqien, Amalia ratna, Mardiana Emy, Setya budi, Fatimah Kurniasari dan banyak
lagi yang lainnya yang tidak bisa aku sebutkan satu persatu. Banyak hal yang aku
pelajari dari kalian. Semoga Allah selalu memberikan kemudahan untuk kalian sahabat
ku.
Teman-teman Teknik Informatika angkatan 2005, 2006, 2007, 2008, dan 2009, 2010
yang telah memberikan bantuan, dukungan serta motivasi kepada peneliti dalam
menyelesaikan penulisan skripsi ini.
Semua pihak yang telah memberikan bantuan dan dukungan kepada peneliti dalam
penyusunan skripsi yang tidak bisa disebutkan satu per satu.
ix
HALAMAN MOTTO
It always seems impossible until it’s done
(Nelson Mandela)
Kekayaan termahal adalah kecerdasan,
kehancuran terbesar adalah kebodohan, keliaran paling liar adalah
kesombongan, prestasi yang terbaik adalah kebaikan akhlak
(Ali bin abi tahalib)
x
DAFTAR ISI
HALAMAN JUDUL ............................................................................................... i
HALAMAN PENGESAHAN SKRIPSI/TUGAS AKHIR ..................................... ii
HALAMAN PERSETUJUAN SKRIPSI/TUGAS AKHIR ................................... iii
KATA PENGANTAR ............................................................................................ v
HALAMAN PERSEMBAHAN ........................................................................... vii
HALAMAN MOTTO ............................................................................................ ix
DAFTAR ISI ........................................................................................................... x
DAFTAR GAMBAR ............................................................................................ xii
DAFTAR TABEL ................................................................................................ xiii
DAFTAR LAMPIRAN ........................................................................................ xiv
DAFTAR SINGKATAN ..................................................................................... xiv
INTISARI ............................................................................................................. xvi
ABSTRACT ........................................................................................................ xvii
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 3
1.3 Batasan Masalah ....................................................................................... 3
1.4 Tujuan Penelitian ...................................................................................... 4
1.5 Manfaat Penelitian .................................................................................... 4
1.6 Keaslian Penelitian ................................................................................... 5
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ............................... 6
2.1 Tinjauan Pustaka ...................................................................................... 6
2.2 Landasan Teori ......................................................................................... 7
2.2.1 Computer Vision ............................................................................... 8
xi
2.2.2 Citra Digital ....................................................................................... 8
2.2.3 Representasi Citra Digital ................................................................. 9
2.2.4 Pengolahan Citra Digital ................................................................. 10
2.2.5 Jaringan Sysraf Tiruan .................................................................... 17
2.2.6 Konsep Objek .................................................................................. 24
2.2.7 Teknik Dasar OOA/D ..................................................................... 25
2.2.8 Diagram Alir (Flowchart) ............................................................... 26
BAB III METODE PENELITIAN........................................................................ 29
3.1 Studi Pendahuluan .................................................................................. 29
3.2 Pengumpulan Data ................................................................................. 29
3.3 Kebutuhan Sistem ................................................................................... 29
3.3.1 Perangkat Keras .............................................................................. 29
2.2.2 Perangkat Lunak.............................................................................. 30
3.4 Metode Penelitian Yang Diusulkan ....................................................... 30
BAB IV HASIL DAN PEMBAHASAN .............................................................. 32
4.1 Ektraksi Ciri Wajah ................................................................................ 33
4.1.1 Metode Ekstraksi Ciri Principal Component Analysis ................... 33
4.1.2 Metode Ekstraksi Ciri Linear Discriminant Analysis ..................... 34
4.2 Training Data .......................................................................................... 38
4.3 Pengujian ................................................................................................ 44
BAB V KESIMPULAN DAN SARAN ................................................................ 48
5.1 Kesimpulan ............................................................................................. 48
5.2 Saran ....................................................................................................... 48
DAFTAR PUSTAKA ........................................................................................... 49
LAMPIRAN ........................................................................................................... 51
xii
DAFTAR GAMBAR
Gambar 2.1 Jaringan Propagasi Balik ................................................................... 20
Gambar 3.1 Diagram Alir Garis Besar Sistem ...................................................... 31
Gambar 4.1 Tahapan Proses Sistem ...................................................................... 32
Gambar 4.2 Diagram Alir Ekstraksi Ciri PCA .................................................... 33
Gambar 4.3 Kode Sumber Method Ekstraksi Ciri Citra PCA .............................. 34
Gambar 4.4 Diagram Alir Metode Ekstraksi Ciri LDA ........................................ 35
Gambar 4.5 Kode Sumber Method Ekstraksi Ciri LDA ....................................... 36
Gambar 4.6 Penggunaan Ekstraksi Ciri Citra ....................................................... 37
Gambar 4.7 Desain Jaringan Syaraf Tiruan Back Propagation ............................. 39
Gambar 4.8 Diagram Alir Jaringan Syaraf Tiruan Back Propagation .................. 40
Gambar 4.9 Siklus Jaringan Syaraf Tiruan ........................................................... 41
Gambar 4.10 Kode Sumber Algoritma Pelatihan ................................................. 42
Gambar 4.11 Lanjutan Kode Sumber Algoritma Pelatihan .................................. 43
xiii
DAFTAR TABEL
Tabel 2.1 Simbol Flowchart .................................................................................. 28
Tabel 4.1 Citra Data Latih ..................................................................................... 38
Tabel 4.2 Percobaan Jaringan Syaraf Tiruan ........................................................ 45
Tabel 4.3 Pengujian Pengenalan Citra Wajah ....................................................... 46
xiv
DAFTAR LAMPIRAN
Lampiran A Perhitungan Metode Principal Component Analysis ...................... 52
Lampiran B Perhitungan Metode Linear Discriminant Analysis ........................ 54
Lampiran C Prosentase Test Bobot Optimal JST ............................................... 56
Lampiran D Pengujian Pengenalan Citra ............................................................ 63
Curriculum Vitae ................................................................................................. 65
xv
DAFTAR SINGKATAN
JST : Jaringan Syaraf Tiruan
PCA : Principal Component Analysis
LDA : Linear Discriminant Analysis
xvi
Pengenalan Wajah Menggunakan JST
Berdasarkan Ekstraksi Ciri PCA Dan LDA
Muhammad Fazlur Rahman
NIM. 07650009
INTISARI
Manusia memiliki kecerdasan multi intelligence yang sangat kompleks.
Seperti halnya manusia yang dapat dengan cepat mengenal, menghafal dan
membedakan wajah setiap orang yang dikenal sebelumnya dengan ekspresi dan
keadaan yang berbeda-beda. Tidak seperti manusia, sistem komputer
membutuhkan pelatihan untuk memiliki kemampuan yang mirip dengan manusia.
Sistem biometrik adalah kemampuan verifikasi dan identifikasi berdasarkan
karakteristik fisik dan perilaku manusia. Sistem pengenalan wajah merupakan
contoh biometrik berdasarkan karaktiristik fisik yang bisa membantu sistem
komputer memiliki kemampuan yang mirip dengan inteligensi manusia.
Penelitian ini menggunakan 12 citra wajah sebagai data latih yang
diekstraksi menjadi covarian matriks lalu diambil nilai eigen dari setiap data citra
menggunakan metode principal component analysis (PCA) dan linear
discriminant analysis (LDA). Setiap data menghasilkan 4 nilai eigen yang
menjadi masukan pada algoritma pelatihan jaringan syaraf tiruan back
propagation, maupun algoritma aplikasi back propagation. Pada algoritma
pelatihan mendapat hasil keluaran berupa nilai bobot optimal yang menjadi acuan
pada algoritma aplikasi untuk proses mengenali citra wajah.
Sistem ini mampu mengekstraksi citra wajah menjadi nilai eigen dengan
menggunakan metode PCA dan LDA. Sistem pengenalan wajah ini juga mampu
melakukan pelatihan data menggunakan jaringan syaraf tiruan back propagation.
Sistem juga dapat mengenali citra wajah dengan prosentase keberhasilan 77,77%
dengan struktur JST back propagation: 4 node di input layer, 8 node di hidden
layer dan 3 node di output layer dengan nilai epoch pelatihan sebesar 60x104.
Kata Kunci : sistem pengenalan wajah, jaringan syaraf tiruan, back propagation,
PCA, LDA, citra.
xvii
Face Recognition Using Artificial Neural Network
By Feature Extraction Of PCA And LDA
Muhammad Fazlur Rahman
NIM. 07650009
ABSTRACT
Humans have the intelligence of a very complex multi-intelligence. Just as
human is able ti quickly recognize, memorize and distinguish each person‟s face
with an expression of previously known and different circumstances. Unlike
human, computer system needs to be trained to pick the skills that are similar to
humans. Biometric is the ability of the verification and identification based on
physical characteristic and human behavior. Face recognition system is an
example of biometric based on physical characteristic that can help computer
system to have the similar capability to humans intelligence.
This research uses 14 facial images as the trained data that‟s extracted to
be covarian matrics then the eigen values taken from each datum of images using
method of principal component analysis (PCA) and linear discriminant analysis
(LDA). Each datum produce 4 eigen values which become the inputs to the
training algorithm of artificial neural network of back propagation and the
application algorithm of back propagation. The training algorithm earns outputs in
form of optimal weight values which become reference to the application
algorithm.
The system is capable of extracting facial images into eigen values using
PCA and LDA. Face recognition system is also capable of doing training data
using an artificial neural network of back propagation. The system can also
recognize facial images with successfull procentage 77,77% by structure of
artificial neural network of back propagation: 4 nodes at input layer, 8 nodes at
hidden layer and 3 nodes at output layer using epoch value of training 60x104.
Keywords: face recognition system, artificial neural network, back propagation,
PCA, LDA, image.
1
BAB I
PENDAHULUAN
1.1. Latar Belakang
Mengenali wajah seseorang merupakan suatu hal yang mudah dilakukan
oleh manusia. Seseorang akan cepat mengenal, menghafal dan membedakan
wajah setiap orang yang dikenal sebelumnya walaupun dengan ekspresi yang
berbeda-beda ketika ditemui, atau bahkan dalam keadaan terang maupun gelap.
Akan tetapi, bagaimana agar sistem komputer dapat mengenali wajah manusia,
akan ada kendala pada sistem tanpa adanya pembelajaran bagi sistem tersebut.
Dalam perkembangannya, teknologi pengenalan wajah banyak
dimanfaatkan di berbagai macam cakupan aplikasi yang sangat luas seperti sistem
keamanan, sistem akses kontrol suatu area ataupun sistem absensi kelas.
Pengenalan wajah mempunyai dua aplikasi utama yaitu: verifikasi dan
identifikasi. Verifikasi semata-mata mencocokkan data baru seseorang dengan
data yang ada di database (one to one) dan umumnya menghasilkan dua keadaan
yaitu true atau false. Sedangkan identifikasi mengenali seseorang dengan
keputusan berdasarkan tingkat kedekatan atau kemiripan. Kemampuan mengukur
karakteristik fisik atau perilaku yang dapat digunakan untuk memverifikasi atau
mengidentifikasi seseorang disebut dengan biometrik (Anil dkk. 2004). Sidik jari
dan tanda tangan, masing-masing merupakan contoh biometrik berdasarkan
karakteristik fisik dan perilaku seseorang.
2
Perbedaan mendasar antara fase pengenalan wajah dan deteksi wajah
adalah dimana pengenalan wajah memulai dengan proses ekstraksi ciri pada citra
wajah yang lalu diidentifikasi dan diverifikasi pada basis data sistem pengenalan
wajah yang telah dilatih dengan kumpulan citra wajah. Sedangkan fase pada
deteksi wajah merupakan proses klarifikasi pada citra yang sebelumnya
pengklarifikasi dibentuk dari data latih yang terdiri dari citra wajah dan citra non-
wajah sebagai pembanding.
Penelitian tentang pengenalan wajah sudah banyak dilakukan dengan
berbagai macam metode, akan tetapi peneliti ingin meneliti dengan
menggabungkan dua metode yang berbeda. Adapun metode pengenalan wajah
yang dipakai dalam penelitian ini menggunakan metode ekstraksi Principal
Component Analysis (PCA) dan Linear Discriminant Analysis (LDA) serta
jaringan syaraf tiruan Back Propagation sebagai metode pembelajaran dari sistem.
PCA mengkompresi citra wajah berdasarkan identifikasi pola data citra yang ada
lalu disusun kembali berdasarkan kesamaan dan perbedaan pola data yang ada.
Sedangkan LDA dengan mudah menangani kasus dalam frekuensi kelas
yang tidak seimbang, dan operasi kelas tersebut telah diperiksa pada data tes
acak yang dihasilkan.
Alasan peneliti melakukan penelitian ini karena orientasi kebutuhan
terhadap sistem pengenalan wajah akan sangat besar dimasa yang akan datang,
dibarengi dengan perkembangan teknologi yang semakin cerdas, efisien dan
praktis. Sementara metode ekstraksi PCA dan LDA yang digunakan, menurut
3
peneliti cukup memenuhi kebutuhan sistem untuk melakukan ekstraksi data yang
mewakili dari citra wajah.
1.2. Rumusan Masalah
Berdasarkan latar belakang masalah di atas maka rumusan masalah
dalam penelitian ini adalah sebagai berikut:
1. Apakah pengenalan wajah dengan menggunakan metode ekstraksi ciri
PCA dan LDA dapat mencapai prosentase keberhasilan diatas 50%?
2. Bagaimana menentukan struktur JST yang tepat untuk sistem pengenalan
wajah?
1.3. Batasan Masalah
Berdasarkan rumusan masalah di atas, maka batasan masalah penelitian
ini adalah sebagai berikut:
1. Implementasi sistem yang berupa pelatihan data wajah serta pengenalan
wajah pasca dilakukan pelatihan terhadap sistem.
2. Citra wajah manusia yang digunakan sebagai bahan pelatihan dan bahan
uji diambil dari sudut depan dengan beberapa kondisi kemiringan.
3. Metode pembelajaran menggunakan metode jaringan syaraf tiruan back
propagation.
4. Citra wajah pelatihan dan uji bukan merupakan citra bergerak, dan
merupakan citra wajah dua dimensi.
4
5. Format file citra wajah berupa Joint Photographic Expert Group (JPEG)
atau JPG, dengan dimensi 111x111 pixels.
6. Pengujian pengenalan wajah terbatas pada satu wajah saat pengujian
sedang berjalan.
7. Struktur wajah yang menjadi bahan pelatihan dan bahan uji berbatas pada:
sisi atas alis, sisi bawah mulut dan kedua samping mata.
8. Citra yang digunakan dalam penelitian ini menggunakan citra yang
diambil oleh peneliti dengan menggunakan kamera handphone.
1.4. Tujuan Penelitian
Sesuai dengan latar belakang dan rumusan masalah yang dibahas diatas,
maka tujuan dari penelitian ini adalah:
1. Mengetahui jumlah prosentase keberhasilan pengenalan wajah dengan
menggunakan metode ekstraksi ciri PCA dan LDA.
2. Mencari struktur jaringan syaraf tiruan yang tepat untuk algoritma
pelatihan sistem pengenalan wajah.
1.5. Manfaat Penelitian
Manfaat Penelitian:
Manfaat yang dapat diperoleh dengan adanya penelitian pencarian wajah
menggunakan metode Principal Component Analysis dan Linear Discriminant
Alnalysis adalah hasil prosentase keberhasilan sistem dalam mengenali objek citra
5
wajah dapat menjadi referensi yang digunakan untuk pengembangan penelitian
selanjutnya.
1.6. Keaslian Penelitian
Penelitian mengenai sistem pengenalan wajah sudah pernah dilakukan,
akan tetapi tidak banyak yang membahas tentang sistem pengenalan citra wajah
yang menggabungkan dua metode ekstraksi. Penelitian ini fokus terhadap konsep
metode ektraksi data citra Principal Component Analysis dan Linear Discriminant
Analysis. keluaran dari ekstraksi yang berupa nilai eigen akan digabungkan dan
dimasukan dalam metode pembelajaran sistem berbasis back propagation.
48
BAB V
KESIMPULAN DAN SARAN
3.5. Kesimpulan
Berdasar pada penelitian yang telah dilakukan oleh peneliti mengenai
sistem pengenalan wajah menggunakan metode Principal Component Analysis
dan Linear Discriminant Analysis, maka dapat diambil kesimpulan sebagai
berikut:
1. Pengenalan wajah dengan menggunakan ekstraksi ciri PCA dan LDA,
dapat mengenali wajah dengan prosentase keberhasilan sebesar 77,77%.
2. Penelitian ini menggunakan struktur jaringan syaraf tiruan back
propagation dengan 3 layer: 4 node pada input layer, 8 node pada hidden
layer dan 3 node pada output layer sebagai algoritma pelatihan, serta nilai
epoch sebesar 60x104.
3.6. Saran
Penelitian yang telah dilakukan tentunya tidak lepas dari kekurangan
pada setiap eksperimen. Oleh karena itu, perlu diperhatikan beberapa hal,
diantaranya:
Pada penelitian ini, algoritma atau metode pelatihan data terbatas pada
nilai epoch yang ditentukan oleh peneliti sebagai titik berhenti proses pelatihan,
sehingga tidak dapat menghasilkan nilai bobot optimal untuk menjadi acuan pada
algoritma aplikasi pengenalan wajah. Maka dari itu, kedepannya dapat mengatasi
masalah pelatihan tersebut.
49
DAFTAR PUSTAKA
Ahmad, Usman. 2005. Pengolahan Citra Digital & Teknik Pemrogramannya.
Yogyakrta: Graha Ilmu.
Anil K. Jain, Arun Ross, and Salil Prabhakar, An Introduction to Biometric
Recognition, IEEE Transactions on Circuits and Systems for Video
Technology, vol. 14, no. 1, January 2004, pp. 4-20.
Balakrishnama, S. & Ganapathiraju, A. 1998. Linear Discriminant Analysis – A
Brief Tutorial. Institute for Signal and Information Processing Department
of Electrical and Computer Engineering Mississippi State University.
Balza, Ahmad & Firdaus, Kartika, 2005, Teknik Pengolahan Citra Digital
Menggunakan Delphi. Ardi Publishing, Yogyakarta.
Damayanti, Fitri. Arifin, Agus Zainal. dan Soelaiman Rully. 2010. Pengenalan
Wajah Berbasis Metode Two-Dimensional Linear Discriminant Analysis.
Thesis Program Magister Teknik Informatika Institute Teknologi Sepuluh
November Surabaya.
Fajri, Anthony, 2005, Desain dan Implementasi Sistem Komputasi Terdistribusi
untuk Kompresi Citra Medis Sinar X Menggunakan JPEG 2000. Laporan
Tugas Akhir ITB, Bandung.
Marti, Ni Wayan. 2010. Pemanfaatan Gui Dalam Pengembangan Perangkat
Lunak Pengenalan Citra Wajah Manusia Menggunakan Metode
Eigenfaces. Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta.
Purwanto, Jemmy E. 2008. Pengenalan Wajah Melalui Webcam Dengan
Menggunakan Algoritma Pricipal Component Alaysis (PCA) Dan Linier
Discriminant Analysis (LDA). Tugas Akhir Universitas Komputer
Indonesia. Bandung.
Puspitaningrum, diyah. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta:
Penerbit Andi.
Silfianti, Widya. 2005. Pengenalan UML part I. Url:
http://wsilfi.staff.gunadarma.ac.id/Downloads/files/1034/Pengenalan+UM
L.pdf. diakses: 5 Oktober 2011. 09.15 AM.
Smith, Lindsay I. 2002. A Tutorial on Principal Components Analysis. Url:
http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_component
s.pdf. diakses: 21 Juli 2011. 11.43 AM
50
Sophan, Mochamad K. dan Muntasa, Arif. 2009. Ekstraksi Fitur Berbasis 2d-
Discrete Cosine Transform Dan Principal Component Analysis Untuk
Pengenalan Citra Wajah. Seminar Nasional Aplikasi Teknologi Informasi.
Yogyakarta.
Sucipto, Erwin & Stroud K.A. 1996. Matematika Untuk Teknik Edisi Keempat.
Jakarta: Penerbit Erlangga.
Sudarsono. 2005. Flowchart. Url:
http://sdarsono.staff.gunadarma.ac.id/Downloads/files/16512/Flowchart.pd
f
Sutoyo, T. Dkk. 2009. Teori Pengolahan Citra Digital. Yogyakarta: Penerbit
Andi.
51
LAMPIRAN
52
LAMPIRAN A
Sample Perhitungan
Perhitungan Metode Principal Component Analisys
Dicontohkan dengan image 3x3 sebagai berikut:
𝑈 = 9 4 113 12 156 5 7
maka rata-rata x dan y adalah sebagai berikut:
𝑋 = 𝑋𝑖
𝑛𝑖=1
n
𝑌 = 𝑌𝑖
𝑛𝑖=1
n
𝑋 =1
3 9 + 4 + 113 + 12 + 156 + 5 + 7
= 8
106
𝑌 =1
3
9 + 3 + 64 + 12 + 5
11 + 15 + 7 =
67
11
Covarian matriknya adalah:
𝐶 = 𝑐𝑜𝑣 𝑥, 𝑥 𝑐𝑜𝑣 𝑥, 𝑦
𝑐𝑜𝑣 𝑦, 𝑥 𝑐𝑜𝑣 𝑦, 𝑦
Dimana:
𝑐𝑜𝑣 (𝑋, 𝑌) = 𝑋𝑖 − 𝑋 𝑌𝑖 − 𝑌 𝑛
𝑖=1
𝑛
𝑐𝑜𝑣 𝑥, 𝑥 =
9−8 9−8 + 4−8 4−8 + 11−8 11−8 + 3−10 3−10 + 12−10 12−10 + 15−10 15−10
+ 6−6 6−6 + 5−6 5−6 + 7−6 7−6
9=
106
9= 11,778
𝑐𝑜𝑣 𝑥, 𝑦 =
9−8 9−6 + 4−8 4−7 + 11−8 11−11 + 3−10 3−6 + 12−10 12−7 + 15−10 15−11
+ 6−6 6−6 + 5−6 5−7 + 7−6 7−11
9=
74
9= 8
𝑐𝑜𝑣 𝑥, 𝑦 =
9−8 9−6 + 4−8 4−7 + 11−8 11−11 + 3−10 3−6 + 12−10 12−7 + 15−10 15−11
+ 6−6 6−6 + 5−6 5−7 + 7−6 7−11
9=
74
9= 8
𝑐𝑜𝑣 𝑦, 𝑦 =
9−6 9−6 + 4−7 4−7 + 11−11 11−11 + 3−6 3−6 + 12−7 12−7 + 15−11 15−11
+ 6−6 6−6 + 5−7 5−7 + 7−11 7−11
9=
88
9= 9,778
y
x
53
Sehingga Covarian matrik adalah:
𝐶 = 11,778 8
8 9,778
Menghitung nilai eigen dari Covarian matrik dengan menggunakan solusi tak
trivial.
𝑑𝑒𝑡 11,778 8
8 9,778 − 𝜆 = 0
= 11,778 − 𝜆 8
8 9,778 − 𝜆
= 11,778 − 𝜆 9,778 − 𝜆 − 64
= 𝜆2 − 21,556𝜆 + 115,165284 − 64
= 𝜆2 − 21,556𝜆 + 51,165284
Untuk polinomial berderajat dua di atas dapat diselesaikan dengan rumus
persamaan kuadrat yang sangat sederhana. Maka nilai Eigen bisa di dapat dengan
rumus:
𝑥12 =−𝑏 ± 𝑏2− 4𝑎𝑐
2𝑎
𝑥1 =−21,556+ 21,5562− 4∗115,165284
2
= −21,556+ 4
2
= −19,556
2
= - 9,776
𝑥2 =−21,556− 21,5562− 4∗115,165284
2
= −21,556− 4
2
= −23,556
2
= - 11,776
54
LAMPIRAN B
Sample Perhitungan
Perhitungan Metode Linear Discriminant Analisys
Merujuk contoh pada lampiran A, dimana perhitungan metode PCA sudah
didapati Covarian matriks:
𝐶 = 11,778 8
8 9,778
Didapati rata-rata Covarian matrik di atas sebagai berikut:
𝑥 = 9,8898,889
Dengan mencari nilai covj dari Covarian matrikx menggunakan rumus 2-20 yang
nantinya diaplikasikan kedalam rumus 2-18 akan didapati matrik dari Scatter
Within dari citra.
𝑐𝑜𝑣𝑗 = 1,889 −1,889−0,889 0,889
1,889 −1,889−0,889 0,889
𝑇
= 1,889 −1,889−0,889 0,889
1,889 −0,889−1,889 0,889
= 7,136642 −3,358642−3,358642 1,580642
Matriks Scattere Within:
𝑆𝑤 = 0,5 7,136642 −3,358642−3,358642 1,580642
= 3.568321 −1.679321−1.679321 0.790321
dimana: nilai P (0,5) merupakan nilai probabilitas
mencari nilai eigen dari matriks Scatter Within:
𝑑𝑒𝑡 3,568321 −1,679321−1,679321 0,790321
− 𝜆 = 0
= 3,568321 − 𝜆 0,790321 − 𝜆 − 3,01137521041
= 𝜆2 − 4,358642𝜆 − 0,191256189369
𝑥1 =−4,358642 + 4,358642 2− 4∗0,191256189369
2
= −4,358642 + 18.232735326688
2
𝑥2 =−4,358642 − 4,358642 2− 4∗0,191256189369
2
55
= −4,358642 − 18.232735326688
2
Karena rumus persamaan kuadrat tidak menghasilkan nilai riil, maka di gunakan
metode SVD terhadap matriks Scatter Within untuk mendapat nilai eigen. Pada
sistem ini secara keseluruhan menggunakan metode SVD untuk mengantisipasi
seperti kasus diatas.
3.568321 −1.679321−1.679321 0.790321
56
LAMPIRAN C
Prosentase Test Bobot Optimal JST
Test Nomor 1
Tipe JST: 4 – 8 – 3 Nilai Epoch: 5x10^4
No
Data Input / Basis Data
Citra
Target
Yang
Seharus-
nya
Didapat
Output yang Didapat
ID Nama Citra Nilai
Biner Nama Status
1 1 Afif
001 001 Afif BENAR
2 2 Afif
001 001 Afif BENAR
3 3 Afif
001 001 Afif BENAR
4 4 Aldi
010 010 Aldi BENAR
5 5 Aldi
010 010 Aldi BENAR
6 6 Aldi
010 010 Aldi BENAR
7 7 Catur
011 100 Fazlur SALAH
8 8 Catur
011 011 Catur BENAR
9 9 Catur
011 011 Catur BENAR
10 10 Fazlur
100 100 Fazlur BENAR
57
11 11 Fazlur
100 100 Fazlur BENAR
12 12 Fazlur
100 100 Fazlur BENAR
Test Nomor 2
Tipe JST: 4 – 8 – 3 Nilai Epoch: 15x10^4
No
Data Input / Basis Data
Citra
Target
Yang
Seharus-
nya
Didapat
Output yang Didapat
ID Nama Citra Nilai
Biner Nama Status
1 1 Afif
001 001 Afif BENAR
2 2 Afif
001 001 Afif BENAR
3 3 Afif
001 001 Afif BENAR
4 4 Aldi
010 010 Aldi BENAR
5 5 Aldi
010 010 Aldi BENAR
6 6 Aldi
010 010 Aldi BENAR
7 7 Catur
011 011 Catur BENAR
8 8 Catur
011 011 Catur BENAR
58
9 9 Catur
011 011 Catur BENAR
10 10 Fazlur
100 100 Fazlur BENAR
11 11 Fazlur
100 100 Fazlur BENAR
12 12 Fazlur
100 100 Fazlur BENAR
Test Nomor 3
Tipe JST: 4 – 8 – 3 Nilai Epoch: 30x10^4
No
Data Input / Basis Data
Citra
Target
Yang
Seharus-
nya
Didapat
Output yang Didapat
ID Nama Citra Nilai
Biner Nama Status
1 1 Afif
001 001 Afif BENAR
2 2 Afif
001 001 Afif BENAR
3 3 Afif
001 001 Afif BENAR
4 4 Aldi
010 010 Aldi BENAR
5 5 Aldi
010 010 Aldi BENAR
6 6 Aldi
010 010 Aldi BENAR
59
7 7 Catur
011 011 Catur BENAR
8 8 Catur
011 011 Catur BENAR
9 9 Catur
011 011 Catur BENAR
10 10 Fazlur
100 100 Fazlur BENAR
11 11 Fazlur
100 100 Fazlur BENAR
12 12 Fazlur
100 100 Fazlur BENAR
Test Nomor 4
Tipe JST: 4 – 8 – 3 Nilai Epoch: 45x10^4
No
Data Input / Basis Data
Citra
Target
Yang
Seharus-
nya
Didapat
Output yang Didapat
ID Nama Citra Nilai
Biner Nama Status
1 1 Afif
001 001 Afif BENAR
2 2 Afif
001 001 Afif BENAR
3 3 Afif
001 001 Afif BENAR
4 4 Aldi
010 010 Aldi BENAR
60
5 5 Aldi
010 010 Aldi BENAR
6 6 Aldi
010 010 Aldi BENAR
7 7 Catur
011 100 Fazlur SALAH
8 8 Catur
011 011 Catur BENAR
9 9 Catur
011 011 Catur BENAR
10 10 Fazlur
100 100 Fazlur BENAR
11 11 Fazlur
100 100 Fazlur BENAR
12 12 Fazlur
100 100 Fazlur BENAR
Test Nomor 5
Tipe JST: 4 – 8 – 3 Nilai Epoch: 50x10^4
No
Data Input / Basis Data
Citra
Target
Yang
Seharus-
nya
Didapat
Output yang Didapat
ID Nama Citra Nilai
Biner Nama Status
1 1 Afif
001 001 Afif BENAR
2 2 Afif
001 001 Afif BENAR
61
3 3 Afif
001 001 Afif BENAR
4 4 Aldi
010 010 Aldi BENAR
5 5 Aldi
010 010 Aldi BENAR
6 6 Aldi
010 010 Aldi BENAR
7 7 Catur
011 100 Fazlur SALAH
8 8 Catur
011 011 Catur BENAR
9 9 Catur
011 011 Catur BENAR
10 10 Fazlur
100 100 Fazlur BENAR
11 11 Fazlur
100 100 Fazlur BENAR
12 12 Fazlur
100 100 Fazlur BENAR
Test Nomor 6
Tipe JST: 4 – 8 – 3 Nilai Epoch: 60x10^4
No
Data Input / Basis Data
Citra
Target
Yang
Seharus-
nya
Didapat
Output yang Didapat
ID Nama Citra Nilai
Biner Nama Status
62
1 1 Afif
001 001 Afif BENAR
2 2 Afif
001 001 Afif BENAR
3 3 Afif
001 001 Afif BENAR
4 4 Aldi
010 010 Aldi BENAR
5 5 Aldi
010 010 Aldi BENAR
6 6 Aldi
010 010 Aldi BENAR
7 7 Catur
011 011 Catur BENAR
8 8 Catur
011 011 Catur BENAR
9 9 Catur
011 011 Catur BENAR
10 10 Fazlur
100 100 Fazlur BENAR
11 11 Fazlur
100 100 Fazlur BENAR
12 12 Fazlur
100 100 Fazlur BENAR
63
LAMPIRAN D
Pengujian Pengenalan Citra
64
65
CURICULUM VITAE
Nama : Muhammad Fazlur Rahman
Tempat/Tanggal Lahir : Lamongan, 24 Agustus 1989
Alamat Asal : RT: 004 / RW: 004, Desa Sukolilo, Kec. Sukodadi,
Kab. Lamongan, Jawa Timur
Alamat Tinggal : Jln. Mungur, Gg. Srikandi, RT: 017 / RW: 005,
No. 22, Demangan Kidul, GK I, Yogyakarta
Email : [email protected]
Institusi : Program Studi Teknik Informatika
Fakultas Sains dan Teknologi
UIN Sunan Kalijaga Yogyakarta