B-142 Setelah proses pengambilan citra pada berbaga

pose selesai, maka dilakukan proses grayscaling.

Grayscaling adalah proses mengubah citra berwarna menjadi citra grayscale. Selanjutnya dilakukan

cropping untuk mengecilkan ukuran data masukan. Proses cropping ini dilakukan secara otomatis, untuk mendapatkan citra wajah berukuran 30 x 30 piksel saja. Jadi yang akan dijadikan data input training

adalah data-data yang penting saja yaitu data wajah manusia itu sendiri. Hal ini bisa mempercepat dan mengefisienkan proses pelatihan.

PENGAMBILAN

CITRA GRAYSCALING CROPPING

CITRA WAJAH (GRAYSCALE) (30 x 30 piksel)

Gambar 3. Proses pengolahan citra masukan Proses pengenalan citra wajah mencakup proses lokalisasi dan normalisasi (deteksi dan

alignment), pengenalan wajah (ekstraksi fitur dan pencocokan) (Li & Jain, 2005). Pengenalan pola statistikal dan pemrosesan sinyal untuk data reduction

dan ekstraksi fitur mengunakan metode Principal Component Analysis (PCA).

Metode PCA memproyeksikan ruang asal menjadi ruang baru yang berdimensi lebih rendah, dengan berpegang bahwa sebanyak mungkin informasi yang dimiliki dimensi asal dipertahankan dan tidak terlalu banyak yang hilang setelah diproyeksikan ke ruang yang baru. Dengan memperkecil dimensi dari sebuah ruang, tentu akan meringankan proses komputasi yang perlu dilakukan oleh sistem.

Terdapat dua proses utama dalam ANN ini yaitu komputasi maju dan propagasi balik. Pada komputasi maju, setiap unit masukan akan menerima sinyal masukan yang akan diteruskan kepada setiap unit hidden. Untuk tiap unit hidden tersebut akan dihitung aktivasinya dan mengirimkan sinyalnya ke tiap unit keluaran. Tiap unit keluaran akan kembali menghitung aktivasinya untuk membentuk respon pada jaringan syaraf tiruan pada setiap pola masukan yang diberikan.

Selama proses pelatihan, tiap unit keluaran akan membandingkan perhitungan aktivasinya dengan nilai targetnya untuk menentukan kesalahan pola tersebut. Kemudian dihitung faktor δk (k=1). δk digunakan untuk menyebarkan kesalahan pada unit keluaran kembali ke semua unit pada lapisan sebelumnya. Nantinya nilai ini juga digunakan untuk mengupdate bobot-bobot antar lapisan keluaran dengan lapisan tersembunyi. Dengan cara yang sama, faktor δk dihitung untuk tiap unit tersembunyi. Nilai δk hanya digunakan untuk mengupdate bobot-bobot antara lapisan hidden dan lapisan masukan.

Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan diatur secara serentak. Pengaturan bobot yang menghubungkan antara unit

hidden dan unit keluaran didasarkan pada faktor δk

dan aktivasi pada unit hidden didasarkan pada faktor δj.

START

INISIALISASI SISTEM DAN PARAMETER PELATIHAN

PENGAMBILAN CITRA WAJAH POSE TERTENTU

PENGURUTAN CITRA BERDASARKAN PERSONAL

PROSES PELATIHAN WAJAH

BOBOT AKHIR HASIL PELATIHAN

SIMPAN HASIL BOBOT

STOP

Gambar 4. Diagram alir pelatihan ANN Langkah-langkah pelatihan ANN sebagai berikut :

1) Parameter pelatihan: laju pembelajaran, init bobot awal, kondisi stopping, dilakukan di proses ini 2) Pengambilan citra wajah pose tertentu untuk

mendapatkan kemungkinan-kemungkinan pose wajah untuk meningkatkan hasil face recognition.

Jadi pada prosesnya, citra wajah yang diambil setiap orangnya akan berjumlah lebih dari satu yang merepresentasikan jumlah posenya.

3) Proses pengurutan citra ini untuk mempermudah proses pembuatan input pada pelatihan. Proses pengurutan ini memiliki format untuk setiap pose wajah yang sama akan berada pada urutan yang bersebelahan.

4) Proses pelatihan pada input citra wajah untuk mendapatkan update bobot untuk setiap looping

program. Proses pelatihan berhenti jika iterasi maksimum atau error pelatihan telah tercapai. 5) Setelah proses pelatihan selesai, output yang

didaptkan adalah bobot yang menjadi representasi sistem face recognition pada citra wajah database yang diberikan.

6) Hasil bobot tadi disimpan untuk digunakan pada proses face recognition selanjutnya.

Diagram alir sistem keamanan pintu ditunjukkan pada gambar 5.

B-143

START

INISIALISASI PARAMETER DAN BOBOT HASIL PELATIHAN

PENGAMBILAN CITRA TIAP PERSONAL

KOMPUTASI MAJU

APAKAH HASIL KLASIFIKASI TERDAPAT PADA BASISDATA?

PINTU TERBUKA,TERDAPAT INDIKATOR TERTENTU, DAN DATA ORANG TERSEBUT DISIMPAN PADA BASISDATA

PINTU TIDAK TERBUKA DAN TERDAPAT INDIKATOR TERTENTU

STOP

TIDAK

YA

Gambar 5. Diagram alir sistem keamanan pintu 5. Pengujian

Pengujian terhadap sistem meliputi pengujian jumlah layer, pengujian pelatihan ANN, pengujian pengenalan wajah (face recognition) atau sistem keamanan pintu, dan pengujian sistem hardware.

Proses pengujian jumlah layer membandingkan data waktu pelatihan untuk masing- masing jumlah layer yaitu dua layer, tiga layer, dan empat layer. Hasilnya pengujian mendapatkan jumlah layer mana yang paling efisien.

Pengujian pelatihan ANN terdiri atas dua langkah yaitu pengambilan data lama waktu yang dihabiskan untuk melakukan satu kali training dan pengambilan data berapa persen tingkat pengenalan yang didapat dari proses pelatihan ini.

Proses pengambilan data lama waktu dan tingkat pengenalan bisa didapatkan sekaligus dengan menjalankan program pada MATLAB. Program ini akan dijalankan sebanyak 10 kali dan akan diambil masing-masing nilainya.

Pengujian pengenalan wajah terdiri atas dua langkah yaitu pengambilan data berapa lama waktu yang dibutuhkan untuk mengenali sebuah wajah dan pengambilan data berapa persentase tingkat keberhasilan dalam mengenali sebuah wajah.

Proses pengambilan data lama waktu dan tingkat keberhasilan juga bisa didapatkan sekaligus dengan menjalankan program pada MATLAB.

Program ini akan dijalankan sebanyak 10 kali dan akan diambil masing-masing nilainya. Kemudian data-data tersebut diambil nilai rata-ratanya sebagai nilai acuan hasil pengujian sistem keamanan pintu ini. Pengujian sistem hardware untuk memastikan bahwa komponen hardware yang digunakan sudah sesuai dan dapat mendukung kerja sistem keamanan pintu dengan baik.

Pengujian sistem hardware ini akan terdiri dari empat pengujian yaitu pengujian kamera, pengujian servo, pengujian LCD, dan pengujian sistem komunikasi serial.

6. Analisis

Pengambilan citra wajah bervariasi berdasarkan sudut antara garis lurus (sebagai referensi 0O) yang menghubungkan titik pusat kepala dan kamera. Pengambilan citra dari kiri wajah menghasilkan sudut negatip, sedangkan dari kanan wajah menghasilkan sudut positip, seperti tampak pada gambar 6.

-60

O

-45

O

-30

O

-15

O

0

O

15

O

30

O

45

O

60

O

Gambar 6. Sudut pengambilan citra wajah Berdasarkan gambar 6, menghasilkan ketepatan pengenalan wajah, dan waktu pendeteksian wajah, seperti pada tabel 1.

Tabel 1. Variasi sudut pengambilan citra wajah Sudut (O) Ketepatan (%) Waktu (milidetik) -60 90 26 -45 93 23 -30 92 15 -15 95 13 0 94 11 15 92 14 30 95 22 45 90 19 60 91 29

Sudut negatip (kiri) dan positip (kanan) dirata-rata menghasilkan bahwa sudut 60O mempunyai ketepatan terkecil dan membutuhkan waktu yang lama untuk mendeteksi wajah. Sedangkan ketepatan tertinggi dan waktu tercepat dimiliki oleh sudut 0O.

Arsitektur ANN backpropagation

menggunakan konfigurasi tanpa hidden layer dan dengan hidden layer. Penggunaan arsitektur ANN tanpa hidden layer akan terdiri dari dua layer saja yaitu layer input dan layer output. Sedangkan penggunaan hidden layer diasumsikan terdiri dari satu

hidden layer (tiga layer) dan dua hidden layer (empat layer). Waktu yang dibutuhkan untuk melakukan

B-144