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

2012

ii

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, Desember 2012

Menyetujui,

Pembimbing I,

Satriyo Adhy, S.Si, MT.

NIP 1983 02 03 2006 04 1 002

Pembimbing II,

Helmie Arif Wibawa, 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.Kom

NIP. 1965 11 07 1992 03 1 003

iii

DAFTAR ISI

HALAMAN PENGESAHAN .............................................................................................. ii

DAFTAR ISI ........................................................................................................................ iii

DAFTAR GAMBAR ............................................................................................................. v

DAFTAR TABEL ................................................................................................................ vi

DAFTAR LAMPIRAN ....................................................................................................... vii

BAB I ..................................................................................................................................... 1

PENDAHULUAN ................................................................................................................. 1

1.1 Latar Belakang ............................................................................................................. 1

1.2 Rumusan Masalah ........................................................................................................ 2

1.3 Tujuan dan Manfaat ..................................................................................................... 2

1.4 Ruang Lingkup ............................................................................................................. 2

BAB II ................................................................................................................................... 3

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 ........................................................................... 13

2.2.1. Studi Pustaka ...................................................................................................... 14

2.2.2. Pengumpulan Data ............................................................................................. 14

2.2.3. Perancangan Sistem ............................................................................................ 15

2.2.4. Alur keseluruhan sistem ..................................................................................... 16

2.2.5. Implementasi Sistem .......................................................................................... 16

2.2.6. Testing ................................................................................................................ 17

2.2.7. Penarikan Kesimpulan ........................................................................................ 17

iv

2.3. Jadwal ........................................................................................................................ 17

DAFTAR PUSTAKA .......................................................................................................... 18

LAMPIRAN - LAMPIRAN ................................................................................................ 19

v

DAFTAR GAMBAR

Gambar 2.1. Conversi ke citra grayscale ............................................................................... 3

Gambar 2.2. Hasil Thresholding ........................................................................................... 4

Gambar 2.3. Citra Template .................................................................................................. 6

Gambar 2.4 Deteksi wajah..................................................................................................... 7

Gambar 2.5 Arsitektur Backpropagation .............................................................................. 9

Gambar 2.6. Sigmoid biner ................................................................................................... 9

Gambar 2.7. Sigmoid bipolar .............................................................................................. 10

Gambar 2.8. Tahapan pembuatan sistem ............................................................................. 13

Gambar 2.9 Proses Pengumpulan data ................................................................................ 14

Gambar 2.10. Proses pembelajaran Backpropagation ........................................................ 15

Gambar 2.11. Alur sistem dijalankan .................................................................................. 15

Gambar 2.12. Alur keseluruhan sistem ............................................................................... 16

vi

DAFTAR TABEL

Tabel 2.1 Jadwal Kegiatan................................................................................................... 17

vii

DAFTAR LAMPIRAN

Lampiran 1 : Daftar Hadir peserta Seminar TA1

Lampiran 2 : Tanya dan Jawab pada saat seminar TA1

1

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

Tingkat keamanan ruang yang telah terjaga dengan ketat oleh satuan

keamanan mungkin ada sedikit celah dalam keamanan tersebut, dalam hal ini

ketidak hadiran seorang pengaman pada ruang keamanan atau pos penjagaan akan

menjadi celah untuk penyusup memasuki ruang yang telah terjaga, maka untuk lebih

menambahkan tingkat keamanan ruang dibutuhkan suatu program atau pembantu

keamanan secara realtime guna mengatasi resiko terjadinya celah dalam suatu

keaman itu sendiri.

Perkembangan teknologi sekarang ini, telah 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.

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, beberapa penelitian yang telah teruji dengan metode Backpropagation yaitu

pengenalan sidik jari, pengenalan wajah dan penelitian lainnya.

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.

2

1.2 Rumusan Masalah

Rumusan masalah yang akan dibahas dalam tugas akhir ini dalam pengamanan

ruang dengan pengenalan pola wajah secara real time menggunakan metode jaringan

saraf tiruan backpropagation adalah.

1. Bagaimana sistem mendeteksi wajah.

2. Bagaimana sistem mengenali wajah yang ada dalam database.

3. Bagaimana sistem memberi notifikasi jika wajah tidak dikenali.

1.3 Tujuan dan Manfaat

Tujuan yang ingin dicapai dalam penulisan tugas akhir ini adalah menghasilkan

sebuah program aplikasi yang dapat menambah system keamanan ruang lebih

terjaga, sehingga mengurangi tindakan penyusupan dalam ruang itu sendiri, dan

dapat membantu system penjagaan yang sudah ada.

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

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:

1. Pola yang dideteksi hanya pola wajah.

2. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan

(frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.

3. Menggunakan Webcam untuk media video recording.

4. Pengambilan gambar secara real time.

5. Notifikasi pengenalan menggunakan SMS google.

3

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)

Citra menghapus nila warna, yang ada adalah derajat keabuan. Untuk

mengubah citra berwarna yang mempunyai nilai matrik masingmasing r, g dan b

menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan

mengambil rata - rata dari nilai r, g dan b sehingga dapat dituliskan menjadi:

𝑠 =𝑟 + 𝑔 + 𝑏

3

2.1

Percobaan proses konversi citra berwarna menjadi citra grayscale ini dapat

dibuat program seperti gambar 2.1.

Gambar 2.1. Conversi ke citra grayscale

4

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:

𝑥 = 𝑏. 𝑖𝑛𝑡(𝑤 𝑏) 2.2

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

thresholding-nya dengan nilai thresholding yang ditentukan melalui input seperti

terlihat pada gambar 2.2. [5]

2.1.2. Deteksi Wajah

Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana

inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas

dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan nonwajah

[6].

Gambar 2.2. Hasil Thresholding

5

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 [1].

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:

1. Pengenalan wajah (face recognition) yaitu membandingkan citra wajah

masukan dengan suatu database wajah dan menemukan wajah yang

paling cocok dengan citra masukan tersebut.

2. Autentikasi wajah (face authentication) yaitu menguji

keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan

sebelumnya.

3. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun

dengan asumsi hanya ada satu wajah di dalam citra.

4. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu

wajah di dalam video secara real time.

5. Pengenalan ekspresi wajah (facial expression recognition) untuk

mengenali kondisi emosi manusia.

Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh

adanya faktor-faktor berikut:

1. Posisi wajah. Posisi wajah di dalam citra dapat bervariasi karena

posisinya bisa tegak, miring, menoleh, atau dilihat dari samping.

2. Komponen-komponen pada wajah yang bisa ada atau tidak ada,

misalnya kumis, jenggot, dan kacamata.

3. Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi

wajah seseorang, misalnya tersenyum, tertawa, sedih, berbicara, dan

sebagainya.

4. Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek

atau wajah lain, misalnya pada citra berisi sekelompok orang.

6

5. Kondisi pengambilan citra. Citra yang diperoleh sangat dipengaruhi

oleh faktor-faktor seperti intensitas cahaya ruangan, arah sumber

cahaya, dan karakteristik sensor dan lensa kamera. [1]

Penelitian dari Yang 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.

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. [3]

Contoh penggunaan template matching untuk mendeteksi letak wajah yang

berada dalam suatu citra, template dapat dilihat pada gambar 2.3.

Gambar 2.3. Citra Template

7

Gambar 2.3 menerangkan kemungkinan kemungkinan posisi wajah yang

akan terjadi, sehingga 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. [4]

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

Gambar 2.4 Deteksi wajah

8

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. [2].

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, objektif dan algoritma ini mendapatkan bentuk

persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah

kuadrat galat eror 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.

9

Arsitektur Jaringan Backpropagation

Contoh Arsitekstur JST Backpropagation dengan:

1. n unit masukkan

2. p unit layer tersembunyi

3. m unit keluaran

Fungsi Aktifasi

Fungsi aktifasi yang digunakan pada Backpropagation yaitu sigmoid biner

dan sigmoid bipolar.

1. Fungsi sigmoid biner.

Gambar 2.5 Arsitektur Backpropagation

Gambar 2.6. Sigmoid biner

10

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) 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 bobot - bobot 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:

Gambar 2.7. Sigmoid bipolar

11

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,

𝑧_𝑖𝑛𝑗 = 𝑣𝑜𝑗 + 𝑥𝑖𝑣𝑖𝑗

𝑛

𝑖=1

2.3

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,

𝑦_𝑖𝑛𝑘 = 𝑤𝑜𝑘 + 𝑧𝑗𝑤𝑗𝑘

𝑛

𝑖=1

2.4

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,

𝛿𝑘 = 𝑡𝑘 − 𝑦𝑘 𝑓1 𝑦_𝑖𝑛𝑘

2.5

hitung koreksi bobotnya (digunakan untuk memperbaharui wjk

nantinya),

∆𝑤𝑗𝑘 = 𝑎 𝛿𝑘𝑧𝑗 2.6

12

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),

∆_𝑖𝑛𝑗 = 𝛿𝑘𝑤𝑗𝑘

𝑚

𝑘=1

2.7

kalikan dengan turunan fungsi aktivasinya untuk menghitung

informasi kesalahannya,

𝛿𝑗 = 𝛿_𝑖𝑛𝑗𝑓1 𝑧_𝑖𝑛𝑗 2.8

hitung koreksi bobotnya (digunakan untuk memperbaharui 𝑣𝑜𝑗

nanti),

Langkah 8 : Tiap unit keluaran (𝑦𝑘 , k = 1,…, m) update bias dan bobotnya (j =

0,…, p) :

𝑤𝑗𝑘 𝑏𝑎𝑟𝑢 = 𝑤𝑗𝑘 𝑙𝑎𝑚𝑎 + ∆𝑤𝑗𝑘 2.9

Tiap unit lapisan tersembunyi (𝑧𝑗 , j = 1,…, p) update bias dan

bobotnya (I = 0,…,n) :

𝑣𝑖𝑗 𝑏𝑎𝑟𝑢 = 𝑣𝑖𝑗 𝑙𝑎𝑚𝑎 + ∆𝑣𝑖𝑗 2.10

Langkah 9 : Test kondisi berhenti.

Prosedur 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

13

Langkah 3 : for j = 1,…, p : .

𝑧_𝑖𝑛𝑗 = 𝑣𝑜𝑗 + 𝑥𝑖𝑣𝑖𝑗

𝑛

𝑖=1

2.11

𝑧𝑗 = 𝑓 𝑧_𝑖𝑛𝑗 2.12

Langkah 4 : for k = 1,…, m :

𝑦_𝑖𝑛𝑘 = 𝑤𝑜𝑘 + 𝑧𝑗𝑤𝑗𝑘

𝑝

𝑗=1

2.13

𝑦𝑘 = 𝑓 𝑦_𝑖𝑛𝑘 2.14

Langkah 5 : Jika 𝑦𝑘 ≥ 0,5 maka 𝑦𝑘 = 1, else 𝑦𝑘 = 0. [2]

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 2.8.

Gambar 2.8. Tahapan pembuatan sistem

14

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 :

Gambar 2.9 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 :

Mulai

Matriks CovarianBaca Image

Matriks

Eigen Value /

Eigen Vector

Simpan

Citra

Selesai

Gambar 2.9 Proses Pengumpulan data

15

2.2.3. Perancangan Sistem

Perancangan sistem keamanan ini ada 3 fase penting yaitu 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 maka

proses deteksi wajah akan beraksi sedemikian hingga wajah dapat dipotong, setelah

Mulai

Baca File

Pelatihan

Epoch =

1000Feedforward

Simpan

Backpropagation

Selesai

N

Y

Mulai

Baca File

Deteksi WajahHasil

PengenalanPengenalan Wajah

Selesai

Pengiriman ke GooglePengiriman PesanNotifikasi

Gambar 2.10. Proses pembelajaran Backpropagation

Gambar 2.11. Alur sistem dijalankan

16

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.

2.2.4. Alur keseluruhan sistem

Alur keseluruhan sistem ini gabungan seluruh alur alur sistem yang

sebelumnya antara lain alur pengumpulan data, alur proses Backpropagation, dan

alur sistem dijalankan, seperti apa yang digambarkan pada Gambar 2.12.

2.2.5. Implementasi Sistem

Pada tahap ini, semua algoritma dan proses pada perancangan sistem akan

diimplementasikan dalam sebuah aplikasi sebagai wujud dari sistem.

Matriks

Covarian

Baca

Image

Matriks

Eigen Value /

Eigen Vector

Simpan

Citra

Baca File

Pelatihan

Epoch =

1000

Feedforward

Simpan

Backpropagation

NY

Mulai

Baca File

Deteksi Wajah

Hasil

Pengenalan

Pengenalan Wajah

Selesai

Pengiriman ke GooglePengiriman Pesan

Notifikasi

Mulai

Gambar 2.12. Alur keseluruhan sistem

17

2.2.6. 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.

2.2.7. Penarikan Kesimpulan

Pada tahap ini dirumuskan pengembangan penelitian yang dapat dilakukan

selanjutnya, juga hasil yang didapat dari penelitian ini.

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

Oktober

2012

November Desember Januari Februari Maret

2012 2012 2013 2013 2013

Minggu ke 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

Persiapan

Penyusunan TA 1

Seminar TA 1

Analisis

Design

Implementasi

Pengujian

Penyusunan TA 2

Sidang TA 2

Revisi Laporan TA 2

18

DAFTAR PUSTAKA

[1] Hjelmas, E., Low, B.K., 2001, “ Face Detection: A Survey” , Computer Vision and

Image Understanding. 83, pp. 236-274.

[2] 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.

[3] Nugroho, Setyo, 2004, Tesis “Sistem Pendeteksi Wajah Manusia Pada Citra”,

Program Pasca Sarjana Universitas Gajah Mada.

[4] Rijal, Yusron, 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.

[5] Santi, Candra Noor, 2011, Journal “Mengubah Citra Berwarna menjadi Grayscale

dan citra biner ”, Fakultas Teknologi Informasi, Universitas Stikubank Semarang.

[6] Sung, K.K., 1996, “ Learning and Example Selection for Object and Pattern

Detection” , AITR 1572, Massachusetts Institute of Technology AI Lab.

[7] 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.

19

LAMPIRAN - LAMPIRAN