proposal ta luffi
TRANSCRIPT
PENGAMANAN RUANG DENGAN PENGENALAN POLA WAJAH
SECARA REAL TIME MENGGUNAKAN METODE JARINGAN
SARAF TIRUAN BACKPROPAGATION
PROPOSAL TUGAS AKHIR
Telah Diperiksa dan Disetujui Sebagai Salah Satu Syarat untuk Memperoleh Gelar
Sarjana Komputer
Disusun oleh:
Luffi Muhammad Nur Putro Utomo
J2F008113
JURUSAN ILMU KOMPUTER / INFORMATIKA
FAKULTAS SAINS DAN MATEMATIKA
UNIVERSITAS DIPONEGORO
2012i
HALAMAN PENGESAHAN
Yang bertandatangan dibawah ini menyatakan bahwa Proposal Tugas Akhir yang berjudul:
PENGAMANAN RUANG DENGAN PENGENALAN POLA WAJAH SECARA
REAL TIME MENGGUNAKAN METODE JARINGAN SARAF TIRUAN
BACKPROPAGATION
Dipersiapkan dan disusun oleh:
Nama : Luffi Muhammad Nur Putro Utomo
NIM : J2F008113
Telah disahkan sebagai Proposal Tugas Akhir yang merupakan salah satu syarat untuk
memperoleh gelar Sarjana Komputer.
Semarang, Oktober 2012
Menyetujui,
Pembimbing I,
Satriyo Adhy, S.Si, MT.NIP 1983 02 03 2006 04 1 002
Pembimbing II,
Helmie Arif Wibowo, S.Si, M.Cs.NIP. 1978 05 16 2003 12 1 001
Mengetahui,
Ketua Jurusan Ilmu Komputer / Informatika
FSM UNDIP,
Drs. Eko Adi Sarwoko, M.KomNIP. 1965 11 07 1992 03 1 003
ii
DAFTAR ISI
HALAMAN PENGESAHAN...............................................................................................ii
DAFTAR GAMBAR............................................................................................................iv
DAFTAR TABEL..................................................................................................................v
DAFTAR LAMPIRAN.........................................................................................................vi
BAB I PENDAHULUAN.....................................................................................................1
1.1 Latar Belakang.........................................................................................................1
1.2 Rumusan Masalah....................................................................................................1
1.3 Tujuan dan Manfaat.................................................................................................2
1.4 Ruang Lingkup........................................................................................................2
BAB II METODOLOGI.......................................................................................................3
2.1 Studi Pustaka...........................................................................................................3
2.1.1. Pengolahan Citra Thresholding (Derajat keabuan)..........................................3
2.1.2. Deteksi Wajah..................................................................................................4
2.1.3. Template Matching..........................................................................................6
2.1.4. Jaringan Saraf Tiruan.......................................................................................7
2.1.5. Metode Backpropagation.................................................................................8
2.2. Garis Besar Penyelesaian Masalah........................................................................14
2.2.1. Studi Pustaka..................................................................................................14
2.2.2. Pengumpulan Data.........................................................................................14
2.2.3. Perancangan Sistem........................................................................................16
2.2.4. Implementasi Sistem......................................................................................17
2.2.5. Testing............................................................................................................17
2.2.6. Penarikan Kesimpulan....................................................................................17
2.3. Jadwal....................................................................................................................18
DAFTAR PUSTAKA..........................................................................................................19
iii
DAFTAR GAMBAR
Gambar 2.1 Conversi ke citra grayscale.................................................................................3
Gambar 2.2. Hasil Thresholding............................................................................................4
Gambar 2.3. Citra Template...................................................................................................7
Gambar 2.4 Hasil deteksi wajah.............................................................................................7
Gambar 2.5 Arsitektur Backpropagation...............................................................................9
Gambar 2.6. Sigmoid biner..................................................................................................10
Gambar 2.7. Sigmoid bipolar...............................................................................................10
Gambar 2.8. Tahapan pembuatan sistem.............................................................................14
Gambar 2.9 Proses Pengumpulan data.................................................................................15
Gambar 2.10. Proses pembelajaran Backpropagation..........................................................15
Gambar 2.11. Alur system dijalankan..................................................................................16
iv
DAFTAR TABEL
Tabel 2.1 Jadwal Kegiatan...................................................................................................18
v
DAFTAR LAMPIRAN
vi
BAB I
PENDAHULUAN
Bab ini memaparkan latar belakang, rumusan masalah, tujuan dan manfaat, dan
ruang lingkup tugas akhir mengenai Pengamanan Ruang Dengan Pengenalan Pola Wajah
Secara Real Time Menggunakan Metode Jaringan Saraf Tiruan Backpropagation.
1.1. Latar Belakang
Dengan perkembangan teknologi sekarang ini, sudah banyak jenis – jenis
sistem pendeteksi yang dikembangkan untuk kepentingan penggunaan teknologi itu
sendiri. Sistem pendeteksi ini biasa digunakan pada sebuah benda maupun anggota
tubuh manusia. Teknologi yang menggunakan tubuh manusia sebagai objek deteksi
adalah teknologi biometrik. Dimana teknologi biometrik inilah yang digunakan
sebagai dasar dari sistem pendeteksi dari anggota tubuh manusia memiliki
perbedaan dengan manusia yang lain. Seperti perbedaan pada sidik jari, retina mata
maupun wajah manusia.
Salah satu metode yang digunakan dalam proses pendeteksian adalah metode
Backprpagation atau komputasi balik yang lebih dikenal sebagai bagian dari
Jaringan Saraf Tiruan atau Neural Network. Metode ini bisa dipergunakan untuk
melakukan pendeteksian pada wajah yang sangat berguna untuk sistem keamanan
berbasis komputer. Sehingga proses pengenalan seseorang dapat dikenali secara
cepat.
Dan metode ini dapat diaplikasikan pada sistem keamanan ruang yang harus
steril tanpa ada orang asing yang harus masuk kedalam ruangan, sehingga metode
ini cukup untuk memperkuat sistem keamanan yang mungkin sudah dibangun
sebelumnya.
1.2. Rumusan Masalah
Berdasarkan latar belakang yang sudah diuraikan, rumusan masalah yang akan
dibahas dalam tugas akhir ini adalah bagaimana membuat sebuah aplikasi yang dapat
mengidentifikasi apakah seseorang dapat dikenali oleh system, jika tidak maka
sistem akan memberikan tanda bahwa terdapat orang asing yang telah masuk melalui
1
Pengamanan Ruang Dengan Pengenalan Pola Wajah Secara Real Time
Menggunakan Metode Jaringan Saraf Tiruan Backpropagation.
1.3. Tujuan dan Manfaat
Tujuan yang ingin dicapai dalam penulisan tugas akhir ini adalah menghasilkan
sebuah program aplikasi yang dapat mengenali wajah seseorang yang sudah
tersimpan dalam sistem dan memberikan pesan jika tidak ada wajah yang dikenali
oleh sistem melalui pengenalan pola wajah menggunakan Jaringan Saraf Tiruan
Backpropagation.
Manfaat penulisan tugas akhir ini adalah memberi tingkat keamanan yang
cukup pada sebuah ruang dengan mengenali pola wajah yang sudah tersimpan dan
pola wajah asing yang tidak tersimpan dalam sistem, sehingga tingkat keamanan
ruang dapat dijaga dengan baik.
1.4. Ruang Lingkup
Dalam penyusunan tugas akhir ini, diberikan ruang lingkup yang jelas agar
pembahasan lebih terarah dan tidak menyimpang dari tujuan penulisan. Ruang
lingkup aplikasi yang dapat mengenali wajah seseorang melalui citra wajah yang
telah tersimpan menggunakan Jaringan Saraf Tiruan Backpropagation adalah sebagai
berikut:
a. Pola yang dideteksi hanya pola wajah.
b. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan (frontal),
dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.
c. Menggunakan Webcam untuk media video recording.
d. Pengambilan gambar secara real time.
e. Pembuatan aplikasi ini menggunakan bahasa pemrograman Matlab.
f. Notifikasi pengenalan menggunakan SMS google.
2
BAB II
METODOLOGI
Bab ini memaparkan studi pustaka, garis besar penyelesaian masalah, dan jadwal
dalam mengimplementasikan metode Jaringan Saraf Tiruan Backpropagation untuk
mengenali pola wajah sebagai sistem keamanan ruang secara real time.
2.1. Studi Pustaka
Studi pustaka merupakan metode pengambilan data dengan mempelajari
literatur yang dapat berupa buku-buku, diktat maupun bentuk lain yang
berhubungan dengan objek yang dipelajari guna mendukung penyelesaian tugas
akhir ini. Melalui metode ini, penulis mengumpulkan dan mempelajari literatur,
seperti buku, jurnal maupun artikel yang relevan dengan permasalahan tugas akhir
ini. Bahan-bahan yang diperlukan guna menyelesaikan tugas akhir ini adalah
pengolahan citra thresholding (derajat keabuan), deteksi wajah, template matching,
Jaringan Saraf Tiruan, dan metode Backpropagation.
2.1.1. Pengolahan Citra Thresholding (Derajat keabuan)
Dalam citra ini tidak ada lagi warna, yang ada adalah derajat keabuan.
Untuk mengubah citra berwarna yang mempunyai nilai matrik
masingmasing r, g dan b menjadi citra gray scale dengan nilai s, maka
konversi dapat dilakukan dengan mengambil ratarata dari nilai r, g dan b
sehingga dapat dituliskan menjadi:
Untuk mencoba proses konversi citra berwarna menjadi citra
grayscale ini dapat dibuat program seperti gambar 2.1.
3
Gambar 2.1 Conversi ke citra grayscale
Thresholding
Thresholding digunakan untuk mengatur jumlah derajat keabuan yang
ada pada citra. Dengan menggunakan thresholding maka derajat keabuan
bisa diubah sesuai keinginan, misalkan diinginkan menggunakan derajat
keabuan 16, maka tinggal membagi nilai derajat keabuan dengan 16. Proses
thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada
citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat
digunakan rumus:
dimana :
w = nilai derajat keabuan sebelum thresholding
x = nilai derajat keabuan setelah thresholding
Berikut ini contoh thresholding mulai di 256, 16, 4 dan 2.
Untuk mencoba melakukan proses thresholding, perlu dibuat program
untuk dapat mengubahubah nilai thresholding sesuai keinginan.
Sehingga perlu ditampilkan dua citra, yaitu citra asli (grayscale) dan
hasil thresholdingnya dengan nilai thresholding yang ditentukan melalui
input seperti terlihat pada gambar 2.2.
[Candra Noor Santi, S.Pd, M.Kom, 2011].
2.1.2. Deteksi Wajah
Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola
dimana inputnya adalah citra masukan dan akan ditentukan output yang
4
Gambar 2.2. Hasil Thresholding
berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label kelas,
yaitu wajah dan nonwajah [Sung, 1996].
Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak
yang menggunakan asumsi bahwa data wajah yang tersedia memiliki
ukuran yang sama dan latar belakang yang seragam. Di dunia nyata, asumsi
ini tidak selalu berlaku karena wajah dapat muncul dengan berbagai ukuran
dan posisi di dalam citra dan dengan latar belakang yang bervariasi
[Hjelmas, Low, 2001].
Pendeteksian wajah (face detection) adalah salah satu tahap awal yang
sangat penting sebelum dilakukan proses pengenalan wajah (face
recognition). Bidang-bidang penelitian yang berkaitan dengan pemrosesan
wajah (face processing) adalah [Yang, 2002]:
Pengenalan wajah (face recognition) yaitu
membandingkan citra wajah masukan dengan suatu
database wajah dan menemukan wajah yang paling
cocok dengan citra masukan tersebut.
Autentikasi wajah (face authentication) yaitu
menguji keaslian/kesamaan suatu wajah dengan
data wajah yang telah diinputkan sebelumnya.
Lokalisasi wajah (face localization) yaitu
pendeteksian wajah namun dengan asumsi hanya
ada satu wajah di dalam citra.
Penjejakan wajah (face tracking) yaitu
memperkirakan lokasi suatu wajah di dalam video
secara real time.
Pengenalan ekspresi wajah (facial expression
recognition) untuk mengenali kondisi emosi
manusia.
Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh
adanya faktor-faktor berikut [Yang, 2002]:
Posisi wajah. Posisi wajah di dalam citra dapat
bervariasi karena posisinya bisa tegak, miring,
menoleh, atau dilihat dari samping.
5
Komponen-komponen pada wajah yang bisa ada
atau tidak ada, misalnya kumis, jenggot, dan
kacamata.
Ekspresi wajah. Penampilan wajah sangat
dipengaruhi oleh ekspresi wajah seseorang, misalnya
tersenyum, tertawa, sedih, berbicara, dan
sebagainya.
Terhalang objek lain. Citra wajah dapat terhalangi
sebagian oleh objek atau wajah lain, misalnya pada
citra berisi sekelompok orang.
Kondisi pengambilan citra. Citra yang diperoleh
sangat dipengaruhi oleh faktor-faktor seperti
intensitas cahaya ruangan, arah sumber cahaya, dan
karakteristik sensor dan lensa kamera.
Penelitian dari [Yang, 2002] mengelompokkan metode deteksi wajah
menjadi empat kategori, yaitu:
1. Knowledge-based method. Metode ini
kebanyakan digunakan untuk lokalisasi wajah.
2. Feature invariant approach. Metode ini
kebanyakan digunakan untuklokalisasi wajah.
3. Template matching method. Metode ini
digunakan untuk lokalisasi wajah maupun deteksi
wajah.
4. Appearance-based method. Metode ini
kebanyakan digunakan untuk deteksi wajah.
2.1.3. Template Matching
Pada metode ini akan disimpan beberapa pola wajah standar untuk
mendeskripsikan wajah secara keseluruhan maupun bagian-bagiannya. Pada
saat pendeteksian akan dihitung korelasi antara citra input dengan citra pola
wajah yang tersimpan sebelumnya.
6
Pada pendekatan ini, para peneliti mencoba menemukan fitur-fitur
yang tidak berubah (invariant) pada wajah. Asumsi ini didasarkan pada
observasi bahwa manusia dapat dengan mudah mendeteksi wajah dengan
berbagai pose dan kondisi cahaya, sehingga tentunya ada sifat-sifat atau
fitur-fitur yang bersifat invariant. Fitur wajah seperti alis, mata, hidung,
mulut, biasanya diekstraksi dengan edge detector. Selanjutnya dibentuk
suatu model statistik yang mendeskripsikan hubungan antara fitur-fitur
tersebut untuk menentukan ada tidaknya wajah. [Setyo Nugroho, 2004]
Di bawah ini adalah contoh penggunaan template matching untuk
mendeteksi letak wajah yang berada dalam suatu citra, template dapat
dilihat pada gambar 2.3.
Gambar diatas menerangkan kemungkinan kemungkinan posisi wajah
yang akan terjadi, sehingga nantinya akan dicari posisi dimana wajah
terdeteksi, sebelum citra diproses dalam template matching mungkin ada
beberapa proses lain untuk menentukan citra mana yang akan diolah oleh
template matching ini, hasil dari proses template matching dapat dilihat
pada gambar 2.4 [Yusron Rijal, Riza Dhian Ariefianto, 2008].
7
Gambar 2.3. Citra Template
Gambar 2.4 Hasil deteksi wajah
2.1.4. Jaringan Saraf Tiruan
Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang
dikenal dengan Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan
saraf tiruan merupakan salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan
suatu masalah dengan melakukan proses belajar melalui perubahan bobot
sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan
berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf
tiruan sehingga mempunyai kemampuan untuk memberikan keputusan
terhadap data yang belum pernah dipelajari. Dalam analisis ini dicoba untuk
dipelajari dan dicoba penerapannya didalam bidang psikologi yaitu
mendeteksi test psikologi pada manusia. JST yang berupa susunan sel-sel
saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip organisasi otak
manusia.
Usaha manusia dalam mengembangkan suatu sistem yang meniru
kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa
decade belakangan ini. Jaringan saraf tiruan (JST), merupakan hasil
perkembangan ilmu dan teknologi yang kini sedang berkembang pesat. JST
yang berupa susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan
prinsip-prinsip organisasi otak manusia. Perhatian yang besar pada JST
disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk
belajar, komputasi paralel, kemampuan untuk memodelkan fungsi nonlinier
dan sifat fault tolerance.
Sejak ditemukan pertama kali oleh McCulloch dan Pitts pada tahun
1948, JST telah berkembang pesat dan telah digunakan pada banyak
aplikasi. Jaringan saraf tiruan (JST) telah dikembangkan sejak tahun 1940.
Belum ada definisi yang baku mengenai JST ini. Teori yang menginspirasi
lahirnya sistem jaringan saraf muncul dari bermacam disiplin ilmu :
terutama dari neuro science, teknik, dan ilmu komputer, juga dari psikologi,
matematika, fisika, dan ilmu bahasa. Ilmu-ilmu ini bekerja bersama untuk
satu tujuan yaitu pengembangan sistem kecerdasan [Kiki, Sri Kusumadewi].
8
2.1.5. Metode Backpropagation
Perambatan galat mundur (Backpropagation) adalah sebuah metode
sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini
memiliki dasar matematis yang kuat, obyektif dan algoritma ini
mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan
meminimalkan jumlah kuadrat galat error melalui model yang
dikembangkan (training set).
1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen
pemroses melalui lapisan luar.
2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara
data aktual dan target.
3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di
sisi masukan elemen pemroses.
4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen
pemroses ke kesalahan yang terdapat pada masukan. Ulangi p proses
ini sampai masukan tercapai.
5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi
masukan elemen dan luaran elemen pemroses yang terhubung.
Algoritma pelatihan backpropagation meliputi dua tahap : perambatan
maju dan perambatan mundur.
Arsitektur Jaringan Backpropagation
Contoh Arsitekstur JST Backpropagation dengan:
1. n unit masukkan
2. p unit layer tersembunyi
3. m unit keluaran
9
1
Y1
Y2
Ym
Z1
Z2
Zp
1
X1
X2
Xn
V10V20Vp
0V11
Vp1V21
V12
Vm
2
V22
V1n
Vpn
V2
m
W1
0
W2
0Wm0
W1
1
Wm1
W2
1
W1
2Wm2
W2
2
W1
p
Wmp
W2
p
Fungsi Aktifasi
Fungsi aktifasi yang digunakan pada backpropagation yaitu sigmoid
biner dan sigmoid bipolar.
1. Fungsi sigmoid biner.
2. Fungsi sigmoid bipolar.
Selama perambatan maju, tiap unit masukan (xi) menerima sebuah
masukan sinyal ini ke tiap-tiap lapisan tersembunyi z1,…..,zp. Tiap unit
tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan
sinyalnya (zj) ke tiap unit keluaran. Tiap unit keluaran (yk) menghitung
aktivasinya (yk) untuk membentuk respon pada jaringan untuk memberikan
pola masukan.
Selama pelatihan, tiap unit keluaran membandingkan perhitungan
aktivasinya yk dengan nilai targetnya tk untuk menentukan kesalahan pola
tersebut dengan unit itu. Berdasarkan kesalahan ini, faktor δk (k = 1,..,m)
10
Gambar 2.5 Arsitektur Backpropagation
Gambar 2.6. Sigmoid biner
Gambar 2.7. Sigmoid bipolar
dihitung. δk digunakan untuk menyebarkan kesalahan pada unit keluaran
yk kembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi
yang dihubungkan ke yk). Juga digunakan (nantinya) untuk mengupdate
bobotbobot antara keluaran dan lapisan tersembunyi. Dengan cara yang
sama, faktor (j = 1,…,p) dihitung untuk tiap unit tersembunyi zj. Tidak
perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi δj
digunakan untuk mengupdate bobot-bobot antara lapisan tersembunyi dan
lapisan masukan.
Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur
secara serentak. Pengaturan bobot wjk (dari unit tersembunyi zj ke unit
keluaran yk) didasarkan pada faktor δk dan aktivasi zj dari unit
tersembunyi zj didasarkan pada faktor δj dan aktivasi xi unit masukan.
Untuk langkah selengkapnya adalah:
Prosedur Pelatihan
Langkah 0 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang
kecil),
Langkah 1 : Jika kondisi tidak tercapai, lakukan langkah 2-9,
Langkah 2 : Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju :
Langkah 3 : Tiap unit masukan (xi , i = 1,…, n) menerima sinyal xi dan
menghantarkan sinyal ini ke semua unit lapisan di atasnya
(unit tersembunyi),
Langkah 4 : Setiap unit tersembunyi (xi , i = 1,…, p) jumlahkan bobot
sinyal masukannya,
voj = bias pada unit tersembunyi j aplikasikan fungsi
aktivasinya untuk menghitung sinyal keluarannya, zj = f
(z_inj), dan kirimkan sinyal ini keseluruh unit pada lapisan
diatasnya (unit keluaran).
Langkah 5 : Tiap unit keluaran (yk, k = 1,…, m) jumlahkan bobot sinyal
masukannya,
11
wok = bias pada unit keluaran k dan aplikasikan fungsi
aktivasinya untuk menghitung sinyal keluarannya, yk = f
(y_ink).
Perambatan Mundur :
Langkah 6 : Tiap unit keluaran (yk, k = 1,…, m) menerima pola target
yang saling berhubungan pada masukan pola pelatihan,
hitung kesalahan informasinya,
hitung koreksi bobotnya (digunakan untuk memperbaharui
wjk nantinya),
hitung koreksi biasnya (digunakan untuk memperbaharui
wok nantinya), dan kirimkan δk ke unit-unit pada lapisan
dibawahnya,
Langkah 7 : Setiap unit lapisan tersembunyi (zj, j = 1,…, p) jumlahkan
hasil perubahan masukannya (dari unit-unit lapisan
diatasnya),
kalikan dengan turunan fungsi aktivasinya untuk
menghitung informasi kesalahannya,
hitung koreksi bobotnya (digunakan untuk memperbaharui
voj nanti),
Langkah 8 :Tiap unit keluaran (yk, k = 1,…, m) update bias dan
bobotnya
(j = 0,…, p) :
12
Tiap unit lapisan tersembunyi (zj, j = 1,…, p) update bias
dan bobotnya (I = 0,…,n) :
Langkah 9 : Test kondisi berhenti.
Prosedure Pengujian :
Setelah pelatihan, jaringan saraf backpropagation diaplikasikan
dengan hanya menggunakan tahap perambatan maju dari algoritma
pelatihan. Prosedur aplikasinya adalah sebagai berikut :
Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan).
Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4.
Langkah 2 : for i = 1,…, n : atur aktivasi unit masukan xi
Langkah 3 : for j = 1,…, p : .
Langkah 4 : for k = 1,…, m :
Langkah 5 : Jika yk ≥ 0,5 maka yk = 1, else yk = 0.
[Kiki, Sri Kusumadewi]
2.2. Garis Besar Penyelesaian Masalah
Aplikasi untuk pengenalan pola wajah dengan menggunakan metode
Jaringan Saraf Tiruan Backpropagation. Pembuatan aplikasi ini dibagi ke dalam
lima tahapan proses, yaitu studi pustaka, pengumpulan data, rancangan sitem,
implementasi sistem, testing, serta penarikan kesimpulan. Tahapan pembuatan
aplikasi dapat dilihat pada gambar 2.6.
13
Gambar 2.8. Tahapan pembuatan sistem
2.2.1. Studi Pustaka
Studi pustaka dilakukan untuk mengetahui perkembangan terkini
mengenai metode Jaringan Saraf Tiruan Backpropagation yang digunakan
dalam penyelesaian masalah. Penelitian mengenai aplikasi ini telah populer
dan banyak metode baru yang berkembang, sehingga perlu merujuk
pustaka-pustaka penelitian untuk menetapkan metode yang efektif.
2.2.2. Pengumpulan Data
Pengumpulan data dalam penelitian ini dilakukan dengan mengambil
4 sampel citra wajah mahasiswa Teknik Informatika Universitas
Diponegoro yang dipilih secara acak untuk memberi pelatihan pada sistem.
Alur pengumpulan data dapat dilihat pada gambar 2.9 :
14
Diagram diatas menjelaskan tentang mengetahui eigen value dan
eigen vector sebuah citra, kemudian nilai eigen value dan eigen vector akan
menjadi nilai pelatihan pada sistem Backpropagation.
Proses pelatihan setelah mengetahui eigen value dan eigen vector
sebuah citra yaitu pelatihan pada sistem Backpropagation, alur pelatihan
dapat dilihat pada gambar 2.10 :
15
Mulai
Matriks CovarianBaca Image
Matriks
Eigen Value / Eigen Vector
Simpan Citra
Selesai
Mulai
Baca File Pelatihan
Epoch = 1000
Feedforward
Simpan
Backpropagation
Selesai
N
Y
Gambar 2.9 Proses Pengumpulan data
Gambar 2.10. Proses pembelajaran Backpropagation
2.2.3. Perancangan Sistem
Dalam perancangan sistem keamanan ini ada 4 fase penting yaitu
penangkapan gambar yang akan diproses, deteksi wajah, pengenalan wajah
dan pemberian notifikasi apakah wajah dikenali sistem atau tidak, dalam
perancangan ini dapat kita lihat alur sistem pada gambar 2.11 :
Pada proses baca file sistem mendapatkan sebuah citra gambar,
kemudian sistem melacak apakah di dalam citra gambar terdapat pola
wajah, jika iya proses deteksi wajah akan beraksi sedemikian hingga wajah
dapat dipotong, setelah pemotongan wajah didalam citra tadi, sistem
kembali bekerja untuk melakukan resize citra wajah yang telah tertangkap
dan dipotong, pada proses deteksi disinilah peran aktif Backpropagation
untuk mengenali sebuah citra wajah apakah wajah yang telah terinput tadi
sesuai dengan wajah yang telah disimpan oleh sistem sebelumnya, dari hasil
perbandingan antar sistem dan citra yang baru saja masuk dapat kami cari
kesimpulan wajah tersebut dikenali oleh sistem atau tidak, jika tidak peran
pada proses SMS Google beraksi untuk memberikan sebuah pesan atau
notifikasi bahwa sistem tidak mengenali wajah tersebut, notifikasi tersebut
akan dikirimkan kepada keamanan atau pun pemilik ruangan.
16
Mulai
Baca File
Deteksi WajahHasil
PengenalanPengenalan Wajah
Selesai
Pengiriman ke GooglePengiriman PesanNotifikasi
Gambar 2.11. Alur system dijalankan
2.2.4. Implementasi Sistem
Setelah tahap analisis dan perancangan selesai, dilakukan tahap
implementasi sistem. Pada tahap ini, semua algorima dan proses pada
perancangan sistem akan diimplementasikan dalam sebuah aplikasi sebagai
wujud dari sistem. Aplikasi ini akan diselesaikan dalam bahasa
pemrograman Matlab.
2.2.5. Testing
Pada tahap ini, suatu gambar yang dimasukkan ke dalam sistem akan
di proses sesuai dengan prosedur atau langkah-langkah yang telah di
tentukan. Sistem akan menghitung nilai tiap piksel dari citra wajah telah di-
input-kan guna mendapatkan hasil berupa notifikasi yang berisi apakah citra
wajah baru dapat dikenali oleh sistem jika iya sistem akan kembali
melakukan deteksi wajah, dan jika sistem tidak mengenali citra wajah
tersebut maka sistem akan memberikan pesan atau notifikasi kepada
keamanan ataupun pemilik ruangan.
2.2.6. Penarikan Kesimpulan
Setelah tahap ujicoba sistem menghasilkan kenerja yang baik, akan
mengarah ke tahap akhir dari penelitian ini, yaitu penarikan kesimpulan.
Pada tahap ini dirumuskan pengembangan penelitian yang dapat dilakukan
selanjutnya, juga hasil yang didapat dari penelitian ini.
17
2.3. Jadwal
Estimasi waktu mulai dari persiapan, pembuatan hingga nantinya aplikasi ini
selesai dapat dilihat pada lampiran jadwal kegiatan. Dengan adanya jadwal ini akan
dapat memberikan gambaran mengenai tahapan yang akan dilakukan, sehingga
dalam pengerjaan ada acuan waktu sebagai evaluasi pada tahapan sebelumnya, lihat
Tabel 2. 1.
Tabel 2.1 Jadwal Kegiatan
Aktifitas
Waktu
Oktober2012
November Desember Januari Februari Maret2012 2012 2012 2012 2012
Minggu ke 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4Persiapan Penyusunan TA 1 Seminar TA 1 Analisis Design Implementasi Pengujian Penyusunan TA 2 Sidang TA 2 Revisi Laporan TA 2
18
DAFTAR PUSTAKA
[1] Kiki, Sri Kusumadewi, Journal “Analisis Jaringan Saraf Tiruan dengan Metode
Backpropagation Untuk Mendeteksi Gangguan Psikologi”, diakses dari:
http://cicie.files.wordpress.com/2008/06/analisis-jst-_backpropagation_.pdf , pada
tanggal 17 Oktober 2012 pukul 20.30 WIB.
[2] Sung, K.K., 1996, “ Learning and Example Selection for Object and Pattern
Detection” , AITR 1572, Massachusetts Institute of Technology AI Lab.
[3] Hjelmas, E., Low, B.K., 2001, “ Face Detection: A Survey” , Computer Vision and
Image Understanding. 83, pp. 236-274.
[4] Yang, M.H., Kriegman, D., Ahuja, N., 2002, “Detecting Faces in Images: A
Survey” , IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1.
[5] Setyo Nugroho, 2004, Tesis “Sistem Pendeteksi Wajah Manusia Pada Citra”,
Program Pasca Sarjana Universitas Gajah Mada.
[6] Yusron Rijal, Riza Dhian Ariefianto, 2008, Journal “Deteksi Wajah
Berbasis Segmentasi Model Warna Menggunakan Template Matching Pada Objek
Bergerak”, S1 / Jurusan Sistem Komputer, Sekolah Tinggi Manajemen
Informatika & Teknik Komputer Surabaya.
[7] Candra Noor Santi, S.Pd, M.Kom, 2011, Journal “Mengubah Citra Berwarna
menjadi Grayscale dan citra biner ”, Fakultas Teknologi Informasi, Universitas
Stikubank Semarang.
19