vi
UNIVERSITAS BINA NUSANTARA
Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
PENGEN ALAN CITRA WAJAH D ENGAN MENGGUNAKAN
TRANSFORMASI WAVELET DISKRIT D AN JARINGAN SARAF TIRUAN BACK-PROPAGATION
Suhendry Effendy 0500545733
Jeffri 0500584961
Abstrak
Skripsi ini membahas mengenai sistem pengenalan citra wajah dengan menggunakan Transformasi Wavelet Diskrit dan jaringan saraf tiruan back-propagation. Transformasi Wavelet Diskrit memproses citra masukan untuk mendapatkan fitur penting yang terdapat pada citra wajah. Fitur tersebut kemudian diklasifikasikan dengan menggunakan jaringan saraf tiruan back-propagation agar citra masukan dapat diidentifikasi. Pengujian sistem menggunakan citra wajah dari AT&T Database of Faces sebanyak 400 citra yang terdiri dari 40 individu dan citra wajah hasil tangkapan web-camera sebanyak 100 citra yang terdiri dari 10 individu. Tingkat akurasi pengenalan pada AT&T Database of Faces mencapai 93.5%, sedangkan tingkat akurasi pengenalan pada citra tangkapan web-camera mencapai 96%. Pengujian juga dilakukan terhadap citra AT&T Database of Faces yang diberi noise. Ternyata noise pada citra tidak memberikan pengaruh yang berarti terhadap tingkat akurasi pengenalan.
Kata Kunci :
Pengenalan wajah, Transformasi Wavelet Diskrit, jaringan saraf tiruan, back-propagation.
KATA PENGANTAR
Puji dan syukur kami ucapkan kepada Tuhan Yang M aha Esa yang telah membimbing kami dalam menyelesaikan skripsi yang berjudul “Pengenalan Citra Wajah dengan M enggunakan Transformasi Wavelet Diskrit dan Jaringan Saraf Tiruan Back-Propagation”.
Skripsi ini disusun dengan tujuan untuk memenuhi syarat kelulusan jenjang studi Strata-1 (S1) jurusan Teknik Informatika di Universitas Bina Nusantara.
Tak lupa pada kesempatan ini kami mengucapkan terima kasih atas segala bantuan dan dorongan yang telah diberikan oleh :
• Bapak Evermy Vem, M .Sc selaku Pejabat Rektor Universitas Bina Nusantara yang telah memberikan kesempatan kepada kami untuk menempuh pendidikan di Universitas Bina Nusantara
• Bapak Ir. Sablin Yusuf, M .Sc. M .Comp.Sc. selaku Dekan Fakultas Ilmu Komputer, Bapak H. M ohammad Subekti, BE, M .Sc. selaku Ketua Jurusan Teknik Informatika, dan Freddy Purnomo, S.Kom, M .Kom. selaku Sekretaris Jurusan Teknik Informatika Universitas Bina Nusantara yang telah memberikan kesempatan, kepercayaan, serta saran dalam penyusunan skripsi ini.
• Ibu Anny Tandyo, S.Kom, M .Sc. selaku dosen pembimbing yang telah menyediakan banyak waktu untuk membantuk, memberikan sumbangan pemikiran, serta membimbing penulis dalam menyelesaikan masalah-masalah yang kami temui selama penyusunan skripsi.
viii
• ATL (Applied Technology Laboratory) Universitas Bina Nusantara yang telah memberikan fasilitas komputer dan peminjaman buku, pemeriksaan kelengkapan dokumen/skripsi, serta simulasi ujian pendadaran berupa pra-sidang skripsi. • Orang tua serta keluarga kami yang telah memberikan dukungan dan nasehat
yang membangun dalam menyelesaikan skripsi ini.
• Rekan-rekan mahasiswa Universitas Bina Nusantara yang secara langsung maupun tidak langsung telah memberikan dukungan kepada kami.
Dengan segala kerendahan hati, kami sangat mengharapkan saran dan kritik untuk membangun skripsi ini. Akhir kata, kami berharap agar skripsi ini dapat memberikan manfaat bagi semua pembaca dan semua pihak yang berkepentingan.
Atas segala perhatiannya, kami ucapkan terima kasih sebanyak-banyaknya.
Jakarta, 19 Juni 2005
DAFTAR ISI
Halaman Judul Luar ... i
Halaman Judul Dalam ... ii
Halaman Persetujuan Hardcover ... iii
Halaman Pernyataan Dewan Penguji ... iv
Abstrak ... vi
Kata Pengantar ... vii
Daftar Isi ... ix
Daftar Tabel ... xiv
Daftar Gambar ... xvi
BAB 1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Ruang Lingkup ... 2
1.3 Tujuan dan M anfaat ... 3
1.4 M etodologi Penelitian ... 4
1.5 Sistematika Penulisan ... 5
BAB 2 LANDASAN TEORI ... 7
2.1 Citra ... 7
2.1.1 Definisi Citra ... 7
2.1.2 Pengolahan Citra ... 7
2.1.3 Konvolusi ... 8
x
2.1.5 Normalisasi Histogram ... 10
2.2 Computer Vision ... 11
2.3 Sistem Pengenalan Wajah ... 12
2.4 Ekstraksi Fitur ... 14
2.4.1 Principal Component Analysis (PCA) ... 15
2.4.2 Discrete Cosine Transform (DCT) ... 16
2.4.3 Transformasi Wavelet ... 17
2.4.3.1 Transformasi Wavelet Kontinu ... 17
2.4.3.2 Transformasi Wavelet Diskrit ... 18
2.4.3.3 Transformasi Wavelet dalam Sistem Pengenalan Wajah ... 20
2.5 Jaringan Saraf Tiruan ... 21
2.5.1 Definisi Jaringan Saraf Tiruan ... 21
2.5.2 Komponen Jaringan Saraf Tiruan ... 22
2.5.3 Fungsi Aktivasi ... 22
2.5.4 Arsitektur Jaringan Saraf Tiruan ... 25
2.5.5 M etode Pembelajaran ... 26
2.5.6 Back-Propagation ... 27
BAB 3 PERANCANGAN SISTEM ... 29
3.1 Gambaran Umum ... 29
3.2 Tahap Pengambilan Input ... 30
3.3 Pemrosesan Awal ... 31
3.3.2 Normalisasi Histogram ... 32
3.4 Tahap Ekstraksi Fitur ... 32
3.4.1 Transformasi Wavelet Diskrit ... 33
3.5 Tahap Klasifikasi ... 37
3.5.1 Pelatihan Jaringan Saraf Tiruan Back-Propagation ... 38
3.5.1.1 Normalisasi Koefisien Wavelet ... 38
3.5.1.2 Strategi Representasi Data Output ... 40
3.5.1.3 Penentuan Nilai Weight Awal ... 41
3.5.1.4 Inisialisasi Input dan Target Output ... 41
3.5.1.5 Proses Komputasi Forward ... 42
3.5.1.6 Proses Komputasi Backward ... 43
3.5.1.7 Proses Update Weight ... 44
3.5.1.8 Batas Pelatihan ... 45
3.5.2 Penentuan Identitas ... 45
3.5.2.1 Inisialisasi Input ... 46
3.5.2.2 Komputasi Forward ... 46
3.6 Perancangan Proses ... 47
3.6.1 M odul Pemrosesan Awal ... 47
3.6.2 M odul Ekstraksi Fitur ... 48
3.6.3 M odul Klasifikasi ... 49
3.7 Perancangan Database ... 52
3.8 Perancangan Layar ... 53
xii
3.8.2 Perancangan Layar Pelatihan Pola M asukan ... 54
3.8.3 Perancangan Layar Identifikasi Wajah ... 55
3.8.4 Perancangan Layar Penambahan Nama Baru ... 56
3.8.5 Perancangan Layar Konfigurasi Sistem ... 56
BAB 4 IMPLEMENTASI DAN EVALUASI ... 59
4.1 Spesifikasi Sistem ... 59
4.1.1 Spesifikasi Perangkat Keras ... 59
4.1.2 Spesifikasi Perangkat Lunak ... 59
4.2 Prosedur Operasional ... 60
4.3 Prosedur Evaluasi ... 66
4.4 Pengujian pada AT&T Database of Faces ... 67
4.4.1 Evaluasi Pengaruh Jumlah Node pada Hidden Layer ... 68
4.4.2 Evaluasi Pengaruh Learning Rate ... 70
4.4.3 Evaluasi Pengaruh Target Error ... 71
4.4.4 Evaluasi Pengaruh Jumlah Data Pelatihan Per Subjek ... 73
4.4.5 Evaluasi Pengaruh Jumlah Subjek ... 74
4.4.6 Evaluasi Pengaruh Level Dekomposisi Wavelet ... 77
4.5 Pengujian pada Citra Tangkapan Web-Camera ... 79
4.5.1 Evaluasi Pengaruh Jumlah Node pada Hidden Layer ... 80
4.5.2 Evaluasi Pengaruh Jumlah Data Pelatihan Per Subjek ... 81
4.5.3 Evaluasi Pengaruh Jumlah Subjek ... 83
4.5.4 Evaluasi Pengaruh Level Dekomposisi Wavelet ... 85
4.7 Evaluasi Pengaruh Penggunaan Koefisien DWT Detil ... 88
4.8 Evaluasi Aplikasi Secara Umum ... 90
4.9 Rangkuman Hasil Evaluasi Secara Keseluruhan ... 90
BAB 5 SIMPULAN DAN SARAN ... 93
5.1 Simpulan ... 93
5.2 Saran ... 94
DAFTAR PUSTAKA ... 95
RIWAYAT HID UP ... 97 LAMPIRAN ... L1 A. Citra Wajah AT&T Database of Faces ... L1 B. Citra Wajah AT&T Database of Faces dengan Noise ... L12 C. Lampiran Citra Wajah Tangkapan Web-Camera ... L15 D. Listing Program ... L18
xiv DAFTAR TABEL
Tabel 2.1 Tabel Perbadingan M etode PCA, DCT dan DWT ... 14 Tabel 3.2 Tabel Database Subjek ... 52 Tabel 3.2 Tabel Database Pola M asukan ... 52 Tabel 4.1 Tabel Data Hasil Pengujian Pengaruh Jumlah Node Hidden Layer
pada AT&T Database of Faces ... 68 Tabel 4.2 Tabel Data Hasil Pengujian Pengaruh Learning Rate pada AT&T
Database of Faces ... 70 Tabel 4.3 Tabel Data Hasil Pengujian Pengaruh Target Error pada AT&T
Database of Faces ... 72 Tabel 4.4 Tabel Data Hasil Pengujian Pengaruh Jumlah Data Pelatihan Per
Subjek pada AT&T Database of Faces ... 73 Tabel 4.5 Tabel Data Hasil Pengujian Pengaruh Jumlah Subjek pada AT&T
Database of Faces ... 75 Tabel 4.6 Tabel Data Hasil Pengujian Pengaruh Level Dekomposisi Wavelet
pada AT&T Database of Faces ... 77 Tabel 4.7 Tabel Data Hasil Pengujian Pengaruh Jumlah Node Hidden Layer
pada Citra Tangkapan Web-Camera ... 80 Tabel 4.8 Tabel Data Hasil Pengujian Pengaruh Jumlah Data Pelatihan Per
Subjek pada Citra Tangkapan Web-Camera ... 82 Tabel 4.9 Tabel Data Hasil Pengujian Pengaruh Jumlah Subjek pada Citra
Tabel 4.10 Tabel Data Hasil Pengujian Pengaruh Level Dekomposisi Wavelet
pada Citra Tangkapan Web-Camera ... 85
Tabel 4.11 Tabel Data Hasil Pengujian Pengaruh Noise ... 87
Tabel 4.12 Tabel Data Hasil Pengujian Pengaruh Penggunaan Koefisien DWT Detil ... 89
Tabel 4.13 Tabel Konfigurasi Sistem yang Optimal ... 91
Tabel 4.14 Tabel Rangkuman Hasil Pengujian yang Optimal ... 91
xvi
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi Citra Kecil (kiri) dan Kernel (kanan) pada Konvolusi ... 9
Gambar 2.2 Sistem Computer Vision ... 11
Gambar 2.3 Perbandingan Proses pada PCA dengan DCT / DWT ... 15
Gambar 2.4 Ilustrasi Algoritma Dekomposisi Wavelet ... 19
Gambar 2.5 Transformasi Wavelet pada Sinyal 1-D dan Sinyal 2-D (Citra) ... 21
Gambar 2.6 M odel Neuron ... 22
Gambar 2.7 Fungsi Identitas ... 23
Gambar 2.8 Fungsi Tangga ... 23
Gambar 2.9 Fungsi Sigmoid ... 24
Gambar 2.10 Fungsi Hypertangent ... 24
Gambar 2.11 Jaringan Saraf Tiruan Lapis Tunggal ... 25
Gambar 2.12 Jaringan Saraf Tiruan Lapis Banyak ... 26
Gambar 3.1 Tahap-Tahap dalam Sistem Pengenalan Wajah ... 30
Gambar 3.2 Tahap Pengambilan Input ... 30
Gambar 3.3 Tahap Pemrosesan Awal ... 31
Gambar 3.4 Proses Grayscaling ... 31
Gambar 3.5 Histogram Citra Asli dan Histogram Hasil Normalisasi ... 32
Gambar 3.6 Tahap Ekstraksi Fitur ... 33
Gambar 3.7 Dekomposisi Wavelet pada Level-1 ... 33
Gambar 3.8 Dekomposisi Wavelet 3 Level ... 36
Gambar 3.10 Tahap Klasifikasi ... 38
Gambar 3.11 Tahap Pelatihan Jaringan Saraf Tiruan Back-Propagation ... 38
Gambar 3.12 Ilustrasi Strategi Representasi Data Output ... 41
Gambar 3.13 Ilustrasi Tahap Inisialisasi Input dan Target Output pada Jaringan Saraf Tiruan Back-Propagation ... 42
Gambar 3.14 Tahap Komputasi Forward ... 42
Gambar 3.15 Tahap Komputasi Backward ... 43
Gambar 3.16 Tahap Eksekusi Jaringan Saraf Tiruan Back-Propagation ... 46
Gambar 3.17 Rancangan Layar Input Pola M asukan ... 53
Gambar 3.18 Rancangan Layar Pelatihan Pola M asukan ... 54
Gambar 3.19 Rancangan Layar Identifikasi Wajah ... 55
Gambar 3.20 Rancangan Layar Penambahan Nama Baru ... 56
Gambar 3.21 Rancangan Layar Konfigurasi Umum ... 56
Gambar 3.22 Rancangan Layar Konfigurasi Jaringan Saraf Tiruan Back-Propagation ... 57
Gambar 4.1 Layar M ode Input Pola M asukan ... 60
Gambar 4.2 Layar M ode Pelatihan Pola ... 61
Gambar 4.3 Layar M ode Pengenalan Wajah ... 62
Gambar 4.4 Layar Capture M enggunakan Web-Camera ... 63
Gambar 4.5 Layar Konfigurasi Sistem ... 64
Gambar 4.6 Layar Informasi Pola yang Terdapat di Database ... 65
Gambar 4.7 Layar Penambahan Nama Subjek Baru ... 65
xviii
Gambar 4.9 Contoh Citra Wajah pada AT&T Database of Faces ... 68 Gambar 4.10 Grafik Pengaruh Jumlah Node Hidden Layer Terhadap Perubahan
Tingkat Akurasi Pengenalan pada AT&T Database of Faces ... 69 Gambar 4.11 Grafik Pengaruh Learning Rate Terhadap Perubahan Tingkat Akurasi
Pengenalan pada AT&T Database of Faces ... 71 Gambar 4.12 Grafik Pengaruh Target Error Terhadap Perubahan Tingkat Akurasi
Pengenalan pada AT&T Database of Faces ... 72 Gambar 4.13 Grafik Pengaruh Jumlah Data Pelatihan Per Subjek Terhadap Tingkat
Akurasi Pengenalan pada AT&T Database of Faces ... 74 Gambar 4.14 Grafik Pengaruh Jumlah Subjek Terhadap Tingkat Akurasi
Pengenalan pada AT&T Database of Faces ... 76 Gambar 4.15 Grafik Pengaruh Level Dekomposisi Wavelet Terhadap Tingkat
Akurasi Pengenalan pada AT&T Database of Faces ... 78 Gambar 4.16 Contoh Citra Wajah pada Citra Tangkapan Web-Camera ... 79 Gambar 4.17 Grafik Pengaruh Jumlah Node Hidden Layer Terhadap Perubahan
Tingkat Akurasi Pengenalan pada Citra Tangkapan Web-Camera ... 81 Gambar 4.18 Grafik Pengaruh Jumlah Data Pelatihan Per Subjek Terhadap
Perubahan Tingkat Akurasi Pengenalan pada Citra Tangkapan
Web-Camera ... 82
Gambar 4.19 Grafik Pengaruh Jumlah Subjek Terhadap Perubahan Tingkat Akurasi Pengenalan pada Citra Tangkapan Web-Camera ... 84 Gambar 4.20 Grafik Pengaruh Level Dekomposisi Wavelet Terhadap Tingkat
Gambar 4.21 Contoh Citra Wajah pada AT&T Database of Faces dengan Noise .... 86 Gambar 4.22 Grafik Perbandingan Tingkat Akurasi Pengenalan Akibat Pengaruh
Noise ... 87
Gambar 4.23 Grafik Perbandingan Tingkat Akurasi Pengenalan Akibat Pengaruh