Pengenalan Individu Berdasarkan Gait menggunakan Wavelet dan Jaringan Saraf Tiruan Adaptive Resonance Theory-2

(1)

PENGENALAN INDIVIDU BERDASARKAN GAIT MENGGUNAKAN WAVELET DAN JARINGAN SARAF TIRUAN ADAPTIVE RESONANCE THEORY-2

Reza Budiawan¹, Achmad Rizal², Tjokorda Agung Budi Wirayuda³

¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom ¹[email protected]

Abstrak

Setiap orang memiliki sesuatu yang unik yang dapat diimplementasikan sebagai biometrik, tidak terkecuali untuk gait. Gait dapat diartikan sebagai cara jalan. Biometrik dari gait mempunyai kelebihan tersendiri karena sifat sensor yang dapat bekerja dalam jarak jauh.

Tugas akhir ini mengimplementasikan biometrik sekuritas berupa identifikasi gait dengan menggunakan wavelet dan jaringan saraf tiruan adaptive resonance theory-2. Wavelet akan mendekomposisi ciri gait yang dihasilkan dengan tujuan mereduksi jumlah data ciri dan mengambil hanya nilai penting dari ciri tersebut, sedangkan jaringan saraf tiruan ART-2 berfungsi sebagai klasifikasinya. Secara garis besar ada beberapa proses yang dilakukan yaitu : pengambilan ciri gait dari diameter objek, dekomposisi wavelet dan klasifikasi menggunakan jaringan saraf tiruan.

Output dari sistem ini adalah apakah objek berjalan dikenali secara benar atau tidak. Hasil pengujian menunjukkan bahwa sistem berhasil mengenali individu dengan akurasi mencapai 82 % dengan sample data sebanyak 7 individu.

Kata Kunci : Biometrik, Gait, Wavelet, Jaringan saraf tiruan ART-2

Abstract

Everyone has something unique that can be implemented as biometry, no exception for gait. Gait can be interpreted as a person's manner of walking. Gait biometry has its own advantages because of the sensors that can work over long distances as the characteristic.

This final assignment implement a biometric security gait identification using wavelets and artificial neural network adaptive resonance theory-2. Wavelet will decompose generated gait characteristics with the aim of reducing the amount of data characteristics and take only the importance of these traits, whereas artificial neural network ART-2 functions as a classification. Generally, there are several processes that do are: making characteristic gait of the diameter of the object, wavelet decomposition and classification using artificial neural networks.

The output of this system is whether the walking object correctly recognized or not. Test results showed that the system managed to identify individuals with an accuracy reaching 82% with the data sample of 7 individuals.

Keywords : Biometrics, Gait, Wavelet, Artificial Neural Network ART-2

Powered by TCPDF (www.tcpdf.org)

(2)

1

1. Pendahuluan

1.1 Latar belakang

Gait didefinisikan sebagai cara berjalan individu. Walaupun begitu, gait

mempunyai definisi yang lebih khusus[4]. Gait merupakan ciri khas dari seseorang yang dipengaruhi oleh berat tubuh, panjang kaki, alas kaki yang sedang dipakai, dan postur tubuh, dan hal-hal lain yang berpengaruh pada gaya jalan seseorang[4][8]. Hal ini menjadikan setiap orang mempunyai gait yang berbeda. Perbedaan ini dapat dijadikan suatu proses autentikasi dan otorisasi bagi individu yang menjadi satu bagian dari biometrik sekuritas lain seperti pengenalan mata, sidik jari, palm print, typing rhytm dan lainnya.

Penelitian tentang gait telah dilakukan sejak dahulu dari segi psikologi. Dalam eksperimen terakhir yang telah dilakukan, subjek manusia dapat mengenali tipe dari pergerakan dengan melihat light bulb yang disematkan pada subjek lain yang sedang berjalan. Penelitian lain dengan karakteristik yang sama juga pernah dilakukan dengan tujuan pengenalan identitas seseorang yang telah mereka kenali. Hasil yang didapat yaitu subjek yang berjalan dapat dikenali dengan baik begitupula dengan jenis kelaminnya. Gait menjadi suatu biometrik yang utuh dikarenakan tidak harus bersentuhan langsung dengan ―mesin pengenal‖ dan objek yang diamati tidak merasa diawasi sebagai proses dari autentikasi ini[2]. Selain itu pengenalan ini tidak bergantung pada resolusi kamera yang dipergunakan untuk mengambil gambar subjek yang berjalan. [2][4][8]

Dua teori utama dikemukakan sebagai cara pengenalan ini bekerja pada manusia, teori pertama mengemukakan bahwa seseorang akan memperhatikan struktur 3D yang menyangkut postur tubuh secara keseluruhan dari objek yang bergerak. Teori kedua berpendapat bahwa informasi pergerakan dan transisi yang dijadikan bentuk pengenalan, tanpa memperhatikan postur tubuh.[2] Melalui 2 teori ini, terbentuk 2 pendekatan yang dipakai dalam gait recognition, yaitu pendekatan

holistic (motion-based) dan feature-based (model-based). Motion based

mengkategorikan kondisi pergerakan tubuh melalui suatu pola dalam image sequence dari jalannya seseorang dan biasanya digunakan suatu siluet dalam penganalisaannya, sedangkan model based menggambarkan parameter eksplisit dari gaya jalan seseorang, seperti dimensi langkah, lebar bahu dan hanya mengacu pada bagian tubuh tertentu. Selain itu model based juga menggunakan siluet sebagai parameternya yang dibagi dalam 7 area tertentu atau menggunakan besar derajat perputaran sendi gerak yang terlingkup. [2][3][8][12]

Pada tugas akhir ini dilakukan identifikasi gait berdasarkan siluet. Siluet didapatkan dari image video yang kemudian dilakukan substraction image

sehingga didapatkan kumpulan gambar 2D yang merupakan satu siklus gait. Dari satu siklus tersebut, akan dipilih beberapa siluet yang lebih merepresentasikan

gait. Siluet terpilih adalah siluet yang dianggap paling berpengaruh dalam menentukan siklus gait. Lalu siluet akan ditransformasikan menggunakan

(3)

2

transformasi wavelet. Pengerjaan tugas akhir ini terbagi atas dua bagian besar dalam tahap pengenalan maupun pelatihan yaitu ekstraksi ciri dan klasifikasi. Pada tahap ekstraksi ciri terbagi atas dua bagian besar yaitu pengambilan titik ciri dari siluet (menggunakan metode yang sama dengan penelitian gait sebelumnya) sehingga didapat vektor ciri yang menjadi input bagi transformasi wavelet. Wavelet berguna untuk melakukan dekomposisi terhadap image dan mereduksi dimensi data dan menjadi suatu pembanding similaritas untuk suatu pola pengenalan. Untuk perhitungan nilai kemiripan akan menggunakan pendekatan jaringan saraf tiruan ART-2.

1.2 Perumusan masalah

Tugas akhir ini memecahkan permasalahan dalam pengenalan individu dari jarak jauh dengan menggunakan karakteristik cara jalan dengan mengimplementasikan wavelet sebagai feature extraction dan jaringan saraf tiruan adaptive resonance theory-2 sebagai klasifikasinya. Penggunaan wavelet dikarenakan transformasi

wavelet dapat memberikan informasi tentang dekomposisi suatu citra yang dapat digunakan dalam image recognition yang menjadi dasar aplikasi bidang ilmu pada tugas akhir ini.

Jaringan saraf tiruan ART-2 dipilih sebagai metode pengklasifikasian karena metode ini memberikan unjuk kerja pengklasifikasian yang baik dalam pelatihan dan tidak menghilangkan pola-pola yang telah dipelajari sebelumnya. Dengan sifat yang dimilikinya, diharapkan metode jaringan saraf tiruan ART-2 dapat diterapkan pada pengenalan biometrik gait dengan akurasi yang baik. [10][11] Batasan masalah dari tugas akhir pengenalan individu berdasarkan gait ini yaitu :

a) Masukan adalah video gait yang merupakan database Casia

b) Individu tidak mengenakan jaket, rok, serta tidak membawa barang. c) Masukan berupa video berjalan dengan satu background.

d) Individu berjalan dengan sudut 90° (horizontal) terhadap kamera. e) Hanya ada satu individu bergerak dalam satu video.

1.3 Tujuan

Tujuan yang ingin dicapai dalam pembuatan Tugas Akhir ini antara lain :

 Analisis dan implementasi penerapan wavelet dan jaringan saraf tiruan ART-2 pada pengenalan individu berdasarkan gait.

 Analisis akurasi penggunaan wavelet dan jaringan saraf tiruan ART-2 terhadap pengenalan individu tersebut.

Akurasi dilihat dari ketepatan sistem terhadap pengenalan individu yang dihitung dari beberapa data uji.

(4)

3

Infrastruktur dari cara kerja sistem pengenalan individu secara umum digambarkan sebagai berikut :

Gambar 1-1 : Infrastruktur pengenalan gait

1.4 Metodologi penyelesaian masalah

 Studi Literatur

Pencarian referensi dan sumber-sumber lain yang dapat digunakan sebagai acuan dalam pembangunan aplikasi gait recognition ini termasuk di dalamnya teori wavelet dan jaringan saraf tiruan.

 Pengumpulan Data

Pengumpulan data akan dilakukan pada tahap ini. Data berupa data video individu berjalan yang diambil dari database Casia.

 Analisis Perancangan Perangkat Lunak

Pada tahap ini dilakukan proses analisis requirement perangkat lunak yang dibangun sehingga didapat gambaran mengenai sistem yang diimplementasikan.

 Implementasi Sistem

Mengimplementasikan perangkat lunak yang telah dirancang pada tahap sebelumnya dengan menggunakan Matlab.

 Analisis Hasil Implementasi

Melakukan pengujian dan melakukan analisis terhadap hasil implementasi aplikasi sehingga didapat data mengenai performansi dan akurasi dari metode yang diimplementasikan.

 Pembuatan Laporan

Merupakan tahapan pendokumentasian dari penelitian yang dikerjakan serta mengambil kesimpulan dari penelitian yang dikerjakan cara penafsiran dan penyimpulan hasil penelitian.

(5)

35

5. Kesimpulan dan Saran

5.1 Kesimpulan

Beberapa hal yang dapat disimpulkan dari penelitian ini adalah :

 Tingkat akurasi tertinggi diperoleh sebesar 82% dengan parameter jaringan saraf tiruan ART-2 yaitu alfa=0.1, rho=0.999, iterasi=3 dengan tingkat dekomposisi wavelet bernilai 3 dengan koefisien (3,0).

 Terdapat 4 kondisi penting dari satu siklus gait, dan kondisi tersebut berbeda dengan kondisi objek dalam pose berdiri tegak karena ada aspek temporal yang diperhatikan pada posisi tersebut.

 Parameter rho, alfa dan iterasi tidak berbanding lurus terhadap nilai akurasi yang dicapai. Hal ini dikarenakan ada suatu kondisi optimum yang akan menghasilkan tingkat akurasi maksimal dan menurunkan tingkat pencapaian akurasi setelah parameter optimum tercapai.

5.2 Saran

 Penggunaan pengenalan gait dalam feature based dan bukan berdasarkan

motion based.

 Pengembangan lebih lanjut pada pengambilan ciri yang berbeda pada kondisi gait.

 Penggunaan metode klasifikasi yang berbeda selain dari jaringan saraf tiruan ART-2

(6)

36

Referensi

[1] Bai, Li and Linlin Shen. Combining Wavelets with HMM for Face Recognition

Diunduh pada :

http://citeseerx.ist.psu.edu/viewdoc/download;jsessionid=8F50B752D4FB8048940 5CBE76F0EA8BB?doi=10.1.1.61.7650&rep=rep1&type=url&i=0

(15 November 2008)

[2] BenAbdelkader , Chiraz et al.2002.Gait Recognition using Image self Similarity. Diunduh pada :

www.hindawi.com/GetArticle.aspx?doi=10.1155/S1110865704309236

(11 November 2008)

[3] Collins,Robert T, Gross,Ralph, and Shi,Jianbo.2001. Silhouette-based Human

Identification from Body Shape and Gait. Diunduh pada :

www.cs.cmu.edu/~jshi/papers/Silhouette-FG2002.pdf (30 Januari 2009)

[4] Lee, L. and W.E.L Grimson.2002.Gait analysis for recognition and classification. Diunduh pada:

http://zSzzSzwww.ai.mit.eduzSzpeoplezSzlleezSzpubszSzfg2002_gait.pdf/lee02ga it.pdf (20 Desember 2008)

[5] Mahmoud, Mohamed I. et al. 2007. Comparison between Haar and Daubechies Wavelet Transformions on FPGA Technology Diunduh pada :

http://www.waset.org/journals/waset/v26/v26-14.pdf.(2 November 2009)

[6] Polikar, Robi. 2004. The Wavelet Tutorial part I. Rowan University Diunduh pada : http://users.rowan.edu/~polikar/WAVELETS/WTpart1.html (21 Desember 2008) [7] Polikar, Robi. 2004. The Wavelet Tutorial part IV. Rowan University Diunduh

pada : http://users.rowan.edu/~polikar/WAVELETS/WTpart4.html (21 Desember 2008)

[8] Post, David. 2006.Gait Analysis Review

Diunduh pada: www.nd.edu/~dpost/IntSyst/report1.pdf (21 Oktober 2008)

[9] Puspitaningrum, Diyah.2006.Pengantar Jaringan Saraf Tiruan.Andi Offset: Yogyakarta

[10] Sivanandam,Sumathi and Deepa.2006.Introduction to Neural Networks Using Matlab 6.0.McGrawHill: New Delhi Diunduh pada :

http://books.google.co.id/books?id=B4FsDzgrFdgC&pg=PR19&dq=matlab+6+ne ural+network#v=onepage&q=matlab%206%20neural%20network&f=false (17 Februari 2009)

[11] Tanaka, T and A. Weitzenfeld. Adaptive Resonance Theory. Diunduh pada :

http://cannes.itam.mx/Alfredo/English/Publications/Nslbook/MitPress/157_170.C H08.pdf (23 Januari 2009)

[12] Wang, Liang etc. 2003. Silhouette Analysis-Based Gait Recognition for Human Identification

Diunduh pada : http://doi.ieeecomputersociety.org/10.1109/TPAMI.2003.1251144

(19 Januari 2009)