METODE MOMENT INVARIANT DAN BACKPRORAGATION NEURAL NETWORK PADA PENGENALAN WAJAH. Asep Sholahuddin

Asep Sholahuddin∗

ABSTRAK

METODE MOMENT INVARIANT DAN BACKPROPRAGATION NEURAL NETWORK PADA PENGENALAN WAJAH. Pengenalan wajah merupakan salah satu bidang dari biometrika dan

visi komputer yang banyak digunakan pada bidang keamanan, robotika maupun dunia hiburan. Pada perkembangannya pengenalan wajah masih dihadapkan pada beberapa permasalahan: iluminasi/pencahayaan, pose wajah, ukuran dari gambar yang berbeda-beda menyebabkan berbeda pengenalannya. Pada penelitian ini merupakan penggabungan metode pengenalan wajah yang berdasarkan metode Moment Invariant (MI) dan Backpropagation Neural Networ (BPNN). Metode MI di kenal sebagai metode yang menghasilkan ciri geometri pada sistem identifikasi objek dan pengenalan karakter yang independen terhadap translasi, rotasi, dan penskalaan. Sedangkan metode BPNN merupakan metode klasifikasi objek dengan menggunakan jaringan syaraf tiruan. Penggabungan kedua metode dapat menjawab permasalahan di atas yaitu masalah perbedaan ukuran citra dan pencahayaan yang berbeda. Penelitian ini menggunakan data citra wajah dari foto dosen dan karyawan jurusan matematika FMIPA UNPAD sebanyak 50 citra wajah kemudian di-croping, ekualisasi, ukurannya diperbesar, diperkecil sebanyak empat tipe dan pencahayaan yang berbeda-beda sebanyak empat tipe sehingga keseluruhannya ada 450 citra wajah dan 9 tipe. Citra wajah dibagi dua yaitu: 50 citra training dan 400 citra uji. Hasil penelitian ini menunjukkan penggunaan Metode MI dan BPNN dapat mengenali wajah yang berbeda iluminasi dan ukuran dengan keakurasian sebesar 98,22%.

Kata kunci: Pengenalan Wajah, Moment Invariant, Backpropagation Neural Network.

ABSTRACT

INVARIANT MOMENT AND BACKPROPAGATION NEURAL NETWORK ON FACE RECOGNITION. Face recognition is one of biometrics and computer vision application, implemented

widely in the fields of security, robotics and entertainment. The development of face recognition is still facing several problems such as illumination/lighting, pose and image size. Many methods have been proposed but there is still no satisfactory methodology. This research focused on a face recognition method based on Moment Invariant (MI) and Backpropagatioan Neural Network (BPNN). MI method is known as a method of producing the geometry characteristic of the object that are independent of translation, rotation, and scaling. The BPPN method is a method of classification of objects by neural network. Experiments has been conducted using data from lecturers and employees department of mathematics of Padjadjaran University. The database consist of 50 faces basic images which are extended into variation images by cropping, equalizing, resizing, and illuminating. The total images used in this research 450 images. Face image are grouped into two, consist of 50 training images and 400 testing images. The accuracy level of MI-BPPN face image recognition is 98.22%.

Keywords: Face recognition, cropping, equalization, moment invariant, backpropagation neural network

PENDAHULUAN

Pengenalan diri dengan menggunakan bagian tubuh dikenal dengan biometrik. Pengenalan wajah merupakan sebuah permasalahan klasifikasi generik yang didasarkan pada objek wajah manusia. Beberapa permasalahan pada pengenalan citra wajah adalah skala dan kecerahan/iluminasi dari citra wajah yang berbeda-beda menyebabkan berbeda pengenalannya [1].

Moment Invariant adalah suatu metode untuk mendeskripsikan ciri geometri

pada sistem identifikasi objek dan pengenalan karakter [2]. BPNN adalah suatu metode klasifikasi data dengan menggunakan jaringan syaraf tiruan.

Pengenalan wajah dilakukan dengan menggunakan 50 orang data wajah kemudian diproses dengan memperkecil dan memperbesar ukuran citra serta citra dibuat lebih gelap/terang, semuanya menjadi 400 citra wajah. Citra wajah sebanyak 400 citra dibandingkan dengan data aslinya melalui Metode MI dan BPNN.

METODE

Metode yang digunakan dalam penelitian ini ada dua metode yaitu Metode

Moment Invariant dan Metode Backpropagation Neural Network.

Moment Invariant

Jika ada sebuah citra dengan nilai intensitas adalah f(i,j) nilai i sebagai baris dan j sebagai kolom maka moment invarian yang mentransformasikan fungsi citra f(i,j)

pada sistem diskrit dinyatakan dengan persamaan di bawah ini.

H dan W masing-masing merupakan tinggi dan lebar citra. Selanjutnya, momen pusat

untuk suatu citra dinyatakan dengan

dimana µ10 adalah pusat arah horisontal, µ01 adalah pusat arah vertikal, dan µ11 adalah pusat arah diagonal. Nilai masing - masing didapatkan dengan persamaan:

m00adalah jumlah total piksel yang membentuk obyek, sedangkan m10dan m11 adalah pusat massa obyek. Momen pusat yang terbentuk sensitif terhadap transformasi rotasi

dan penskalaan. Maka dari itu dilakukan normalisasi terhadap momen pusat (µpq) melalui persamaan dibawah ini

Ada 7 Momen Invarian yang dapat ditentukan, pada persamaan (1), sebagai berikut:

+

(1) +

Histogram citra adalah grafik yang menggambarkan penyebaran nilai-nilai intensitas pixel dari suatu citra atau bagian tertentu di dalam citra [3]. Dari sebuah histogram dapat diketahui frekuensi kemunculan. Jika suatu citra dijital memiliki L derajat keabuan ( 0 sampai L-1) untuk derajat keabuan 8-bit (0 sampai 255), secara matematis histogram citra dapat hitung dengan rumus,

1

,...,

1

,

0

,

=

−

=

i

L

n

n

h

_i i

Untuk melihat penyebaran nilai intensitas dapat dilakukan perataan histogram

n

n

r

P

_r

(

_k

)

=

k 1 0 , 1 ≤ ≤ − − = k L L k r_k

Kemudian dilakukan transformasi derajat keabuan yang baru (s) dengan suatu fungsi

transformasi T, dalam hal ini s=T(r). sehingga hubungan r dan s dapat ditulis pada persamaan 1 0 ), ( 1 _{≤ ≤} = − s s T r

untuk fungsi histogram yang menerus 1 0 , ) ( ) ( 0 ≤ ≤ = =T r

_∫

P wdw r s r r

Dalam hal ini w adalah peubah bantu. Dalam bentuk diskrit dapat ditulis

1

,...,

2

,

1

,

0

,

1

0

,

)

(

)

(

0 0

−

=

≤

≤

=

=

=

∑

∑

= =

L

k

r

r

P

n

n

r

T

s

_k k j k j j r j k k

Dengan menambahkan fungsi histogram ekualisasi pada awal fungsi moment invariant

maka fungsi yang baru menjadikan invariant terhadap pencahayaan/iluminasi.

Metode Jalar Balik (Backpropagation)

Pada penelitian ini metode yang digunakan adalah metode jalar balik. Algoritma jalar balik menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju

(forward propagation) harus dikerjakan terlebih dahulu. Untuk lebih jelasnya tentang

arsitektur skema JST dapat dilihat pada gambar 1. X1 V11 W11 Y1 V12 Z1 W12 X2 Y2 Z2 X3 Y3 : : Xn : Ym Zp b1

Gambar 1. Arsitektur jaringan jalar balik

Algoritma jalar balik [4] adalah :

- Inisialisasi Bobot

Ambil bobot awal dengan nilai random yang cukup kecil.

- kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE

-untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: Feedforward:

a. Tiap-tiap unit input (Xi, i= 1,2,3,...,n) menerima sinyal Xi dan meneruskan sinyal tersebut kesemua unit pada lapisan yang ada di atasnya (lapisan tersembunyi)

b. Tiap-tiap unit tersembunyi (Zj, j= 1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot:

n

z_inj = V0j + _∑ XiVij (3) i=1

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f(z_inj) (4) dan kirimkan sinyal tersebut kesemua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit output (Yk, k= 1,2,3,...,m) menjumlahkan sinyal-sinyal input

terbobot.

p

y_ink = w0k + ∑ xi wjk (5) i=1

gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f(y_ink) (6) dan kirimkan sinyal tersebut kesemua unit di lapisan atasnya (unit-unit output).

Backpropagation

d. Tiap-tiap unit outputnya (Yk, k= 1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya:

δk = (tk-yk)f’(y_ink) (7) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai wjk)

∆wjk = αδk zj (8) Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k):

∆w0k = αδk (9) kirimkan δk ini ke unit-unit yang ada dilapisan bawahnya.

e. Tiap-tiap unit tersembunyi (Zj, j= 1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya):

m

δ_inj = ∑δi wjk (10) k=1

kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:

δj = δ_inj f’(z_inj) (11) kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij ):

∆vjk = αδj xk (12) hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai voj ):

∆v0j = αδj (13)

Tiap-tiap unit output (Yk, k= 1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p):

wjk(baru) = wjk(lama) + ∆ wjk (14)

Tiap-tiap unit tersembunyi (Zj, j= 1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n):

vij(baru) = vij(lama) + ∆ vij (15) - Tes kondisi berhenti

HASIL

Eksperimen yang dilakukan adalah dengan menerapkan metode MI-BPNN kedalam pengenalan wajah dengan tahapannya seperti pada gambar 2.

Gambar 2. Tahapan penelitian

1. Proses Pengambilan Data wajah

3. Perhitungan Moment Invariant

4.Proses BPNN dan Pelatihan 5. Pengenalan Wajah

Proses Pengambilan Data Wajah

Pengambilan data wajah dilakukan dari data dosen dan karyawan jurusan matematika FMIPA UNPAD sebanyak 50 orang citra wajah yang terdiri atas data wajah wanita dan pria. Ukuran wajah aslinya adalah lebar dan tingginya 200 x 250 seperti pada gambar 3. Citra wajah lengkapnya ada pada lampiran-1.

Gambar 3. Beberapa Citra Wajah Dosen dan Karyawan Jurusan Matematika

Proses Pengolahan Citra

Setelah semua di-croping kemudian di generate dengan skala dan pencahayaan

yang berbeda masing-masing sebanyak 8 wajah. Jumlah seluruh citra wajah adalah 450 data berbentuk file JPEG dengan warna grayscale. Sebagian database

ditampilkan pada Gambar 2. Proses pengolahan citra dilakukan menggunakan software Matlab versi 7 melalui tiga tahap yaitu : tahapan pengambilan data muka wajah tanpa rambut, men-generate skala dan pencahayaan, kemudian diproses histogram ekualisasi citra.

G 200 x250 (Pria dan Wanita )

200x250

200 x 250

Dibuat grayscale

Proses untuk men-generete dari 50 citra training menjadi 400 citra terlihat pada

gambar 4 dengan perincian sebagai berikut: 1. Perubahan skala sebanyak 4 bentuk citra

a. Citra ukurannya diperbesar 2 kali dan 3 kali b. Citra ukurannya diperkecil 0.25 kali dan 0.5 kali 2. Perubahan pencahayaan 4 bentuk:

a. penambahan intensitas sebanyak 20 dan 40 intensitas pixel (citra menjadi

lebih terang).

b. pengurangan intensitas sebanyak 20 dan 40 intensitas pixel (citra menjadi lebih gelap).

Gambar 4. Proses Penskalaan dan Pencahayaan

Perhitungan Moment Invariant

Perhitungan nilai MI dilakukan dengan rumus (1) sebanyak 9 tipe ( dari tipe a

sampai dengan i). Hasil dari MI tersebut ada7 momen yaitu dari M1 sampai M7 sebanyak 9 grup. TIPE: a Penskalaan Pencahayaan 121 x 121 perbesar 2x 242 x 242 Gelap (-40) 121x 121 Gelap (-20) 121x 121 perkecil 0.5x 60 x 60 Perkecil 0.25x 30 x 30 Terang (+20) 121x 121 perbesar 3x 363 x 363 Terang (+40) 121x 121 f g h i b c d e

Proses BPNN dan Pelatihan

Pada Proses BPNN dilakukan perhitungan menggunakan Matlab versi 7. Data training yang digunakan adalah tipe a.

Parameter yang digunakan adalah: Neuron input = 7 (M1 sampai M7 ) Neuron Hidden= 200

Neuron output = 50 sse=0.1;

epoch=13.598

Pengenalan Wajah

Pengenalan wajah dilakukan dengan mencocokkan data uji (tipe a sampai i) dengan data training hasil BPPN .

Pengenalan wajah

MI-BPNN MI-BPNN Fitur wajah Fitur wajah Pencocokan Hasil Pengolahan citra Pengo lahan citra

Gambar 5. Tahapan Pengenalan Wajah

Dari hasil pengenalan wajah maka jumlah citra tipe a terhadap tipe a yang dikenali sebanyak 50 orang sehingga prosentasinya 100%. Tipe b terhadap tipe a wajah yang dikenali sebanyak 43 dari 50, prosentasinya 86% dan seterusnya. Hasil pengenalan wajah secra keseluruhan dapat dilihat pda tabel.1.

Tabel 1. Hasil Citra Yang Dapat Dikenali NO TIPE JUMLAH CITRA JUMLAH DIKENALI (%)

1 (a) Citra training 50 50 100

2 (b) Citra (0.25x) 50 43 86 3 (c) Citra (0.5x) 50 49 98 4 (d) Citra (2x) 50 50 100 5 (e) Citra (3x) 50 50 100 6 (f) Citra (+20) 50 50 100 7 (g) Citra (+40) 50 50 100 8 (h) Citra (-20) 50 50 100 9 (i) Citra (-40) 50 50 100 RATA-RATA 98.22 KESIMPULAN

Hasil penelitian menunjukkan bahwa pengenalan wajah dengan penggabungan

moment invariant dan Backpropagation Neural Network adalah cukup baik.

Keakurasian pengenalan wajah dengan menggunakan 50 citra wajah adalah 98,22%.

DAFTAR PUSTAKA

1. W. ZHAO, CHELLAPPA R., A ROSENFELD, P J PHILLIPS. “Face Recognition”, A Literature Survey. National Institute of Standards and CVL Technical Report, University of Maryland .(2003).

2. RIZON M. Y. HANIZA, S. PUTEH.(2006), “Object Detection using Geometric

Invarian Moment”, American Journal of Applied Sciences 2 (6) (2006) 1876-1878.

3. MUNIR, RINALDI. “Pengolahan Citra Digital”, Penerbit Informatika, (2004)

Lampiran 1. Data Wajah Dosen Dan Karyawan Matematika Unpad

No WAJAH No WAJAH No WAJAH No WAJAH No WAJAH

1 11 21 31 41 2 12 22 32 42 3 13 23 33 43 4 14 24 34 44 5 15 25 35 45 6 16 26 36 46 7 17 27 37 47 8 18 28 38 48 9 19 29 39 49 10 20 30 40 50

DISKUSI KHAIRINA Ns

1. Apakah perubahan waktu mempengaruhi kepada pengenalan wajah?

2. Apakah perubahan tampilan wajah mempengaruhi kepada pengenalan pola wajah?

ASEP SHOLAHUDDIN

1. Tergantung sejauh mana perubahan wajahnya. Bisa juga jika perubahan wajah besar maka berpengaruh juga pada pengenalan pola.

2. Bisa berpengaruh maka kita bisa tentukan seberapa besar error yang akan kita terima

DINAN A.

1. Bagaimana dengan hidden layer, apakah dilakukan variasi jumlah neuron

pada hidden layer?

2. Bagaimana dengan penggunaan kacamata pada wajah, apakah berpengaruh besar atau masih bisa dideteksi polanya?

ASEP SHOLAHUDDIN

1. Hidden layer telah dilakukan bervariasi dan yang paling optimum untuk

sementara ini adalah sebesar 200 neuron

2. Penggunaan kacamata/tidak maka akan berpengaruh tapi bisa kita tentukn batas error yang akan diterima sehingga bisa terdeteksi.

EDWAREN LIUN

Apakah matriks gambar yang diubah-ubah melalui gambar diterangkan atau digelapkan bahkan dicropping masih dapat dikenali oleh metode moment

invariant dan backpropagation neural network pada penelitian wajah?

ASEP SHOLAHUDDIN

Gambar yang dirubah digelapkan dan diterangkan masih dapat di deteksi tetapi sebelumnya dilakukan ekualisasi histogram.

DAFTAR RIWAYAT HIDUP

1. Nama : Asep Sholahuddin

2. Instansi / Unit Kerja : Unpad/MIPA/Teknik Informatika 3. Pekerjaan / Jabatan : Lektor

4. Riwayat Pendidikan :

• S1, Jur. Matematika Bidang minat Ilmu Komputer, UNPAD 1991.

• S2,Teknik Informatika, ITB, 1998

• S3, MIPA, UNPAD, 2012 5. Pengalaman Kerja :

• 1993-1999, Staf Pusat Komputer UNPAD

• 1993-2012, Staf pengajar Jurusan Matematika bidang minat Ilmu Komputer

• 1997-2003, Kepala Lab. Komputer Lanjut S1 Jur. Matematika FMIPA UNPAD.

• 2005, Tim Ahli bidang IT, LPM UNPAD

• 2009, Staf ahli IT pada SCBD

• 2007-2009, Ketua Program studi Teknik Komputer program D3 FMIPA UNPAD.

• 2012-sekarang,Staf Pengajar S1 Teknik Informatika Unpad 6. Organisasi Profesional:

• 2008-2010, Staf Ahli bidang Sistem Komputer APTIKOM Wilayah 4 Jabar-Banten

• 2009-sekarang, Anggota SC-INA (Soft Computing Indonesia)

• 2007-sekarang, Anggota APTIKOM (Asosiasi Perguruan Tinggi Informatikan dan Komputer)

• 2007-Sekarang, anggota Indo-MS (Asosiasi Matematika Indonesia) 7. Publikasi Ilmiah yang pernah disajikan/diterbitkan:

• 2005-2006, Pendeteksian Wajah, anggota, Penelitian Hibah A2.

• 2006-2007, Pengenalan Gas menggunakan JST, Ketua, Penelitian Hibah A2.

• 2008-2009, Pembuatan robot line follower yang mudah dan murah untuk meningkatkan pembelajaran pada tingkat Sekolah Menengah Atas di Kabupaten Cianjur, Ketua, Penelitian Muda Unpad.

• 2009-2010, Sistem Keamanan Ruangan Berdasarkan Pengenalan Wajah Berbasis Kamera menggunakan Model Jaringan Syaraf Tiruan. Ketua, Peneltian Muda Unpad.

• 2007-2001, Pengembangan Metode Pengenalan Wajah Berbasis Moment Invariant dan Linear Discriminant Analysis serta implementasinya pada Robot. (Disertasi).