PERBANDINGAN METODE
MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM
MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta Rahayu, S.Kom., M.Sc.
Latar Belakang
• Manusia mengenali objek
– Pola
• Mengenali sesama manusia
– Warna kulit – Tinggi badan – Rambut
– Wajah
Latar Belakang
• Metode pengenal pola
– Minimum Distance Pattern Classifier
• Fokus pada jarak antar vektor
– Neural Network Backpropagation
• Sering dipakai
• Mengikuti cara kerja otak manusia
• Memajukan teknologi keamanan
Rumusan Masalah
• Inti Permasalahan
– Wajah Manusia – Ekspresi
– Metode Minimum Distance Pattern Classifier – Metode Neural Network Backpropagation
• Metode apa yang dapat efektif digunakan dalam mengenali wajah manusia dengan ekspresi yang berbeda?
Batasan Masalah
• Objek yang diamati
– Wajah Manusia – Foto
• 2 jenis data
– Data Penulis (10 orang, 10 ekspresi)
• Kamera Samsung NX300 • Kelas 4ia11 angkatan 2012
– Data FERET (5 orang, 10 ekspresi)
Batasan Masalah
• Pengambilan Foto
– Pengambilan foto berjarak 1 meter – Fokus muka
– Dahi sampai dagu, tulang pipi kanan kiri – Cahaya cukup jelas
– Ukuran foto 30x30 dan 50x50
• Eksperimen mencari citra
– Ekspresi berbeda – Orang sama
Batasan Masalah
• Metode yang digunakan
– Minimum Distance Pattern Classifier (MDPC) – Neural Network Backpropagation (BPNN)
• Program yang digunakan
– Matlab – iPhoto
Tujuan
• Menerapkan metode MDPC dan BPNN dalam
mengenali wajah manusia dengan ekspresi yang berbeda
• Membandingkan metode MDPC dan BPNN dalam mengenali wajah manusia dengan ekspresi yang berbeda
Data Preprocessing Feature Transformation Feature Extraction Classifier Recognition Rate
Bagan Eksperimen
Minimum Distance Pattern Classifier Backpropagation Neural Network Data Recognition RateData
• Data Penulis
– Rekan kelas 4IA11 angkatan 2012 – Kamera Samsung NX300 mirrorless – Lorong Kampus G Universitas
Gunadarma
– Jarak kurang lebih 1 meter
– Pencahayaan dari lampu lorong – 10 orang dengan 10 ekspresi – Total 100 foto
Data
• Data FERET
– Database FERET (The Facial Recognition Technology)
– Website www.nist.gov – Email spesifik
– 5 orang dengan 10 ekspresi – Total 50 foto
Bagan Eksperimen
Data Preprocessing Feature
Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Recognition Rate
Preprocessing
• iPhoto
– Memotong foto – Black & White – Resize pixels
• 30x30 • 50x50
Preprocessing
• Data Penulis
– 30x30 – 50x50
Preprocessing
• Data FERET
– 30x30 – 50x50
Bagan Eksperimen
Data Preprocessing Feature
Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Recognition Rate
Transformasi Data
• Matlab – Citra Matriks – Matriks Vektor • 30x30 900 dimensi • 50x50 2500 dimensi• Vektor semua citra 1 Matriks
• Data Penulis = 100 citra x dimensi • Data FERET = 50 citra x dimensi
Transformasi Data
• Matrix Data – Diurutkan • Ekspresi • Orang • Database • P (30x30) • P (50x50) • F (30x30) • F (50x50)Bagan Eksperimen
Data Preprocessing Feature
Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Recognition Rate
Feature Extraction
• Principal Component Analysis
– Z-Score
• Normalisasi Data
• Merepresentasikan data lebih baik • 𝑍 = 𝑋−𝑢
𝜎
Principal Component Analysis
Data Z-Score -n dimensi -redundant Matriks Kovarian 𝐶𝑧 = 𝑍𝑡𝑍 𝑛−1 Vektor Eigen -Nilai Eigen -Signifikansi data -Buang mendekati 0 Matriks Transformator Data PCA -m dimensi -dimana m<n -tidak redundant 𝑀 = 𝑇 × 𝑍Bagan Eksperimen
Data Preprocessing Feature
Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Recognition Rate
Minimum Distance Pattern Classifier
• Classifier – Jarak terpendek • Vektor • Definisi kemiripan • 𝑑𝑥 = σ 𝑥𝑘 − 𝑚𝑘 𝑇. 𝑥𝑘 − 𝑚𝑘Minimum Distance Pattern Classifier
• Bagan Eksperimen
• Melalui PCA
• Tidak melalui PCA
Data Preprocessing Feature Transformation Principal Component Analysis Minimum Distance Pattern Classifier Recognition Rate
Minimum Distance Pattern Classifier
• Cara Eksperimen
– Data dibagi dua
• Data test, 10 orang , 5 ekspresi (50)
• Data pedoman, 10 orang, 5 ekspresi (50)
– Setiap Citra Data Test Setiap Citra Data Pedoman – Dicari nilai yang terkecil
• 𝑑𝑥 = σ 𝑥𝑘 − 𝑚𝑘 𝑇. 𝑥𝑘 − 𝑚𝑘 𝐷𝑎𝑡𝑎𝑡𝑒𝑠𝑡 = 𝑥1.1 ⋯ 𝑥1.50 ⋮ ⋱ ⋮ 𝑥50.1 ⋯ 𝑥50.50 , 𝐷𝑎𝑡𝑎𝑏𝑎𝑠𝑒 = 𝑥51.1 ⋯ 𝑥51.50 ⋮ ⋱ ⋮ 𝑥100.1 ⋯ 𝑥100.50
Bagan Eksperimen
Data Preprocessing Feature
Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network
Neural Network
• Neural Network – Transmisi informasi • Sinyal Elektrokimia • Sinapsis • Nilai ambang– Mc Culloch dan Pitts
– Tahun 1940 : Model matematis – “Perceptron”
Backpropagation Neural Network
BPNN Uji BPNN Pembelajaran
Data Preprocessing Transformasi
Data Principal Component Analysis Neural Network Backpropagation Target Nilai bobot Er < 0,01 Neural Network Backpropagation Recognition Rate • Bagan Eksperimen – Pembelajaran – Uji • Data dibagi 2 – Data training (50) – Data test (50)
Backpropagation Neural Network
• Arsitektur Eksperimen – Lapisan Input • 50 – Lapisan Hidden • 100 – Lapisan Output • 10 / 5 – Target berurutan – A-B-C-…Backpropagation Neural Network
• Langkah-langkah BPNN
– Inisialisasi Bobot (Nguyen Widrow)
Faktor Skala
- 𝛽 = 0.7 (𝑃) 1 𝑛
Bobot Acak - nilai acak antara
0,5 sampai -0,5 Nilai Mutlak - 𝑉𝑖𝑗 = σ𝑖=1𝑖 (𝑉𝑖𝑗)2 - 𝑊𝑗𝑘 = σ𝑖=1𝑖 (𝑊𝑗𝑘)2 Bobot baru - 𝑉𝑖𝑗𝑛𝑒𝑤 = 𝛽.𝑉𝑖𝑗𝑜𝑙𝑑 | 𝑉𝑖𝑗 | - 𝑉𝑖𝑗𝑛𝑒𝑤 = 𝛽.𝑉𝑖𝑗𝑜𝑙𝑑 | 𝑉𝑖𝑗 |
Backpropagation Neural Network
– PembelajaranData Training
- Masuk per citra (vektor)
Feed Forward Error dan Feed Backward
Pembaruan Bobot - 𝑉𝑖𝑗 𝑛𝑒𝑤 = 𝑉𝑖𝑗 𝑜𝑙𝑑 + ∆𝑉𝑖𝑗 - 𝑊𝑗𝑘 𝑛𝑒𝑤 = 𝑊𝑗𝑘 𝑜𝑙𝑑 + ∆𝑊𝑗𝑘 Stopping Condition - Error total < 0.01 / Epoch = 500 - Simpan bobot
Backpropagation Neural Network
– UjiData Test
- Masuk per citra (vektor)
Feed Forward
Hasil Klasifikasi
- Hasil klasifikasi BPNN
Bagan Eksperimen
Data Preprocessing Feature
Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Recognition Rate
Recognition Rate
• Satuan yang menyatakan rasio pengenalan
• 𝑅𝑅 = 𝐶𝑖𝑡𝑟𝑎 𝑦𝑎𝑛𝑔 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙 𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖
Hasil Eksperimen – Data Penulis
0% 20% 40% 60% 80% 100% A B C D E F G H I J TOTAL RR ORANGRecognition Rate Minimum Distance Pattern Classifier – Data Penulis
MDPC-Recogniton Rate 30*30 MDPC-Recognition Rate 30*30-PCA MDPC-Recognition Rate 50*50 MDPC-Recognition Rate 50*50-PCA
Hasil Eksperimen – Data Penulis
0% 20% 40% 60% 80% 100% A B C D E F G H I J TOTAL RR ORANGRecognition Rate Backpropagation Neural Network - Data Penulis
BPNN-Recognition Rate 30x30-PCA BPNN-Recognition Rate 50x50-PCA
Hasil Eksperimen – Data FERET
0% 20% 40% 60% 80% 100% A B C D E TOTAL RR OrangRecognition Rate Minimum Distance Pattern Classifier - Data FERET
MDPC-Recognition Rate 30x30-FERET MDPC-Recognition Rate 30x30-PCA-FERET MDPC-Recognition Rate 50x50-FERET MDPC-Recognition Rate 50x50-PCA-FERET
Hasil Eksperimen – Data FERET
0% 20% 40% 60% 80% 100% A B C D E TOTAL RR OrangRecognition Rate Backpropagation Neural Network - FERET
BPNN-Recognition Rate 30x30-PCA-FERET BPNN-Recognition Rate 50x50-PCA-FERET
Kesimpulan
• Peran feature extraction dalam pattern recognition yang sangat dominan
• Hasil Principal Component Analysis sangat bergantung pada
pemotongan ukuran dimensi datanya, yang didasari dari nilai eigen • Neural Network Backpropagation bekerja lebih baik dibandingkan
dengan classifier Minimum Distance Pattern Classification
• Neural Network Backpropagation dapat mengenali ekspresi wajah walau hanya sekedar mirip, sedangkan Minimum Distance Pattern
Classification sangat bergantung dengan kesamaan antara citra
• Data FERET memiliki hasil yang kurang karena variansi citra yang banyak tetapi data yang sedikit
Saran
• Ada potensi besar bahwa penelitian ini dapat dibawa ke jenjang selanjutnya dengan cara
ekspresi manusia yang lebih dirumitkan, karena dengan begitu lebih terlihat jelas perbandingan antara kedua metode