MENGGUNAKAN WAVELET DAN BACKPROPAGATION
Immanuela P. Saputro1, Ernawati2, B.Yudi Dwiandiyanta3
Magister Teknik Informatika Pascasarjana Universitas Atma Jaya Yogyakarta123 Jl. Babarsari 44, 55281, Yogyakarta, Indonesia
ABSTRAK. Pengenalan ekspresi wajah telah menjadi topik penelitian yang menarik selama satu dekade terakhir. Berbagai metode telah digunakan untuk membangun sebuah sistem pengenalan ekspresi wajah manusia. Citra ekspresi wajah adalah citra dimensi spasial yang berisi informasi warna. Penelitian ini bertujuan untuk menguji tingkat akurasi jaringan backpropagation dalam melakukan klasifikasi ekspresi wajah seseorang. Untuk mendapatkan vektor input bagi jaringan, digunakan transformasi wavelet Haar. Inisialisasi bobot jaringan diberikan secara random menggunakan metode Nguyen Widrow, fungsi aktivasi yang digunakan sigmoid biner, dan nilai laju pembelajaran sebesar 0,05. Terdapat dua lapisan tersembunyi masing-masing berjumlah 100 dan 50 node serta tiga node untuk lapisan output. Jaringan dilatih dengan menggunakan 70 data yang terdiri dari 10 orang dan setiap orang mempunyai tujuh ekspresi. Pengujian dilakukan menggunakan data lain yang terdiri dari satu orang dengan tujuh ekspresi. Berdasarkan hasil pengujian, vektor citra input yang diperoleh dengan transformasi wavelet Haar dapat memberikan unjuk kerja sebesar 85,71% pada jaringan backpropagation dalam pengklasifikasian ekspresi wajah.
Kata Kunci: ekspresi wajah, wavelet Haar, backpropagation
1. PENDAHULUAN
Ekspresi wajah memberikan ukuran perilaku penting untuk studi mengenai emosi, proses kognitif dan interaksi sosial. Ketersediaan perangkat pencitraan dan perangkat komputasi dengan biaya yang semakin terjangkau membuat otomatisasi sistem pengenalan ekspresi wajah memiliki potensi untuk dikembangkan dengan biaya yang lebih murah dan diterapkan pada kehidupan sehari-hari (Kumbhar, Jadhav, & Patil, 2012). Dalam dunia pendidikan ekspresi wajah dapat digunakan untuk mengetahui tingkat kebosanan mahasiswa di dalam kelas (Whitehill, Serpell, Lin, Foster, & Movellan, 2014) serta dapat juga digunakan untuk memberikan solusi bagi mahasiswa yang bermasalah pada saat melakukan bimbingan konseling pada konselor (Grafsgaard, Wiggins, & Boyer, 2013). Penelitian ilmiah tentang ekspresi wajah dimulai oleh Ekman dan Friesen. Setiap ekspresi adalah perubahan singkat gerakan otot wajah disekitar daerah alis, mata, mulut, dan rahang. Berdasarkan hal tersebut kemudian ekspresi wajah digolongkan menjadi 6 yaitu senang, sedih, marah, takut, kaget, dan jijik (Ekman & Freissen,
1976). Dalam satu dekade telah banyak dikembangkan otomatisasi sistem pengenalan ekspresi wajah dengan berbagai metode. Pada penelitian ini akan dibuat suatu aplikasi untuk mengidentifikasi emosi melalui ekspresi wajah sehingga seorang konselor dapat melakukan konseling dengan baik serta mampu memberikan solusi yang tepat.
Aplikasi akan dibangun dengan menggunakan Otsu thresholding dan adaptive thresholding
pada tahap praproses. Otsu thresholding digunakan untuk melakukan segmentasi citra secara global menggunakan nilai ambang yang ditentukan dengan cara memisahkan bagian obyek dan latar belakang yang saling bertumpukan dan adaptive thresholding digunakan untuk mendapatkan bagian-bagian kecil dalam citra menggunakan nilai ambang lokal, yang dihitung secara adaptif berdasarkan statistik piksel-piksel tetangga (Amani, Shahbahrami, & Nahvi, 2013). Untuk mendapatkan ekstraksi ciri, digunakan wavelet Haar yang kemudian akan dinormalkan dengan rumus tertentu. Wavelet Haar termasuk dalam keluarga wavelet orthogonal yang sederhana namun dapat digunakan untuk mentransformasi sinyal 2D (M.Satiyan, M.Hariharan, & R.Nagarajan , 2010). Proses pelatihan serta pengklasifikasian ekspresi wajah menggunakan jaringan syaraf tiruan backpropagation. Backpropagation dipilih karena telah banyak digunakan dalam penelitian dan keberhasilan dari penerapan metode ini dalam berbagai aplikasi (Rada, 2014).
2. METODE PENELITIAN
Pengumpulan data dan materi pendukung untuk proses penyelesaian masalah pada penelitian ini menggunakan metode penelitian kepustakaan. Langkah-langkah yang ditempuh dalam pengembangan aplikasi pengenalan ekspresi wajah meliputi tahap analisa kebutuhan aplikasi, perancangan aplikasi, implementasi aplikasi, dan pengujian aplikasi.
Blok diagram sistem pengenalan ekspresi wajah yang akan dibuat dapat dilihat pada gambar 1. Proses pengenalan dimulai dari tahap akuisisi citra yang akan digunakan sebagai citra masukan diperoleh melalui capture kamera digital dengan ukuran 256x256 piksel. Langkah selanjutnya adalah pengolahan citra meliputi perubahan ukuran citra dan thresholding. Pada tahap ekstraksi ciri, vektor bobot citra diperoleh dengan menggunakan wavelet Haar yang kemudian dinormalisasikan untuk memperoleh kisaran data antara -2 dan 2. Tahap berikutnya adalah pelatihan serta pengujian data kedalam jaringan syaraf tiruan backpropagation.
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 395
Gambar 1. Blok Diagram Sistem Pengenalan Ekspresi Wajah
3. HASIL PENELITIAN DAN PEMBAHASAN
Tujuan dari penelitian ini untuk mengetahui tingkat akurasi jaringan backpropagation
sistem pengenalan ekspresi wajah dengan ekstraksi ciri citra masukan yang diperoleh menggunakan wavelet Haar. Citra wajah untuk pelatihan dan pengujian diambil di lapangan. Pada gambar 2 dapat dilihat hasil capture kamera sebelum citra dilakukan praproses.
Gambar 2. Citra wajah asli 3.1 Praproses
Praproses dilakukan untuk mendapatkan citra dengan sebaran informasi yang lebih baik dibandingkan dengan citra awal. Pada penelitian ini praproses menggunakan metode Otsu
thresholding untuk memisahkan objek dan latar belakangnya selanjutnya akan dicari bagian- bagian kecil citra menggunakan nilai threshold lokal yang dihitung secara adaptif berdasarkan statistik piksel-piksel bertetangga. Gambar 3 menunjukkan hasil praproses citra awal.
(a) (b) (c) (d)
Gambar 3. Praproses citra awal (a) citra awal yang telah diubah ukuran pikselnya menjadi 16x16; (b) citra skala keabuan; (c) citra hasil Otsu thresholding; (d) citra hasil adaptive
thresholding Pelatihan Praproses Ekstraksi Ciri wavelet Haar Klasifikasi ekspresi wajah dengan backpropagation Pengujian Praproses Ekstraksi Ciri wavelet Haar Klasifikasi ekspresi wajah dengan backpropagation
3.2 Ekstraksi ciri
Wavelet adalah gelombang mini yang mempunyai kemampuan untuk mengelompokkan energi citra dan terkonsentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya sedikit mengandung energi yang dapat dihilangkan tanpa mengurangi nilai informasinya.. Ekstraksi ciri adalah proses untuk memunculkan ciri citra. Proses ekstraksi ciri pada penelitian ini menggunakan transformasi wavelet Haar. Wavelet Haar adalah wavelet
orthogonal yang paling sederhana namun dapat diterapkan pada transformasi citra 2D (Sutarno, 2010). Setelah vektor ciri diperoleh, akan dinormalisasi dengan menggunakan persamaan (3.1)
̅ (3.1) Tahap ekstraksi ciri citra masukan ditunjukkan pada gambar 4.
(a)
(b)
Gambar 4. Tahap ekstraksi ciri (a) dekomposisi citra dengan wavelet Haar;(b) normalisasi vektor citra
3.3 Backpropagation
Backpropagation merupakan metode pembelajaran yang didasarkan pada minimalisasi fungsi error melalui propagasi mundur sinyal error (MSE) dalam jaringan. Dalam jaringan
backpropagation setiap unit dalam lapisan input akan terhubung dengan setiap unit yang ada di lapisan tersembunyi. Demikian juga untuk setiap unit dalam lapisan tersembunyi akan terhubung dengan lapisan output (Puspitaningrum, 2006). Algoritma backpropagation dapat dibagi kedalam dua bagian yaitu alogoritma pelatihan dan algoritma pengujian.
Jaringan backpropagation pada penelitian ini dibangun dengan menggunakan lapisan
input dengan jumlah node sebanyak 256, dua lapisan tersembunyi dengan jumlah node masing- masing 100 dan 50 serta satu lapisan output dengan 3 node. Fungsi-fungsi yang digunakan dalam
Prosiding ISBN 978-602-18580-3-5
Seminar Nasional Matematika, Sains dan Informatika 2015 397
jaringan ini adalah, untuk fungsi aktivasi yang menghubungkan setiap lapisan adalah sigmoid
biner. Hal ini karena output yang diinginkan hanya berupa 0 dan 1. Fungsi pelatihan menggunakan gradient decent backpropagation serta nilai laju pembelajaran sebesar 0,05 dan MSE sebesar 0,01. Sedangkan untuk hasil perbandingan target dengan data uji dapat dilihat pada Tabel 1.
Tabel 1. Hasil Perbandingan Target dengan Data Uji
Unjuk kerja sistem pengenalan ekspresi wajah dihitung berdasarkan pada persamaan (3.2)
(3.2) Data untuk pengujian menggunakan satu sampel data uji diperoleh dari tujuh ekspresi hanya satu ekspresi yang tidak dapat dikenali, yaitu ekspresi ke-enam sehingga berdasarkan persamaan (3.2) diperoleh akurasi sebesar (6/7) * 100% = 85,71% .
4. KESIMPULAN
Vektor citra masukan yang diperoleh dari hasil dekomposisi wavelet Haar, penggunaan dua lapisan tersembunyi dengan fungsi aktivasi sigmoid biner serta pemberian bobot secara random
dengan metode Nguyen Widrow dapat memberikan unjuk kerja 85,71% dalam pengklasifikasian ekspresi wajah seseorang dengan dimensi citra sebesar 16x16 piksel.
DAFTAR PUSTAKA
Amani, N., Shahbahrami, A., & Nahvi, M. (2013). A New Approach for Face Image Enhancement and Recognition . International Journal of Advanced Science and Technology, 1-10.
Ekman, P., & Freissen, W. V. (1976). Measuring Facial Movement. Environment Psychology and Nonverbal Behavior , 1(1), 56-75.
Grafsgaard, J. F., Wiggins, J. B., & Boyer, K. E. (2013). Automatically Recognizing Facial Expression:Predicting Engagement and Frustration. Memphis: EDM.
Kumbhar, M., Jadhav, A., & Patil, M. (2012). Facial Expression Recognition Based on Image Feature. International Journal of Computer and Communication Engineering, 1(2), 117-119. M.Satiyan, M.Hariharan, & R.Nagarajan . (2010). Recognition of Facial Expression Using Haar
Wavelet Transform. International Journal Of Electrical And Electronic Systems Research, 89-96.
Puspitaningrum. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Offset.
Rada. (2014). Klasifikasi Kain Sumba Menggunakan Gelombang Singkat dan Backpropagation (Tesis). Yogyakarta: Universitas Atma Jaya.
Sutarno. (2010). Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah.
Jurnal Generic, 15-21.
Whitehill, J., Serpell, Z., Lin, Y. C., Foster, A., & Movellan, J. R. (2014). The Faces of Engagement: Automatic Recognition of Student Engagement from Facial Expressions. IEEE
Seminar Nasional Matematika, Sains dan Informatika 2015 399