PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)
UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR
SKRIPSI
Diajukan untuk Memenuhi Syarat Memperoleh
Gelar Sarjana Komputer
Program Studi Ilmu Komputer
Oleh
RATIH PUJIHATI 1001126
PROGRAM STUDI ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA
▸ Baca selengkapnya: topeng merupakan tiruan wajah untuk memerankan suatu karakter atau
(2)PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)
UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR
Oleh :
Ratih Pujihati
1001126
Sebuah skripsi yang diajukan untuk memenuhi syarat memperoleh gelar Sarjana
pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam
© Ratih Pujihati 2014
Universitas Pendidikan Indonesia
Mei 2014
Hak Cipta dilindungi undang-undang.
Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian,
PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)
UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR
Oleh:
Ratih Pujihati
1001126
DISETUJUI DAN DISAHKAN OLEH:
Pembimbing I
Dr. Wawan Setiawan, M.Kom
NIP. 196601011991031005
Pembimbing II
Eddy Prasetyo Nugroho, MT
NIP. 197505152008011014
Mengetahui,
Ketua Program Studi Ilmu Komputer
Rasim, MT
LEMBAR PERNYATAAN
Saya menyatakanbahwaskripsi yang berjudul “Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk Pengenalan Wajah dengan
Citra Wajah Gaussian Blur” inisepenuhnyakaryasayasendiri. Tidakadabagian di
dalamnya yang merupakanplagiatdarikarya orang
laindansayatidakmelakukanpenjiplakanataupengutipandengancara-cara yang
tidaksesuaidenganetikakeilmuan yang berlakudalammasyarakatkeilmuan.
Ataspernyataanini,sayasiapmenanggungresiko/sanksi
yangdijatuhkankepadasayaapabilakemudianditemukanadanyapelanggaranterhadap
etikakeilmuandalamkaryasayaini, atauadaklaimdaripihak lain
terhadapkeasliankaryasayaini.
Bandung, Mei2014
Yang membuat pernyataan,
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR ISI
ABSTRAK ... i
KATA PENGANTAR ... iii
UCAPAN TERIMA KASIH ... iv
DAFTAR ISI ... vi
DAFTAR TABEL ... x
DAFTAR GAMBAR ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Identifikasi Masalah... 4
1.3 TujuanPenelitian ... 4
1.4 Batasan Masalah ... 5
1.5 Manfaat Penelitian ... 5
1.6 Definisi Operasional ... 6
1.7 Metodologi Penelitian ... 7
1.8 SistematikaPenulisan ... 8
BAB II TINJAUAN PUSTAKA ... 12
2.1 Definisi Citra ... 12
2.1.1. Definisi Citra Analog ... 12
2.1.2. Definisi Citra Digital ... 13
2.2 Computer Vision ... 13
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2.3.1. Macam-macam Penerapan Digital Image Processing ... 15
2.4Jaringan Syaraf Tiruan ... 21
2.4.1. Definisi Jaringan Syaraf Tiruan... 21
2.4.2. Model Neuron (selsaraf) ... 22
2.4.3. FungsiAktivasi ... 24
2.4.4. MetodePembelajaran ... 25
2.4.5. ArsitekturJaringan... 26
2.5 Metode Learning Vector Quantization (LVQ)... 29
2.5.1. Definisi Learning Vector Quantization (LVQ) ... 29
2.5.2. Arsitektur LVQ ... 30
2.5.3. Algoritma LVQ ... 31
2.6Gaussian Blur... 32
2.6.1. Pengaruh Gaussian Blur pada Nilai Piksel Citra Wajah ... 34
2.7 MATLAB ... 37
BAB III METODOLOGI PENELITIAN ... 38
3.1 MetodePenelitian ... 38
3.1.1. Studi Literatur ... 38
3.1.2. Pengembangan Sistem ... 38
3.2 DesainPenelitian ... 40
3.3 AlatdanBahan Penelitian ... 45
3.3.1. Alat Penelitian ... 45
3.3.2. Bahan Penelitian ... 46
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.4.1. ProsedurPengerjaanPenelitian ... 46
3.4.2. Pengumpulan Data ... 47
BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 49
4.1 AnalisisSistem ... 49
4.1.1. DeskrpsiUmumSistem ... 40
4.1.2. PerhitunganPengenalanWajah ... 49
4.2AnalisisKebutuhanSistem ... 64
4.2.1. BatasandanAsumsiAnalisis ... 64
4.2.2. MasukanSistem ... 64
4.2.3. Model Proses Sistem ... 65
4.2.4. KeluaranSistem ... 67
4.3PerancanganSistem ... 68
4.3.1. Perancangan Data ... 68
4.3.2. PerancanganAntarmukaSistem ... 69
4.4ImplementasiSistem ... 73
4.4.1. Implementasi Data ... 73
4.4.2. ImplementasiModul ... 77
4.4.3. ImplementasiAntarmuka ... 83
4.5 Pengujian ... 84
4.5.1. PengujianSistem ... 84
4.5.2. PengujianImplementasiKebutuhanFungsionalitasSistem ... 86
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB V KESIMPULAN DAN SARAN ... 93
5.1 Kesimpulan ... 93
5.2 Saran ... 95
DAFTAR PUSTAKA ... xiii
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR TABEL
Tabel 2.1 Nilai Piksel pada Citra Wajah Asli ... 34
Tabel 2.2 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 1.0 ... 35
Tabel 2.3 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 2.0 ... 35
Tabel 2.4 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 3.0 ... 36
Tabel 2.5 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 4.0 ... 36
Tabel 2.6 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 5.0 ... 37
Tabel 4.1 Properti antarmuka ... 70
Tabel 4.2 Modul yang Terdapat Pada Tahap Pra Proses ... 78
Tabel 4.3 Modul yang Terdapat Pada Feature extraction ... 79
Tabel 4.4 Modul yang Terdapat Pada Tahap Testing dengan Jaringan Syaraf Tiruan Learning Vector Quantization ... 80
Tabel 4.5 Persentase Akurasi Pengenalan Wajah Berdasarkan Responden ... 87
Tabel 4.6 Persentase Akurasi Pengenalan Wajah Berdasarkan TingkatBlur ... 89
Tabel 4.7 Persentase Akurasi Pengenalan Wajah Berdasarkan Pose Wajah ... 90
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR GAMBAR
Gambar 2.1 Sistem Computer Vision (Saepudin, 2013) ... 14
Gambar 2.2 Model Neuron (Wuryandari, dkk 2012) ... 23
Gambar 2.3 Model Neuron (Wuryandari, dkk 2012) ... 23
Gambar 2.4 Jaringan Dengan Lapisan Tunggal (Wuryandari dkk, 2012) ... 27
Gambar 2.5 Jaringan Dengan Banyak Lapisan (Wuryandari dkk, 2012) ... 28
Gambar 2.6 Jaringan Dengan Lapisan Kompetitif (Wuryandari dkk, 2012) ... 28
Gambar 2.7 Arsitektur Jaringan LVQ (S. Heranurweni, 2010)... 30
Gambar 2.8 Gambar Asli ... 33
Gambar 2.9 Gaussian Blur Tingkat 1 ... 33
Gambar 2.10 Gaussian Blur Tingkat 2 ... 33
Gambar 2.11 Gaussian Blur Tingkat 3 ... 33
Gambar 2.12 Gaussian Blur Tingkat 4 ... 33
Gambar 2.13 Gaussian Blur Tingkat 5 ... 33
Gambar 3.1 Model Pengembangan Perangkat Lunak (Pressman, 2001) ... 40
Gambar 3.2 Desain Penelitian ... 41
Gambar 4.1 Alur Proses Sistem Faren ... 50
Gambar 4.2 Tahap Segmentasi Masukan Citra Wajah ... 52
Gambar 4.3 TahapPraprosesMasukan Citra Wajah ... 55
Gambar 4.4 TahapFeature extractionMasukan Citra Wajah ... 57
Gambar 4.5 Detail Alur Proses Pengenalan Wajah Sistem Faren ... 63
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Gambar 4.7 Data Flow Diagram Level 1 Sistem Faren... 66
Gambar 4.8 Dialog Chart Faren ... 70
Gambar 4.9 Rancangan Antarmuka Sistem Faren ... 72
Gambar 4.10 Implementasi Arsitektur Jaringan pada Faren ... 75
Gambar 4.11 Implementasi Antarmuka Sistem Faren ... 84
Gambar 4.12 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Responden ... 88
Gambar 4.13 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Tingkat Blur ... 89
Gambar 4.14 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Pose Wajah ... 91
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu i
ABSTRAK
PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)
UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR
Ratih Pujihati
1001126
Identifikasi biometrik dapat dijadikan sebagai suatu alternatif untuk sistem keamanan. Identifikasi biometrik merupakan pengembangan dari metode dasar identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya, yaitu karakteristik fisiologis dan karakteristik perilaku. Karakteristik fisiologis adalah ciri fisik yang relatif stabil seperti sidik jari, siluet tangan, ciri khas wajah, pola gigi, atau retina mata. Sedangkankarakteristikperilaku, sepertitandatangan, polaucapan, atauritmemengetik. Pengenalan wajah (face recognition) adalah salah satu teknik identifikasi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya.Pada perkembangan teknologi saat ini, banyak sistem aplikasi yang berbasis pada pengenalan wajah, namun hanya untuk pengenalan wajah normal (tanpa blur). Sedangkan pada kenyataannya, data citra wajah yang didapatkan tidak selalu merupakan data citra wajah normal (tanpa blur).Berdasarkanhaltersebut, makapenelitianinidilakukanuntukpengenalanwajahpada citrawajahdengantingkat blur yang bervariasi yaitu tingkat 1 sampai 5. Salah satujenis blur yang digunakanyaitu Gaussian Blur.
Saatini, metode yang
dianggapakuratdalampengenalanwajahadalahJaringan Syaraf Tiruan Learning Vector Quantization. Pada penelitian ini, metode tersebut akan diterapkan pada tahap recognition (pengecekan dan pengkategorian inputan). Adapun urutan proses pengenalannya adalah Masukan – Pra Proses – Feature Extraction – Pengenalan – Hasil.
Sistem yang dikembangkan telah berhasil mengenali wajah pada citra wajah Gaussian Blur yang bervariasi dengan menghasilkan persentase akurasi terbaik yaitu 93,33%. Dengan persentase tersebut, dapat disimpulkan bahwa sistem dapat menghasilkan pengenalan wajah yang akurat.
Kata Kunci:Biometrik, Pengenalan Wajah, Learning Vector Quantization, Citra
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu iii
ABSTRACT
THE APPLICATION OF NEURAL NETWORK LEARNING VECTOR QUANTIZATION (LVQ) METHOD
IN FACE RECOGNITION WITH GAUSSIAN BLURFACE IMAGE
Ratih Pujihati
1001126
Biometric identification can be used as an alternative for security system. Biometric identification is the development of identification basic methodby using the natural characteristics human as its base, those are physiological characteristicsand behavioral characteristics. Physiological characteristic is physical characteristics which are relatively stable such as fingerprints , hand silhouettes, characteristic facial , dental patterns, or retina of the eye. While the behavioral characteristics, such as signature, speech patterns, or typing rhythm. Face recognition is one of the biometric identification by using the individuals concerned face as the main parameter. In the current technological developments, many application systems based on face recognition, but only for normal face recognition ( no blur ). While in fact, the face image data obtained is not only a normal face image data ( no blur ). Based on that phenomenon, the research is done for face recognition on a face image with the varation levels of blur. One type of blurs that is used is Gaussian Blur.
Nowadays, the method that is concerned accurate in face recognition is Artificial Neural Network Learning Vector Quantization. In this research, the method will be applied to the recognition step (checking and categorizing input). The steps of this recognition are Input - Pre Process - Feature Extraction - Recognition - Output.
The system developed has been recognizing faces successfully in a face image with varying Gaussian Blur produces the best accuracy percentage is 93.33%. With these percentages, it can be concluded that the system can produce accurate face recognition.
Keyword:Biometrics, Facial Recognition, Learning Vector Quantization, Gaussian
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB I
PENDAHULUAN
1.1 Latar Belakang
Masalah keamanan (security) merupakan salah satu isu yang sangat penting
akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk
permasalahan tersebut adalah keamanan biometrik, suatu teknologi yang mengacu
ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.
Biometrik yang merupakan pengembangan darimetode dasar identifikasi
dengan menggunakankarakteristik alami manusia sebagai basisnya. Biometrik
mencakup karakteristik fisiologis dankarakteristik perilaku. Karakteristik
fisiologis adalahciri fisik yang relatif stabil seperti sidik jari, siluettangan, ciri
khas wajah, pola gigi, pola iris, atau retinamata. Sedangkan karakteristik perilaku,
seperti tandatangan, pola ucapan, atau ritme mengetik, selainmemiliki basis
fisiologis yang relatif stabil, jugadipengaruhi kondisi psikologis yang mudah
berubah.Pengenalan wajah (face recognition)adalah salah satu teknik identifikasi
teknologi biometrik dengan menggunakan wajah individu yang bersangkutan
sebagai parameter utamanya.
Pada proses pengenalan wajah diperlukan metode yang sesuai untuk
mendapatkan hasil pengenalan wajah yang terbaik.Proses pengenalan wajah telah
banyak dikaji dengan berbagai metode antara lain metode Backpropagation, Self
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
memiliki performa yang cukup baik untuk pengenalan data citra wajah standar,
3
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
beberapa penelitian terdahulu. Namun pada kenyataannya data citra wajah
yang didapatkan tidak selalu merupakan data citra wajah normal, data dapat
berupa citra wajah dengan intensitas cahaya yang berubah-ubah dan juga data
citra wajah yang memiliki tingkat bluryang bervariasi. Data citra wajah yang
bervariasi dapat menyebabkan tingkat pengenalan wajah yang rendah, sehingga
perlu dikembangkan suatu metode yang dapat menghasilkan tingkat pengenalan
wajah yang baik untuk data citra wajah yang memiliki tingkat blur yang
bervariasi.
Penelitian dengan judul Pengenalan Wajah Menggunakan Learning Vector
Quantization(S. Heranurweni, 2010) membuat sistem pengenalan wajah dengan
melatih citra melalui proses Pulse Coupled Neural Network (PCNN) yaitu proses
restorasi, segmentasi, dan deteksi terlebih dahulu sebelum masuk pada proses
LVQ. Selanjutnya keluaran dari PCNN yang telah dinormalisasi akan menjadi
masukan pada Jaringan Syaraf Tiruan LVQ. Metode untuk menganalisa hasil
LVQ adalah dengan cara melakukan persentase terbanyak dari hasil pencarian
jarak terdekat terhadap bobot yang telah tersimpan dalam proses learning.
Penelitian ini menyatakan bahwa Jaringan Syaraf Tiruan PCNN dan LVQ mampu
bekerja dengan baik untuk pengenalan wajah. Tingkat akurasi sistem LVQsetelah
dilakukan beberapa kali proses learning (setiap gambar dilakukan 2 kali proses
learning) adalah 86,67%.
Penelitian lain dengan judul Learning Vector Quantizationdengan Logika
4
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Cahaya (Putri, Novia R, 2012) membuat sistem pengenalan wajah dengan variasi
tingkat cahaya pada citra. Tingkat pengenalan menggunakan LVQ mengalami
penurunan jika data yang digunakan terdiri atas beberapa variasi,oleh karenaitu
dikembangkanlah metode logika Fuzzy yang mampu meningkatkan tingkat
pengenalan dan performa dari LVQ. Proses pengenalannya adalah data citra wajah
yang telah dinormalisasi menjadi masukan untuk metode LVQ. Selanjutnya
keluaran dari LVQ, akan menjadi masukan untuk metode Fuzzy setelah melalui
proses Fuzzyfikasi. Fuzzyfikasi merupakan proses pembentukan data Fuzzy yang
berasal dari data citra wajah menjadi bilangan Fuzzy. Rata-rata perbedaan tingkat
rekognisi dari percobaan antara metode LVQ tanpa Fuzzy dan metode Fuzzy
LVQ adalah sebesar 40%. Sehingga cukup membuktikan bahwa dengan logika
Fuzzy dapat meningkatkan performa dari LVQ.
Penelitian dengan metode LVQ yang telah dilakukan dapat memperoleh
tingkat akurasi yang tinggi, namun untuk pengenalan wajah dalam kondisi normal
(tanpa blur). Berdasarkan hal tersebut, maka penelitian ini dilakukan untuk
pengenalan wajah dengan wajah yang memiliki variasi tingkat blurmenggunakan
metode LVQ. Kajian ini dilakukan pada salah satu jenis bluryaitu Gaussian Blur.
Dalam pembangunan sistem pada penelitian ini, digunakan bahasa
pemrograman Matrix Laboratory (MATLAB). MATLAB dibangun sebagai
bahasa pemrograman sekaligus alat visualisasi, yang menawarkan banyak
5
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
dengan disipilin keilmuan Matematika, seperti bidang rekayasa teknik, fisika,
statistika, komputasi dan modeling (Away, Gunaidi Abdia. 2010).
1.2 Identifikasi Masalah
Secara umum permasalahan yang akan dikaji dalam penelitian ini adalah
bagaimana implementasi metode Jaringan Syaraf TiruanLearning Vector
Quantization (LVQ)dapat melakukan pengenalan wajah pada data citra wajah
dengan tingkat Gaussian bluryang bervariasi?
Secara khusus permasalahan penelitian ini adalah sebagai berikut :
a. Bagaimana cara kerja metodeJaringan Syaraf Tiruan Learning Vector
Quantization (LVQ) untuk pengenalan wajah pada data citra wajah dengan
tingkat Gaussian blur yang bervariasi?
b. Bagaimana persentase akurasi yang dihasilkan sistem pengenalan wajah pada
citra wajah dengan tingkat Gaussian bluryang bervariasi dengan
metodeLearning Vector Quantization (LVQ) ?
1.3 Tujuan Penelitian
Tujuan umum penelitian ini adalah mengetahui implementasi metode
Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dalam
mengenaliwajah pada data citra wajah dengan tingkat Gaussian blur yang
6
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Tujuan khusus penelitian ini adalah sebagai berikut :
a. Memahami cara kerja Jaringan Syaraf Tiruan Learning Vector Quantization
(LVQ) untuk pengenalan wajah pada data citra wajah dengan tingkat
Gaussian blur yang bervariasi.
b. Mengetahui persentase akurasi yang dihasilkan sistem pengenalan wajah pada
data citra wajah dengan tingkat Gaussian bluryang bervariasi dengan
metodeLearning Vector Quantization (LVQ).
1.4 Batasan Masalah
Beberapa batasan masalah dalam penelitian Penerapan Metode Learning
Vector Quantization (LVQ) untuk pengenalan wajah dengan citra wajah Gaussian
blur adalah sebagai berikut:
a. Sistem hanya dapat mengenali citra wajah dengan tingkat Gaussian Blur 1
sampai 5.
b. Sistem hanya mengenali citra wajah tunggal.
c. Pengenalan wajah dilakukan secara offline.
d. Citra wajah memiliki format *.jpg
1.5 Manfaat Penelitian
Adapun manfaat yang diharapkan dari penelitian Penerapan Metode
Learning Vector Quantization (LVQ) untuk pengenalan wajah dengan citra wajah
7
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
e. Bagi Peneliti
Peneliti diharapkan mendapatkan pengetahuan baru mengenai identifikasi
biometrik khususnya untuk pengenalan wajah. Selain itu, peneliti mengetahui
proses penerapan metode LVQ untuk pengenalan wajah dengan tingkat
Gaussian bluryang bervariasi.
f. Bagi Pihak Lain
Hasil penelitian ini diharapkan dapat menjadi langkah awal untuk
pengembangan teknologi agar dalam membangun aplikasi pengenalan wajah
pada teknologi komputer. Selain itu diharapkan manfaat lain oleh pengguna
keamanan biometrik untuk mempermudah identifikasi pengenalan wajah pada
citra wajah dengan tingkatGaussian blur.
1.6 Definisi Operasional
Adapun definisi operasional pada penelitian ini meliputi hal-hal sebagai
berikut:
a. Identifikasi Pengenalan Wajah
Data yang digunakan merupakan citra wajah tanpa Gaussian Blur dan citra
dengan tingkat Gaussian Blur yang bervariasi.
b. Masukan yang Diterima
Secara umum, ada 2 cara untuk meng-input-kan wajah ke dalam komputer,
yaitu dengan online dan offline. Cara online, maksudnya adalah pengguna
8
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
lain yaitu webcam. Sedangkan cara offline adalah dengan melakukan foto
wajah kemudian foto tersebut dimasukkan ke komputer.
Pada penelitian ini masukan yang diterima dibatasi secara offline, karena citra
wajah akan diberibluruntuk menjadi masukan pada sistem sebelum masuk ke
proses pengenalan. Jenis blur yang digunakan pada penelitian ini adalah
Gaussian Blur tingkat 1.0, 2.0, 3.0, 4.0, dan 5.0. Pemberian blur pada citra
wajah adalah secara manual menggunakan aplikasi Photoshop CS5. Ukuran
citra wajah yang menjadi masukan tidak ditentukan ukuran pikselnya, karena
sistem akan otomatis melakukan pemotongan citra sesuai yang dibutuhkan.
1.7 Metodologi Penelitian
Metode-metode yang digunakan pada penelitian ini adalah, sebagai berikut:
a. Kajian Pustaka
Kajian Pustaka dilakukan dengan mengumpulkan data dan informasi baik
dari buku-buku bacaan, jurnal, maupun artikel-artikel yang berasal dari
internet yang berkaitan pengenalan wajah menggunakan metode LVQ.
b. Pembuatan Perangkat Lunak
Hasil akhir penelitian adalah sebuah perangkat lunak yang dapat melakukan
pengenalan wajah pada citra wajah dengan tingkat Gaussian blur yang
bervariasi pada citra wajah masukan.
9
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Tahap ini dilakukan untuk melihat perbandingan antara hasil pengenalan
wajah secara manual, dengan hasil dari perangkat lunak yang dibuat. Selain
itu, tahap ini dilakukan untuk mengurangi tingkat error pada sistem
perangkat lunak dengan cara memasukan data dummy untuk pengenalan
wajah.
d. Eksperimen
Setelah tahap uji coba dilakukan, selanjutnya adalah tahap eksperimen yaitu
dengan melakukan pengenalan wajah dengan data yang sebenarnya untuk
mengetahui tingkat akurasi pengenalan wajah.
1.8 Sistematika Penulisan
Sistematika penulisan dalam penelitian ini adalah sebagai berikut:
BAB I PENDAHULUAN
Pada Bab Pendahuluan ini disajikan beberapa point yang termasuk
dalam pendahuluan mengenai penelitian ini, diantaranya:
1.1. Latar Belakang: menjelaskan mengenai alasan dilakukannya
penelitian, penjelasan teori, pemaparan penelitian-penelitian yang
sudah ada terlebih dahulu, alasan pemilihan metode penelitian,
algoritma pada penelitian, dan lain-lain.
1.2. Identifikasi Masalah: menjelaskan mengenai permasalahan umum
dan permasalahan khusus yang akan dibahas dan diteliti pada
10
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
1.3. Tujuan Penelitian: menjelaskan mengenai tujuan umumdan tujuan
khusus dilakukan penelitian.
1.4. Manfaat Penelitian: menjelaskan manfaat yang yang akan
didapatkan setelah penelitian dilakukan, baik manfaat untuk
peneliti maupun untuk masyarakat.
1.5. Definisi Operasional: membahas mengenaidefinisi operasional
pada penelitian, seperti batasan masukan yang akan diolah oleh
sistem.
1.6. Metodologi Penelitian: memaparkan alur dan metode-metode yang
digunakan saat penelitian.
1.7. Sistematika Penulisan: berisi urutan penulisan pada dokumentasi
penelitian.
BAB II TINJAUAN PUSTAKA
Pada Bab Tinjauan Pustaka memaparkan teori-teori yang mendukung dan
berhubungan dengan penelitian mengenai penerapan metode LVQ untuk
pengenalan wajah. Teori tersebut meliputi:
2.1 Definisi Citra, meliputi pengertian mengenai citra.
2.2 Teori Computer Vision, meliputi penjelasan mengenai pengertian dan
penjelasan proses Computer Vision untuk pengenalan citra.
2.3 Teori Digital Image Processing, meliputi pengertian dan penjelasan
11
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
2.4 Jaringan Syaraf Tiruan, berisi penjelasan teori, arsitektur, dan proses
dari Jaringan Syaraf Tiruan.
2.5 Metode Learning Vector Quantization, berisi penjelasan metode,
arsitektur, dan algoritma dari LVQ.
2.6 Gaussian Blur, meliputi pengertian dan penjelasan mengenai Gaussian
Blur yang merupakan jenis blur yang dipakai untuk penelitian
pengenalan wajah.
2.7 Matlab, meliputi pemaparan sejarah dan fungsi perangkat lunak
pendukung penelitian.
BAB III METODE PENELITIAN
Pada Bab ini memaparkan tentang metode-metode yang akan dilakukan
untuk penelitian sebagai berikut:
3.1 Metode Peneltian, menjelaskan mengenai urutan metode yang
dilakukan pada penelitian.
3.2 Desain Penelitian, menjabarkan alur yang dilakukan pada saat
penelitian. Mulai dari pengumpulan informasi hingga tahap
eksperimen.
3.3 Alat dan Bahan Penelitian, berisi kebutuhan-kebutuhan pada saat
penelitian, baik perangkat lunak, perangkat keras, maupun bahan
12
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3.4 Implementasi Penelitian, berisi bagaimana metode penelitian akan
diterapkan.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
Bab ini memaparkan tentang implementasi dan pembahasan penelitian
Penerapan Metode LVQ untuk Pengenalan Wajah dengan Citra Wajah
Gaussian Blursebagai berikut:
4.1 Analisis Sistem, menjabarkan mengenai deskrpsi umum sistem yang
dibangun, dan proses perhitungan sehingga sistem dapat melakukan
pengenalan wajah dengan menggunakan metode LVQ.
4.2 Analisis Kebutuhan Sistem, berisi mengenai deskripsi kebutuhan
sistem, model dan alur sistem.
4.3 Perancangan Sistem, menjelaskan rancangan data yang digunakan
dalam penelitian, dan rancangan antarmuka sistem.
4.4 Implementasi Sistem, memaparkan implementasi data, modul program,
dan implementasi antarmuka berdasarkan rancangan yang telah
dibuatpada tahap perancangan sistem.
4.5 Pengujian Sistem, memperlihatkan skenario pengujian yang dilakukan
pada sistem yang dibangun.
4.6 Pembahasan Hasil Pengujian, menjabarkan hasil pengujian berdasarkan
skenario pengujian, serta analisis dan kesimpulan dari hasil pengujian
13
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB V PENUTUP
5.1 Kesimpulan, yang berisi pencapaian tujuan dari penelitian yang
dilakukan.
5.2 Saran, berisi tentang hal-hal yang dirasa belum sempurna dari
penelitian yang dilakukan.
LAMPIRAN
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB III
METODOLOGI PENELITIAN
3.1 Metode Penelitian
Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi
penelitian, yaitu studi literatur, pengembangan perangkat lunak, uji coba, dan
eksperimen.
3.1.1 Studi Literatur
Studi literatur bertujuan untuk mempelajari teori-teori yang berhubungan
dengan pengenalan wajah dengan Jaringan Syaraf TiruanLearning Vector
Quantization (LVQ) dengancitra wajah Gaussian Blurseperti image processing,
pattern recognition, face recognition, mempelajari penggunaan Gaussian Blur
pada citra wajah, dan metode LVQ untuk pengenalan wajah. Bahan-bahan studi
literatur diperoleh dari buku-buku baik lokal maupun terjemahan buku
internasional, artikel-artikel, jurnal, dan ebook dari internet.
3.1.2 Pengembangan Sistem
Dalam tahap pengembangan sistem menggunakan metode pendekatan
terstruktur dengan menggunakan model sekuensial linear. Dimana tahapan –
tahapan model ini adalah analisis, desain, codingdan testing.
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Tahap analisis adalah tahap pengumpulan informasi yang berkaitan
39
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
perangkat keras, maupun perangkat lunak. Pada tahap analisis dilakukan pula
cara-cara perhitungan metode LVQ untuk pengenalan wajah dengan citra
wajah Gaussian Blur.
b. Desain
Setelah tahap analisis selesai dilakukan, selanjutnya adalah tahap desain.
Tahap ini merancang model dan alur pembangunan sistem pengenalan wajah
sesuai dengan analisis yang telah dilakukan.
c. Coding
Setelah desain dan alur dirancang, selanjutnya adalah proses
implementasi coding. Tahap ini merupakan tahap utama karena pada tahap
inilah proses pembangunan sistem yang dapat menyelesaikan masalah dan
mengolah data-data yang telah terkumpul. Pada tahap ini pula proses hasil
desain yang telah dibuat diimplementasikan.
d. Testing
Setelah perangkat lunak berhasil dibuat selanjutnya adalah pengujian
terhadap sistem pengenalan wajah menggunakan metode LVQ. Pengujian
dilakukan dengan menguji tingkat akurasi pengenalan wajah dengan variasi
40
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Gambar 3.1 merupakan model pengembangan perangkat lunak dengan
[image:31.595.140.502.184.287.2]menggunakan model sekuensial linear.
Gambar 3.1 Model Pengembangan Perangkat Lunak (Pressman, 2001)
3.1.3 Uji Coba Sistem
Tahap ini merupakan tahap pengujian sistem dengan menggunakan data
dummy sebagai masukannya. Proses ini dilakukan sampai sistem berjalan dengan
baik atau sampai sistem tidak mengalami error.
3.1.4 Eksperimen
Setelah sistem berjalan dengan baik, maka tahap selanjutnya adalah tahap
eksperimen terhadap data training dan data testingcitra wajah dengan tingkat
Gaussian Bluryang bervariasi sebagai masukan untuk melakukan pembuktian
bahwa proses pengenalan wajah dengan penerapan metode Jaringan Syaraf Tiruan
LVQ dapat menghasilkan keluaran yang sesuai dengan target.
3.2 Desain Penelitian
Analisis Desain Coding Testing
41
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Gambar 3.2 menggambarkan desain penelitianpenerapan metode Jaringan
Syaraf Tiruan (Learning Vector Quantization) LVQ untuk pengenalan wajah pada
[image:32.595.113.554.192.647.2]citra wajah Gaussian Blur.
Gambar 3.2 Desain Penelitian
Penjelasan dari desain penelitian diatas adalah sebagai berikut:
42
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Studi Literatur merupakan tahan awal dalam pembuatan penelitian
dengan mengumpulkan data berupa buku, artikel, jurnal ataupun bahan-bahan
lainnya yang menunjang dalam penelitian. Selain itu memahami juga teori
tentang penerapan metode LVQ untuk pengenalan wajah.
b. Mengumpulkan Data Penelitian Citra Wajah
Data penelitian yang digunakan dalam penelitian ini diambil dari
http://www.milbo.org/muct/. Data yang digunakan sebanyak10 responden
yang masing-masing diambil citra wajahnya sebanyak 15citra. Kemudian
pada masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai
5.Sehingga jumlah data citra wajah tiap responden menjadi 90 citra, dan total
citra wajah seluruh responden sebanyak 900 citra.
c. Segmentasi
Segmentasi bertujuan untuk memilih dan memisahkan suatu objek dari
keseluruhan citra. Pada penelitian ini ukuran masukan citra wajah pada sistem
pengenalan tidak ditentukan, oleh karena itu dibutuhkan tahap segmentasi.
Proses segmentasi yang dilakukan adalah scalling, dimana pada proses
scalling dilakukan pemotongan citra wajah masukan dari background citra,
sehingga ukuran citra wajah yang akan diproses difokuskan pada citra wajah
saja.
d. Grayscalling
Grayscale adalah proses konversi citra berwarna RGB ke warna abu-abu
43
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
terdapat 3 layer matriks yaitu R-layer, G-layer, B-layer, dengan
mengubahnya ke grayscale menjadikan citra tersebut memiliki 1 layer yaitu
matriks grayscale.
e. Thresholding
Proses Threshold merupakan proses konversi citra grayscale menjadi
citra biner (binary image) dengan nilai 1 dan 0. Citra grayscale memiliki nilai
intensitas warna antara 0 – 255 sehingga pada untuk memberikan nilai binary
image pada citra ditentukan terlebih dahulu batas ambang yang akan
membagi 2 daerah pada citra. Pada penelitian ini, dalam menentukan batas
ambang nilai threshold menggunakan metode Otsu. Metode Otsu adalah suatu
metode yang menghitung nilai ambang secara otomatisberdasarkan citra
masukan. Pendekatan yang digunakan oleh metode Otsu adalah dengan
melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat
membedakan antara dua atau lebih daerah yang muncul secara alami.
f. Feature Extraction
Feature Extractionmerupakan proses yang bertujuan untuk memperoleh
karakteristik suatu karakter citra yang membedakan suatu karakter atau pola
dari pola yang lainnya, yang disebut dengan fitur. Fitur ini digunakan untuk
mengambil informasi yang relevan dari citra wajah yang menjadi masukan
agar dapat dimengerti oleh sistem. Pada penelitian ini teknik Feature
Extractionyang dipilih adalah teknik zoning.Teknik zoningini dilakukan
44
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
penelitian ini, dimensi masukan citra wajah akan diubah menjadi 5 x 7
wilayah.
g. Metode Learning Vector Quantization
Pada metode LVQ terdapat beberapa langkah seperti berikut :
1) Training data
Tahapan ini bertujuan untuk menghasilkan pola keluaran yang sesuai
dengan target yang diharapkan. Data citra wajah yang telah didapat akan
dimasukan ke dalam metode LVQ dan selanjutnya data tersebut dilatih
dan ditentukan pola keluarannya.
2) Testingdata
Setelah melakukan pelatihan, maka dilakukan test data untuk
mengetahui hasil dari penelitian, dimana parameter-parameter yang
digunakan diperoleh pada proses training.
h. Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui akurasi pengenalan
wajah yang dihasilkan oleh sistem. Pengujian sistem dalam penelitian ini
menggunakan beberapa skenario pengujian, yaitu
1) Pengujian berdasarkan responden
2) Pengujian berdasarkan tingkat blur
3) Pengujian berdasarkan pose wajah
4) Pengujian berdasarkan tingkat cahaya
45
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Setelah hasil dari penelitian atau objek sudah didapatkan melalui proses
training dan testing selanjutnya akan dianalisa berdasarkan beberapa
parameter berikut :
a. Waktu Training
Waktu yang dihabiskan pada saat proses training.
b. Tingkat Akurasi
Mengukur tingkat akurasi perhitungan kemiripan.
c. Jumlah Data Training
Jumlah data training yang digunakan pada jaringan untuk mencapai
tingkat akurasi yang sudah ditentukan.
j. Dokumentasi Hasil Penelitian
Setelah proses dan tahapan sudah dilewati kemudian akan
didokumentasikan menjadi sebuah hasil penelitian.
3.3 Alat dan Bahan Penelitian
Dalam pembangunan perangkat lunak penerapan metode LVQ pada
pengenalan wajah membutuhkan seperangkat alat komputer yang disertai dengan
perangkat lunak pendukung. Sedangkan bahan yang digunakan berupa citra
wajahtanpa Gaussian Blur dan citra wajah dengan tingkat Gaussian Blur.
3.3.1 Alat Penelitian
a) Kebutuhan Perangkat Keras
46
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu Processor Core i3-2100 3.10 GHz
RAM 2 GHz
Harddisk 500 GB
Monitor Resolusi 1366 x 768, 32 bit colour quality
Mouse dan Keyboard
b) Kebutuhan Perangkat Lunak
Perangkat lunak yang dibutuhkan adalah sebagai berikut:
Windows 8 Profesional
MATLAB Version8.1.0.6 04 (R2013a)
Microsoft Office Word 2013
Adobe Photoshop CS5
Power Designer v5.3
3.3.2 Bahan Penelitian
Data penelitian yang digunakan dalam penelitian ini diambil dari
http://www.milbo.org/muct/. Data yang digunakan sebanyak 10 responden yang
masing diambil citra wajahnya sebanyak 15 citra. Kemudian pada
masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai 5. Sehingga jumlah data
citra wajah tiap responden menjadi 90 buah terdiri dari 75 citra wajah dengan
Gaussian Blur dan 15 citra wajah tanpa Gaussian Blur. Total citra wajah seluruh
responden sebanyak 900 buah. Ukuran citra wajah tidak ditentukan karena sistem
47
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu 3.4 Implementasi Penelitian
3.4.1 Prosedur Pengerjaan Penelitian
Penelitian ini memerlukan tahapan-tahapan yang harus dilakukan seperti
pengumpulan data berupa dokumen, data sampel berupa citra wajah dengan
tingkat Gaussian Blurdan citra tanpa Gaussian Blur, eksplorasi mengenai metode
LVQ untuk pengenalan wajah, perancangan dan pembangunan perangkat lunak,
dan pengujian kualitas sistem yang telah dibangun untuk mengetahui tingkat
akurasi pengenalan wajah pada citra dengan tingkat Gaussian Blur.
Prosedur pengerjaan penelitian yang dilakukan adalah sebagai berikut:
a. Pengumpulan data berupa dokumen dan informasi mengenai proses
pengolahan citra digital, dan teknik pengenalan wajah dengan metode LVQ.
b. Pengumpulan data sampel citra wajah dari 10 responden, masing-masing
responden memiliki 15 citra wajah. Kemudian citra wajah akan diproses
manual untuk memberikan Gaussian Blurtingkat 1 sampai 5. Sehingga citra
wajah yang terkumpul adalah citra wajah yang memiliki tingkat Gaussian
Blursebanyak 75 dan citra wajah tanpa Gaussian Blursebanyak 15 untuk
masing-masing responden.
c. Perancangan dan pembangunan perangkat lunak yang telah disesuaikan
dengan proses-proses yang telah didefinisikan pada kebutuhan fungsional
sistem.
48
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Pengumpulan data untuk kebutuhan penelitian ini meliputi teori-teori yang
dapat menunjang penelitian penerapan metode LVQ untuk pengenalan wajah,
diantaranya image processing dan feature extraction. Selain itu dikumpulkan juga
teori yang berkaitan dengan teknik penggunaan metode LVQ untuk pengenalan
wajah, dan mempelajari macam-macam bluryang terdapat pada citra wajah.
Untuk memenuhi kebutuhan pembangunan sistem, dibutuhkan data latih
berupa data citra wajah denganGaussian Blurdan citra tanpa Gaussian Blur.
Jumlah data yg dikumpulkan adalah 900 citra wajah, kemudian citra wajah akan
diolah secara manual untuk menambahkan tingkat Gaussian Blur. Ukuran citra
tidak ditentukan karena sistem akan melakukan pemotongan otomatis pada citra
yang akan menjadi masukan pada sistem.
Setelah mendapatkan data citra untuk proses pelatihan, maka kebutuhan
selanjutnya adalah data uji. Data uji didapatkan dari sampel yang telah
dikumpulkan. Data uji ini bertujuan untuk mengetahui tingkat akurasi yang
dihasilkan dari sistem penerapan metode LVQ untuk pengenalan wajah dengan
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan penelitian mengenai implementasi metode Jaringan Syaraf
Tiruan Learning Vector Quantization untuk pengenalan wajah pada citra wajah
dengan Gaussian Blur , maka dapat diambil beberapa kesimpulan untuk
menjawab rumusan masalah. Adapun kesimpulan dari penelitian ini adalah
sebagai berikut:
1. Implementasi metode Jaringan Syaraf Tiruan Learning Vector
Quantizationtelah berhasil menyelesaikan masalah pengenalan wajah pada
data citra wajah dengan tingkat Gaussian Blur yang bervariasi dengan hasil
yang akurat.
2. Proses yang dilakukan untuk melakukan pengenalan wajah pada data citra
wajah dengan tingkat Gaussian Bluryang bervariasi adalah dengan menerima
masukan berupa matriks dari hasil feature extraction, kemudian masukan
tersebut dijadikan sebagai data training pada proses training Jaringan Syaraf
Tiruan Learning Vector Quantization. Data training tersebut akan
menghasilkantarget keluaran. Kemudian sistem akan melakukan proses
testing, dengan memasukan citra wajah uji. Hasil keluaran citra wajah uji
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Sistem akan mencarihasil data uji yang mendekati target keluaran yang
94
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3. Pengujian yang dilakukan untuk mengetahui akurasi pengenalan wajah
dilakukan 4 skenario pengujian sistem yaitu pengenalan berdasarkan
responden, tingkat blur, pose wajah, dan tingkat cahaya.
Persentase pengenalan tiap responden pada
pengujiansistempengenalancitrawajahdengantingkatGaussianBlur yang
bervariasimenghasilkan rata-rata pengenalansebesar 82%.Persentase
pengenalan berdasarkan tingkatGaussian Blur
menghasilkanakurasitertinggipadaGaussian Blur tingkat 1 (Bl-1)
denganakurasi 82%, karenaBlur tingkat 1 merupakantingkatGaussian Blur
yang paling kecildanmemilikitingkatkesamarancitrawajah yang
rendah.Pengujianberdasarkanposewajahmenghasilkanpersentasetingkatakuras
itertinggisebesar 92% padapose wajahke 2 (Po-2), karenapadaposewajahke 2
inimenunjukanpose wajah yang
cocokuntukpengenalanwajahdenganposisiwajahtegakmenghadapkamera.
Sedangkan hasil pengujian berdasarkan tingkat cahaya yang menghasilkan
akurasi tertinggi adalah tingkat cahaya ke -2 (C-2) dengan akurasi 76,80%,
karena cahaya tingkat 2 merupakan tingkat cahaya yang normal dibandingkan
dengan tingkat cahaya yang lain.
Melihathasilpersentaseakurasidiatas, dapatdisimpulkanbahwafaktor yang
mempengaruhi persentase pengenalan wajah adalah tingkat Gaussian Blur,
95
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Learning Vector Quantizationsangat baik dalam kasus pengenalan wajah
dengan citra wajah Gaussian Blur yang bervariasi.
5.2 Saran
Beberapa saran yang diberikan untuk penelitian lebih lanjut adalah sebagai
berikut:
1. Penelitian selanjutnya diharapkan dapat membangun sistem untuk pengenalan
citra wajah dengan jenis blur yang berbeda seperti Motion Blur , Lensa Blur ,
Box Blur , dan lain-lain.
2. Pada penelitianselanjutnyadiharapkansistem ini dapatdikembangkan
padamobile application.
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR PUSTAKA
Putri, Novia R. 2012. Learning Vector Quantization Dengan Logika Fuzzy untuk
Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi
Cahaya.Skripsi. Universitas Indonesia.
Heranurweni, S. 2010. Pengenalan Wajah Menggunakan Learning Vector
Quantization (LVQ). Semarang: Jurusan Teknik Elektro Universitas
Semarang.
Wuryandari, Maharani Dessy., Afrianto, Irawan. 2012. Perbandingan Metode
Jaringan Syaraf Tiruan Backpropagation dan Learning Vector
Quantization Pada Pengenalan Wajah. Universitas Komputer Indonesia.
Jurnal Komputer dan Informatika, Edisi. I Volume 1, Maret 2012.
Maru’ao, Dini Oktaviani. 2010. Neural Netwok Implementation in Foreign
Exchange Kurs Prediction. Gunadarma University.
Humaira. 2009. Deteksi Wajah Manusia Pada Cira Berwarna Menggunakan
Fuzzy. Politeknik Negeri Padang Kampus Unand Limau Manis Padang.
Poli Rekayasa, Volume 5, Nomor 1, Oktober 2012, ISSN 1858-3709.
Mirawanti, Yenita dkk. 2010. Neural Network. Surabaya: Institut Teknologi
Sepuluh November.
Rosmalinda, Safrina., Yustisia, Difla. 2010. Jaringan Syaraf Tiruan Learning
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Universitas Islam Indonesia. Seminar Nasional Aplikasi Teknologi
Informasi (SNATI 2010), Yogyakarta, 19 Juni 2010, ISSN 1907-5022.
Anosa, Ayu Febri. 2013. Rancang Bangun Sistem Pendukung Keputusan Seleksi
Penerima Jaminan Kesehatan Masyarakat Dengan Kombinasi Metode
Analythical Hierarchy Process Dan Logika Fuzzy Tsukamoto. Skripsi.
Universitas Pendidikan Indonesia.
Kusumadewi, Sri., Purnomo, Hari. 2010. Aplikasi Logika Fuzzy untuk Pendukung
Keputusan. Yogyakarta:Graha Ilmu.
Abdurrahman, Ginanjar. 2011. Penerapan Metode Tsukamoto (Logika Fuzzy)
Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi
Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan. Skripsi.
Universitas Negeri Yogyakarta.
Mulyawan, Hendi. Identifikasi dan Tracking Objek Berbasis Image Processing
Secara Real Time. Tugas Akhir Jurusan Telekomunikasi Politeknik
Elektronika Negeri Surabaya ITS, Surabaya.
Achmad., K. Firdausy. 2010. Teknik Pengolahan Citra Digital Menggunakan
Delphi. Ardhi Publishing. Yogyakarta.
Putri, Ferdaria Zahrah., Andrizal., Devianto Dodi. Aplikasi Webcam dan
Pengolahan Citra untuk Identifikasi Kecacatan Kemasan Kaleng.
Universitas Andalas. Padang.
Cahyaningsih, Sri. 2010. Deteksi Osteoporosis dengan Tresholding Metode Otsu
Pada Citra X-Ray Tulang Rahang. Skripsi. Universitas Islam Negeri,
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur