BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Di tempat kerja, sekolah, kampus, pasar dan tempat lainnya kita sering bertemu dengan banyak orang. Diantara orang-orang tersebut ada yang kita kenal akrab atau hanya sebatas kenal. Terkadang di suatu tempat kita berpapasan dengan seseorang di jalan atau bertemu dengan seseorang yang pernah kita kenal tetapi kita lupa namanya. Begitu juga ketika melihat foto seseorang yang pernah kita kenal tetapi kita juga lupa namanya walaupun kita tahu bahwa kita pernah mengenal seseorang tersebut dengan mengingat wajahnya.
Nama adalah hal yang sulit diingat oleh otak manusia. Hal tersebut disebabkan selama manusia hidup, informasi mengenai nama memenuhi memori otak manusia. dimulai dari nama keluarga, nama teman, nama artis, nama olahragawan, nama tokoh fiksi dalam film, sinetron, komik, novel, anime dan sebagainya. Seiring bertambahnya usia, nama akan sulit diingat dan di-recall. Otak manusia lebih mudah me-recall
gambar dibandingkan dengan kata-kata sehingga kita lebih mudah mengingat bentuk dan stuktur wajah seseorang dibandingkan nama orang tersebut. Itulah sebabnya ketika kita bertemu seseorang, kita mengenal wajahnya tetapi lupa namanya.
Wajah merupakan suatu penanda untuk mengenali seseorang. Seperti yang sudah dijelaskan, jika seseorang berkenalan dengan seseorang, hal yang paling diingat adalah wajah seseorang tersebut. Selain digunakan untuk mengenali seseorang, wajah juga digunakan untuk hal lain seperti untuk keperluan pendataan penduduk, absensi dan sistem pengamanan dengan menggunakan sistem pengenalan wajah. Karena wajah manusia merepresentasikan sesuatu yang kompleks, maka pengembangan model komputasi yang ideal untuk pengenalan wajah masih sesuatu hal yang sulit. Selain itu sistem pengenalan wajah juga mendapat kesulitan pada orientasi wajah yang berlainan, pencahayaan, potongan rambut, kumis atau jenggot,
2
kacamata, cacat atau bekas luka permanen serta perbedaan kondisi misalnya orang tersebut dalam keadaan agak menoleh, menunduk atau menengadah.
Dalam menyelesaikan masalah yang kompleks memerlukan metode cepat, tepat dan akurat. Kecerdasan buatan (Artificial Intelligence) merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan dengan metode cepat, tepat dan akurat. Salah satunya adalah Jaringan Syaraf Tiruan (JST). Jaringan ini telah menjadi obyek penelitian yang menarik dan banyak digunakan untuk menyelesaikan permasalahan pada beberapa bidang kehidupan seperti pengenalan citra digital, pola penyakit dan suara.
Beberapa peneliti telah melakukan penelitian tentang Jaringan Syaraf Tiruan (JST) diantaranya, penelitian yang dilakukan oleh beberapa peneliti berikut ini; Ang Wie Siong dan Resmana (1999), melakukan penelitian tentang Jaringan saraf tiruan ini mampu mengenali citra bernoise, namun kurang dapat menangani pergeseran citra. Pada input citra dengan pengecilan sekaligus pergeseran, justru jaringan dapat lebih mengenali; Setyo Nugroho (2005) yang melakukan penelitian tentang Algoritma
Quickprop dan metode Active Learning dapat meningkatkan kecepatan training;Djalu Ranandhi, Wawan Indarto dan Taufiq Hidayat (2006) melakukan penelitian pengenal pola sidik jari menggunakan LVQ; Achmad Hidayatno, R. Rizal Isnanto, Dian Kurnia Widya Buana (2008) yang melakukan penelitian tentang Identifikasi tanda tangan menggunakan jaringan saraf tiruan Backpropagation; Agus Nurkhozin, Mohammad Isa Irawan, Imam Mukhlas (2011) meneliti tentang Komparasi hasil klasifikasi penyakit diabetes melitus menggunakan jaringan syaraf tiruan Backpropagation dan
Learning Vector Quantization (LVQ); Andri (2012) melakukan penelitian tentang implementasi segmentasi citra dan algoritma Learning Vector Quantization (LVQ) dalam pengenalan bentuk botol; Reyadh Shaker Naoum dan Zainab Namh Al-Sultani (2013) yang berjudul Hybrid System Of Learning Vector Quantization And Enhanced Resilient Backpropagation (ERBP) Artificial Neural Network For Intrusion Classification. Pada penelitian ini dilakukan hibridisasi sistem antara LVQ dengan ERBP untuk mengklasifikasikan gangguan; Maharani Dessy Wuryandari dan Irawan
3
Afrianto (2012) melakukan penelitian Perbandingan Backpropagation dan Learning Vector Quantization (LVQ) pada pengenalan wajah.
Penelitian dua nama terakhir diatas menjadi alasan saya sebagai peneliti untuk memodifikasi Learning Vector Quantization (LVQ) pada pengenalan wajah. Hal tersebut dikarenakan dalam kesimpulan penelitian yang dilakukan Maharani Dessy Wuryandari dan Irawan Afrianto terdapat keunggulan masing-masing antara
Backpropagation dan Learning Vector Quantization (LVQ) dimana pada pengenalan 25 gambar wajah dengan 27 kombinasi parameter, Learning Vector Quantization
(LVQ) memiliki kombinasi parameter terbaik perulangan (epoch) = 10, rasio pembelajaran (learning rate) = 0,1 dan error minimum = 0,1. Backpropagation
memiliki kombinasi parameter terbaik perulangan (epoch) = 50, rasio pembelajaran (learning rate) = 0,5 dan error minimum yang lebih kecil daripada LVQ sebesar = 0,001. Dari 27 kombinasi parameter pengenalan 25 gambar wajah, Backpropagation
dapat mengenali beberapa kali 25 gambar tersebut sedangkan LVQ pengenalan gambar terbanyak hanya sebanyak 17 gambar.
Berdasarkan penelitian diatas, maka penulis mengembangkan jaringan syaraf tiruan LVQ dengan memasukkan karakteristik dari jaringan syaraf tiruan
Backpropagation yaitu hidden layer dan bobot acak pada pengenalan wajah yang dinamakan ModifiedLearning Vector Quantization (MLVQ).
Penelitian ini juga membahas pengolahan citra digital khususnya proses segmentasi, normalisasi, grayscale dan binerisasi dari gambar wajah seseorang sebagai masukan (input). Sedangkan pada proses pengenalan wajah, penelitian ini menggunakan kombinasi metode jaringan syaraf tiruan jenis pembelajaran terawasi (supervised learning) Backpropagation dan Learning Vector Quantization (LVQ) dengan harapan target hasil (output) dapat mengenali semua gambar wajah, cepat,
learning rate minimum, akurat dan error paling minimum.
1.2 Perumusan Masalah
Adapun rumusan masalah dari penelitian ini adalah pengenalan wajah dengan algoritma Learning Vector Quantization (LVQ) memiliki kecepatan lebih baik
4
daripada Backpropagation. Sedangkan algoritma Backpropagation memiliki akurasi yang lebih baik daripada LVQ.
1.3 Batasan Masalah
Agar analisis dalam penelitian ini tidak menyimpang dari latar belakang, terperinci, jelas dan terarah, rumusan masalah diatas dapat dibatasi dalam beberapa hal sebagai berikut :
1) Modifikasi Learning Vector Quantization (LVQ) pada pengenalan wajah dilakukan dengan menambahkan hidden layer dan bobot acak yang dinamakan
Modified Learning Vector Quantization (MLVQ).
2) Hasil output modifikasi Learning Vector Quantization (LVQ) adalah persentase keberhasilan pengenalan serta waktu proses.
1.4 Tujuan Penelitian
Adapun tujuan penelitian ini adalah mengembangkan jaringan syaraf tiruan Learning Vector Quantization (LVQ) pada pengenalan wajah. Penelitian ini juga dilakukan perbandingan metode Backpropagation, LVQ dan MLVQ.
1.5 Manfaat Penelitian
Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut :
1) Dapat mengetahui sejauh mana Modified Learning Vector Quantization
(MLVQ) pada pengenalan wajah.
2) Dapat mengaplikasikan Modified Learning Vector Quantization (MLVQ) pada pengenalan wajah.
3) Dapat mempermudah pengenalan wajah.
4) Dapat menambah wawasan penulis khususnya melakukan modifikasi jaringan syaraf tiruan.
