2.1 Tinjauan Pustaka
Penelitian yang dilakukan oleh Sutarno, 2010. IDENTIFIKASI EKSPRESI WAJAH MENGGUNAKAN ALIHRAGAM GELOMBANG SINGKAT (WAVELET) DAN JARINGAN SYARAF TIRUAN LEARNING VEKTOR QUANTIZATONS (LVQ)”, Jurusan Sistem Komputer Universitas Sriwijaya Indralaya. Untuk mengidentifikasi ekspresi wajah, citra wajah untuk pengujian diambil langsung peneliti di lapangan menggunakan kamera digital. Selanjutnya proses prapengolahan citra untuk mempersiapkan citra atau memanipulasi citra menjadi citra yang memiliki sebaran informasi warna yang lebih baik, deraunya berkurang dan lebih tajam batas tepi objeknya. Ekstraksi ciri atau proses untuk memunculkan ciri citra yang dapat dipercaya untuk mencirikan citra tersebut. Tahapan ekstraksi ciri pada penelitian ini terdiri atas prapengolahan, alihragam wavelet untuk mereduksi dimensi citra dan memunculkan ciri citra. Pada penelitian ini klasifikasi pola citra menggunakan jaringan syaraf tiruan dengan metode pembelajaran Learning Vector Quantization. Jenis pembelajaran pada sistem merupakan proses pembelajaran terawasi (supervised learning) pada lapisan kompetitifnya. Parameter-parameter yang digunakan pada pelatihan dan pengujian jaringan syaraf tiruan LVQ adalah: 1) sample citra atau data (n) = 150 citra wajah; 2) variabel input (m) = 256 neuron; 3) kelas atau cluster (K) = 6 kelas; 4) variasi laju pelatihan (E) = 0,01; 5) pengurangan laju pelatihan (DecE) = 0,01 hingga 1; 6) minimum laju pelatihan (MinE) = 0,00001, dan 7) maksimum iterasi (MakIterasi) = 1000. Hasil yang diperoleh dari pelatihan ini adalah nilai bobot akhir jaringan. Sedangkan tahap pengujian dilakukan menggunakan nilai input yang digunakan pada proses pelatihan sebelumnya.
Penelitian yang dilakukan oleh Maryana, Sufiatul. 2012
“PEMANFAATAN K-NEAREST NEIGHBOR (KNN) PADA
PENGENALAN WAJAH DENGAN PRAPROSES TRANSFORMASI WAVELET” Program Studi Manajemen Informatika Fakultas MIPA – UNPAK.
Data yang digunakan berupa gambar atau citra yang diperoleh dari beberapa objek. Pada percobaan ini terdapat 80 citra dari 10 objek. Sebanyak 64 citra digunakan sebagai database pelatihan dan 16 digunakan untuk uji pengenalan pola. Sedangkan alat yang digunakan pada penelitian ini adalah software Matlab versi 7.7.0.471 (R2008) dan Microsoft Excel 2010. Tujuan dari penelitian ini adalah K-Nearest Neighbor KNN pada pengenalan wajah dengan praproses transformasi wavelet. Data yang digunakan berupa gambar atau citra yang diperoleh dari beberapa objek. Pada percobaan ini terdapat 80 citra dari 10 objek. Sebanyak 64 citra digunakan sebagai database pelatihan dan 16 digunakan untuk uji pengenalan pola. Metode yang digunakan adalah transformasi wavelet untuk ekstraksi fitur dan KNN untuk identifikasi. Hasil pemilihan k terbaik adalah 5 dengan jumlah citra pada setiap kelas dalam kelompok pengujian sebanyak 8 buah.
Penelitian yang dilakukan oleh Damayanti, Fitri. 2010 “PENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS DAN SUPPORT VEKTOR MACHINE” Program Magister Teknik Informatika, ITS. Ekstraksi fitur pada proses pelatihan dilakukan dengan menggunakan metode TDLDA. Tahap ini bertujuan untuk mendapatkan fitur-fitur yang terpilih dari masukan data-data pelatihan. Fitur-fitur yang terpilih nantinya digunakan untuk proses klasifikasi pelatihan dan digunakan untuk ekstraksi fitur data pengujian. Ekstraksi fitur pada proses pengujian dilakukan dengan cara mengambil hasil ekstraksi fitur pada proses pelatihan untuk diterapkan pada data pengujian. Hasil ekstraksi fitur pada data pengujian ini nantinya digunakan sebagai masukan pada proses klasifikasi pengujian. Penelitian ini mengembangkan aplikasi pengenalan wajah yang dintegrasikan dengan metode TDLDA dan SVM untuk pengenalan wajah. Dengan kombinasi kedua metode tersebut terbukti dapat memberikan hasil yang optimal dengan tingkat akurasi pengenalan antara 84,18% sampai 100% dengan uji coba menggunakan basis data ORL, YALE dan BERN.
Penelitian yang dilakukan oleh Wasista, Sigit. 2011. “SISTEM PENGENALAN WAJAH PADA MESIN ABSENSI MAHASISWA MENGGUNAKAN METODE PCA DAN DTW” Program Studi Teknik Komputer, Politeknik Elektronika Negeri Surabaya. Proses pengujian yang dilakukan pada system ini adalah dengan menggunakan 2 cara, yaitu offline dengan online. untuk pengujian secara offline dilakukan dengan cara melakukan pencocokkan dengan menggunakan data uji. Sedangkan pengujian online dilakukan dengan mengambil gambar yang ditangkap oleh webcam secara realtime. Parameter yang digunakan adalah jarak terhadap pendeteksian wajah Untuk pengujian jarak terhadap hasil wajah yang dideteksi, peneliti mengguanakan 10 orang dalam 1 citra. Kemudian dilakukan pendeteksian wajah dengan jarak yang berbeda-beda. Beberapa metode yang digunakan dalam penelitian disini adalah ekstraksi fitur akan menggunakan metode PCA atau Eigenface. Sedangkan untuk pengambilan keputusan, digunakan metode Dynamic Times Wrapping (DTW) dan Euclidean Distance. Pengujian menggunakan 90 data training dan 45 data uji. Kontribusi yang digunakan mulai dari 2 hingga 10 kontribusi PCA. Dari hasil pengujian, tingkat keberhasilan pengenalan menggunakan DTW sebesar 20% dan 40% hingga 82% untuk euclidean distance. Pada sistem ini, digunakan parameter jarak untuk mengukur tingkat keakurasiannya. Jarak yang digunakan adalah 50cm, 100cm, dan 150cm. Adapun Hasil pengenalan yang diperoleh dari masing-masing jarak tersebut adalah 40%, 10% dan 10%. Sedangkan apabila menggunakan metode pengenalan euclidean distance, didapakan hasil dari masing-masing tersebut adalah 80%, 70%, dan 40%.
Penelitian yang dilakukan oleh Muhammad Rizki Muliawan, 2015. “IMPLEMENTASI PENGENALAN WAJAH DENGAN METODE EIGENFACE PADA SISTEM ABSENSI” Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura. Algoritma pengenalan wajah dilakukan melalui beberapa tahapan, tahap pertama yaitu menyiapkan data dengan membuat suatu himpunan matriks yang ada di database, ambil nilai tengah atau mean, cari selisih antara training image dengan nilai tengah, hitung nilai matriks kovarian,
menghitung eigenvalue dan eigen vektor, tentukan nilai eigenface, dan terakhir adalah identifikasi. Proses pembuatan aplikasi absensi dengan pengenalan wajah ini menggunakan algoritma Eigenface yang terdapat pada OpenCv. Secara umum proses absensi menggunakan pengenalan wajah ini dilakukan dengan memasukkan data wajah terlebih dahulu beserta password dari masing-masing orang, setelah itu dilakukan proses pemindaian untuk proses absensi. Metode eigenface dari opencv ini mencari data wajah yang mendekati dengan data wajah yang ada di database. Pada pengujian penelitian ini hasil yang didapat berbeda-beda antara wajah satu dengan wajah yang lainnya, pada saat database berisi 10 data wajah, hasil rata-rata persentase kecocokan mencapai 88%, sedangkan pada saat database berjumlah 20 data wajah, hasil rata-rata persentase kecocokan mencapai 52%. Penyebab dari perbedaan hasil tersebut adalah karena faktor pencahayaan, jarak, bentuk wajah, serta jumlah data yang tersedia.
2.2 Landasan Teori 2.2.1 Ekspresi Wajah
Menurut Paul Ekman dan Wallace V. Friesen, para ilmuwan psikologi menggolongkan ekspresi wajah secara universal dalam enam bentuk ekspresi utama wajah, yakni : Terkejut, Takut, Jijik, Marah, Bahagia dan sedih.
Titik-titik tersebut seperti terlihat pada Gambar 2.1. berikut ini.
1 Alis
2 Mata
Sudut mulut 3
Gambar 2.1. Enam Unsur Corak Utama Wajah
Teknologi antarmuka manusia dan komputer telah diteliti sejak lama. Belakangan ini peneliti memberikan perhatian lebih pada pengenalan informasi nonverbal, khususnya pada pemrosesan ekspresi (Danisman, 2008). Berbagai
jenis ciri fisik yang biasa digunakan dalam pemrosesan ekspresi antara lain intonasi suara, ekspresi wajah, sikap badan, gerakan tubuh dan detak jantung, tekanan darah. Para peneliti juga yakin bahwa teknologi ekspresi akan menjadi bagian yang penting dalam kecerdasan buatan, khususnya pada komunikasi antara manusia dengan komputer. Meskipun interaksi manusia dan komputer berbeda dengan interaksi antar manusia, beberapa teori menunjukkan bahwa interaksi manusia dan komputer memiliki karakteristik dasar yang hampir sama dengan interaksi antar manusia (Reeves, 1996).
Dalam penelitian ini akan dihasilkan ekspresi wajah dengan cara melakukan paramerisasi ekspresi ekspresi pada model wajah tiga dimensi. Tujuan dari proses parameterisasi adalah menentukan nilai pada bagian-bagian wajah yang mempengaruhi ekspresi. Disamping itu, obyek wajah yang telah terparameterisasi akan lebih mudah untuk digunakan dalam pemrosesan ekspresi lebih lanjut seperti penggabungan ekspresi.
Penelitian tentang ekspresi telah dilakukan sejak lama. Namun demikian tidak ada model ekspresi yang tetap bertahan. Bagaimanapun juga ekspresi merupakan proses yang dinamis yang melibatkan berbagai faktor antar lain ekspresi, kodisi psikologis, dan perasaan pribadi (Esau, 2005). Di bawah ini adalah tabel tentang jenis ekspresi dasar menurut beberapa ahli.
Tabel 2.1. Tabel Jenis Ekspresi Dasar
Nama Ekspresi Dasar
Plutchik Penerimaan, marah, antisipasi, jijik,senang, takut, sedih, terkejut.
Ekman, Friesen,
Ellsworth Marah, jijik, takut, senang, sedih, terkejut. Frijda Keinginan, senang, tertarik, terkejut, kagum,
sedih
Izard Marah, penghinaan, jijik, sedih, takut, bersalah, tertarik, senang, malu, terkejut. James Takut, sedih, cinta, marah
Mowrer Sakit, bahagia Oatley dan
Johnson-Laird Marah, jijik, gelisah, senang, sedih.
Dari pendapat beberapa ahli di atas bisa diketahui ada beberapa jenis ekspresi dasar yang diakui oleh lebih dari satu ahli yaitu senang, marah, takut,
sedih dan jijik. Dalam penelitian ini akan digunakan 6 (enam) jenis ekspresi yaitu senang sedih, marah, takut, terkejut dan jijik.
Dalam penelitian ini ekspresi yang dihasilkan adalah ekspresi wajah, dengan demikian harus didefinisikan deskripsi yang jelas tentang bentuk wajah yang mengandung ekspresi tertentu. Pada (M. Tekalp, 1999) didefinisikan deskripsi tekstual dari beberapa jenis ekspresi dasar yaitu senang, sedih, marah, takut, terkejut dan jijik.
Deskripsi selengkapnya dapat dilihat pada Tabel 2.2. berikut ini : Tabel 2.2. Deskripsi Tekstual Ekspresi
Jenis Ekspresi Deskripsi
Senang Posisi alis mata rileks.
Posisi mulut terbuka dan ujung mulut tertarik ke arah telinga. Sedih Posisi alis mata bagian dalam terangkat ke atas.
Mata agak terpejam dan Bentuk mulut rileks.
Marah
Posisi alis mata bagian dalam tertarik ke bawah secara bersamaan. Mata terbuka lebar.
Bibir atas dan bawah saling menekan atau terbuka lebar untuk memperlihatkan gigi.
Takut
Posisi alis mata terangkat ke atas dan bersama-sama, dimana bagian dalam alis cenderung lebih ke atas.
Mata tegang dan perhatian.
Jijik Posisi alis mata dan kelopak mata rileks. Mulut bagian atas terangkat dan melengkung.
Terkejut
Posisi alis mata terangkat.
Kelopak mata atas terbuka lebar, kelopak mata bawah dalam posisi rileks dan rahang terbuka.
Deskripsi yang telah dijelaskan nantinya akan digunakan untuk mendefinisikan ekspresi wajah pada model tiga dimensi untuk setiap jenis ekspresi.
Untuk menampilkan ekspresi ekspresi digunakan model wajah tiga dimensi yang memiliki bagian pembentuk ekspresi. Model tiga dimensi yang digunakan adalah Ludwig (Pierce, 2006). Ludwig merupakan model karakter yang sudah full rigged. Karakter Ludwig dibuat oleh Jason Pierce untuk tujuan non-komersial dan untuk mempromosikan perangkat lunak tiga dimensi yaitu Blender.
1. Model Wajah Tiga Dimensi
Gambar 2.2. Karakter Ludwig (Pierce, 2006)
Walaupun karakter Ludwig mempunyai anggota badan yang lengkap. Dalam penelitian ini hanya digunakan bagian kepala saja karena topik yang dibahas adalah ekspresi wajah.
Ludwig memiliki bagian-bagian pembentuk wajah yang nilainya bisa diubah-ubah. Nilai inilah yang akan diolah sehingga menghasilkan berbagai ekspresi wajah. Berikut ini adalah model ekspresi wajah dari Ludwig :
Gambar 2.3. Wajah Ludwig (Pierce, 2006)
Definisi wajah untuk jenis ekspresi senang menurut (M. Tekalp, 1999) setelah diimplementasikan ke dalam model wajah Ludwig dapat dilihat pada Gambar 2.4. berikut ini :
Senang Sedih Marah Takut Jijik Terkejut
2.2.2 Citra
Sebuah citra mengandung informasi tentang obyek yang direpresentasikan, merupakan suatu representasi, kemiripan atau imitasi dari suatu obyek atau benda, (Kamus Webster, 1913).
Citra dapat dikelompokkan menjadi citra tampak dan citra tak tampak. Untuk dapat dilihat mata manusia, citra tak tampak harus dirubah menjadi citra tampak, misalnya dengan menampilkannya di monitor, dicetak di kertas dan sebagainya. Salah satu contoh citra tak tampak adalah citra digital.
Citra dapat juga didefinisikan sebagai gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Gambar analog dibagi menjadi N baris dan M kolom sehingga menjadi gambar diskrit. Persilangan antara baris dan kolom tertentu disebut dengan piksel. Contohnya adalah gambar/titik diskrit pada baris n dan kolom m disebut dengan piksel [n,m].
Citra merupakan dimensi spasial yang berisi informasi warna dan tidak bergantung pada waktu. Citra merupakan sekumpulan titik-titik dari gambar, yang disebut piksel (picture element).
2.2.3 Pengolahan Citra
Pengolahan citra adalah ilmu yang mengolah sinyal yang berupa citra atau gambar secara spesifik. Dalam artian yang sebenarnya, citra merupakan gambar yang dipetakan dalam dua dimensi. Dan dalam arti matematis citra itu fungsi kontinyu dari intesistas cahaya pada bidang dua dimensi (Permadi, 2015). Manfaat dari pengolah citra adalah untuk memperbaiki bentuk citra, menganalisis dan sebagai pendeteksian citra. Terdapat jenis-jenis citra diukur dari nilai suatu piksel dalam rentang tertentu, antara rentang 0-255 (Indra, 2016).
Pengolahan citra adalah salah satu cabang dari ilmu informatika. Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu citra atau gambar menjadi citra lain dengan menggunakan teknik tertentu dimana input berupa gambar seperti foto atau video, sedangkan output dari pengolahan gambar dapat berupa gambar atau sejumlah karakteristik atau parameter yang berkaitan dengan gambar.
Kebanyakan gambar-teknik pemrosesan melibatkan atau memperlakukan foto sebagai dimensi dua sinyal dan menerapkan standar-teknik pemrosesan sinyal untuk itu, biasanya hal tersebut mengacu pada pengolahan gambar digital, tetapi dapat juga digunakan untuk optik dan pengolahan gambar analog. Akuisisi gambar atau yang menghasilkan gambar input di tempat pertama disebut sebagai pencitraan.
Pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer. Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang diwakili oleh bit-bit tertentu.
Langkah awal dalam melakukan pengolahan citra adalah dengan data acquisition. Pada langkah ini merupakan proses untuk menetukan metode pengambilan citra serta data yang ingin diolah. Langkah selanjutnya image segmentation, ini bertujuan untuk menandai citra pada setiap bagiannya. Kemudian feature extraction and selection, pada langkah ini bertujuan untuk mendapatkan data informative pada citra
Pengolahan citra merupakan rangkaian pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. Umumnya, operasi-operasi pada pengolahan citra diterapkan pada citra bila: 1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan
kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang terkandung di dalam citra.
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur. 3. Sebagian citra perlu digabung dengan bagian citra yang lain.
2.2.4 Ekstraksi Ciri
Ciri merupakan suatu tanda yang khas, yang membedakan antara satu dengan yang lain. Tidak berbeda dengan sebuah gambar yang lain. Masing-masing ciri gambar didapatkan dari proses ekstraksi ciri.
Proses yang dapat digunakan untuk menentukan ciri bentuk adalah deteksi tepi, threshold, segmentasi dan perhitungan moment seperti mean, median dan standart deviasi dari setiap lokal gambar.
1. Ekstraksi Ciri Ukuran
Untuk membedakan ukuran objek satu dengan objek lainnya dapat menggunakan parameter luas dan keliling. Luas merupakan banyaknya piksel yang menyusun suatu objek. Sedangkan keliling merupakan banyaknya piksel yang mengelilingi suatu objek.
2. Ekstraksi Ciri Geometri
Ciri geometri merupakan ciri yang didasarkan pada hubungan antara dua buah titik, garis, atau bidang dalam citra digital. Ciri geometri di antaranya adalah jarak dan sudut. Jarak antara dua buah titik (dengan satuan piksel) dapat ditentukan menggunakan persamaan euclidean, minkowski, manhattan, dll. Jarak dengan satuan piksel tersebut dapat dikonversi menjadi satuan panjang seperti milimeter, centimeter, meter dll dengan cara membaginya dengan resolusi spasial (materi mengenai perhitungan jarak dapat dilihat pada laman berikut ini : Cara mengukur jarak antara dua objek dalam citra). Sedangkan sudut antara dua buah garis dapat ditentukan dengan perhitungan trigonometri maupun dengan analisis vektor.
3. Tekstur
Ciri tekstur dari suatu gambar dapat ditentukan dengan menggunakan Filter Gabor. Ciri tekstur ini sangat handal dalam menentukan informasi suatu gambar bila digabungkan dengan ciri warna gambar.
2.2.5 Analisis Tekstur
Secara umum tekstur mengacu pada pengulangan elemen-elemen tekstur dasar yang sering disebut primitif atau teksel (texel). Suatu teksel terdiri dari beberapa (pixel) dengan aturan posisi bersifat periodik, kuasiperiodik, atau acak. Selain itu ada istilah (tone) dan struktur yang menunjang deskripsi tekstur (Nevatia, 1982). (Tone) menunjukkan sifat-sifat intensitas piksel yang berkaitan dengan jumlah dan tipe teksel, sedangkan struktur menunjukkan hubungan (spatial) antar-teksel.
Syarat-syarat terbentuknya tekstur setidaknyaada dua, yaitu:
1. Adanya pola-pola primitif yang terdiri dari satu atau lebih piksel. Bentuk-bentuk pola primitif ini dapat berupa titik, garis lurus, garis lengkung, luasan dan lain-lain yang merupakan elemen dasar dari sebuah bentuk
2. Pola-pola primitif tadi muncul berulang-ulang dengan interval jarak dan arah tertentu sehingga dapat diprediksi atau ditemukan karakteristik pengulangannya.
2.2.6 Wavelet
Alih ragam gelombang singkat (wavelet) merupakan alih ragam yang membawa citra (signal) ke versi pergeseran (shifted) dan peskalaan (scaled) dari gelombang singkat yang asli (mother wavelet). Alih ragam gelombang singkat diskrit dapat dilakukan dengan suatu pentapisan bertingkat (cascading filter), yang diikuti dengan pencuplikan (subsampling) dengan pembagian 2. (Putra Darma, 2009).
Untuk melihat gambar bagan alih ragam gelombang singkat diskrit bisa ditunjukan pada Gambar 2.5. berikut ini :
j a L H 2 2 L H 2 2 L H 2 2 LL 1 j a LH 1 j d HL 1 j d HH 1 j d
Gambar 2.5. Alihragam Wavelet Diskrit Pada Citra 2 Dimensi
H dan L berturut-turut menyatakan tapis yang meneruskan frekuensi tinggi (high-pass filter) dan tapis yang meneruskan frekuensi rendah (low-pass filter). 2 menyatakan pencuplikan dengan pembagian 2. Keluaran dari tapis diberikan melalui persamaan sebagai berikut :
n j 1 j ln 2pa n a ... (2.1)
n j 1 j hn 2pa n d ... (2.2)Elemen aj yang digunakan untuk tahap berikutnya disebut dengan elemen
penskalaan dan elemen dj disebut dengan koefisien gelombang singkat, yang
merupakan hasil alih ragam. Jumlah elemen pada skala j+1 adalah setengah dari jumlah elemen a dan d pada skala j. Hal ini mengakibatkan alih ragam gelombang diskrit hanya bisa dilakukan sampai tersisa dua elemen aj.
Wavelet sangat berguna untuk kompresi data image, karena transformasi wavelet mempunyai property yang ada dalam beberapa cara transformasi Fourier konvensional.
Untuk melakukan transformasi terhadap citra, suatu citra dapat dianggap sebagai suatu matriks dua dimensi. Kita dapat melakukan transformasi terhadap baris-baris pada citra, dan dilanjutkan dengan transformasi terhadap kolom-kolom pada citra. Untuk melihat gambar transformasi wavelet bisa ditunjukan pada Gambar 2.6. berikut ini :
Lowpass terhadap baris Lowpass terhadap kolom Citra Highpass terhadap kolom
Highpass terhadap baris Lowpass terhadap kolom Highpass terhadap kolom Gambar 2.6. Transformasi Wavelet
Untuk melihat Alih ragam wavelet diskrit pada citra 2 dimensi bisa dilihat pada Gambar 2.7. berikut ini :
LL LH
LL : hasil lowpass terhadap baris dan kolom
LH : hasil lowpass terhadap baris diteruskan dengan highpass terhadap kolom
HL HH
HL : hasil highpass terhadap baris diteruskan dengan lowpass terhadap kolom
HH : hasil highpass terhadap baris dan kolom
LL2 LH2
LH1
LH1, HL1, dan HH1 merupakan hasil dekomposisi level 1.
LL2 tidak diperlihatkan pada gambar karena langsung didekomposisi lagi menjadi LL2, LH2, HL2 dan HH2
HL2 HH2
HL1 HH1
2.2.6.1 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan (JST) adalah prosesor tersebar paralel yang sangat besar (massively paralel distributed processor) yang memiliki kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan membuatnya siap untuk digunakan (Aleksander & Morton 1990).
JST menyerupai otak manusia dalam dua hal, yaitu : 1. Pengetahuan diperoleh jaringan melalui proses belajar.
2. Kekuatan hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot sinaptik digunakan untuk menyimpan pengetahuan.
Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron, dan ada hubungan antar neuron-neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan nama bobot. Informasi tesebut disimpan pada suatu nilai tertentu pada bobot tersebut.
Informasi (input) akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi jika tidak, maka neuron tersebut tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan maka neuron tersebut akan mengirimkan output melalui bobot-bobot output-nya ke semua neuron yang berhubungan dengan demikian seterusnya. Pada jaringan syaraf, neuron-neuron akan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (neuron layers). Biasanya neuron-neuron pada satu lapisan akan dihubungkan dengan lapisan-lapisan sebelum dan sesudahnya (kecuali lapisan-lapisan input dan lapisan-lapisan output). Informasi yang diberikan pada jaringan syaraf akan dirambatkan lapisan ke lapisan, mulai dari lapisan input sampai ke lapisan output melalui lapisan yang
lainnya, yang sering dikenal dengan lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur pada jaringan.
2.2.6.2 Model Sel Syaraf (Neuron)
Satu sel syaraf terdiri dari tiga bagian, yaitu: fungsi penjumlah (summing function), fungsi aktivasi (activation function), dan keluaran (output). Secara matematis kita bisa menggambarkan sebuah neuron k dengan menuliskan pasangan persamaan sebagai berikut :
P 1 j j kj k w x μ ... (2.3)
k k
k μ θ y ... (2.4) Dimana x1, x2, …, xp adalah sinyal input; wk1, wk2, …, wkp adalah bobot-bobot sinaptik dari neuron k; uk adalah linear combiner output; k adalah threshold; (.) adalah fungsi aktivasi; dan yk adalah sinyal output dari neuron. Penggunaan threshold memberikan pengaruh adanya affine transformation terhadap output uk dari linear combiner pada model Gambar 2.8. sebagai berikut: Vk = Uk - k ... (2.5)
(.)
...
...
2 1 2 1
xp x x pw
w
w
x
x
x
Synaptic weights Threshold Uk Input signal Output yk Summing function Activation functionGambar 2.8. Model Matematis Nonlinier Dari Suatu Neuron
(Simon Haykin, 1999)
2.2.6.3 Fungsi Aktivasi
Terdapat berbagai macam fungsi aktivasi yang dapat digunakan tergantung karakteristik masalah yang akan diselesaikan. Tiga diantara fungsi aktivasi adalah sebagai berikut:
1. Threshold Function 0 0 0 1 ) ( ifV ifV v . ... (2.6) 2. Piecewise-Linear Function 2 1 0 2 1 2 1 2 1 1 ) ( v v v v v ... (2.7) 3. Sigmoid Function ) exp( 1 1 ) ( av v ... (2.8) 2.2.6.4 Arsitektur Jaringan
Pola dimana neuron-neuron pada JST disusun berhubungan erat dengan algoritma belajar yang digunakan untuk melatih jaringan.
1. Single-Layer Feedforward Networks
Gambar 2.9. Feedforward Network dengan satu lapisan Neuron tunggal
(Simon Haykin, 1999)
Input Layer of Source Node
Output Layer of Neuron
2. Multi-Layer Feedforward Networks
Gambar 2.10. Fully Connected Feedforward Network dengan satu Hiddelayer
(Simon Haykin, 1999)
3. Ecurrent Networks
Gambar 2.11. Recurrent Network tanpa Selffeedback Loop dan tanpa Hidden
Neurons (Simon Haykin, 1999) Input Layer of Source Node Output Layer of Neuron Layer of Output Neuron Z1 Z-1 Z1 Z-1 Unit-Delay Operators
2.2.6.5 Proses Belajar
Belajar merupakan suatu proses dimana parameter-parameter bebas JST diadaptasikan melalui suatu proses perangsangan berkelanjutan oleh lingkungan dimana jaringan berada.
Definisi proses belajar ini menyebabkan urutan kejadian sebagai berikut: 1. JST dirangsang oleh lingkungan.
2. JST mengubah dirinya sebagai hasil rangsangan ini.
3. JST memberikan respon dengan cara yang baru kepada lingkungan, disebabkan perubahan yang terjadi dalam struktur internalnya sendiri. Untuk melihat gambar Taksonomi Proses Belajar bisa ditunjukan pada Gambar 2.12. berikut ini :
Learning Process
Learning algorithm (rule) Learning paradigms
Error connection learning Bolzman learning Thorndike’s Law of effect Hebbian learning Competitive learning Supervised learning Reinforcement learning Self-organized (unsupervised) learning
Gambar 2.12. Taksonomi Proses Belajar
(Glena Sugiarto, 2015)
2.2.6.6 Supervised Learning
Metode pembelajaran pada jaringan syaraf disebut terawasi jika output yang diharapkan telah diketahui sebelumnya. Pada proses pembelajaran, satu pola input akan diberikan ke suatu neuron pada lapisan input. Pola ini akan dirambatkan di jaringan syaraf hingga sampai ke neuron pada lapisan output.
Lapisan output ini akan membangkitkan pola output yang nantinya akan dicocokan dengan pola output targetnya. Apabila terjadi perbedaan antara pola output hasil pembelajaran dengan pola target, maka disini akan muncul error. Apabila nilai error ini masih cukup besar, mengidentifikasikan bahwa masih perlu dilakukan lebih banyak pembelajaran lagi.
2.2.6.7 Unsupervised Learning
Pada metode pembelajaran yang tak terawasi ini tidak memerlukan target output. Pada metode ini, tidak dapat ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajaran ini adalah megelompokkan unit-unit yang hampir sama dalam suatu area tertentu.
2.2.6.8 Mekanisme Kerja Multilayer Perceptron Neural Network
Sesuai dengan karakteristik Neural Network, pada dasarnya Multilayer Perceptron memiliki kecenderungan yang sama dengan jenis Neural Network lainnya, namun setiap jenis memiliki karakteristik masing-masing, seperti halnya Single layer Neural Network, biasanya hanya digunakan untuk memberikan solusi yang sifatnya hanya sederhana saja. Multilaye Perceptron Neura Network adalah jenis Neural Network yang memiliki kemampuan untuk mendeteksi atau melakukan analisa untuk permasalahan yang sifatnya cukup atau bahkan sangat kompleks, seperti pada masalah Pemrosesan Bahasa, Pengenalan suatu Pola serta Pemrosesan suatu Image atau gambar. Adapun Proses yang terjadi Pada Multilayer Perceptron Neural Network, adalah sebagai berikut :
Gambar 2.13. Proses Multilayer Perceptron Neural Network
(Prihasto, 2008)
2.2.6.9 Masukan Sistem Pembelajaran
Proses ini merupakan bagian dari sistem kerja secara keseluruhan, karena proses masukan digunakan untuk menunjang pada proses pembelajaran serta
Proses Pembelajaran
Proses Pengujian
Masukan
Proses Back Propagation
K e l u a r a n
proses pengujian. Pada proses ini, masukan diklasifikasikan berdasarkan keinginan dari pembuat, dimana bentuk masukan dapat berupa nilai logic atau bilangan biner (1 atau 0), atau juga bisa berupa nilai angka atau bilangan real (0.3 atau 0.7) bahkan dapat melakukan proses dengan menggunakan bilangan negatif. 2.2.6.10 Proses Pembelajaran
Pada bagian ini merupakan sisi kelebihan dari metode Neural Network, dimana setiap permasalahan yang akan dihadapi dapat dipecahkan dengan melalui tahapan pembelajaran, seperti halnya otak manusia yang secara sifat biologis, memiliki kemampuan untuk mempelajari hal-hal yang baru. Memang pada dasarnya, Neural Network ini dibuat untuk dapat mempelajari sesuatu hal yang baru sehingga mampu melakukan penganalisaan tanpa menggunakan suatu rumusan yang baku. Proses pembelajaran ini sangat mempengaruhi sensitifitas kemampuan dalam melakukan penganalisaan, semakin banyak bahan atau masukan sebagai pembelajaran maka akan semakin mudah dan sensitif dalam melakukan analisa. Biasanya untuk membahas hal-hal yang cukup kompleks, Multilayer Perceptron Neural Network memiliki Hidden Neuron yang digunakan untuk mengimbangi setiap permasalahan yang akan dihadapi.
2.2.6.11 Proses Perhitungan Saat Pembelajaran
Proses ini melibatkan dua faktor penting, yaitu masukan dan keluaran yang ditentukan. Keluaran tersebut merupakan bagian dari sistem atau metode pembelajaran yang dinamakan “Supervised Learning”, dengan demikian setiap masukan memiliki keluaran yang nantinya akan dijadikan sebagai acuan pembelajaran. Hal inilah yang membuat Neural Network melakukan penganalisaan, selain banyaknya masukan yang diberikan, proses pembelajaran yang dilakukan secara berulang pun akan menunjang kemampuan Neural Network saat menganalisa.
2.2.6.12 Keluaran
Bagian ini merupakan proses yang digunakan untuk mengetahui seberapa besar pengaruh pembelajaran terhadap keluaran yang diinginkan, jika hasil yang diinginkan kurang sesuai maka kemungkinan yang terjadi adalah :
2. Kurangnya layer pada rancangan keseluruhan 3. Jumlah neuron yang terlalu sedikit
Namun tidak menutup kemungkinan karena ketidaksesuaian penerapan saat proses pembelajaran dilakukan juga dapat mempengaruhi proses pembelajaran. 2.2.7 Learning Vector Quantization (LVQ)
Learning Vector Quantization merupakan metode klasifikasi dengan setiap unit output mempresentasikan sebuah kelas. LVQ digunakan untuk pengelompokkan dengan target/kelas sudah ditentukan sebelumnya.
LVQ salah satu jaringan syaraf tiruan yang merupakan algoritma pembelajaran kompetitif terawasi versi dari algoritma Kohonen Self-Organizing Map (SOM). Tujuan dari algoritma ini adalah untuk mendekati distribusi kelas vektor untuk meminimalkan kesalahan dalam pengklasifikasian. Algoritma diusulkan oleh Kohonen pada tahun 1986 sebagai perbaikan dari Vektor Quantization. Model pembelajaran LVQ dilatih secara signifikan agar lebih cepat dibandingkan algoritma lain seperti Back Propagation Neural Network. Hal ini dapat meringkas atau mengurangi dataset besar untuk sejumlah kecil vektor. LVQ melakukan pembelajaran pada lapisan kompetitif yang terawasi. Lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vektor-vektor input. Kelas-kelas yang didapat sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika vektor input mendekati sama maka lapisan kompetitif akan mengklasifikasikan kedua vektor input tersebut kedalam kelas yang sama. (Santoso, 2012)
2.2.8 Algortima Learning Vector Quantizations (LVQ)
Algoritma pelatihan LVQ untuk memperoleh unit keluaran yang paling dekat dengan vektor masukan. Bila x dan W berasal dari kelas yang sama, maka vektor bobot didekatkan ke vektor masukan ini. Tetapi bila x dan W memiliki kelas yang berbeda, maka vektor bobot dijauhkan dari vektor masukan ini.
Nomenklatur :
x : vektor pelatihan (X1,…,Xi,…,Xn)
T : kelas atau kategori vektor pelatihan
Cj : kategori atau kelas yang diberikan oleh unit keluaran j
||W-Wj|| : jarak Euclidean Antara vektor masukan dan vektor bobot unit keluaran ke j.
Langkah 0 inisialisasi vektor referensi inisilisasi laju pelatihan α (0) Langkah 1 Selama syarat berhenti: salah, kerjakan Langkah 2-6
Langkah 2 Untuk setiap vektor masukan pelatihan x, kerjakan Langkah 3-4 Langkah 3 Carilah J sehingga minimum ||x-Wj||
Langkah 4 Perbarui Wj sebagai berikut:
Bila T = Cj maka Wj (baru) = Wj (lama) + α[x-Wj (lama)] Bila T ≠ Cj maka Wj (baru) = Wj (lama) - α[x-Wj (lama)] Langkah 5 Kurangi laju pelatihan
Langkah 6 Uji syarat berhenti (dapat spesifikasi dengan cacah iterasi atau laju pelatihan apakah sudah mencapai nilai yang cukup kecil).
