HASIL DAN PEMBAHASAN

Percobaan yang dilakukan pada penelitian ini menerapkan dua perlakuan berbeda, yaitu citra yang akan mengalami proses pengenalan wajah tanpa dekomposisi sebagai percobaan 1 dan citra wajah yang akan mengalami praproses dekomposisi sebagai percobaan 2. Setiap percobaan mengamati nilai generalisasi terbaik untuk menemukan kombinasi hidden neuron, toleransi kesalahan, dan level dekomposisi (untuk percobaan 2). Adapun tabel generalisasi hasil kedua jenis percobaan ini dapat dilihat pada Lampiran 4, 5, dan 6.

Percobaan 1: Pengenalan Wajah tanpa Proses Dekomposisi

Kombinasi pertama yang dilakukan pada percobaan 1 adalah menggunakan toleransi kesalahan 0.1 dengan 10 buah hidden neuron. Kombinasi ini menghasilkan generalisasi maksimum 74% saat hidden neuron 70. Namun mengalami penurunan hingga mencapai nilai 52% saat hidden neuron 100. Grafiknya dapat dilihat pada Gambar 16.

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 16 Generalisasi dengan toleransi kesalahan 0.1.

Kombinasi kedua yaitu mengubah toleransi kesalahan menjadi 0.01(Gambar 17).

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 17 Generalisasi dengan toleransi kesalahan 0.01.

Tabel 1 Struktur JST propagasi balik

Karakteristik Spesifikasi

• Arsitektur 1 layerhidden

Neuron input Sesuai dimensi citra

Neuron hidden 10, 20, 30, 40, 50, 60, 70, 80, 90, 100

Neuron output Banyaknya kelas target, yaitu 10

• Inisialisasi bobot Nguyen-Widrow

• Fungsi aktivasi Sigmoid biner

• Toleransi kesalahan

0.1, 0.01 dan 0.001

• Laju pembelajaran 0.1

Banyaknya kelas target pada penelitian ini adalah 10 (10 wajah individu berbeda). Setiap target mewakili satu model wajah yang direpresentasikan dengan nilai 0 dan 1. Definisi target secara lengkap dapat dilihat pada Tabel 2.

Tabel 2 Definisi kelas target

Kelas Target Wajah 1 1000000000 Wajah 2 0100000000 Wajah 3 0010000000 Wajah 4 0001000000 Wajah 5 0000100000 Wajah 6 0000010000 Wajah 7 0000001000 Wajah 8 0000000100 Wajah 9 0000000010 Wajah 10 0000000001 Parameter Percobaan

Hasil penelitian diukur dengan parameter konvergensi dan generalisasi (Setiawan 1999, diacu dalam Achelia 2005). Konvergensi adalah tingkat kecepatan jaringan mempelajari pola input, yang dinyatakan dengan satuan waktu atau satuan epoch. Dilain pihak, generalisasi dihitung sebagai berikut:

100%

jumlah pola yang dikenal

Generalisasi x

jumlah seluruh pola

Lingkungan Pengembangan

Perangkat keras dan perangkat lunak yang digunakan pada penelitian ini adalah sebagai berikut:

Perangkat keras

• Prosesor AMD Sempron(tm) 2200+

• RAM 512 MB

• Harddisk 110 GB Perangkat Lunak

• Windows XP sebagai sistem operasi

• Matlab R2006b (7.3) untuk program aplikasi

Percobaan 1: Pengenalan Wajah tanpa Proses Dekomposisi

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 16 Generalisasi dengan toleransi kesalahan 0.1.

Kombinasi kedua yaitu mengubah toleransi kesalahan menjadi 0.01(Gambar 17).

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 17 Generalisasi dengan toleransi kesalahan 0.01.

Pada Gambar 17 dapat dilihat bahwa peningkatan generalisasi mencapai 92% saat

hidden neuron 40, 70, dan 80. Ketiga hidden neuron ini memiliki nilai epoch yang berbeda, nilai epoch terkecil terdapat pada hidden neuron 80. Kombinasi percobaan ini mengalami penurunan generalisasi mulai dari

hidden neuron 90.

Kombinasi ketiga, nilai toleransi kesalahan diturunkan menjadi 0.001. Penurunan ini tidak memperlihatkan peningkatan nilai generalisasi yang signifikan. Bahkan hidden neuron 10 mengalami sedikit penurunan, sekaligus menunjukkan bahwa generalisasi optimum berkisar pada nilai 92%. Grafik kombinasi ini dapat dilihat pada Gambar 18. 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 18 Generalisasi dengan toleransi kesalahan 0.001.

Ketiga kombinasi pada percobaan pertama dapat disimpulkan bahwa nilai generalisasi paling baik diperoleh saat nilai toleransi kesalahan 0.001. Titik keseimbangan diperoleh dengan hidden neuron 90. Data selengkapnya dapat dilihat pada Tabel 3. Tabel 3 Generalisasi terbaik tiap toleransi

kesalahan Toleransi Kesalahan Generalisasi Hidden Neuron 0.1 74% 70 0.01 92% 80 0.001 94% 90

Percobaan 2: Pengenalan Wajah dengan Praproses Dekomposisi Wavelet

Pada percobaan ini diterapkan praproses menggunakan dekomposisi wavelet Haar. Data yang digunakan mengalami proses dekomposisi hingga level tiga. Citra hasil dekomposisi yang digunakan pada proses pengenalan wajah adalah citra pendekatan tiap level. Oleh karena itu, jumlah citra hasil dekomposisi yang akan mengalami proses pengenalan wajah sebanyak 3 buah untuk satu model wajah.

Pada penelitian ini reduksi citra hasil dekomposisi level 3 dengan ukuran citra sebenarnya 48x48 piksel adalah 24x24 piksel untuk dekomposisi level 1, 12x12 piksel untuk dekomposisi level 2, dan 6x6 piksel untuk dekomposisi level 3. Contoh citra untuk tiap level dekomposisi dapat dilihat pada Gambar 19, 20, 21, dan Gambar 22 untuk deskripsi citra pendekatan dan citra detil.

Gambar 19 Citra dekomposisi level 1.

Gambar 20 Citra dekomposisi level 2.

Gambar 21 Citra dekomposisi level 3.

Proses Pengenalan Wajah

Proses pengenalan wajah dengan menggunakan citra pendekatan level 1 yang dihasilkan oleh proses dekomposisi Haar dikombinasikan dengan nilai toleransi kesalahan 0.1 menghasilkan grafik generalisasi terhadap hidden neuron yang ditunjukkan pada Gambar 23.

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 23 Generalisasi Haar level 1 dengan toleransi kesalahan 0.1.

Nilai generalisasi pada Gambar 23 secara umum mengalami peningkatan, walaupun diiringi dengan penurunan setiap terjadi peningkatan. Hal tersebut terjadi pada hidden neuron 20 yang mengalami peningkatan dari 52% menjadi 60%. Pada hidden neuron 40 generalisasi meningkat kembali menjadi 62%, namun sebelumnya generalisasi turun menjadi 52% pada hidden neuron 30. Hal serupa terjadi pada hidden neuron 50 yang meningkat menjadi 64% diiringi penurunan pada hidden neuron 60 menjadi 54%. Generalisasi kembali meningkat menjadi 66% diikuti penurunan menjadi 60% pada hidden neuron berikutnya. Pola tersebut dialami pula pada hidden neuron

90, walaupun generalisasi yang dicapai sama dengan hidden neuron 70, yaitu 66% diiringi dengan penurunan di hidden neuron 10.

Percobaan selanjutnya diperlihatkan pada Gambar 24 dengan toleransi kesalahan 0.01. Percobaan ini mengalami peningkatan hingga mencapai nilai 96% sekaligus sebagai generalisasi tertinggi pada hidden neuron 40. Namun, nilai generalisasi mengalami penurunan dari hidden neuron 50 sampai 70 dengan nilai 88%. 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G e n er al isasi

Gambar 24 Generalisasi Haar level 1 dengan toleransi kesalahan 0.01.

Toleransi kesalahan kemudian diturunkan kembali menjadi 0.001 menghasilkan grafik yang dapat dilihat pada Gambar 25. Nilai generalisasi yang dihasilkan hampir stabil pada nilai 92% dan mencapai generalisasi tertinggi 98% pada

hidden neuron 50. 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en er al isasi

Gambar 25 Generalisasi Haar level 1 dengan toleransi kesalahan 0.001.

Perbandingan nilai generalisasi tertinggi yang menggunakan citra pendekatan level 1 untuk ketiga toleransi kesalahan dapat dilihat pada Tabel 4.

Tabel 4 Generalisasi terbaik level 1 Toleransi Kesalahan Generalisasi Hidden Neuron 0.1 66% 70 0.01 96% 40 0.001 98% 50 Pengenalan wajah kemudian dilanjutkan menggunakan citra pendekatan level 2. Grafik hasil generalisasi yang diperoleh untuk toleransi kesalahan 0.1 ditunjukkan pada Gambar 26. 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G e n e r a lis a s i

Gambar 26 Generalisasi Haar level 2 dengan toleransi kesalahan 0.1.

Pada Gambar 26 tersebut dapat dilihat bahwa generalisasi mencapai nilai tertinggi 78% pada hidden neuron 60. Pencapaian nilai tersebut diiringi dengan penurunan nilai generalisasi baik sebelum maupun sesudah mencapai nilai tertinggi.

Selanjutnya toleransi kesalahan diturunkan menjadi 0.01 ditunjukkan pada Gambar 27 yang dapat dilihat bahwa nilai generalisasi mengalami peningkatan yang signifikan, yaitu pada hidden neuron 10

dengan nilai 84% meningkat hingga mencapai 94% pada hidden neuron 30. Seperti percobaan sebelumnya yang menggunakan toleransi kesalahan 0.1, setelah mencapai nilai tertinggi generalisasi kembali turun. Pada percobaan ini generalisasi turun menjadi 90%.

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 HIdden Neuron G e n er al isasi Gambar 27 Generalisasi Haar level 2 dengan

toleransi kesalahan 0.01.

Kombinasi terakhir untuk citra pendekatan level 2 adalah menurunkan kembali nilai toleransi kesalahan menjadi 0.001 yang dapat dilihat pada Gambar 28. Nilai generalisasi yang diperoleh pada percobaan ini mencapai nilai 96% sekaligus sebagai generalisasi terbaik, kemudian turun menjadi 92% dan kembali naik menjadi 96%. Hal tersebut terus berulang sampai hidden neuron 100 yang diakhiri dengan penurunan nilai generalisasi. 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en e r al isa si

Gambar 28 Generalisasi Haar level 2 dengan toleransi kesalahan 0.001.

Hasil generalisasi terbaik pengenalan wajah yang menggunakan input citra pendekatan level 2 dapat dilihat pada Tabel 5. Tabel 5 Generalisasi terbaik level 2

Toleransi Kesalahan Generalisasi Hidden Neuron 0.1 78% 60 0.01 94% 30, 70 0.001 94% 30, 70, 90 Kombinasi tiga terakhir percobaan 2 dimulai seperti yang dilakukan sebelumnya, yaitu toleransi kesalahan 0.1 dengan menggunakan citra pendekatan hasil dekomposisi level 3 yang dapat dilihat pada grafik Gambar 29. Pada kombinasi ini nilai generalisasi hampir stabil, karena peningkatan

dan penurunan nilai generalisasi yang dicapai tidak jauh berbeda dengan nilai sebelum maupun setelahnya. Nilai generalisasi terbaik pada kombinasi ini adalah 60% pada hidden neuron 40. 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G en e r al is asi

Gambar 29 Generalisasi Haar level 3 dengan toleransi kesalahan 0.1.

Grafik generalisasi selanjutnya diperoleh dengan toleransi kesalahan 0.01 yang ditunjukkan pada Gambar 30.

0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G e n er al isasi

Gambar 30 Generalisasi Haar level 3 dengan toleransi kesalahan 0.01.

Pada percobaan ini nilai generalisasi mencapai nilai terbaik 98% pada hidden neuron 50 dan 60. Seperti kombinasi percobaan sebelumnya pencapaian nilai generalisasi tertinggi selalu diiringi dengan penurunan generalisasi, kali ini generalisasi turun empat poin dari 98% menjadi 94%.

Percobaan dua diakhiri dengan menurunkan nilai toleransi kesalahan menjadi 0.001. Nilai generalisasi mulai stabil dengan nilai 98% yang terjadi pada hidden neuron 70 sampai dengan hidden neuron 100. Nilai generalisasi terbaik yang dicapai adalah sebesar 100% terjadi pada hidden neuron 30, 40, dan 60. Grafiknya ditunjukkan pada Gambar 31.

Seperti kombinasi percobaan sebelumnya, hal serupa pun terjadi pada kombinasi percobaan ini. Setelah mencapai nilai generalisasi terbaik pasti nilai generalisasi mengalami penurunan, walaupun kadang- kadang tidak langsung turun pada hidden neuron berikutnya. Pada akhir percobaan dua ini nilai generalisasi turun enam poin, yaitu dari 100% menjadi 94%.

10 0 10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100 Hidden Neuron G e n er al iasi

Gambar 31 Generalisasi Haar level 3 dengan toleransi kesalahan 0.001.

Data generalisasi terbaik hasil pengenalan wajah dengan menggunakan

input citra pendekatan hasil dekomposisi level 3 dapat dilihat pada Tabel 6.

Tabel 6 Generalisasi terbaik level 3. Toleransi Kesalahan Generalisasi Hidden Neuron 0.1 60% 40 0.01 98% 50, 60 0.001 100% 30, 40, 60

Perbandingan Kedua Jenis Percobaan

Dari dua jenis percobaan pengenalan wajah ini secara garis besar menyatakan bahwa generalisasi hasil pengenalan wajah dengan praposes dekomposisi Wavelet lebih baik dibandingkan dengan pengenalan wajah tanpa dekomposisi. Semakin kecil toleransi kesalahan, dan semakin tinggi level dekomposisi maka nilai generalisasi yang dicapai akan semakin tinggi. Walaupun ada pengecualian pada toleransi kesalahan 10-1 nilai generalisasi terbaik berasal dari dekomposisi level 2. Perbandingan generalisasi terbaik percobaan 1 dan 2 dapat dilihat pada Tabel 7.

Tabel 7 Generalisasi terbaik percobaan 1 dan percobaan 2

Percobaan 2 (tiap level) Toleransi Kesalahan Percobaan 1 1 2 3 0.1 74% 66% 78% 60% 0.01 92% 96% 94% 98% 0.001 94% 98% 94% 100%

Pada Gambar 32 dapat dilihat bahwa perbandingan generalisasi terbaik dua jenis percobaan yang terdiri atas pengenalan wajah tanpa dekomposisi (T), dan pengenalan wajah dengan pemrosesan awal dekomposisi Haar level 1 (HL1), dekomposisi Haar level 2 (HL2), dan dekomposisi Haar level 3 (HL3) dalam bentuk diagram batang.

0% 20% 40% 60% 80% 100% T HL1 HL2 HL3 Hidden Neuron G en er al iasi

Toleransi Kesalahan 0.1 Toleransi Kesalahan 0.01 Toleransi Kesalahan 0.001

Gambar 32 Perbandingan generalisasi terbaik dari dua jenis percobaan.

Waktu komputasi yang diperlukan saat proses pengenalan wajah yang melalui praproses dekomposisi pun terbukti lebih cepat dibandingkan dengan pengenalan wajah tanpa dekomposisi citra. Data selengkapnya dapat dilihat pada Tabel 8.

Tabel 8 Perbandingan waktu komputasi pengenalan wajah (detik)

Toleransi Kesalahan T HL1 HL 2 HL 3 0.1 _{4.1764 3.15805 3.01889 2.9341} 0.01 _{5.09054 3.37057 3.02463 2.91827} 0.001 _{6.47764 3.81836 2.9637 3.00416}

Berdasarkan data pada Tabel 8 dapat disimpulkan bahwa semakin tinggi level dekomposisi, maka waktu yang diperlukan untuk proses pengenalan wajah semakin cepat. Namun, jika dilihat dari penurunan toleransi kesalahan, waktu yang diperlukan semakin lama. Hal ini berbanding lurus dengan peningkatan nilai generalisasi.

Dalam dokumen Pengenalan Wajah Dengan Pemrosesan Awal Transformasi Wavelet (Halaman 51-56)