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