TESIS
ELIASTA KETAREN
137038048
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR
QUANTIZATION PADA PENGENALAN WAJAH
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah Magister Teknik Informatika
ELIASTA KETAREN 137038048
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
PERSETUJUAN
JudulTesis : MODIFIKASI JARINGAN SYARAF TIRUAN
LEARNING VECTOR QUANTIZATION PADA PENGENALAN WAJAH
Kategori : TESIS
Nama Mahasiswa : ELIASTA KETAREN Nomor Induk Mahasiswa : 137038048
Program Studi : MAGISTER TEKNIK INFORMATIKA
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing :
Pembimbing 2
Prof. Dr. Drs. Iryanto, M.Si NIP. 19460404 197107 1 001
Pembimbing 1
Prof. Dr. Tulus, Vor.Dipl.Math, M.Si NIP. 19620901 198803 1 002
Diketahui/Disetujui oleh
Program Studi S2 Teknik Informatika Ketua,
PERNYATAAN ORISINALITAS
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTORQUANTIZATION
PADA PENGENALAN WAJAH
TESIS
Dengan ini saya mengakui bahwa tesis ini adalah hasil karya sendiri, kecuali kutipan dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
PERNYATAAN PERSETUJUAN PUBLIKASIKARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertandatangan dibawah ini:
Nama : EliastaKetaren
NIM : 137038048
Program Studi : Teknik Informatika Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty Free Right) atas Tesis saya yang berjudul:
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
PADA PENGENALAN WAJAH
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat, mengelola dalam bentuk database, merawat dan mempublikasikan Tesis saya tanpa meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis dan sebagai pemegang dan atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 28 Januari 2016
Telah diuji pada
Tanggal: 28 Januari 2016
PANITIA PENGUJI TESIS
Ketua
: Prof. Dr. Tulus, Vor.Dipl.Math, M.Si
Anggota
: 1. Prof. Dr. Drs. Iryanto, M.Si
2. Prof. Dr. Muhammad Zarlis
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap : Eliasta Ketaren
Tempat dan Tanggal Lahir : Medan, 19 Februari 1988
Alamat Rumah : Jl. Bunga Pancur IX No. 36 A Medan
Handphone : 081264552677 / 081264846358
E-mail : eliastaketaren@yahoo.com
DATA PENDIDIKAN
SD : SD Budi Murni 2 Medan, Tamat : 2000
SLTP : SLTP Budi Murni 2 Medan, Tamat : 2003
SLTA : SMA Negeri 1 Pancurbatu, Tamat : 2006
D3 : Politeknik Negeri Medan, Jurusan Teknik
Elektro, Program Studi Teknik Elektronika,
Tamat: 2009
S1 : Sekolah Tinggi Teknik Poliprofesi Medan,
Jurusan Teknik Informatika, Tamat : 2011
KATA PENGANTAR
Pertama-tama penulis panjatkan puji syukur kehadirat Tuhan Yang Maha Esa atas segala rahmat, berkat dan karunia-Nya berupa pengetahuan, kesehatan dan kesempatan yang diberikan kepada penulis sehingga dapat menyelesaikan tesis ini dengan baik. Tesis penulis yang berjudul :“Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah” merupakan salah satu syarat akademik penulis sebagai mahasiswa S2, Program Studi Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI), Universitas Sumatera Utara (USU), Medan dalam menyelesaikan jenjang pendidikan S2.
Dalam kesempatan ini, penulis hendak memberikan penghargaan dan ucapan terima kasih yang sebesar-besarnya kepada :
1. Rektor Universitas Sumatera Utara, Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum atas kesempatan yang diberikan kepada penulis untuk mengikuti dan menyelesaikan pendidikan Program Pasca Sarjana.
2. Dekan Fakultas Ilmu Komputer Universitas Sumatera Utara sekaligus Ketua Program Studi Magister (S2) Teknik Informatika, Bapak Prof. Dr. Muhammad
Zarlis dan Sekretaris Program Studi Magister (S2) Teknik Informatika, Bapak M. Andri Budiman,S.T,M.Comp.Sc.,M.E.M beserta seluruh dosen yang telah banyak
memberikan ilmu pengetahuan selama masa perkuliahan serta seluruh staff pegawai pada Program Studi S2 Teknik Informatika Universitas Sumatera Utara. 3. Bapak Prof. Dr. Tulus, Vor.Dipl.Math, M.Si, selaku pembimbing utama yang telah
memberikan bimbingan dan masukan kepada penulis hingga selesainya tesis ini. 4. Bapak Prof. Dr. Drs. Iryanto, M.Si, selaku pembimbing kedua yang telah banyak
5. Bapak Prof. Dr. Muhammad Zarlis, selaku pembanding/penguji tesis yang senantiasa memberikan semanagat, masukan dan saran kepada penulis agar tesis ini menjadi lebih baik lagi.
6. Ibu Dr. Erna Budhiarti Nababan, M.IT, selaku pembanding/penguji yang telah banyak memberikan masukan serta saran kepada penulis agar tesis ini menjadi lebih baik lagi.
Secara khusus penulis mengucapkan rasa terimakasih sedalam-dalamnya kepada orang tua penulis tercinta dan tersayang, Ibu M. br. Sembiring, AMK, dan kakak kandung penulis Kartika Sari, S.Kep.,Ners yang telah memberikan perhatian, pengertian, kasih sayang, motivasi serta dukungan berupa material dan spiritual kepada penulis.
Penulis juga meyampaikan rasa terimakasih kepada seluruh keluarga dan berbagai pihak yang telah banyak membantu, memberikan motivasi, perhatian serta dukungan kepada penulis. Tak lupa untuk rekan-rekan penulis selama menempuh pendidikan Magister yang sudah penulis anggap sebagai keluarga yaitu KOM-C 2013, terimakasih untuk kekompakan, keakraban, dan kerjasama selama ini. Penulis pasti sangat merindukan kalian. TETAP SEMANGAT !!!
Penulis menyadari bahwa masih terdapat kekurangan dalam penyusunan tesis ini. Oleh karena itu, penulis mengharapkan kritik dan saran dari pembaca demi kesempurnaan penelitian selanjutnya.
Akhir kata, penulis berharap semoga tesis ini dapat dikembangkan lagi menjadi lebih baik dan bermanfaat bagi semua pihak khususnya dalam dunia pendidikan dan teknologi.
Medan, 28 Januari 2016
ABSTRAK
Penelitian ini bertujuan untuk mengembangkan jaringan syaraf tiruan Learning Vector Quantization (LVQ) pada pengenalan wajah dengan cara memasukkan karakteristik
Backpropagation yaitu hidden layer dan bobot acak yang dinamakan Modified LVQ (MLVQ). Hasil penelitian ini adalah perbandingan antara algoritma Backpropagation, LVQ dan MLVQ pada pengenalan wajah. Data training diambil dari gambar 10 orang sebagai dataset yang disimpan dalam database. Proses training menggunakan arsitektur dengan 3 layer untuk Backpropagation, single layer untuk LVQ serta 2 layer untuk MLVQ.Parameter pembelajaran yang digunakan adalah maksimum epoch
yaitu 10, 50 dan 100, learning rate yang digunakan bervariasi antara 0.1, 0,5 dan 1 serta minimum error dengan 0.1, 0.01 dan 0.001. Dari hasil pengenalan diperoleh algoritma LVQ lebih cepat dalam melakukan pelatihan dibandingkan dengan
Backpropagation dan MLVQ dengan waktu rata-rata 3.28 detik. Algoritma MLVQ memiliki tingkat akurasi lebih baik dibandingkan dengan algoritma Backpropagation
dan LVQ dengan tingkat akurasi untuk algoritma Backpropagation sebesar 49.25 %, algoritma LVQ sebesar 48.14 % sedangkan algoritma MLVQ sebesar 50.37 %.
MODIFIED NEURAL NETWORK LEARNING VECTOR QUANTIZATION IN FACE RECOGNITION
ABSTRACT
This research aims to develop a neural network Learning Vector Quantization (LVQ) on face recognition by entering the Backpropagation characteristics are hidden layers and random weights called Modified LVQ (MLVQ). The results of this study is the comparison between the algorithm Backpropagation, LVQ and MLVQ on face recognition. Training data taken from image 10 as a dataset that is stored in the database. The training process uses an architecture with three layers of Backpropagation, LVQ and single layer for layer 2 to MLVQ. The parameters used are the maximum learning epoch, namely 10, 50 and 100, learning rate used vary between 0.1, 0.5 and 1 and the minimum error with 0.1, 0:01 and 0001. From the results obtained recognition LVQ algorithm faster in training than the Backpropagation and MLVQ with an average time of 3:28 seconds. MLVQ algorithm has better accuracy rate than the Backpropagation and LVQ algorithms with the accuracy of the algorithm Backpropagation by 49.25%, amounting to 48.14% LVQ algorithm, while the algorithm MLVQ of 50.37%.
DAFTAR ISI
Halaman
HALAMAN JUDUL TESIS ... i
LEMBAR PERSETUJUAN ... ii
LEMBAR PERNYATAAN ORISINALITAS ... iii
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ... iv
LEMBAR PANITIA PENGUJI TESIS ... v 2.1 Kecerdasan Buatan (Artificial Intelligence) ... 5
2.2 Jaringan Syaraf Biologi ... 6
2.4.4 Prosedur Pelatihan ... 16
2.5 Learning Vector Quantization (LVQ) ... 21
2.6 Perbandingan Algoritma Backpropagation Dengan LVQ 23 BAB 3 : METODOLOGI PENELITIAN 3.1 Metodologi Penelitian ... 25
3.1.1 Analisis Sistem ... 25
3.1.2 Rancangan Penelitian ... 27
3.3 Normalisasi Citra ... 28
3.4 Grayscaling ... 31
3.5 Reduksi Noise ... 32
3.6 Binerisasi ... 33
3.7 Edges Detection (Deteksi Tepi) ... 35
3.8 Pseudocode Training Algoritma Backpropagation ... 36
3.9 PseudocodeRecognition Algoritma Backpropagation . 38 3.10 Pseudocode Training Algoritma Learning Vector Quantization (LVQ) ... 38
3.11 Pseudocode Recognition Algoritma Learning Vector Quantization (LVQ) ... 39
3.12 PseudocodeTraining Algoritma MLVQ ... 40
3.13 Pseudocode Recognition Algoritma MLVQ ... 41
3.14 Arsitektur Jaringan Backpropagation ... 41
3.15 Arsitektur Jaringan LVQ ... 43
3.16 Arsitektur Jaringan MLVQ ... 43
3.17 Flowchart Training Algoritma Backpropagation ... 45
3.18 Flowchart Recognition Algoritma Backpropagation ... 46
3.19 Flowchart Training Algoritma LVQ ... 47
3.20 Flowchart Recognition Algoritma LVQ ... 49
3.21 FlowchartTraining Algoritma MLVQ ... 51
3.22 FlowchartRecognition Algoritma MLVQ ... 53
3.23 Perhitungan Algoritma Backpropagation ... 54
3.23.1 Proses TrainingBackpropagation ... 55
3.23.2 Proses RecognitionBackpropagation ... 60
3.24 Perhitungan Algoritma LVQ ... 61
3.24.1 Proses Training AlgoritmaLVQ ... 62
3.24.2 Proses Recognition AlgoritmaLVQ ... 66
3.25 Perhitungan Algoritma MLVQ ... 67
3.25.1 Proses Training AlgoritmaMLVQ ... 68
3.25.2 Proses Recognition AlgoritmaMLVQ ... 72
DAFTAR TABEL
Halaman
Tabel 2.1 Perbedaan Jaringan Syaraf Biologis Dengan Jaringan Syaraf
Tiruan ... 7
Tabel 2.2 Perbandingan Algoritma Backpropagation dan LVQ ... 24
Tabel 3.1 Data Input Proses Training Backpropagation ... 55
Tabel 3.2 Biner Target ... 56
Tabel 3.3 Inisialisasi Bobot dan Data Inputan Proses Training LVQ ... 62
Tabel 3.4 Data Bobot ... 62
Tabel 3.5 Data Pelatihan ... 62
Tabel 3.6 Data Matriks Input Citra ... 67
Tabel 3.7 Data Bobot Awal Acak ... 67
Tabel 4.1 Parameter Pengujian Algoritma ... 78
DAFTAR GAMBAR
Halaman
Gambar 2.1 Penerapan Kecerdasan Buatan ... 6
Gambar 2.2 Susunan Neuron Biologis ... 6
Gambar 2.3 Model Struktur Neuron Jaringan Syaraf Tiruan... 9
Gambar 2.4 Model Struktur Jaringan Syarat Tiruan ... 9
Gambar 2.5 Fungsi Linear ... 10
Gambar 2.11 Learning Vector Quantization (LVQ) ... 22
Gambar 3.1 Flowchart Penelitian ... 27
Gambar 3.2 Resize Citra Wajah Menjadi Ukuran 100 x 100 Piksel ... 28
Gambar 3.3 Contoh Nilai Piksel Citra Warna... 29
Gambar 3.4 Matriks Nilai RGB Citra Warna ... 30
Gambar 3.5 Proses Pembacaan Nilai Piksel Citra Wajah ... 31
Gambar 3.6 Matriks Nilai Grayscale ... 32
Gambar 3.15 Arsitektur Jaringan Backpropagation ... 42
Gambar 3.16 Arsitektur Jaringan LVQ ... 43
Gambar 3.17 Arsitektur Jaringan MLVQ ... 44
Gambar 3.18 Flowchart Training Algoritma Backpropagation ... 45
Gambar 3.19 Flowchart Training Algoritma Backpropagation (Lanjutan) 46 Gambar 3.20 Flowchart Recognition Algoritma Backpropagation... 46
Gambar 3.21 Flowchart Recognition Algoritma Backpropagation (Lanjutan) ... 47
Gambar 3.22 FlowchartTraining Algoritma LVQ ... 48
Gambar 3.23 FlowchartTraining Algoritma LVQ (Lanjutan)... 49
Gambar 3.24 FlowchartRecognition Algoritma LVQ ... 50
Gambar 3.25 Flowchart Training Algoritma MLVQ ... 51
Gambar 3.26 FlowchartTraining Algoritma MLVQ (Lanjutan) ... 52
Gambar 3.27 FlowchartRecognition Algoritma MLVQ... 53
DAFTAR LAMPIRAN
Halaman
