- proposal thesis revisi v

7/21/2019 - Proposal Thesis Revisi V

http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 1/30

BAB 1

PENDAHULUAN

1.1. Latar Belakang Masalah

Wajah merupakan fitur pembeda yang sering digunakan sebagai kunci untuk

mengenal identitas seseorang[1]. Pada sistem interaksi manusia-komputer,

pendeteksian wajah merupakan langkah penting dalam sistem pengenalan wajah.

istem pendeteksian wajah merupakan hal yang rumit dilakukan karena tingkat

ke!ariasian wajah yang kompleks, sehingga pada sistem waktu-nyata, penerapan

pendekatan yang begitu kompleks akan memperlambat kinerja sistem, dan sebaliknya

penerapan pendekatan yang tidak begitu kompleks akan mempengaruhi tingkat

keakuratan dalam pendeteksian wajah. ampai saat ini lebih dari 1"# pendekatan

yang telah diterapkan untuk membangun sistem pendeteksian wajah.

$enurut %ang, & dan 'uang, (.., pendekatan pendeteksian wajah dapat

dikategorikan menjadi empat jenis) knowledge-based, appearance-based, feature

invariant, dan template matching [*]. Knowledge-Based Method , metode ini

menggunakan dasar aturan-aturan yang biasanya digunakan oleh manusia untuk

menentukan apa saja yang membentuk suatu wajah. Pada pendekatan ini, metode

deteksi wajah dikembangkan berdasar pada aturan +rule yang didapat dari

pengetahuan para peneliti tentang wajah manusia. ebagai contoh, suatu wajah di

dalam citra biasanya memiliki dua buah mata yang simetris, sebuah hidung, dan



sebuah mulut. elasi antara fitur-fitur tersebut dapat direpresentasikan sebagai jarak

atau posisi. Feature Invariant Approach, algoritma pada metode ini bertujuan untuk

menemukan fitur-fitur struktural dari wajah yang tetap eksis meskipun terdapat

!ariasi pose, sudut pandang, dan kondisi cahaya. Pada pendekatan ini, para peneliti

mencoba menemukan fitur-fitur yang tidak berubah +in!ariant pada wajah. sumsi

ini didasarkan pada obser!asi bahwa manusia dapat dengan mudah mendeteksi wajah

dengan berbagai pose dan kondisi cahaya, sehingga disimpulkan bahwa pasti ada

sifat-sifat atau fitur-fitur yang bersifat in!ariant. emplate 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.

Appearance-Based Method , pada metode ini, model wajah dipelajari melalui proses

training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh

wajah. /emudian hasil training ini digunakan untuk mendeteksi wajah. ecara umum

metode ini menggunakan teknik-teknik dari analisa statistik dan machine learning

untuk menemukan karakteristik-karakteristik yang rele!an dari wajah maupun non

wajah[*][0].

erbagai pendekatan dan unjuk kerja dari berbagai penelitian pendeteksian

wajah disajikan dalam tabel 1.1.

2



(abel 1.1. 2njuk kerja berbagai pendekatan pendeteksi wajah.

3o $etode Peneliti(ingkat

/eakuratan

4eteksi

1 !olor based "#stem [5] (ao, 6ia-6un,7hun

809

* "upport vector machines $"%M [0] :suna ;5,*9

0 &istribution-based dan clustering [0] ung, Poggio ;<,<9

5 'eural 'etworks [0]["][=] owley 85,"9

" !ombination of Appearance-based and Feature-based [;]

(abatabaie,dkk

;;,159

= 'eural 'etworks in (eal-time Face

&etection [8]7urran, dkk

=;9-8"9

Pada sistem waktu-nyata, pendeteksian wajah harus dibangun berdasarkan

spesifikasi berikut )

1. Penggunaan algoritma yang efisien, hal ini mutlak diperlukan pada sistem

untuk pengembangan lanjut seperti sistem biometriks pengenalan wajah,

pengenalan ekspresi, dan lain-lain. Penggunaan algoritma yang terlalu

kompleks pada sistem pendeteksian wajah akan sangat berpengaruh kepada

kecepatan kinerja dalam interpretasi pola.

3



*. (ingkat keakuratan pendeteksian sistem yang tinggi. 4i dalam penelitian ini

parameter &etection rate dan False )ositive (ate digunakan sebagai acuan

pengukuran unjuk kerja sistem.

/ombinasi kedua spesifikasi di atas menjadi tantangan penelitian dalam

membangun sistem pendeteksian wajah waktu-nyata, dan untuk itu penggunaan

teknologi komputasi yang tepat digunakan dalam penelitian ini.

(eknologi komputasi semakin luas penggunaanya setelah ditemukannya

metode komputasi 6aringan yaraf (iruan pada tahun 1<=#. erbagai model 6aringan

yaraf (iruan yang umum dikenal luas diantaranya adalah model 'ebb, model

Perceptron, model daline>$adaline, dan model 'opfield. Pada penelitian ini model

Adaptive *inear 'euron +daline akan diujicobakan untuk membangun sistem

pendeteksian wajah. lasan pemilihan model Adaptive *inear 'euron +daline

adalah dikarenakan pada model ini struktur neuron yang digunakan tidak begitu

kompleks dan iterasi komputasi yang diperlukan untuk menyesuaikan bobot pelatihan

tidak terlalu panjang. 2ntuk melatih model Adaptive *inear 'euron +daline, maka

algoritma pembelajaran Widrow-'off digunakan untuk mengenal berbagai pola

wajah manusia yang akan dijadikan acuan sebelum pengujian dilakukan.

1.2. Rumusan Masalah

4



erdasarkan latar belakang permasalahan di atas, maka rumusan masalah

yang diambil adalah

1. agaimana jaringan Adaptive *inear 'euron +daline dengan menggunakan

algoritma belajar +idrow-off digunakan untuk membangun sistem

pendeteksian wajah manusia ?

*. eberapa handal unjuk kerja sistem berdasarkan parameter unjuk-kerja

&etection rate dan False )ositive (ate?

1.3. Batasan Masalah

atasan masalah dalam penelitian yang akan dilakukan adalah )

1. @ideo yang digunakan adalah berformat .a!i *5 bit

*. Wajah hanya berorientasi tampak depan, tanpa menggunakan atribut atau

aksesoris seperti kaca mata, masker, dan lain-lain.

0. Wajah yang dideteksi adalah wajah tanpa halangan.

1.4. Tujuan Peneltan

(ujuan penelitian ini adalah dihasilkan suatu prototype perangkat lunak sistem

pendeteksian wajah pada !ideo menggunakan jaringan dapti!e Ainear 3euron.

1.!. Man"aat Peneltan

$anfaat penelitian yang diharapkan adalah )

5



1. istem yang dibangun dapat menjadi proses awal untuk tahap pengenalan

wajah.

*. ebagai e!aluasi perbandingan terhadap berbagai pendekatan lainnya.

BAB 2

T#N$AUAN PU%TA&A

2.1 'tra Dgtal

7itra digital merupakan kesatuan dari berbagai elemen yang terdiri dari

kecerahan +brightness, kontras +contrast , kontor +contour , warna +color , bentuk

+ shape, dan tekstur +teture. ecara garis besar citra dapat dibagi menjadi dua jenis,

citra diam + still image dan citra bergerak +motion image[<]. 7itra diam + still image

secara umum direpresentasikan ke dalam bentuk fungsi ( ) # - f , , dan citra bergerak

+motion image direpresentasikan ke dalam fungsi ( )t # - f ,, , dimana - dan #

berturut-turut sebagai sumbu - dan sumbu # citra, dan t mendenotasikan waktu.

gar citra digital dapat diolah oleh komputer digital, maka suatu citra harus

direpresentasikan secara numerik dengan nilai-nilai yang diskrit atau diistilahkan

6



sebagai nilai intensitas cahaya. 3ilai-nilai intensitas cahaya tersebut direpresentasikan

sebagai nilai-nilai kanal pada citra digital. 2ntuk citra 8 bit akan memiliki satu kanal

yang mengandung sekumpulan nilai berkisar dari # B *"", untuk citra 1= bit akan

memiliki dua kanal, dan citra *5 bit akan memiliki tiga kanal yang dikenal sebagai

kanal +red , &+ green, dan +blue.

2.2. &(n)(lus

uatu cara untuk mengkombinasikan dua buah sinyal disebut kon!olusi[11].

/on!olusi * buah fungsi ( ) - f dan ( ) - g didefinisikan sebagai )

( ) ( ) ( ) ( ) ( )∫ ∞

∞−

−≅⊗= daa - g a f - g - f -h ..CCCCCC...+*.1

notasi ⊗ merupakan operator kon!olusi. 2ntuk fungsi diskrit kon!olusi

didefinisikan sebagai,

( ) ( ) ( ) ( ) ( )∑∞

−∞=

−≅⊗=a

a - g a f - g - f -h ..CCCCCC.....+*.*

di mana ( ) - g merupakan kernel kon!olusi atau kernel filter.

2ntuk fungsi dua dimensi, operasi kon!olusi didefinisikan sebagai ) +untuk

fungsi kontinu

( ) ( ) ( ) ( ) ( )∫ ∫ ∞

∞−

∞

∞−

−−≅⊗= dadbb #a - g ba f # - g # - f # -h ,,,,, C.+*.0

7



CC.....

dan untuk fungsi diskrit, didefinisikan sebagai )

( ) ( ) ( ) ( ) ( )∑∑∞

∞−

∞

∞−

−−≅⊗= b #a - g ba f # - g # - f # -h ,,,,, C.CC.....+*.5

Dungsi filter ( ) # - g , disebut juga filter kon!olusi, mask kon!olusi, kernel kon!olusi,

atau template[1*].

2.3. Deteks *ajah

da beberapa pendekatan yang telah dilakukan oleh beberapa peneliti di dalam

membangun sistem pendeteksian wajah. ecara umum metode yang diterapkan pada

sistem pendeteksian wajah dapat diklasifikasikan menjadi )

1. Knowledge-based method . $etode ini kebanyakan digunakan untuk

lokalisasi wajah.

*. Feature invariant approach. $etode ini kebanyakan digunakan untuk

lokalisasi wajah.

0. Template matching method . $etode ini digunakan untuk lokalisasi wajah

maupun deteksi wajah.

5. Appearance-based method . $etode ini kebanyakan digunakan untuk

deteksi wajah[*][0].

Knowledge-Based Method , metode ini menggunakan dasar aturan-aturan yang

biasanya digunakan oleh manusia untuk menentukan apa saja yang membentuk suatu

8



wajah. Pada pendekatan ini, metode deteksi wajah dikembangkan berdasar pada

aturan +rule yang didapat dari pengetahuan para peneliti tentang wajah manusia.

ebagai contoh, suatu wajah di dalam citra biasanya memiliki dua buah mata yang

simetris, sebuah hidung, dan sebuah mulut. elasi antara fitur-fitur tersebut dapat

direpresentasikan sebagai jarak atau posisi. Pada tahap pertama fitur-fitur wajah

diekstraksi lebih dulu, kemudian kandidat wajah ditentukan berdasarkan aturan yang

dipakai. $asalah utama pada pendekatan ini adalah kesulitan dalam menterjemahkan

pengetahuan manusia ke dalam aturan yang akan dipakai. 6ika aturannya terlalu detail

+ strict , maka akan sering gagal mendeteksi wajah yang tidak memenuhi aturan

tersebut. 6ika aturannya terlalu umum +general, akan menghasilkan terlalu banyak

false positive. $asalahnya akan bertambah sulit jika harus mendeteksi wajah dengan

pose yang ber!ariasi karena aturan yang dipakai harus dapat menghadapi semua

kemungkinan yang ada. $etode ini biasanya hanya dapat bekerja dengan baik pada

wajah frontal dan tegak dengan latar belakang sederhana.

Feature Invariant Approach, algoritma pada metode ini bertujuan untuk

menemukan fitur-fitur struktural dari wajah yang tetap eksis meskipun terdapat

!ariasi pose, sudut pandang, dan kondisi cahaya. Pada pendekatan ini, para peneliti

mencoba menemukan fitur-fitur yang tidak berubah +in!ariant pada wajah. sumsi

ini didasarkan pada obser!asi bahwa manusia dapat dengan mudah mendeteksi wajah

dengan berbagai pose dan kondisi cahaya, sehingga disimpulkan bahwa pasti ada

9



sifat-sifat atau fitur-fitur yang bersifat in!ariant. Ditur wajah seperti alis, mata,

hidung, mulut, biasanya diekstraksi dengan edge detector. elanjutnya dibentuk suatu

model statistik yang mendeskripsikan hubungan antara fitur-fitur tersebut untuk

menentukan ada tidaknya wajah. Warna kulit manusia juga dapat digunakan untuk

membantu memperkirakan area wajah. 3amun biasanya deteksi warna kulit ini

dikombinasikan dengan metode lainnya seperti shape analysis dan motion

information.

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.

Appearance-Based Method , pada metode ini, model wajah dipelajari melalui

proses training dengan menggunakan satu set data pelatihan yang berisi contoh-

contoh wajah. /emudian hasil training ini digunakan untuk mendeteksi wajah. ecara

umum metode ini menggunakan teknik-teknik dari analisa statistik dan machine

learning untuk menemukan karakteristik-karakteristik yang rele!an dari wajah

maupun non wajah. %ang termasuk dalam kelompok ini antara lain adalah metode

igenfaces[/irby, iro!ich, 1<<#], distribution-based dan clustering [ung, Poggio,

1<<5], jaringan syaraf tiruan [owley, 1<<8], support vector machines +@$

[:suna, 1<<;], "parse 'etwork of +innows +3oW [%ang, *###], 'aive Ba#es

10



!lassifier [chneiderman, 1<<8], idden Markov Model +'$$ [3efian, 1<<8],

Kullback relative information [7olmenareE, 1<<;], dan decision trees ['uang, 1<<=]

[0].

2.4. $arngan %+ara" Truan ,$%T-

6aringan syaraf tiruan +6( merupakan sebuah mesin komputasi yang

dirancang untuk memodelkan cara atau prilaku otak biologis dalam melakukan tugas

atau berbagai fungsi tertentu[10]. ebagai suatu teknologi komputasi, 6( merupakan

suatu teknik pemrosesan informasi yang menggunakan model kuantitatif syaraf

biologis mengilhami terciptanya suatu proses komputasi yang identik dengan kerja

neuron dalam sistem syaraf manusia.

6( terdiri atas elemen pemrosesan bernama neuron, yang dihubungkan dengan

elemen pemroses lain oleh suatu aturan dan bobot. 2mumnya. 6( merupakan suatu

kumpulan pemroses sinyal analog yang dihubungkan melalui link yang disebut

interkoneksi atau koneksi-koneksi sederhana. ecara skematis, 6( digambarkan

dalam bentuk grafik yang mempunyai arah menuju suatu simpul dari elemen

pemroses. rah panah menunjukkan arah normal suatu aliran sinyal. Pemrosesan

sinyal di dalam jaringan dilakukan melalui proses komputasi. 4engan demikian. 6(

merupakan suatu teknik komputasi pada perangkat lunak atau perangkat keras yang

mengemulasikan neuron biologis dalam melakukan operasi pengambilan infomasi.

11



uatu neuron terdiri atas tiga bagian utama, yaitu soma +badan induk neuron, akson

+jalur keluaran dari soma dan dendrit +jalur masukan bagi soma[1#][15] seperti yang

terlihat pada gambar *.1. 'ubungan satu neuron dengan neuron berikutnya disebut

sinapsis. /arena sinapsis merupakan tempat hubungan satu neuron dengan neuron

berikutnya maka tempat itu sangat menguntungkan sebagai pengatur penghantaran

sinyal. eberapa sinapsis menghantarkan sinyal dari satu neuron ke neuron lainnya

dengan mudah, sedangkan sinapsis yang lain sulit untuk menghantarkan sinyal.

elain itu beberapa neuron pasca sinapsis bereaksi dengan sejumlah besar impuls

sedangkan lainnya hanya bereaksi terhadap beberapa impuls saja. 6adi sinapsis

melakukan suatu tindakan selektif, misalnya dengan menghalangi sinyal lemah tetapi

meneruskan sinyal yang kuat, menseleksi dan menguatkan sinyal lemah tertentu dan

tidak jarang menyalurkan sinyal ke berbagai arah, bukan hanya ke satu arah saja.

12



&ambar *.1. 3euron[15]

6( belajar dari sampel yang disebut set pelatihan. /arena belajar dari sampel, 6(

mempunyai potensi membangun sistem komputasi sebagai hasil pemetaan hubungan

masukan dan keluaran yang ada dalam sistem. et pelatihan dikenal sebagai pola

pelatihan berupa suatu !ektor dan didapatkan dari sumber seperti citra, sinyal suara,

dan berbagai informasi lainnya[1#].

13



2.!. Pr(ses Belajar $arngan %+ara" Truan ,$%T-

Proses belajar 6( diklasifikasikan menjadi dua )

- elajar dengan pengawasan + supervised learning

- elajar tanpa pengawasan +unsupervised learning

elajar dengan pengawasan + supervised learning , 6aringan memberikan tanggapan

dengan mendapatkan target tertentu. ebelum jaringan mengubah sendiri bobotnya

untuk mencapai target, bobot interkoneksi diinisialisasi. Proses belajar 6( dengan

pengawasan adalah proses belajar dengan memberikan latihan untuk mencapai suatu

target keluaran yang ditentukan. 6( mendapatkan latihan untuk mengenal pola-pola

tertentu. 4engan memberikan target keluaran, perubahan masukan akan diadaptasi

oleh keluaran dengan mengubah bobot interkoneksinya mengikuti algoritma belajar

yang ditentukan. et pelatihan dipilih dari fungsi keluaran maksimum setiap keadaan

parameter yang diubah. 4engan menginisialisasi bobot tiap sel, 6( akan mencari

error terkecil, sehingga bentuk fungsi keluaran mendekati target yang diinginkan.

Proses belajar dilakukan dengan melakukan suatu set pelatihan. 4alam menyusun

suatu set pelatihan, ada beberapa hal yang harus diperhatikan )

- 2rutan pola target

- /riteria perhitungan error

- /riteria proses belajar

14



- 6umlah iterasi yang harus dilalui

- Fnisialisasi bobot dan parameter awal

Pelatihan dilakukan dengan memberikan pasangan pola-pola masukan dan

keluaran. 2ntuk keperluan pengawasan, pasangan pola tidak perlu mengikuti

rumusan tertentu. 6( harus dapat mengadaptasikan masukan yang bersifat random

sehingga diperoleh suatu set keluaran yang tetap mengikuti target. alah satu proses

belajar dengan pengawasan yang begitu populer digunakan adalah proses belajar

menggunakan algoritma jaringan propagasi balik +back-propagation.

elajar tanpa pengawasan +unsupervised learning , pada proses belajar tanpa

pengawasan jaringan tidak mendapatkan target, sehingga 6( mengatur bobot

interkoneksinya sendiri. elajar tanpa pengawasan kadang-kadang direferensikan

sebagai self-organi/ing learning, atau pembelajaran mengklasifikasikan suatu pola

tanpa diperlukan suatu set pelatihan. Pada proses belajar tanpa pengawasan 6( akan

mengklasifikasikan sampel pola-pola masukan yang tersedia ke dalam berbagai

kelompok yang berbeda. 7ontoh 6( dengan belajar tanpa pengawasan salah satunya

adalah jaringan kohonen[1#][1*].

2. $arngan A/alne /an Ma/alne

4AF3G singkatan dari dapti!e Ainear 3euron, 4AF3G menggunakan

threshold dalam melakukan proses penjumlahan linier seluruh masukan pada

15



jaringannya. Pengaturan bobot interkoneksi pada jaringan 4AF3G dilakukan

menggunakan persamaan )

( )k k k + + ∇−+=+ µ 1 CCCCCCCCCCCCCCCCCCC..

.

+*."

&radien k ∇ sesaat dihitung berdasarkan kuadrat error sesaat,

∂

∂

∂∂

=∂

∂=∇

nk

k

k

k

k

k

k

+

+

+ *

#

*

*

ε

ε

ε

( )k

k

k k k k

+ + + +

∂

∂−=∇−+=

+

*

1

ε µ µ

(

k

k

k k

k k

k

k

k k k +

-+ d

+ + + + ∂

−∂

−=∂

∂

−=+ µε

ε

µε **1

k k k k 0 + + µε *1 +=+

jika * µ H η

k k k k 0 + + ηε +=+1 CCCCCCCCCCCCCCCCCCC... +*.=

keterangan )

µ adalah konstanta belajar.

k ε adalah error pada iterasi ke-k .

η adalah konstanta belajar yang bernilai µ * [1#][1*][10].

Pada setiap iterasi nilai error akan selalu menurun, sehingga proses belajar yang

demikian disebut juga sebagai proses belajar dengan algoritma gradient descent .

16



istem $4AF3G mempunyai satu lapisan 4AF3G yang dihubungkan dengan

satu unit $4AF3G. 6ika lebih dari setengah keluaran 4AF3G adalah I1, maka

unit keluaran $4AF3G adalah I1.

2ntuk mensimulasikan proses komputasi jaringan 4AF3G untuk mengenal

wajah, maka !ektor pola wajah yang akan dilatih terlebih dahulu diketahui. 2ntuk

pembentukan !ektor pola wajah maka dapat digunakan proses belajar 'ebbian,

misalkan tiap !ektor pola dibangun dengan menggunakan ciri pada *.1.

(abel *.1. @ektor pola ciri wajah manusia.

etiap elemen berhubungan dengan satu ciri pola, misalkan !ektor pola pertama

adalah [ ]11111 −+++=

- . 2ntuk menyimpan satu pola wajah di dalam

memori asosiatif, setiap elemen dalam !ektor pola wajah k - digunakan sebagai

masukan pada satu elemen pemroses di memori dan setiap elemen pemroses

dihubungkan ke setiap elemen pemroses lainnya pada memori. 3ilai kekuatan

hubungan antara elemen pemroses disimpan ke dalam matriks [ ]+ ukuran 5J5.

2ntuk memudahkan bobot interkoneksi awal, kita pilih matriks # sebagai berikut )

17



- -ww **1*

+= [ ]1111

1

1

1

1

1111

1111

1111

1111

−+−−×

−

+−

−

+

+−−−

−+++−+++

−+++

=

+−

−+

++

++

=

**##

**##

##**

##**

langkah dilanjutkan hingga misalkan langkah sepuluh, sehingga diperoleh matriks

interkoneksi pola dalam memori asosiatif.

&ambar *.*. Pola interkoneksi suatu memori asosiatif pengenalan sepuluh pola

wajah yang dibangun dari ciri utama

Pada gambar *.*, bobot interkoneksi antara elemen pemroses 1 dan *, 1 dan 0,

dan * dan 0 mempunyai nilai *, hal ini mencerminkan bahwa nilai-nilai ciri utama

yang berhubungan dengan elemen pemroses adalah sama, I1 dan I1 atau -1 dan -1,

dalam enam pola, tetapi berbeda untuk empat pola, = J +I1I5 J +-1H*. obot

interkoneksi antara elemen pemroses 1 dan 5 mempunyai nilai =, yang menunjukkan

19



bahwa nilai-nilai ciri utama 1 dan 5 sama dalam delapan pola dan berbeda dalam *

pola, 8 J +I1I* J +-1H=. obot interkoneksi antara elemen pemroses * dan 5, dan 0

dan 5 mempunyai nilai -*, yang menunjukkan nilai-nilai ciri utama yang

berhubungan dengan elemen pemroses adalah sama, I1 dan I1 atau -1 dan -1, dalam

empat pola, tetapi berbeda untuk enam pola, 5 J +I1I= J +-1H-*.

(injau kembali hasil dari gambar *.*, ambil !ektor masukan * dan 5 yang

menghasilkan keluaran yang tidak kuat +karena tidak ortogonal. elanjutnya kita

mencoba membuat matriks bobot dengan algoritma belajar Widrow-'off. @ektor pola

masukan * dan 5 adalah sebagai berikut )

−

−

−−

−

=

1 1

11

11

1 1

0

erdasarkan algoritma Widrow-'off, langkah pertama kita adalah menentukan nilai

konstanta belajar, misalkan #,*. $atriks bobot awal ditetapkan matriks # dan iterasi

dapat dilakukan.

[ ]

=

####

####

####

####

#+

Aangkah 1 ) Pemanggilan kembali !ektor pola.

[ ]

=

−

−

−−

−

×

==

##

##

##

##

1 1

11

11

1 1

####

####

####

####

#]#[ 0 + 0

20



Aangkah * ) Perhitungan error.

−

−

−−

−

=

−

−

−

−−

−

=−=

1 1

11

11

1 1

##

##

##

##

1 1

11

11

1 1

]#[]#[ 0 0 ε

Aangkah 0 ) Perhitungan matriks koreksi.

−−

−−−×

−

−

−−

−

×=∆=×1 111

1111

1 1

11

11

1 1

*,##+]#[ w 0 ε η

−

−−

−

=

5,#5,##5,#

5,#5,##5,#

##5,##

5,#5,##5,#

Aangkah 5 ) $emperbarui matriks bobot.

[ ] [ ]

−

−−

−

+

=∆+=

5,#5,##5,#

5,#5,##5,#

##5,##

5,#5,##5,#

####

####

####

####

]#[#1 w+ +

−

−−

−

=

5,#5,##5,#

5,#5,##5,#

##5,##

5,#5,##5,#

Pada iterasi ke-*5 )

−−

−−

−

×

−−−

−

==

1 1

11

11

1 1

000,#000,##000,#

000,#000,##000,#

###,1#

000,#000,##000,#

]*0[]*0[ 0 + 0

−

−

−−

−

=

1 1

11

11

1 1

21



=

−

−

−−

−

−

−

−

−−

−

=−=

##

##

##

##

1 1

11

11

1 1

1 1

11

11

1 1

]*0[]*0[ 0 0 ε

−−

−−−×

×=∆=×1 111

1111

##

##

##

##

*,#*0+]*0[ w 0

ε η

=

####

####

####

####

Grror minimum diperoleh pada iterasi ke-*5. 6umlah iterasi sangat dipengaruhi oleh

konstanta belajar[1#][1*].

22



BAB 3

MET0DE PENEL#T#AN

3.1. Dagram Alur &erja Peneltan

4iagram alur kerja yang akan dilakukan pada penelitian ini diilustrasikan

sebagai berikut )

&ambar 0.1 lur kerja penelitian secara umum

23

Fdentifikasi

masalah4esain sistem$enetapkan

tujuan penelitian

Pengumpulansampel

Fmplementasisistem

2ji coba sistem

Pengukuranunjuk kerja

sistem

/esmpulan penelitian



&ambar 0.* kema sistem pendeteksi wajah pada !ideo

dapun tahapan yang dilakukan setelah sistem menerima input !ideo adalah tahapan

grey-scale, kon!olusi, dan uji pengenalan pola wajah melalui jaringan 4AF3G.

Pada tahap pre-processing , @ideo sumber yang menjadi inputan akan di-resi/e

terlebih dahulu untuk menghemat waktu dan jumlah iterasi. etelah resi/ing !ideo

akan direpresentasikan dalam bentuk satu kanal, dan diakhiri dengan pendeteksian

tepi melalui proses kon!olusi. Pada proses utama, komputasi menggunakan jaringan

4AF3G, !ektor pola wajah akan dilatih untuk mendapatkan sebuah matriks bobot,

yang selanjutnya matriks bobot tersebut digunakan sebagai matriks pengujian.

3.4. re+sale

4iagram alir untuk proses grey-scale dibangun berdasarkan gambar berikut )

25

$ulai

khir

Fnput @ideo

/anal H+I&I>0/anal &H+I&I>0

/anal H+I&I>0

pakah semua piJel +nilai

intensitas !ideo sudah di

kalkulasi

y

t



&ambar 0.0 4iagram alir proses grey-scale

(ahapan grey-scale bertujuan untuk menyama-ratakan nilai intensitas ketiga

kanal yang terdapat pada !ideo *5 bit. erturut-turut nilai-nilai intensitas yang

terdapat pada kanal , kanal &, dan kanal dijumlahkan dan dibagi dengan jumlah

kanal, sehingga nilai-nilai kanal sekarang diperbaharui dengan nilai jumlah setiap

kanal dibagi jumlah kanal. Proses grey-scale !ideo sangat membantu percepatan

dalam komputasi selanjutnya, karena blok sistem proses hanya cukup mengambil

nilai dari salah satu kanal saja sebagai presentasi nilai-nilai intensitas lainnya yang

terdapat !ideo.

3.!. &(n)(lus

4iagram alir untuk proses kon!olusi dibangun berdasarkan gambar berikut )

26

$ulai

@ideo &rey-scale

kernel⊗

+++

+

n2n,#$-n2$-,#

n,#2$-$-,#2

khir

pakah semua piJel +nilai

intensitas !ideo sudah di

kalkulasi

y

t



&ambar 0.5 4iagram alir proses kon!olusi

/on!olusi yang dilakukan dalam blok diagram sistem menggunakan dua

operator ) obel dan Prewitt. Proses kon!olusi dilibatkan untuk mentransformasi

nilai-nilai intensitas yang telah terkondisi dari tahapan sebelumnya, menjadi nilai-

nilai intensitas yang merepresentasikan tepi objek +wajah. etiap nilai intensitas akan

dipartisi menjadi matriks 0J0 dan dikon!olusikan dengan sebuah kernel, obel atau

Prewitt.

3.. $arngan %+ara" Truan

6aringan syaraf yang digunakan pada sistem ini menggunakan jenis 4AF3G

dengan algoritma belajar Widrow-'off.

27

'itung error

[ ] [ ]1][ −−=

t t n 0 0 ε

$ulai

Fnput !ektor pola



&ambar 0." 4iagram alir algoritma belajar Widrow-'off

Pada tahap ini, jaringan menerima inputan struktur pola. truktur pola inputan

merupakan sebarisan pola tepi-tepi objek yang mungkin mengandung wajah atau

bukan wajah, dan selanjutnya jaringan melakukan perhitungan error. etelah

perhitungan error dilakukan, jaringan melakukan perhitungan matriks koreksi, dan

diakhiri dengan pembaharuan matriks bobot. Aangkah-langkah ini terus diulang

hingga tercapat error minimum atau telah memenuhi batas iterasi maksimum.

28

'itung matriks koreksi

[ ]

t nn 0 w ][][ ××=∆ ε η

Perbaharui matriks bobot

[ ] [ ]11][ −− ∆+= nnn w+ +

khir

pakah K#,1 atau epoch L

maksMepoch

y

t



3.. $a/5al Peneltan

Pelaksanaan penelitian yang akan dilakukan disajikan pada tabel berikut )

Taha6anBulan ke

1 2 3 4 !

1. Penyusunan dan re!isi ab F, FF, dan FFF

*. Pengumpulan data, desain, dan implemetasi program

0. Pengukuran unjuk kerja sistem, analisis peninjauan

kembali rancangan sistem, dan penyusunan ab F@

5. Penyusunan ab @

DA7TAR PU%TA&A

[1] )rakash *+ ,alavdekar# 2010# Face &etection 3sing 'eural 'etwork .

Fnternational 6ournal of 7omputer pplications +#<;" - 888; @olume 1 B 3o.

1= *#1#.

29



[*] nila, dan 4e!arajan, 3. *#1#. "imple and Fast Face &etection "#stem

Based on dges. Fnternational 6ournal of 2ni!ersal 7omputer ciences [email protected]*#1#>Fss.*, pp. "5-"8.

[0] 3ugroho, etyo. *##5. "istem )endeteksi +a1ah Manusia pada !itra &igital .

(esis * Flmu /omputer Program Pascasarjana 2ni!ersitas &adjah $ada6ogjakarta.

[5] Wang (ao, u 6ia-6un, dan 7hen 7hun. *##0. A !olor based Face &etection

"#stem using Multiple emplate. 6ournal of Nhejiang 2ni!ersity cience @.5, 3o. *, p. 1=*-1=".

["] owley, 'enry . 1<<<. 'eural 'etwork-Based Face &etection. (hesis )

chool of 7omputer cience, 7omputer cience 4epartment 7arnegie $ellon2ni!ersity, Pittsburgh.

[=] owley, '., aluja, ., /anade, (. 1<<8. 'eural 'etwork-Based Face &etection. FGGG (rans. Pattern nalysis and $achine Fntelligence, !ol. *#,

no. 1.[;] (abatabie, Nahra adri., ahmat, ahmita WirEa., 2dEir, 3ur FEura, dan

/heirkhah, Gsmaeil. *##<. A #brid Face &etection "#stem using

combination of Appearance-based and Feature-based methods. F673Fnternational 6ournal of 7omputer cience and 3etwork ecurity, @:A.<

3o.", $ay *##<.

[8] 7urran, /e!in., Ouelong Ai., dan $c 7aughley, 3eil. *##". he 3se of 'eural 'etworks in (eal-time Face &etection. 6ournal of 7omputer ciences

1 +1) 5;-=*, *##", F3 1"5<-0=0=.

[<] -on.ale.+ /#$#+ oods+ /## 1992# Digital Image Processing#&ddisonesley )u%lishing $ompany+ &#

[1#] # )and"aitan+ anny# 2007# Dasar-dasar Komputasi Cerdas#)ener%it &*D(+ ogyakarta#

[11] 'eeger, 4a!id. *###. andout "ignals, *inear "#stems, and !onvolution.

7enter for 3eural cience, 3ew %ork 2ni!ersity.

[1*] adlisyah dan /i.al# 2011# Pemrograman Computer Vision pada Video+ )ener%it -raha (lmu# ogyakarta#

[10] aykin+ imon# 1999# Neural Networks : A ComprehensiveFoundation# )rentice all+ *e :ersey nited tates o; &merica#

[15] 'ajek, $. *##". andout 'eural'etworks. chool of $athematics, tatisticsand 7omputer cience, 2ni!ersity of /waNulu-3atal.

30

- proposal thesis revisi v

Documents