Development of Face Recognition Model using Bi-2DPCA and Support Vector Machine

PENGEMBANGAN MODEL PENGENALAN WAJAH

MANUSIA DENGAN TEKNIK REDUKSI DIMENSI BI-2DPCA

DAN

SUPPORT VECTOR MACHINE

SEBAGAI

CLASSIFIER

FREDICIA

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

PERNYATAAN MENGENAI TESIS DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*

DenganinisayamenyatakanbahwatesisberjudulPengembanganModel PengenalanWajahManusiadenganTeknikReduksiDimensiBi伸2DPCAdan Support Vector MachinesebagaiClassifier adalahbenarkaryasayadenganarahan darikomisipembimbingdanbelumdiajukandalambentukapapunkepada perguruantinggimanapunSumberinformasiyangberasalataudikutipdarikarya yangditerbitkanmaupuntidakditerbitkandaripenulislaintelahdisebutkandalam teksdandicantumkandalamDaftarPustakadibagianakhirtesisini

DenganinisayamelimpahkanhakciptadarikaryatulissayakepadaInstitut PertanianBogor

RINGKASAN

FREDICIAPengembanganModelPengenalanWajahManusiadenganTeknik ReduksiDimensiBi伸2DPCAdanSupport Vector Machine sebagaiClassifier DibimbingolehAGUSBUONOdanENDANGPURNAMAGIRI

Wajahmanusiaselaludigunakandalampengaplikasiansistemkontrol akses sistemotentifikasi identitas sistem pengawasan dan sistem keamananBanyakpenelitianpengenalanwajahdilakukandenganmenggunakan berbagai metode sepertiEigen FacesFisher’sLinear Discriminants Neural NetworksHidden Markov ModelBayesianNetworksdansebagainyaTantangan yangseringterjadiadalahdimensidatayangakandiklasifikasikandanwaktu komputasiyangdiperlukan

Dalampenelitianuntukmendapatkanmetodealternatifuntukpengenalan wajahLeTHandBuiL211傈melakukanpenelitianmodelpengenalanwajah denganTwo-Dimensional Principal Component Analysis2DPCA傈danSupport Vector MachineSVM傈denganmenggunakandatacitrawajahATTHasil penelitiantersebutbahwaakurasipengenalanwajahdenganmenggunakandata citrawajahATTmenggunakan2DPCAdanSVMsebesar973煸sertaPCAdan SVMsebesar952煸Kemudianpadatahun21penelitianBi伸2DPCAsebagai metodealternatifpengenalanwajahdilakukanolehYangJ et al.21傈Dalam penelitiantersebutmembandingkanmetodeBi伸2DPCA2DPCAdanPCA Kesimpulannya bahwapenggunaanBi伸2DPCAmenghasilkanakurasidan komputasilebihbaikdari2DPCAmaupunPCA

BerdasarkanpenelitianyangdilakukanolehLeTHdanBuiL211傈serta Yang Jet al21傈dilakukanpenelitianuntukpengembangan model pengenalanwajahdenganmenggunakanteknikreduksidimensiBi伸2DPCAdan SupportVectorMachineSVM傈sebagaipengenalanpolaTeknikreduksidimensi 1DPCAdan2DPCAdigunakansebagaipembandingukurandimensidanwaktu komputasidaripadateknikBi伸2DPCAUntukmembantuSVMdalammengenali wajahmanusiadigunakanfungsikernelpadaSVMyaitulinearpolynomialdan radial basis functionRBF傈PadasaatmenggunakankernelRBFdigunakan UntukkernelRBFparameternilaisigmadanCyangdigunakanmerupakannilai sigma2伸15sampaidengan23dannilaiCdimulaidari2伸5sampaidengan214yang telahdigunakandalampenelitianyangdilakukanolehLeTHdanBuiL211傈 DatacitrawajahdipergunakanadalahORLDatabase of Faceyang bisa diunduhdariATTLaboratoryterdiriatas4wajahmasing伸masing1citra sehinggatotalnya4buahcitraValidasidilakukandenganleave-one-outLOO傈 cross validationsehinggauntuksetiappasanganekstraksiciridanpengenalpola ada1percobaanMetodeOne against all digunakanuntukmembantuSVM dalammengklasifikasikandatawajahORLyangterdiriatas4kelasdengan tujuanuntukmengurangiwaktukomputasiyangdiperlukan

padasaatkomponensebesar95煸Adabeberapahalyangbisadisimpulkanyaitu: polaakurasikernelpadasetiapekstraksiciriadalahsamaHaliniberartitidak adahubunganantaraekstraksiciriyangdipergunakandengankernelpadaSVM KeduaadalahpadapenelitianiniterlihatSVMtidakbisamengklasifikasikandata yangberdimensibesarSemakinbesarreduksidimensiyangdilakukansemakin tingginilaiakurasiyangdidapatkanKetigaadalahmakintinggikomponen tidaklahsecaraotomatismenaikkanakurasiKesimpulandaripenelitianadalah metodeBi伸2DPCAdenganSVMmerupakanmodelpengenalanwajahyangbaik dengantingkatakurasiyangbaikdimanaakurasitertinggidenganwaktuterendah dibandingkan2DPCA–SVMdan1DPCA伸SVM

SUMMARY

FREDICIADevelopmentofFaceRecognitionModelusingBi伸2DPCAand SupportVectorMachineSupervisedbyAGUSBUONOandENDANG PURNAMAGIRI

Thehumanfaceisalwaysusedintheapplicationofaccesscontrolsystems identityauthenticationsystemssurveillancesystemsandsecuritysystemsSome researhonfacerecognitionhasbeenproposedwithavarietyofmethodssuchas EigenFaces Fisher’sLinearDiscriminantBayesianNetworks Neural NetworksHidden Markov Model and so on But all the above mentioned methodshavelimitationssuchasdealingwiththesizeoftheimageandlighting andlearningtimearetoolong

InastudytoobtainanalternativemethodforfacerecognitionLeTHand BuiL211傈conductedresearchmodeloffacerecognitionwithTwo伸 DimensionalPrincipalComponent Analysis2DPCA傈andSupport Vector MachineSVM傈usingATTfaceimagedataTheresultsofthesestudiesthatthe accuracyoffacerecognitionuse2DPCAandSVMwas973煸andPCA伸SVM was952煸Thenin21Bi伸2DPCAusesasalternativemethodofface recognitionperformedbyYangJetal21傈Inastudycomparingmethodsof Bi伸2DPCA 2DPCA and PCA The conclusion that the use of Bi伸2DPCA generatingandcomputationalaccuracywasbetterthan2DPCAandPCA

BasedonresearchconductedbyLeTHandBuiL211傈andYangJetal 21傈conductedresearchforthedevelopmentofmodelsoffacerecognition usingdimensionreductiontechniqueBi伸2DPCAandSupportVectorMachine SVM傈aspatternrecognition1DPCAand2DPCAdimensionreduction techniqueareusedascomparisonmeasuredimensionsandcomputingtimethan usingBi伸2DPCAtechniqueTohelpSVMinrecognizinghumanfacesSVMuse linearpolynomialandradialbasisfunctionRBF傈kernelfunctionWhenusing RBFkernelusedfortheRBFkerneltheparameterforsigmais2伸15upto23and the value of C starting from 2伸5 up to 214whichhavebeenusedinastudy conductedbyLeTHandBuiL211傈

FacialimagedatausedaretakenfromtheORLFaceDatabaseATT Laboratorywhichcontain4faceseachfacewith1imagesandtotalofimage 4piecesValidationisdonebyLeave伸One伸OutLOO傈crossvalidationsothat foreachpairofextractionandclassifiermethodis1trialsOneagainstall methodusedtohelpSVMinclassifyingtheORLfacedataconsistsof4classes toreducethecomputationaltime

2DPCA85煸 with the help of a linear kernel generates the highest level of recognitionaccuracyof9425煸facewhereasthelowestaccuracyrateof245煸 was obtained with the kernel polynomial method 1DPCA order 3 While the lowestcomputationaltimeof1534secondswhenthecomponentisusedby85煸 computationtimeandamaximumof25268secondswhenthecomponentis95煸 There are several things that could be concluded that: pattern accuracy on each kernelfeatureextractionarethesameThismeansthatthereisnorelationship betweenthefeatureextractionusedbythekerneltotheSVMThesecondisin thisstudySVMcannotclassifylargedatadimensionThelargerthedimension reductionisperformedthehighertheaccuracyvalueobtainedThirdisthe higherthecomponentdoesnotautomaticallyincreaseaccuracyTheconclusionof thestudyisBi伸2DPCAmethodwithSVMisagoodmodeloffacerecognition wherethehighestaccuracywiththelowesttimethan2DPCA伸SVMandSVM伸 1DPCA

Keywords: FaceRecognitionPrincipleComponentAnalysisKernelSupport VectorMachineLeave伸oneOutCrossValidation

©HakCiptaMilikIPBTahun214

HakCiptaDilindungiUndang伸Undang

Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB

Tesis

sebagaisalahsatusyaratuntukmemperolehgelar MagisterKomputer

pada

ProgramStudiIlmuKomputer

PENGEMBANGAN MODEL PENGENALAN WAJAH

MANUSIA DENGAN TEKNIK REDUKSI DIMENSI BI-2DPCA

DAN SUPPORT VECTOR MACHINE SEBAGAI CLASSIFIER

SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR

BOGOR 2014

PengujiLuarKomisipadaUjianTesis:DrIrBibParuhumSilalahiMKom

PRAKATA

PujidansyukurpenulispanjatkankepadaTuhanatassegalakarunia伸Nya sehinggakaryailmiahiniberhasildiselesaikanTemayangdipilihdalam penelitianyangdilaksanakansejakbulanMaret21iniialahPengenalanWajah denganjudulPengembanganModelPengenalanWajahdenganTeknikReduksi DimensiBi伸2DPCAdanSupportVectorMachinesebagaiClassifier

TerimakasihpenulisucapkankepadaBapakDrIrAgusBuonoMSiMKom danBapakEndangPurnamaGiriSKomMKomselakupembimbingDisamping itupenghargaanpenulissampaikankepadaIbuGiselaNinaSevaniSKomMSi KetuaJurusanTeknikInformatikaUkridadanBapakMarcelSKomMTIyang telahmengijinkansayauntukpenggunaankomputerdiLaboratoriumuntuk pengujianmetodeyangdigunakanUngkapanterimakasihjugadisampaikan kepadaayahibusertaseluruhkeluargaatassegaladoadankasihsayangnya

Semogakaryailmiahinibermanfaat

BogorFebruari214 Fredicia

DAFTAR ISI

DAFTARTABEL vi

DAFTARGAMBAR vi

DAFTARLAMPIRAN vi

1§ PENDAHULUAN 1§

LatarBelakang 1§

PerumusanMasalah 1§

TujuanPenelitian 2§

ManfaatPenelitian 2§

RuangLingkupPenelitian 2§

2§ TINJAUANPUSTAKA 3§

PrincipalComponentAnalysis 3§

1DPrincipalComponentAnalysis 3§

2DPrincipalComponentAnalysis 3§

Bi伸2DPCA 4§

SupportVectorMachine 4§

MulticlassSVM 5§

MetodeKernel 6§

MetodeLeaveOneOutCrossValidation 6§

3§ METODE 7§

KerangkaPemikiran 7§

TahapPemahamanPermasalahandanStudiLiteratur 8§

TahapPengumpulanCitraWajah 8§

TahapPelatihandanPengujianDataCitraWajah 8§

PersiapanPenelitian 1§

4§ HASILDANPEMBAHASAN 11§

ReduksiDimensi 11§

AkurasiModel 11§

PengaruhMetodeReduksiDimensidanKernelTerhadapTingkatAkurasi

PengenalanWajah 13§

PengaruhMetodeReduksiDimensidanKernelTerhadapKomputasi

PengenalanWajah 14§

5§ SIMPULANDANSARAN 15§

Simpulan 15§

Saran 15§

DAFTARPUSTAKA 16§

LAMPIRAN 18

DAFTAR TABEL

1 Model伸modelpengenalanwajahyangdigunakan 9§

2 Ukurancitrawajahsebelumdansesudahreduksidimensi 11§

3 Hasilpengujianmodelpengenalanwajah 12§

4 Rata–rataakurasipengenalanwajah 13§

DAFTAR GAMBAR

1 TahapanBi伸2DPCAJianYanget al.21傈 4§

2 SVMdalammenemukanhyperplaneterbaik1dan伸1 5§

3 PermasalahandaerahtidakterklasifikasidenganSVM 5§

4 ProsesLOO伸CV 6§

5 Metodologipenelitian 7§

6 CitrawajahORLDatabaseofFaces 8§

7 Perbandinganakurasidari4kernelyangdipergunakan 14§

8 Perbandinganakurasidari4kerneluntuksetiapekstraksiciri 14§

DAFTAR LAMPIRAN

WaktuKomputasidari36modelpengenalanwajah 18§

1

PENDAHULUAN

Latar Belakang

WajahmanusiadiciptakandalambentukyangunikBerbedadengansidik jarisuaratandatangandanpolamanusiauniklainnyapengenalanwajah manusiatidakmemerlukansebuahkegiatansepertimendekatkanmatakeiris scannermengucapkansesuatukatamelaluimikrofonataupunmenempelkanjari kefingerprintscannerRisetmengenaipengenalanwajahmanusiamulaibanyak dilakukanuntukpengaplikasiansistemkontrolaksessistemotentifikasiidentitas sistempengawasansistemkeamanandansebagainyaWaymanJLet al.25傈 Meskipunpengenalanwajahmanusiamelaluikomputertidakperlusebuah kegiatankhususyangdilakukantetapidalampembuatanmodelkomputasinya sangatsulitKeunikanwajahmanusiaharusbisadijelaskanolehmodel komputasinyaTurkMAdanPentlandAP1991a傈

Sebelumnyariset伸risetpengenalanwajahtelahmenggunakanmetode伸 metodesepertimetodeEigenFaces Turk MA dan Pentland AP1991b; Moon H danPhillipsPJ21傈Fisher’sLinear Discriminant LiuQet al.22傈Jaringan BayesianMoghaddamBet al2傈Neural Network Lawrence Set al.1997傈 Hidden Markov ModelHayesIIIMHdanNefianAV1998傈Tetapisemuametode yangtelahdisebutkanmemilikikelemahansepertimetodeEigen Face berhadapandenganmasalahukurandarigambardanpencahayaanNeural Network dan Hidden Markov Model menghadapi masalah lama waktu pembelajaranChowdhurySet al.21傈

DalampenelitiansebelumnyaLeTHdanBuiL211傈melakukan penelitian model pengenalan wajah denganTwo-Dimensional Principal Component Analysis 2DPCA傈 danSupport Vector Machine SVM傈 dengan menggunakandatacitrawajahFERETdanATTHasilpenelitiantersebut bahwaakurasipengenalanwajahdenganmenggunakandatacitrawajahATT menggunakan2DPCAdanSVMsebesar973煸sedangkanuntukakurasi pengenalandataFERET951煸LeTHdanBuiL211傈melakukanmetodePCA danSVMsebagaimetodepembandingdanmendapatkanakurasisebesar952煸 untukdataATTdan951煸untukdataFERET

PenelitianBi伸2DPCAsebagaimetodealternatifpengenalanwajahdilakukan olehYangJet al.21傈Bi伸2DPCAmerupakanmetode2DPCAyangdilakukan pada dataset sebanyak dua kali secara sekuensial Penelitian yang membandingkanmetodeBi伸2DPCA2DPCAdanPCAjugamenyimpulkan bahwapenggunaanBi伸2DPCAmenghasilkanakurasidankomputasilebihbaik dari2DPCAmaupunPCA

Perumusan Masalah

2

Olehkarenaiturumusanmasalahyangdilakukandalampenelitianinisebagai berikut:

1 Bagaimanamemperolehhasilpengenalanwajahmanusiayanglebih baik?

2 BagaimanahasilpenggabunganmetodeSVMdanBi伸2DPCAdalam pengenalanwajahmanusia?

Tujuan Penelitian

Berdasarkanperumusanmasalahdiatasmakapenelitianinibertujuan untuk:

1 MengembangkanmodelpengenalanwajahmanusiadenganBi伸2DPCA danSVMsebagaimetodepengenalanpolaalternatif

2 MembandingkanhasilmetodePCA2DPCAdanSVMdenganmetode penelitianyangmenggunakanSVMdanBi伸2DPCA

Manfaat Penelitian

ManfaatpenelitianiniadalahmengujimetodegabunganSVMdanBi伸 2DPCAdalamhalpengenalanwajahmanusiasertamembandingkannyadengan metode1DPCA伸SVMdan2DPCA伸SVMsehinggabisadipakaisebagaimetode penggantipengenalanwajahyangdipakaidansebagaimetodealternatifdalam pengenalanpola

Ruang Lingkup Penelitian

Penelitianinidilaksanakandenganruanglingkupsebagaiberikut:

· DiterapkandenganmenggunakanaplikasiMathworksMatlab211a

· MemakaidatacitrawajahmanusiayangberasaldariORLDatabaseof Facesyangmemilikiposedanrautwajahberbedayangdiunduhdari http:䔜䔜wwwclcamacuk䔜research䔜dtg䔜attarchive䔜facedatabasehtm

3

2

TINJAUAN PUSTAKA

Principal Component Analysis

Principal Component AnalysisPCA傈merupakanteknikmereduksidimensi datasecarastatistiktanpamengurangikarakteristikdatatersebutsecarasignifikan denganmengubahdarisebagianbesarvariabelasliyangsalingberkorelasi menjadisatuhimpunanvariabelbaruyanglebihkecildansalingbebastidak berkorelasilagi傈JohnsonRAdanWichernDW1998傈

AndaikanterdapatnkelompokdataAyangberjumlahmbuahData tersebutakandisusundalambentukmatriks

X

_{m n´} MatriksXakandicarimatriks kovariandengancaramengurangisetiapdatamatriksXdenganmatriksrata伸rata Xkemudiandibagihasilnyadenganstandardeviasidarimatriks

X

_{m n´} Setelah itudihitungnilaieigendanvektoreigenuntukdiambilnilaieigenterbesaryang mewakilikarakteristikdata

1D Principal Component Analysis

DalammereduksidimensiPCAakanmemaksimumkanvariansidataData yangdigunakanberjumlahNbuahsampel{x1x2…xn}denganruangdimensi

datanKemudiandicarinilairata伸ratadaridatayangadadandituliskandalam Matriks A =㓔 湌 聤 ∈ 퇬 _{dimana © − dan ∈ Langkah} berikutnyaadalahmentransformasikansecaralineardariruangdimensidatan menjadidimensimdimanam<nyangnantinyaakandigunakanuntuk membentukvektorfiturbaru ∈ © © dimana k = 12…Ndan ∈ 퇬 merupakanmatriksdengankolomorthonormal

Pencarianmatrikskovarian © ©∑ × − Ý× − Ý denganN merupakanjumlahdaridatasampelyangnantinyaakandigunakanmencari vektoreigendannilaivektorDalamreduksidimensidataakandigunakannilai eigenterbesarsebanyakisehinggahasilreduksimerupakanhasilpalingoptimal yangbisamewakilidatatersebutNhatVDMdanLeeS25傈

2D Principal Component Analysis

DalamtulisanYangJet al.24傈perbedaanyangterjadi2DPCAdengan pendekatanPCAadalahmatriksdaridatayangakandireduksitidakperlu ditransformasikankedalammatriksvektorsehinggamenjadikandimensidari matrikskovarianmenjadilebihkecilyangmenjadikanevaluasiterhadapmatriks kovarianlebihakuratdanwaktuuntukperhitungannilaieigenlebihsedikit

4

Bi-2DPCA

Dalammenggunakanmetode2DPCAkorelasidatahanyadiperhatikan secarahorisontalsajaHalinimenyebabkanhasilreduksidatamasihterlalubesar dibandingkandenganPCAyangtidakbisamewakilirepresentasidaridata sehinggakecepatandalamklasifikasimenjadilebihlambandanmemerlukan kapasitaspenyimpananlebihbesaruntukbasisdatayangbesar

MenurutYangJet al.21傈idedariBi伸2DPCAadalahmelakukan2DPCA sebanyakduatahapdimanatahappertamadilakukanreduksidatadilakukan secarahorisontaldantahapkeduadilakukansecaravertikalSebagaiilustrasidari Bi伸2DPCAdapatdilihatdariGambar1

Gambar1TahapanBi伸2DPCAJianYanget al.21傈

DalamBi伸2DPCAdataAyangberukuranmxnakandiprosesdengan metode2DPCAuntukmencarimatriksfiturByangberukuranmxqHasil 2DPCApertamamatriksByangsudahditransposedenganukuranqxmdiproses kembalidengan2DPCAyangakanmendapatkanmatriksfiturCyangberukuranq xp

Support Vector Machine

SVMmerupakansebuahmetodeklasifikasiyangdikembangkanolehBoser GuyonVapnikdenganmemilikiprinsipdasarsebagailinear classifier dan selanjutnyadengankonsepkernel trickdiimplementasipadamasalahnon linear KonsepSVMdapatdijelaskansecarasederhana sebagaiusahamencari hyperplane terbaikyangberfungsisebagaipemisahduabuahclass padainput space NugrohoASet al.23傈Gambar2amemperlihatkanbeberapapattern yangmerupakananggotadariduabuahclass:1dan伸1SedangkansaatSVM menemukanhyperplaneterbaikuntukkeduabuahclass ditunjukkanpadaGambar 2bSemuadatalatihdengandimensiMdisimbolkandengan dimanasetiapdata berasaldaridarisalahsatudariduakelasyangyangdiberilabel ∈菼−ĆîĆ繼 Sebuahgarispemisahdariduakelasdianggapoptimaljika

5

Gambar2SVMdalammenemukanhyperplane terbaik1dan伸1

Multiclass _SVM

PadaawalnyaSVMdigunakanuntukmengklasifikasikanduakelas Kemudiandicobaditerapkanuntukkondisiklasifikasilebihdariduakelasyang disebut MulticlassSVMAbeSdanInoueT22傈Pendekatanyangsering digunakandalammulticlassproblemadaduateknikyaituone against onedan one against all Pendekatan dengan menggunakanone against one akan melakukan pengklasifikasian kelas sebanyak × −ĆÝún kelas Sedangkan pendekatanmenggunakanone against all akanmelakukanpengklasifikasiankelas sebanyakn伸1傈kelas

Gambar3PermasalahandaerahtidakterklasifikasidenganSVM

Dalammulticlass SVMone against allKlasifikasiyiε{伸11}kemudian

dikembangkansebagaipenyelesaiandarimulticlassdata yi ε{12…M}dengan

[image:19.595.151.464.92.243.2] [image:19.595.163.387.416.532.2]

6

Metode Kernel

DalammenemukangarispemisahyangoptimalSVMmenggunakan metode kerneluntukmembantunyapadasaatdatayangdilatihtidakdapat dipisahkansecaralineardenganmemindahkandatayangdilatihkeruangdimensi baruyangdisebutfeature spaceDalamtulisanAbe25傈beberapakernelyang biasadigunakandalamSVMyaitu:

·LinearKernel

× î Ý © …2傈

·PolynomialKernel

× î Ý © × è ĆÝ ……3傈

·GaussianKernel

× î Ý © − …4傈

Metode Leave One Out Cross Validation

MenurutBorovickaet al. 212傈metodeleave-one-out cross validation LOOCV傈merupakanmetodepengujianyangdigunakanuntukmembuktikan sebuahbatasankesalahanmetodeyangdiujikandenganmemanfaatkan1datauji sajaMisalkandalamsebuahpengujianmemilikiNbuahdatamakaakan dilakukanNkalieksperimenDalamsetiapeksperimenakanmenggunakanN伸1 datalatihdansisanyauntukpengujianSetelaheksperimensampaike–Nakan dihitungnilaierrordenganPersamaan5LOOCVmemilikikelebihandengan variasipengujianyangbanyaksehinggametodeyangdiujitidakbias

© ∑ …5傈

Gambar4ProsesLOO伸CV

[image:20.595.84.462.142.797.2]

7

3

METODE

Kerangka Pemikiran

Padaumumnyasistempengenalanwajahakanmelewati3prosesyaitu prosesdeteksiwajahprosesekstraksifiturdanprosespengenalanwajahKarena penelitianiniakanmembangunmodeldari2DPCA2TahapBi伸2DPCA傈untuk ekstraksifiturwajahdanSVMuntukprosespengenalanwajahAdapun penggunaanmetodeekstraksiciri1DPCAdan2DPCAagarbisamembandingkan ketigametodeiniyangmemberikantingkatakurasidanlamapengenalanwajah DalammelakukanpenelitianiniakandipakaiaplikasiMATLABDalam pengembanganmodelpengenalanwajahmanusiadenganpendekatanseperti terlihatpadaGambar5

Gambar5Metodologipenelitian

[image:21.595.106.498.160.720.2]

8

Tahap Pemahaman Permasalahan dan Studi Literatur

Dalamtahapanawalinidimulaidenganmencaridanmembacajurnal伸jurnal penelitiansertabuku伸bukuyangberkaitandengantopikpenelitiankemudian didiskusikandenganpakaryangberhubungandenganpengenalanwajahdengan metodeyangakandipakaiHasildiskusidenganpakarmemperolehtopikdengan metodeyangdipakaidalampengembanganmodelbarupengenalanwajah pembatasanpermasalahanyangakanditelitisehinggapenelitiandapat diselesaikandenganwaktuyangtersedia

Tahap Pengumpulan Citra Wajah

CitrawajahmanusiayangdigunakanberasaldaribasisdataORLDatabase ofFacesyangditerbitkanolehFakultasTeknikUniversitasCambridgeATT LaboratoriesCambridge傈CitrawajahtersebutdiambildaribulanApril1992 sampaidenganApril1994denganpengambilancitrapadawaktuyangberbeda variasipencahayaanekspresiwajahberbedadengankacamataatautanpa kacamata Semua citra wajah diambil dengan latar citra yang sama dengan pose wajahyangmelihatkedepanCitrawajahdisimpandalamformatPGMPortable Gray Map傈Jumlahdaricitrawajahmanusiayangdipakaisebanyak4buah citradengan4subjekyangmasing伸masingukurancitra92x112pixeldanwarna keabu伸abuanBeberapacitrawajahdariORLDatabaseofFacesdapatdilihatpada Gambar6Citrawajahyangdigunakandalampenelitiantidakdilakukanproses preprocessingsepertisegmentasicitradansebagainya

Gambar6CitrawajahORLDatabaseofFaces

Tahap Pelatihan dan Pengujian Data Citra Wajah

Awaldaritahapaniniadalahpemberianlabelterhadapcitrawajahmanusia yangdidapatkandariORLDatabaseofFacesPemberianlabelinibertujuanuntuk menandaikelasdaricitrawajahyangdigunakanCitradiekstraksiciridengan 1DPCA2DPCABi伸2DPCAdengannilaiciriyangdiambil95煸9煸dan85煸

9 dengan23dannilaiCdimulaidari2伸5sampaidengan214yangtelahdigunakan dalampenelitianyangdilakukanolehLeTHdanBuiL211傈

Semuahasildatalatihtersebutakandisimpanparameteruntukdigunakan untukkeperluandalamtahapujiParameteryangdidapatkandarihasildatalatih citrawajahakandigunakanuntukmengujidataujicitrawajahAdapunmodel yangakandihasilkandariskenariopengembanganmetodepengenalanwajah dapatdilihatpadaTabel1

Tabel1Model伸modelpengenalanwajahyangdigunakan No MetodeEkstraksiCiri NilaiCiri KernelSVM

1 1D伸PCA 95煸 Linear

2 9煸

3 85煸

4 1D伸PCA 95煸 PolynomialOrde2

5 9煸

6 85煸

7 1D伸PCA 95煸 PolynomialOrde3

8 9煸

9 85煸

1 1D伸PCA 95煸 RBF

11 9煸

12 85煸

13 2D伸PCA 95煸 Linear

14 9煸

15 85煸

16 2D伸PCA 95煸 PolynomialOrde2

17 9煸

18 85煸

19 2D伸PCA 95煸 PolynomialOrde3

2 9煸

21 85煸

22 2D伸PCA 95煸 RBF

23 9煸

24 85煸

25 Bi伸2DPCA 95煸 95煸 Linear

26 9煸 9煸

27 85煸 85煸

28 Bi伸2DPCA 95煸 95煸 PolynomialOrde2

29 9煸 9煸

3 85煸 85煸

31 Bi伸2DPCA 95煸 95煸 PolynomialOrde3

32 9煸 9煸

33 85煸 85煸

34 Bi伸2DPCA 95煸 95煸 RBF

35 9煸 9煸

36 85煸 85煸

[image:23.595.102.476.205.752.2]

1

Dalampenelitianpengenalancitrawajahakanmenggunakanmetode LOOCVuntukpengujianmodelyangdidapatkandari36modeluntukmasing伸 masingmetode1DPCA伸SVM2DPCA伸SVMdanBi伸2DPCA伸SVMPengukuran akurasidarimasing伸masingmodeltersebutdidapatkanberdasarkanjumlahcitra wajahyangterklasifikasidenganbaikdenganmenggunakanPersamaan6

© …6傈

Sedangkanwaktuyangdiperlukanuntukpengenalanwajahdidapatkandariwaktu untukmelakukanekstraksiciridanwaktuklasifikasiyangdiperlukandengan menggunakanSVM

Persiapan Penelitian

PenelitianinidilaksanakandaribulanDesember211sampaidenganMaret 212bertempatdiLaboratoriumBiomedicalEngineeringUKRIDAJakarta BaratDatayangdiolahmenggunakanKomputerdenganspesifikasiInteli3 RAM2GBdengansistemoperasiWindows7danMathworksMatlab211b

11

4

HASIL DAN PEMBAHASAN

Reduksi Dimensi

CitrawajahmanusiayangberasaldariORLDatabaseofFacessebanyak 4buahdatadenganmasing伸masingcitraberukuran92x112pixelUkurancitra tersebutmengartikanbahwasetiapcitrawajahmanusiaORLDatabaseofFaces memiliki134 buahciri SVM memilikikelemahanpada saat mengklasifikasikandatayangberdimensibesarUntukmembantuproses klasifikasiSVMdiperlukanprosesreduksidimensiterhadap4buahobjekcitra wajahdengan1pose

Metodereduksidimensiyangdigunakandalampenelitianiniadalah 1DPCA2DPCAdanBi伸2DPCAdenganmasing伸masingakanmengambil sebanyak95煸9煸dan85煸dariciriwajahyangdigunakanSetelahmelewati prosesreduksidimensiukurancitrawajahmenjadilebihkecilyangdapatdilihat padaTabel2

Tabel2Ukurancitrawajahsebelumdansesudahreduksidimensi Metode Reduksi Dimensi Ukuran Citra Wajah (pixel)

95% 90% 85%

Sebelum Reduksi 112x92134buahciri傈

1DPCA 19buahciri 119buahciri 78buahciri

2DPCA 112x28 112x15 112x1

Bi-2DPCA Tahap1:112x28 Tahap1:112x15 Tahap1:112x1

Tahap2:21x28 Tahap2:12x15 Tahap2:8x1

Tabel2memperlihatkanjumlahciriterkecilyangdiperolehsetelah dilakukanreduksidimensidatadiperolehpadasaatpenggunaan1DPCAdengan komponen85煸sebesar78buahciridiikutiolehBi伸2DPCAsebanyak8buah ciriyangakandigunakanDarihasilreduksidimensidiharapkandapatmembantu SVMdalamklasifikasisehinggamemperolehakurasitinggidenganwaktu komputasikecil

Akurasi Model

Setelahmelewatiprosesreduksidimensidilakukanprosespelatihandan pengujianterhadapsebanyak36buahmodelpengenalanwajahProsespelatihan danpengujianinidilakukandenganmenggunakanaplikasimathworksmatlab 213denganfungsitambahanuntukpenerapanmulticlass support vector machine yangditulisolehCodyNeuburgerFloridaAtlanticUniversityFloridaUSAyang merupakanpengembangandariAnandMishraMachineVisionLabCEERI PilaniIndiaPengujianterhadap36modelpengenalanwajahdilakukandengan menggunakan metodeleave-one-out cross-validation sehingga setiap model dilakukansebanyak1kalipengujianHasilpengujianmodelpengenalanwajah inidapatdilihatpadaTabel3

12 Tabel3Hasilpengujianmodelpengenalanwajah 1DPCA 95(%) 1DPCA 90(%) 1DPCA 85(%) 2DPCA 95(%) 2DPCA 90(%) 2DPCA 85(%) BI2DPCA 95(%) BI2DPCA 90(%) BI2DPCA 85(%)

Linear 95 95 95 725 95 975 725 95 975

9 85 925 75 875 925 7 925 925

925 95 9 825 925 975 85 9 975

975 975 975 725 9 975 65 925 975

925 925 95 75 925 975 725 95 1

925 975 95 85 975 1 725 925 975

9 925 9 675 825 9煸 6 85 9

95 975 975 725 825 875 65 825 9

925 925 95 775 85 9 675 925 9

875 9 9 725 875 9 625 85 9

Poly2 775 85 875 325 75 9 375 8 9

65 7 825 375 75 85 225 775 9

825 875 925 4 8 875 35 8 9

85 85 875 4 7 875 35 725 925

7 725 8 4 725 8 35 75 975

65 825 875 45 825 9 3 8 925

7 75 8 325 65 8 275 7 925

725 825 9 25 675 775 225 7 825

725 775 85 325 7 85 3 725 875

7 725 85 275 675 775 225 675 85

Poly3 35 6 7

GagaldalamProses PelatihanSVM Gagal dalam Proses Pelatihan SVM 6 775

2 525 65 55 8

3 6 85 675 825

275 625 8 525 9

275 525 675 6 825

175 6 75 7 9

225 475 625 525 775

225 675 75 6 775

225 55 725 55 8

2 45 675 525 75

RBF 875 875 925

GagaldalamProses PelatihanSVM Gagal dalam Proses Pelatihan SVM 725 925

825 875 95 7 9

925 1 95 75 925

875 95 95 725 95

925 925 95 65 975

95 925 975 775 975

9 925 925 575 875

9 9 9 625 9

85 925 95 675 9

[image:26.595.47.522.105.744.2]

13 DalamtahapanpelatihanSVMdengankernelpolynomialorde3danRBFterjadi kegagalanpemisahankelaspadasaatmetodeekstraksiciri2DPCAdanBi伸 2DPCAKegagalanituterjadipadasaatpencarianpemisahankelasdengan hyperplaneyangterbaikpadakondisitersebutkegagalanbisadisebabkankarena ketidakseimbangandiantarajumlahdatapositifdengandatanegatifAkbaniet al. 24傈

Pengaruh Metode Reduksi Dimensi dan Kernel Terhadap Tingkat Akurasi Pengenalan Wajah Darihasilpelatihandanpengujiandatacitrawajahterhadapmodel pengenalanwajahdengan1DPCA2DPCAdanBi伸2DPCAdenganSVMtingkat akurasiyangdipengaruhikombinasidarimetodereduksidimensidengan klasifikasiyangdigunakandannilaieigenyangdigunakan Tabel4Rata–rataakurasipengenalanwajah 1DPCA 95(%) 2DPCA 95(%) BI2DPCA 95(%) 1DPCA 90(%) 2DPCA 90(%) BI2DPCA 90(%) 1DPCA 85(%) 2DPCA 85(%) BI2DPCA 85(%)

Linear 925 7525 6925 935 8925 925 9375 94 9425

Poly2 73 3525 2975 79 725 745 8575 84 9

Poly3 245

Gagal 5625 Gagal 585 72 Gagal 8125

RBF 8825 9175 6825 935 9175

Darihasilpengujianterhadap36modelpengenalanwajahBi伸2DPCA85煸 dengan bantuankernellinearmenghasilkantingkatakurasipengenalanwajah tertinggisebesar9425煸sedangkantingkatakurasipalingrendahdiperoleh sebesar245煸denganmetode1DPCAdengankernelpolynomialorde3

AdabeberapahalyangbisadisimpulkandariTabel4yaitu:polaakurasi kernelpadasetiapekstraksiciriadalahsamaHaliniberartitidakadahubungan antaraekstraksiciriyangdipergunakandengankernelpadaSVMKeduaadalah padapenelitianiniterlihatSVMtidakbisamengklasifikasikandatayang berdimensibesarSemakinbesarreduksidimensiyangdilakukansemakintinggi nilaiakurasiyangdidapatkan

UntukmelihatperbandinganakurasidarisetiapkerneldilihatpadaGambar 7Padagambartersebutterlihatbahwakernellineardanpolynomialorde2yang mampumelakukanklasifikasidengansemuametodeekstraksiciriyang digunakanTetapiterdapatfaktayangmenarikyaitudarisemuakernelyang digunakankernel LineardanRBFyangbisamenghasilkanakurasidiatas9煸

14

Gambar7Perbandinganakurasidari4kernelyangdipergunakan Pengaruh Metode Reduksi Dimensi dan Kernel _{Terhadap Komputasi}

Pengenalan Wajah

Dariaspekwaktukomputasiterlihatbahwawaktupemrosesanlebih dipengaruhiolehpersentasikomponenyangdipilihMakintinggikomponen terlihatwaktumakinlamasepertiyangterjadipadasaatmelakukanekstraksiciri denganmenggunakanmetode2DPCAHalyangmenarikadalahadanyafakta bahwamakintinggikomponentidaklahsecaraotomatismenaikkanakurasi

Gambar8Perbandinganakurasidari4kerneluntuksetiapekstraksiciri Daripercobaanjustruterlihatdengankomponensebesar85煸memberikan waktukomputasiterendahsebesar1534detikdanwaktukomputasipalingtinggi sebesar25268detikpadasaatkomponensebesar95煸yangbisadilihatpada Gambar8Waktukomputasiterendahdiperolehpadasaatpenggunaankernel

lineardiikutipolynomialordo2RBFdanpolynomialordo3

ĀöĀĀÅ ĆĀöĀĀÅ nĀöĀĀÅ ĐĀöĀĀÅ ĖĀöĀĀÅ ĜĀöĀĀÅ ĢĀöĀĀÅ ĨĀöĀĀÅ ĮĀöĀĀÅ ĴĀöĀĀÅ ĆĀĀöĀĀÅ

﹔ՠ ㉀蓨n ㉀蓨Đ Ť

Ş㴴軨ՠ远

䇼﹔﹔_沤佨

ĆŰŪŞðĴĜ nŰŪŞðĴĜ ŤⵔnŰŪŞðĴĜ ĆŰŪŞðĴĀ nŰŪŞðĴĀ ŤⵔnŰŪŞðĴĀ ĆŰŪŞðĮĜ nŰŪŞðĮĜ ŤⵔnŰŪŞðĮĜ

ĆĜöĐĖ nĜnöĢĮ

ĆöĀĀ ĆĀöĀĀ ĆĀĀöĀĀ ĆĀĀĀöĀĀ

㰬ՠ㴴軨§×﹔㴴Ý

[image:28.595.79.475.63.791.2] [image:28.595.112.453.88.330.2] [image:28.595.92.481.464.659.2]

15

5

SIMPULAN DAN SARAN

Simpulan

PenelitianPengenalanCitraWajahdenganekstraksiciriBi伸2DPCAdan SVMsebagaiklasifikasiyangmelibatkansebanyak4citrawajahmenghasilkan kesimpulansebagaiberikut:

1 PemakaianreduksidimensiBi伸2DPCAbisamengurangiwaktuyang diperlukan dalam klasifikasi olehSupport Vector Machine sebesar27煸dibandingkandengan1DPCAdan72煸dengan2DPCA

2 HasilreduksidimensiBi伸2DPCAdenganjumlahciri8buahciri menghasilkanakurasitertinggi9425煸danwaktukomputasiterendah 1534detikdibandingkan1DPCAdenganjumlahciri78buahciri

3 KernelyangmembantuSVMuntukmendapatkannilaiakurasiyangtinggi adalahkernellinear

4 Bi伸2DPCAdenganSVMmerupakanmodelpengenalanwajahyangbaik dengantingkatakurasiyangbaikdimanaakurasitertinggidenganwaktu terendah

Saran

Dalammendapatkanmodelpengenalanwajahpenelitianinimendapatkan beberapapertimbanganyanglebihbaikuntukmenjadibahanpenelitianlanjutan yaitupengujiandenganmenggunakancitralaindenganmenggunakanBi伸2DPCA danSVMdanmelakukansegmentasicitrawajahsebelumdilakukanekstraksiciri danperlakuanyanglainterhadapcitrawajahAgarbisamemperkuatkesimpulan awal tentang model Bi伸2DPCA dan SVM untuk pengenalan citra wajah diperlukanpengujiantambahanterhadapcitrawajahyangpositifdancitrawajah yangnegatif

16

DAFTAR PUSTAKA

AbeSInoueT22FuzzysupportvectormachinesforMulticlass ProblemsProceedings of 10thEASNNISBN2伸9337伸2伸1:113伸118

AbeS21SupportvectormachinesforpatternclassificationAdva Patt RecogniSpringer

AkbaniRKwekSJapkowiczN24Applyingsupportvectormachinesto imbalanceddatasetsMachine Learning: ECML 2004:39伸5SpringerBerlin Heidelberg

BorovickaTJirinaJrMKordikPJirinaM212SelectingRepresentativeData Sets Advances in Data Mining Knowledge Discovery and Applications, Associate Prof. Adem KarahocaEd傈ISBN:978伸953伸51伸748伸4InTech

DOI: 15772䔜5787 Tersedia pada:

http:䔜䔜wwwintechopencom䔜books䔜advances伸in伸data伸mining伸knowledge伸 discovery伸and伸applications䔜selecting伸representative伸data伸sets

ChowdhurySSingJKBasuDKNasipuriM211Facerecognitionby generalizedtwo伸dimensionalFLDmethodandmulti伸classsupportvector machines Appl. Soft Comput 117傈:4282伸4292 doi=1116䔜jasoc21122

DeLanoyGFrancoisDVerleysenM.211Class伸SpecificFeatureSelectionfor One伸AgainstAllMulticlassSVMsESANN:263伸268

HayesIIIMHNefianAV1998FaceDetectionandRecognitionusingHidden MarkovModelsIma Process, 1998. ICIP 98.Proceedings. 1998 International Conference1傈:141伸145

JohnsonRAWichernDW22Appli Multivar Statist AnalyPrenticeHall LawrenceSGilesCLTsoiACBackAD1997FaceRecognition:A

ConvolutionalNeuralNetworkApproachNeu Netwo. IEE Transactions:98伸 113

LeTHBuiL211FaceRecognitionBasedonSVMand2DPCAInternational Journal of Signal Processing, Image Processing and Pattern Recognition.4傈3:85伸93

LiuQHuangRLuHMaS22FaceRecognitionUsingKernelFisher Discriminant AnalysisAutomFace Gestu Recogn,2002. Proceedings. Fifth IEEE International Conference:197伸21

Milgram J Cheriet M Sabourin R. 26“OneAgainstOne”or“OneAgainst All”:WhichOneisBetterforHandwritingRecognitionwithSVMs?Ten Inter WorksFront Handwr Recogn.

MoghaddamBJebaraTPentlandA2BayesianFaceRecognitionPatt Recogni33傈11:1771伸1782

MoonHPhillipsPJ21ComputationalandPerformanceaspectsofPCA伸 basedFaceRecognitionAlgorithmsPerception-London3傈3:33伸321 NhatVDMLeeS25ImprovementonPCAand2DPCAAlgorithmsforFace

RecognitionImag Vide Retrie:568伸577

NugrohoASWitartoABHandokoD23SupportVectorMachineTeoridan AplikasinyadalamBioinformatika

ORL Face Database ATT Laboratories Cambridge Tersedia pada

17 TurkMAPentlandAP1991aFaceRecognitionUsingEigenfacesCompu Visi

Patte RecognProceedings CVPR’91., IEEE Computer Society Conference: 586–591

TurkMAPentlandAP1991bEigenfacesforRecognitionJCogni Neur3傈1: 71伸86

Wayman JL Jain AK Maltoni D Maio D 25Biometric Systems Technology, Design and Performance EvaluationSpringer

Yang J Zhang D Frangi AF Yang JY 24 Two Dimensional PCA: A New ApproachtoAppearance伸BasedFaceRepresentationandRecognitionPatt Analy Mach IntelliIEEE Transactions 26傈1:131伸137

YangJXuYYangJY21Bi伸2DPCA:AFastFaceCodingMethodfor RecognitionPatte Recogni Rec Advan, Adam Herout (Ed.)ISBN:978伸953伸 7619伸9伸9InTechDOI:15772䔜9353

18 Lampiran1WaktuKomputasidari36modelpengenalanwajah § ĆŰŪŞð ĴĜ§ ĆŰŪŞð ĴĀ§ ĆŰŪŞð ĮĜ§ nŰŪŞð ĴĜ§ nŰŪŞð ĴĀ§ nŰŪŞð ĮĜ§ ŤⵔnŰŪŞð ĴĜ§ ŤⵔnŰŪŞð ĴĀ§ ŤⵔnŰŪŞð ĮĜ§

﹔ՠ§ ĖĆöĨЧ ĐĆöĀn§ nĐöĴĢ§ nnĆöĐƧ ĮĜöĮĨ§ ĜĐöĀĴ§ ĐĮöĜĖ§ ĆĮöĮĜ§ ĆĜöĐĖ§

ĖĀöĢĖ§ ĐĆöĨĮ§ nĜöĨЧ nĆĐöĐĜ§ ĮĜöĐĜ§ ĜĮöĜĨ§ ĐĨöĜĨ§ nĆöĢĖ§ ĆĜöĴƧ

ĐĮöĢĨ§ nĴöĐƧ nĜönĜ§ nĀĢöĐĀ§ ĮĜöĮƧ ĜĢöĨĢ§ ĐĖönn§ nĀönĮ§ ĆĖöĨn§

ĐĮöĜn§ ĐĆönĜ§ nĜöĖ§ nĆĮöĖĮ§ ĴĨönn§ ĜĜöĴĨ§ ĐĮöĀĨ§ ĆĴöĨĨ§ ĆĖöĢ§

ĖĀöĨĢ§ ĐĆöĖĨ§ nĢöĀĨ§ nĆĜöĨĴ§ ĴnöĴĜ§ ĜĆöĨĜ§ ĐĢöĆĜ§ ĆĴöĜĖ§ ĆĜönЧ

ĐĮöĨĨ§ ĐĀöĖĮ§ nĜöĢĖ§ nĆnöĜĖ§ ĮnöĮĨ§ ĜnöĜĖ§ ĐĢöĢĨ§ ĆĮöĮn§ ĆĜöĖĜ§

ĐĴöĖĨ§ ĐĐöĴ§ nĨöĀƧ nnĨöĆЧ ĴĆöĐĴ§ ĜĨönĖ§ ĐĴöĢĮ§ nĀöĮ§ ĆĜöĴĢ§

ĐĴöĀĮ§ ĐĀöĢƧ nĖöĴĴ§ nĆĖöĴĮ§ ĴĜöĖĴ§ ĜĖöĜn§ ĐĢöĮЧ nĀöĀЧ ĆĖöĨĢ§

ĖnöĆn§ ĐĐöĆĜ§ nĢöĮĢ§ nĆĖöĴĮ§ ĮĴöĆЧ ĜĖöĆĮ§ ĐĢöĮ§ ĆĴönĢ§ ĆĢöĀĨ§

ĖĆöĨЧ ĐĆöĴĮ§ nĜöĐĮ§ nĆĢöĐĀ§ ĆĀĆöĜĀ§ ĜĖöĮĖ§ ĐĨöĴn§ ĆĴöĖƧ ĆĜöĐĨ§

㉀蓨n§ ĐnönƧ nĨöĖĜ§ nnöĨĮ§ nĖĮöĜĜ§ ĴĴöĐĜ§ ĜĨöĮƧ ĜĮöĐƧ nĢöĨĜ§ ĆĨöĖn§ ĐĆöĐĜ§ nĢöĜĖ§ nnöĖ§ nĖĖönЧ ĴĨöĴĖ§ ĢĀöĀĢ§ ĢĜöĢn§ nĢöĮĮ§ ĆĨöĨĴ§

ĐĀöĖƧ nĢönĴ§ nĆöĴƧ nĖĴöĮĜ§ ĴĨöĐЧ ĜĮöĨĨ§ ĨĀöĜЧ nĢöĐĖ§ ĆĨöƧ

nĴöĨn§ nĢöĨ§ nĐöĀĜ§ nĖĨöĮĢ§ ĆĆĀöĴĀ§ ĜĴöĐĨ§ ĢĨöĮ§ nĮöĜĨ§ ĆĨöƧ

ĐĀöĢĨ§ nĢöĮĜ§ nnönĢ§ nĖĜönĀ§ ĆĀĖönĴ§ ĜĢöĨĀ§ ĢĮöĢƧ nĨöĖƧ ĆĢönĜ§

ĐĐöĮĢ§ nĢöĜĴ§ nĆöĨ§ nĖĢöĴn§ ĴĖöĀĖ§ ĜĢöĢĜ§ ĢĴöĜĖ§ nĢönƧ ĆĢöĴĮ§

ĐĖöĖĴ§ nĨöĮĨ§ nĐöĖĴ§ nĢĴönĨ§ ĆĀĜönЧ ĢĆöĖĢ§ ĨĆöĐĖ§ nĨöĮn§ ĆĢöĐĴ§

ĐĆöĐĖ§ nĜöĴn§ nĆöĜĮ§ nĢĜöĀn§ ĆĀĨöĀĖ§ ĜĴöĜĖ§ ĢĮöĴЧ nĨöĜƧ ĆĮönn§

ĐnöĖĢ§ nĨönЧ nĐöƧ nĜĖöĜĀ§ ĆĀnöĨĖ§ ĜĮöĜĜ§ ĢĢönĜ§ nĨönĢ§ ĆĨöĐĖ§

ĐĆöĮЧ nĮöĀĜ§ nnönĨ§ nĜĜöĐĢ§ ĆĀĀönĢ§ ĜĴöĖЧ ĢĨöĮĨ§ nĮöĖĴ§ ĆĨöĆĨ§

㉀蓨Ч ĐĮöĀĢ§ ĖĐöĴĜ§ ĐĨönĴ§

◤ՠՠ§ՠՠ뜘§﹔ՠ ՠ§

◤ՠՠ§ ՠՠ뜘§ ﹔ՠ ՠ§

nĮöĜĖ§ nĢöĆĢ§

ĐĮöĐn§ ĐĴöĮn§ ĐĜöĜЧ nĮöĆĜ§ nĖöĮЧ

ĐĨöĴĖ§ ĖĆönĖ§ ĐĐöĐĜ§ nĨöĖĜ§ nĖöĨƧ

ĐnöĐĜ§ ĐĨöĮĨ§ ĐĜöĐĢ§ nĮöĀĜ§ nĖöĆĢ§

ĐĨöĜĮ§ ĖĆöĢĖ§ ĐĢöĐĴ§ nĢöĖn§ nĖönĮ§

ĐĮöĨĨ§ ĖĀöƧ ĐĢöĖƧ nĢöĴƧ nĐöĴĨ§

ĐĖöĨĴ§ ĖnöĐЧ ĐĴöĴƧ ĐĀöĖĖ§ nĜöĨЧ

ĖĀöĢ§ ĖĀöĜĖ§ ĐĖöĨĴ§ nĢönĨ§ nĜ§

ĐĆöĨĜ§ ĖnöĨĢ§ ĐĢöĴЧ nĴöĜn§ nĜöĜĴ§

ĖĆöĜĮ§ ĖĐöĐЧ ĐĢöĐƧ nĴöĀЧ nĜöĨƧ

Ť§ nĜöĖ§ nĆöĴĜ§ ĆĨöĴĨ§

◤ՠՠ§ՠՠ뜘§﹔ՠ ՠ§

◤ՠՠ§ ՠՠ뜘§ ﹔ՠ ՠ§

ĐnöĮƧ ĆĨöĨЧ

nĜöĨĜ§ nĆöĖĖ§ ĆĮöĆn§ ĐĐöĜƧ ĆĨöĖĢ§

nĐöĜ§ ĆĴöĴĖ§ ĆĨönƧ ĐnöĮĜ§ ĆĨöĜn§

nĜöĨĢ§ nĀönĮ§ ĆĨöĜЧ ĐĖöĨЧ ĆĨönƧ

nĖöĢ§ nĀöĮƧ ĆĨöĆĢ§ ĐĜönĖ§ ĆĢöĴĮ§

nĖönĖ§ ĆĴöĮĮ§ ĆĨöĆĨ§ ĐnöĆƧ ĆĢöĜĖ§

nĜöĐĴ§ nĀöĴĜ§ ĆĨöĢĴ§ ĐĢöĆĴ§ ĆĮöĆĴ§

nĖönƧ nĀönn§ ĆĮöĆĴ§ ĐĜönĴ§ ĆĨöĐĮ§

nĖöĴĖ§ nĀöĮЧ ĆĨöĮĖ§ ĐĖöĨĖ§ ĆĨöЧ

nĜöĜ§ nĆönĖ§ ĆĨöĢn§ ĐĐöĴƧ ĆĨöĜ§

19

RIWAYAT HIDUP

PenulisdilahirkandiMedanpadatanggal1September1979dariAyah SyakindanIbuKokALianPenulismerupakanputrakeduadariduabersaudara

Tahun1997penulislulusdariSMAHangKesturiMedanKemudian penulismengikutiseleksimasukUkridapadatahun22melaluijalurUjian SaringanMasukUkridaPenulismemilihjurusanTeknikInformatikaFakultas TeknologiInformasiyangmerupakanangkatanpertamadariJurusanTeknik InformatikaUkrida