PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA

(1)

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.

(2)

Latar Belakang

• Manusia mengenali objek

– Pola

• Mengenali sesama manusia

– Warna kulit – Tinggi badan – Rambut

– Wajah

(3)

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

(4)

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?

(5)

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)

(6)

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

(7)

Batasan Masalah

• Metode yang digunakan

– Minimum Distance Pattern Classifier (MDPC) – Neural Network Backpropagation (BPNN)

• Program yang digunakan

– Matlab – iPhoto

(8)

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

(9)

Data Preprocessing Feature Transformation Feature Extraction Classifier Recognition Rate

Bagan Eksperimen

Minimum Distance Pattern Classifier Backpropagation Neural Network Data Recognition Rate

(10)

Data

• 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

(11)

Data

• Data FERET

– Database FERET (The Facial Recognition Technology)

– Website www.nist.gov – Email spesifik

– 5 orang dengan 10 ekspresi – Total 50 foto

(12)

Bagan Eksperimen

Data Preprocessing Feature

Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network Recognition Rate

(13)

Preprocessing

• iPhoto

– Memotong foto – Black & White – Resize pixels

• 30x30 • 50x50

(14)

Preprocessing

• Data Penulis

– 30x30 – 50x50

(15)

Preprocessing

• Data FERET

– 30x30 – 50x50

(16)

Bagan Eksperimen

(17)

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

(18)

Transformasi Data

• Matrix Data – Diurutkan • Ekspresi • Orang • Database • P (30x30) • P (50x50) • F (30x30) • F (50x50)

(19)

Bagan Eksperimen

(20)

Feature Extraction

• Principal Component Analysis

– Z-Score

• Normalisasi Data

• Merepresentasikan data lebih baik • 𝑍 = 𝑋−𝑢

𝜎

(21)

Principal Component Analysis

Data Z-Score -n dimensi -redundant Matriks Kovarian 𝐶_𝑧 = 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 × 𝑍

(22)

(23)

(24)

(25)

(26)

(27)

Bagan Eksperimen

(28)

Minimum Distance Pattern Classifier

• Classifier – Jarak terpendek • Vektor • Definisi kemiripan • 𝑑𝑥 = σ 𝑥_𝑘 − 𝑚_𝑘 𝑇. 𝑥_𝑘 − 𝑚_𝑘

(29)

Minimum Distance Pattern Classifier

• Bagan Eksperimen

• Melalui PCA

• Tidak melalui PCA

Data Preprocessing Feature Transformation Principal Component Analysis Minimum Distance Pattern Classifier Recognition Rate

(30)

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 𝑥_𝑘 − 𝑚_𝑘 𝑇. 𝑥_𝑘 − 𝑚_𝑘 𝐷𝑎𝑡𝑎𝑡𝑒𝑠𝑡 = 𝑥_1.1 ⋯ 𝑥_1.50 ⋮ ⋱ ⋮ 𝑥_50.1 ⋯ 𝑥_50.50 , 𝐷𝑎𝑡𝑎𝑏𝑎𝑠𝑒 = 𝑥_51.1 ⋯ 𝑥_51.50 ⋮ ⋱ ⋮ 𝑥_100.1 ⋯ 𝑥_100.50

(31)

Bagan Eksperimen

Transformation Feature Extraction Classifier Recognition Rate Minimum Distance Pattern Classifier Backpropagation Neural Network

(32)

Neural Network

• Neural Network – Transmisi informasi • Sinyal Elektrokimia • Sinapsis • Nilai ambang

– Mc Culloch dan Pitts

– Tahun 1940 : Model matematis – “Perceptron”

(33)

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)

(34)

Backpropagation Neural Network

• Arsitektur Eksperimen – Lapisan Input • 50 – Lapisan Hidden • 100 – Lapisan Output • 10 / 5 – Target berurutan – A-B-C-…

(35)

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 = σ_𝑖=1𝑖 (𝑉𝑖𝑗)2 - 𝑊𝑗𝑘 = σ_𝑖=1𝑖 (𝑊𝑗𝑘)2 Bobot baru - 𝑉𝑖𝑗_𝑛𝑒𝑤 = 𝛽.𝑉𝑖𝑗𝑜𝑙𝑑 | 𝑉𝑖𝑗 | - 𝑉𝑖𝑗_𝑛𝑒𝑤 = 𝛽.𝑉𝑖𝑗𝑜𝑙𝑑 | 𝑉𝑖𝑗 |

(36)

Backpropagation Neural Network

– Pembelajaran

Data Training

- Masuk per citra (vektor)

Feed Forward Error dan Feed Backward

Pembaruan Bobot - 𝑉_𝑖𝑗 𝑛𝑒𝑤 = 𝑉_𝑖𝑗 𝑜𝑙𝑑 + ∆𝑉_𝑖𝑗 - 𝑊_𝑗𝑘 𝑛𝑒𝑤 = 𝑊_𝑗𝑘 𝑜𝑙𝑑 + ∆𝑊_𝑗𝑘 Stopping Condition - Error total < 0.01 / Epoch = 500 - Simpan bobot

(37)

Backpropagation Neural Network

– Uji

Data Test

- Masuk per citra (vektor)

Feed Forward

Hasil Klasifikasi

- Hasil klasifikasi BPNN

(38)

Bagan Eksperimen

(39)

Recognition Rate

• Satuan yang menyatakan rasio pengenalan

• 𝑅𝑅 = 𝐶𝑖𝑡𝑟𝑎 𝑦𝑎𝑛𝑔 𝑏𝑒𝑟ℎ𝑎𝑠𝑖𝑙 𝑑𝑖𝑘𝑒𝑛𝑎𝑙𝑖

(40)

Hasil Eksperimen – Data Penulis

0% 20% 40% 60% 80% 100% A B C D E F G H I J TOTAL RR ORANG

Recognition 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

(41)

Hasil Eksperimen – Data Penulis

0% 20% 40% 60% 80% 100% A B C D E F G H I J TOTAL RR ORANG

Recognition Rate Backpropagation Neural Network - Data Penulis

BPNN-Recognition Rate 30x30-PCA BPNN-Recognition Rate 50x50-PCA

(42)

Hasil Eksperimen – Data FERET

0% 20% 40% 60% 80% 100% A B C D E TOTAL RR Orang

Recognition 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

(43)

Hasil Eksperimen – Data FERET

0% 20% 40% 60% 80% 100% A B C D E TOTAL RR Orang

Recognition Rate Backpropagation Neural Network - FERET

BPNN-Recognition Rate 30x30-PCA-FERET BPNN-Recognition Rate 50x50-PCA-FERET

(44)

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

(45)

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

(46)