HASIL PENELITIAN DAN PEMBAHASAN
4.3 Hasil Analisis
4.3.3 Modul Recognation Algoritma Hybrid
Modul Recognition Algoritma Hybrid adalah modul yang dapat mengimplementasikan proses pengenalan wajah dengan menggunakan algoritma Hybrid. Pada modul ini pengguna dapat melakukan proses pengenalan wajah dengan memilik tombol Load wajah. Pada layar dialog pilih file citra pada wajah yang akan dikenali setelah diplih maka citra wajah akan tampil pada kotak original image dan selanjtnya pilih tombol proses. Setelah tombol proses dipilih, maka tampilan hasil pengolahan citra pada kotak resize 100 X 100, grayscale, reduksi noise serta edge detection. Proses recognition algoritma Hybrid dapat dilihat seperti pada gambar 4.3
Gambar 4.3 Tampilan Modul Recognation Algoritma Hybrid
Pada gambar 4.3 citra wajah asli dan citra wajah hasil pengolahan pada citra dimulai dari citra hasil resize kedalam ukuran 100 X 100, citra wajah hasil grayscale (keabu-abuan) citra wajah hasil reduksi noise serta citra wajah hasil deteksi tepi dengan operator sobel. Sebagai inputan data pada pengenalan adalah citra pada wajah hasil deteksi tepi yang berformat biner yang dapat ditampilkan pada aplikasi dan sebagai hasil pengenalan yang ditampilkan nama pemilik wajah serta lama proses. Verifikasi pengenalan benar atau salahnya dapat dilakukan secara manual oleh user apakah pada citra wajah sesuai dengan nama pemilik wajah. Dalam percobaan pengenalan pada
gambar 4.1 diatas hasil proses adalah tidak dikenal karena nama file tidak sesuai dengan nama pemilik wajahnya.
4.4 Pembahasan
Pada tahap ini, perangkat lunak yang dibangun akan menggunakan sebagai alat bantu untuk dapat membandingkan algoritma Self Organizing Maps (SOM) atau Kohonen, Learning Vector Quantization (LVQ) dan Hybrid. Adapun spesifikasi perangkat keras yang digunakan pada sat melakukan pengujian adalah sebagai berikut:
1. Prosesor Intel Core I5 2. Memory RAM 2 GB
Pengujian dilakukan dengan menggunakan lima citra digital yang berbeda ukuran dimana setiap citra tersebut akan training oleh jaringan. Parameter jaringan yang dipakai adalah maksimum eror, learning rate serta jumlah epoch seperti yang dapat dilihat pada tabel 4.1
Tabel 4.1 Parameter jaringan pengujian algoritma
Parameter jaringan Nilai
Epoch 10, 50, 100
Learning rate 0.1, 0.5, 1
Minimum Eror 0.1, 0.01, 0.001
Keterangan :
A = Maksimum Perulangan (Epoch)
B = Rasio Pembelajaran (Learning rate) C = Minimum Error D = Dikenali
E = Tidak dikenali T = Waktu rata-rata
Adapun hasil pengujian dilakukan dengan menggunakan parameter pada tabel 4.1 dengan banyaknya pengujian 10 wajah, yang masing-masing wajah akan diuji sebanyak 10 kali untuk seluruh parameter dapat dilihat speerti pada tabel 4.2
Tabel 4.2 Hasil Pengujian Pengenalan pada Wajah
No A B C LVQ Kohonen Hybrid
3 10 0.1 0.001 7 3 2:20 6 4 3:12 8 2 2:10 Jumlah: 15411671.37142 12770.6418684 70.14
Persentase kebehasilan pengenalan wajah dengan algoritma:
a. LVQ = 154/270 = 57.03 % b. Kohonen = 142/270 = 52.59 %
c. Hybrid = 186/270 = 68.88 %
Sedangkan lama rata-rata proses pengenalan yang diperoleh untuk algorima Learning Vector Quantization (LVQ) sebesar 2,64 detik, Self Organizing Maps (SOM) atau Kohonen sebesar 2,61 detik dan Hybrid 2, 59 detik. Dari hasil diatas dapat disimpulkan bahwa dari segi akurasi algoritma hybrid sedikit lebih unggul dari pada SOM atau Kohonen yaitu 68.88% - 52.59% = 16.29% dan dari segi waktu algoritma hybrid lebih cepat dari algoritma LVQ sebesar 0,05 detik dan kohonen sebesar rata-rata 0.02 detik.
2.8 Kesimpulan
Kesimpulan yang dapat diambil dari penelitian ini adalah sebagai berikut:
1. Algoritma jaringan syaraf tiruan Learning Vector Quantization (LVQ) dan Self Organizing Maps (SOM) atau Kohonen dapat di hybrid kan pada pengenalan wajah.
2. Persentase keberhasilan pada pengenalan wajah dengan menggunakan algoritma LVQ adalah 7.03%, Kohonen 52.59% dan Hybrid 68.88%.
3. Rata-rata lama proses pengenalan wajah yang diperoleh pada algoritma LVQ sebesar 2.64 detik, kohonen sebesar 2.61 detik dan hybrid 2.59 detik. Dari hasil diatas dapat disimpulkan bahwa dari segi akurasi algoritma Hybrid sedikitlebih unggul dari pada kohonen yaitu 68.88%-52.59% =16.29% dan dari segi waktu algoritma Hybrid lebih cepat dari algoritma LVQ sebesar 0.05 detik dan kohonen sebesar rata-rata 0.02 detik.
4. Tingkat kecocokan hasil pada pengenalan wajah tergantung pada kombinasi nilai parameternya yang digunakan dalam proses pembelajarannya dimana dari hasil pengujian pada sistem, maka didapatkan kombinasi parameter terbaik dari algoritma Learning Vector Quantization (LVQ) yaitu maksimal perulangan 50, rasio pembelajaran 0,1 dan minimal error 0,001. Sedangkan parameter terbaik dari Kohonen yaitu maksimal perulangan 100, rasio pembelajaran 1 dan minimal error 0,001, sedangkan untuk algoritma kombinasi algoritma tersebut yaitu maksimal perulangan 100, rasio pembelajaran 0.1 dan minimal error 0,01
5.2 Saran
Adapun saran-saran yang diberikan pada penelitian ini adalah sebagai berikut:
1. Aplikasi pengenalan pada wajah dengan menggunakan jaringan syaraf tiruan lebih baik dijalankan pada komputer yang memiliki spesifikasi hardware yang tinggi.
2. Aplikasi ini dapat dikembangkan dengan menambahkan pengenalan yang lebih spesifik, misalnya pada ekspresi wajah atau posisi wajah.
3. Untuk hasil yang lebih spesifik dapat ditambahkan proses ekstraksi ciri terlebih dahulu sebelum proses training dan recognation.
Chandra Rudy, 2017, Sistem Absensi Menggunakan Wajah Pada Jaringan Syaraf Tiruan Dengan Algoritma Learning Vector Quantization (Lvq), Skripsi, Universitas Sumatera Utara, Medan
Emnita Br Ginting, 2013, Kombinasi Algoritma Jaringan Syaraf Tiruan Learning Vector Quantization (Lvq) Dan SelfOrganizing Kohonen Pada Kecepatan Pengenalan Pola Tanda Tangan, Tesis, Universitas Sumatera Utara, Medan Ketaren Eliasta, 2016, Modifikasi Jaringan Syaraf Tiruan Learning Vector
Quantization Pada Pengenalan Wajah, Tesis, Universitas Sumatera Utara, Medan.
Kusumadewi, Sri. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan Matlab.Yogyakarta :Penerbit Graha Ilmu.
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Penerbit Graha Ilmu. Yogyakarta.
Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta : Penerbit: Andi.
Puspitorini, Sukma. 2008. Penyelesaian Masalah Traveling Salesman Problem Dengan Jaringan Saraf Self Organizing. Jurnal Media Informatika, Vol. 6,No.
1, Juni 2008, 39-55
Silvia, Evanila. 2007. Disain Jaringan Syaraf Tiruan Untuk Prediksi Kualitas Gula Kristal Putih. Tesis Sekolah Pascasarjana Institut Pertanian Bogor.
Tae, Gadis FransiskaYulianti et al. 2010. Penerapan Kohonen Self Organized Map Dalam Kuantisasi Vektor Pada Kompresi Citra Bitmap 24 Bit. Jurnal Informatika, Volume 6 Nomor 2, November 2010. Fakultas Teknologi Informasi, Program Studi Teknik Informatika Universitas Kristen Duta Wacana Yogyakarta.