IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH SEBAGAI PERSONAL AUTHENTICATION.

(1)

IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION

NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH SEBAGAI

PERSONAL AUTHENTICATION

Skripsi

Diajukan untuk memenuhi sebagian dari Syarat untuk memperoleh Gelar Sarjana Komputer

Program Studi Ilmu Komputer

OLEH : Yola Tri Handika

1002548

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS PENDIDIKAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS PENDIDIKAN INDONES IA

(2)

LEMBAR PENGESAHAN

Yola Tri Handika 1002548

IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION

NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH UNTUK PERSONAL AUTHENTICATION

TELAH DISETUJUI DAN DISAHKAN OLEH :

Pembimbing I

Eddy Prasetyo Nugroho, MT. NIP. 197505152008011014

Pembimbing II

Budi Laksono Putro, MT. NIP. 197607102010121002

Mengetahui,

Kepala Program Studi Ilmu Komputer

(3)

IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION

NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH SEBAGAI PERSONAL AUTHENTICATION

Oleh : Yola Tri Handika

Sebuah skripsi yang diajukan untuk memenuhi salah satu syarat memperoleh gelar Sarjana Komputer pada Fakultas Pendidikan Matematikan dan Ilmu Pengetahuan

Alam.

Juli 2014

Hak Cipta dilindungi undang-undang

(4)

i

PERNYATAAN

Saya yang bertandatangan di bawah ini, menyatakan skripsi yang berjudul “IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION

NEURAL NETWORK PADA SISTEM PENGENALAN WAJAH SEBAGAI

PERSONAL AUTHENTICATION” sepenuhnya adalah karya sendiri. Pada isinya

tidak ada yang merupakan plagiat dari karya orang lain dan saya tidak melakukan penjiplakan atau pengutipan dengan cara-cara yang tidak sesuai dengan etika yang berlaku dalam masyarakat keilmuan.

Bandung, Juli 2014 Yang membuat pernyataan

(5)

Yola Tri Handika, 2014

Implementasi Metode Filter Gabor D an Backpropagation Neural Network Pada Sistem Pengenalan Wajah Sebagai Personal Authentication

ABSTRAK

IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION

Yola Tri Handika 1002548

Pengenalan wajah merupakan salah satu bagian dari teknologi biometrik, yaitu teknologi yang menggunakan bagian tubuh manusia baik itu secara fisik maupun tingkah laku sebagai objek pengenalan identitas seseorang. Wajah merupakan salah satu bagian tubuh manusia yang unik, karena tidak ada manusia atau individu yang memiliki wajah yang sama, sekalipun mereka terlahir dalam keadaan kembar. Oleh karena itu, peneliti memilih wajah sebagai objek pengenalan pada penelitian ini. Pengenalan wajah dilakukan dengan menggunakan cara kerja pengenalan pola. Hal ini dapat dimanfaatkan untuk otentikasi diri sebagai kontrol akses dalam memasuki sebuah sistem. Masing-masing citra akan diekstraksi untuk mendapatkan sebuah pola, sehingga identitas dari citra tersebut dapat dikenali. Untuk melakukan ekstraksi ciri tersebut, digunakan sebuah metode ekstraksi ciri yaitu metode filter gabor, metode tersebut akan menghasilkan sebuah matriks yang akan menjadi inputan untuk proses thresholding. Metode jaringan saraf tiruan dengan algoritma backpropagation digunakan untuk melakukan pengenalan pada penelitian ini, karena metode ini dapat meminimalisir tingkat error, sehingga hasil yang didapatkan akan lebih baik. Pengujian penelitian ini dilakukan dengan menggunakan data testing yang berjumlah 49 citra wajah dan data training yang berjumlah 630 citra wajah. Pengujian dilakukan pada posisi wajah dengan sudut 0°, 15° ke kiri, 15° ke kanan, 30° ke kiri, 30° ke kanan, 45° ke kiri, dan 45° ke kanan dari sensor atau kamera. Posisi wajah dengan sudut 0° menghasilkan keakurasian sebesar 86%, posisi wajah dengan sudut 15° ke kiri dan 30° ke kiri menghasilkan keakurasian sebesar 72%, begitu juga halnya dengan posisi wajah 45° ke kiri dan 45° ke kanan , sedangkan posisi wajah dengan sudut 15° ke kanan dan 30° ke kanan menghasilkan keakurasian sebesar 86%. Untuk posisi 90°, citra wajah tidak dapat dikenali, disebabkan komponen-komponen pada wajah sudah tidak dapat dideteksi oleh sensor karena kemiringannya. Sehingga hasil keakurasian rata-rata adalah sebesar 78% dari pengujian 7 posisi wajah.

(6)

iii

Implementasi Metode Filter Gabor D an Backpropagation Neural Network Pada Sistem Pengenalan Wajah Sebagai Personal Authentication

ABSTRACT

IMPLEMENTASI METODE FILTER GABOR DAN BACKPROPAGATION

Yola Tri Handika 1002548

Face recognition is one part of biometric technology , a technology that uses the human body both physically and object recognition behavior as a person's identity. The face is one of the unique parts of the human body , because no human being or individual who has the same face , even if they are born in a state of twins . Therefore, the researchers chose the face as object recognition in this study . Face recognition is done by using the workings of pattern recognition . It can be used to authenticate yourself as an access control entry into a system. Each image will be extracted to get a pattern , so that the identity of the image can be recognized . To carry out the feature extraction , used a feature extraction method , the name is Gabor filter method , the method will produce a matrix that will be the input for the process of thresholding. Method of artificial neural network with back propagation algorithm is used to perform recognition on this study , because this method can minimize the error rate , so that the results obtained would be better . Testing study was conducted using testing data totaling 49 face image and the training data which totaled 630 face images . Tests performed on the face with a corner position 0 °, 15 ° left, 15 ° right, 30 ° left, 30 ° right, 45 ° left, and 45° right from sensors or cameras. The position of the face at an angle of 0 ° resulted in accuracy of 86%, the position of the face at an angle of 15 ° to the left and 30 ° to the left resulted in accuracy of 72%, as well as the face position 45 ° left and 45 ° to the right, while the position of the face with an angle of 15 ° to the right and 30 ° to the right resulted in accuracy of 86%. For the 90 ° position, the face image can not be identified, due to the components on the face is not able to be detected by the sensor because of the slope. So the result is the average accuracy of 78% of the test faces 7 position.

(7)

DAFTAR ISI

PERNYATAAN ... Error! Bookmark not defined. ABSTRAK... Error! Bookmark not defined. KATA PENGANTAR ... Error! Bookmark not defined.

DAFTAR ISI ...vi

DAFTAR GAMBAR ...viii

DAFTAR TABEL...ix

DAFTAR LAMPIRAN ...x BAB I PENDAHULUAN ... Error! Bookmark not defined. 1.1 Latar Belakang ... Error! Bookmark not defined.

1.2 Rumusan Masalah... Error! Bookmark not defined.

1.3 Tujuan Penelitian ... Error! Bookmark not defined.

1.4 Batasan Masalah ... Error! Bookmark not defined.

1.5 Sistematika Penulisan... Error! Bookmark not defined.

BAB IIKAJIAN PUSTAKA, KERANGKA PEMIKIRAN, DAN HIPOTESIS PENELITIAN ... Error! Bookmark not defined. 2.1 Citra Digital ... Error! Bookmark not defined.

2.1.1 Tipe-tipe Citra ... Error! Bookmark not defined.

2.2 Image Processing ... Error! Bookmark not defined.

2.2.1 Operasi Pengolahan Citra ... Error! Bookmark not defined.

2.3 Pengenalan Wajah ... Error! Bookmark not defined.

2.4 Filter Gabor ... Error! Bookmark not defined.

2.5 Jaringan Saraf Tiruan ... Error! Bookmark not defined.

2.5.1 Supervised Learning ... Error! Bookmark not defined.

2.5.2 Multi-Layer Perceptron ... Error! Bookmark not defined.

2.5.3 Algoritma Backpropagation ... Error! Bookmark not defined.

2.6 Personal Authentication ... Error! Bookmark not defined.

2.7 MATLAB ... Error! Bookmark not defined.

(8)

vii

Yola Tri Handika, 2014

BAB IIIMETODE PENELITIAN ... Error! Bookmark not defined. 3.1 Alat dan Bahan ... Error! Bookmark not defined.

3.1.1 Alat Penelitian... Error! Bookmark not defined.

3.1.2 Bahan Penelitian... Error! Bookmark not defined.

3.2 Desain Penelitian ... Error! Bookmark not defined.

3.3 Metode Penelitian ... Error! Bookmark not defined.

BAB IVHASIL PENELITIAN DAN PEMBAHASAN Error! Bookmark not defined. 4.1 Pengembangan Sistem Model ... Error! Bookmark not defined.

4.1.1 Pengumpulan Data... Error! Bookmark not defined.

4.1.2 Preprocessing ... Error! Bookmark not defined.

4.1.3 Ekstraksi Ciri ... Error! Bookmark not defined.

4.1.4 Thresholding ... Error! Bookmark not defined.

4.1.5 Pelatihan dan Klasifikasi JST BackpropagationError! Bookmark not defined.

4.2 Pembangunan Perangkat Lunak ... Error! Bookmark not defined.

4.2.1 Deskripsi Umum Perangkat Lunak.... Error! Bookmark not defined.

4.2.2 Analisis Kebutuhan Sistem... Error! Bookmark not defined.

4.3 Perancangan Perangkat Lunak ... Error! Bookmark not defined.

4.3.1 Perancangan Data ... Error! Bookmark not defined.

4.3.2 Perancangan Antarmuka Perangkat Lunak...Error! Bookmark not defined.

4.4 Implementasi Perangkat Lunak ... Error! Bookmark not defined.

4.4.1 Implementasi Data ... Error! Bookmark not defined.

4.4.2 Implementasi Modul ... Error! Bookmark not defined.

4.5 Pengujian Penelitian... Error! Bookmark not defined.

4.5.1 Pengujian dengan Variasi Posisi Wajah ...Error! Bookmark not defined.

4.5.2 Pengujian Pengenalan Wajah tanpa menggunakan Filter Gabor Error! Bookmark not defined.

4.5.3 Pengujian berdasarkan Pencahayaan (Contrast Enhancement) .. Error! Bookmark not defined.

4.6 Analisa Hasil Pengujian ... Error! Bookmark not defined.

(9)

viii

Yola Tri Handika, 2014

5.1 Kesimpulan ... Error! Bookmark not defined.

5.2 Saran... Error! Bookmark not defined.

(10)

DAFTAR GAMBAR

Gambar 2.1 Gabor kernel dengan nilai lambda yang berbeda... 18

Gambar 2.2 Gabor kernel dengan nilai theta yang berbeda... 19

Gambar 2.3 Gabor kernel dengan nilai phi yang berbeda ... 20

Gambar 2.4 Gabor kernel dengan nilai bandwitdh yang berbeda... 20

Gambar 2.5 Gabor kernel dengan nilai gamma yang berbeda... 21

Gambar 2.7 Model Generik Multilayer Perceptron ... 27

Gambar 3.1 Desain Penelitian Face Recognition ... 45

Gambar 3.2 Linear Sequential Model ( Roger Pressman, 5th) ... 49

Gambar 4.1 Diagram Blok Sistem Pengenalan Wajah ... 52

Gambar 4.2 Citra hasil cropping... 55

Gambar 4.3 Citra hasil resizing... 56

Gambar 4.4 Citra hasil grayscale... 57

Gambar 4.5 Citra hasil ekstraksi ciri ... 58

Gambar 4.6 Citra hasil thresholding ... 60

Gambar 4.7 Implementasi proses-proses pada Sistem Pengenalan Wajah ... 72

Gambar 4.8 Diagram Konteks Id-Face Recognition... 76

Gambar 4.9 Data Flow Diagram Id-Face Recognition ... 77

Gambar 4.10 Diagram Blok Menu pada Id-Face Recognition ... 83

Gambar 4.11 Rancangan Antarmuka Id-Face Recognition ... 85

Gambar 4.12 Arsitektur Jaringan pada Id-Face Recognition... 88

(11)

DAFTAR TABEL

Tabel 4.1 Bobot dari input layer ke hidden layer ... 63

Tabel 4.2 Bobot dari hidden layer ke output layer... 64

Tabel 4.3 Suku Perubahan Bobot Hidden Neuron ... 67

Tabel 4.4 Perubahan Bobot Hidden Neuron... 68

Tabel 4.5 Komponen-komponen pada Id-Face Recognition ... 83

Tabel 4.6 Modul-modul pada pengembangan Id-Face Recognition... 89

Tabel 4.7 Data Identitas wajah ... 95

Tabel 4.8 Hasil Identifikasi Citra berdasarkan posisi wajah dengan menggunakan metode filter gabor ... 97

Tabel 4.9 Hasil Identifikasi Citra berdasarkan posisi wajah dengan tanpa menggunakan metode filter gabor... 98

Tabel 4.10 Hasil Identifikasi Citra berdasarkan penambahan nilai contrast ... 99

Tabel 4.11 Hasil Identifikasi Citra berdasarkan pengurangan nilai contrast ... 99

Tabel 4.12 Presentase Tingkat Keberhasilan Pengenalan Berdasarkan Variasi posisi wajah dengan menggunakan filter gabor...102

Tabel 4.13 Presentase Tingkat Keberhasilan Pengenalan Berdasarkan Variasi posisi wajah tanpa menggunakan filter gabor...103

(12)

xi

Yola Tri Handika, 2014

DAFTAR LAMPIRAN

(13)

Yola Tri Handika, 2014

BAB I PENDAHULUAN

1.1 Latar Belakang

Teknologi biometrik merupakan teknologi yang memanfaatkan identitas individu baik secara fisiologis, sehingga dapat dijadikan alat atau kunci dalam kontrol akses ke sebuah sistem. Teknologi biometrik merupakan bagian dari sistem keamanan, tujuan utama teknologi ini untuk menjaga dan melindungi identitas seseorang. Cara kerja teknologi biometrik yaitu dengan menggunakan teknik pattern recognition, yaitu teknik pengenalan pola. Pola yang akan dikenali dapat bermacam-macam, seperti wajah, iris mata, tanda tangan, sidik jari, garis telapak tangan dan pengenalan suara. Hal ini dibuktikan dengan adanya beberapa penelitian, diantaranya berdasarkan penelitian Chin-Chuan Han, dkk (Han,Chin-Chuan., dkk, 2001) yang

membuktikan bahwa “garis telapak tangan dapat dijadikan pola pengenalan

diri seseorang dengan tingkat keakuratan 98%”. Sedangkan Bowo Leksono,

Achmad Hidayarno, dan R. Rizal Isnanto (Laksono,Bowo.,

Hidayarno,Achmad., and Isnanto,R.Rizal, 2011) membuktikan bahwa “Sidik

Jari dapat dianalisis untuk dijadikan salah satu bentuk pengenalan dengan berbagai jenis ekstensi citra, seperti .jpg, .png, .tif dan lain-lain”.

Banyak cara telah digunakan untuk menyelesaikan permasalahan personal authentication. Seperti penggunaan password, kartu identitas,

(14)

1

Yola Tri Handika, 2014

akurat, karena berbagai cara telah dilakukan orang untuk memanipulasi identitas tersebut. Selain itu peluang untuk hilang atau bahkan lupa sangat besar. Untuk saat sekarang ini, kebutuhan mengharapkan sistem otentikasi identitas yang lebih akurat, cepat dan nyaman untuk digunakan. Solusi yang paling tepat tentunya dengan menggunakan teknologi biometrik. Objek yang digunakan berasal dari diri pribadi yang tidak dapat dicuri, lupa atau bahkan hilang. Struktur fisiologis seseorang tidak akan sama, sekalipun individu tersebut kembar. Sehingga sistem akan memberikan ruang kontrol akses yang mudah dan murah.

Personal Authentication saat ini sudah banyak dikembangkan dengan

objek yang berbeda-beda, diantaranya terdiri dari pengenalan tanda tangan, sidik jari, pola wajah, Deoxyribo Nucleic Acid (DNA) dan sebagainya. Salah satu diantaranya adalah pengenalan wajah atau yang biasa disebut dengan face recognition. Wajah termasuk identitas unik yang dimiliki oleh setiap

manusia, sehingga dapat dengan mudah untuk dikenali oleh sistem otentikasi. Otentikasi merupakan metode yang digunakan untuk melihat apakah orang atau pengguna tersebut betul-betul orang yang berhak dan dipertanggung jawabkan keasliannya,

Penggunaan face recognition sebagai otentikasi diri terhadap suatu sistem dianggap memberikan kemampuan yang akurat dan tepat apabila digunakan pada sistem keamanan komputer, home security system, coporate network dan sebagainya, selain pada penggunaan yang cukup mudah, face

(15)

2

Yola Tri Handika, 2014

sistem ini bisa hanya dengan menggunakan sensor berupa kamera. Dibandingkan dengan teknologi fingerprint dan pengenalan iris mata, teknologi ini memang dianggap memiliki rate yang tinggi dalam pengenalan identitas seseorang, akan tetapi sensor yang akan digunakan bernilai cukup mahal, sehingga tidak cocok jika diterapkan dalam keamanan tingkat rendah. Selain itu, fingerprint juga sudah menjadi teknologi resmi yang digunakan oleh pihak kepolisian dalam mencari identitas seseorang dan transaksi yang bersifat komersial. Dan sebagian orang akan merahasiakan sidik jarinya

dengan alasan datanya bersifat privasi (Han,Chin-Chuan., dkk, 2001).

Face Recognition atau pengenalan wajah sekarang ini mulai

berkembang dengan berbagai tingkat keamanan yang cukup akurat. Penelitian

Kolhandai Yesu dkk (Yesu,Kolhandai., dkk, 2012) mengenai “pengenalan

wajah menggunakan Artificial Neural Network dengan menjadikan mata, hidung, dan mulut sebagai pola pengenalannya. Penelitian ini menghasilkan

tingkat keakuratan sebesar 97%”. Begitu juga dengan penelitian yang telah

dilakukan oleh Panca Mudji Rahardjo (Rahardjo, Panca Mudji,2010)

mengenai “pengenalan ekspresi wajah berbasis Filter Gabor dan

Backpropagation Neural Network dengan menggunakan segmentasi PCA

sebelum tahap pengklasifikasian citra”.

(16)

3

Yola Tri Handika, 2014

menggunakan Bayesian Analysis and Gabor Wafelet, Sepritahara dkk (Sepritahara., dkk) menggunakan Hidden Markov Model (HMM), Muhammad Firdaus Hashim dkk (Hashim,Muhammad Firdaus., dkk) menggunakan Template Matching dan Neural Network Classifier. Jenis penelitian yang dilakukan juga bermacam-macam, seperti pencocokan wajah melalui ekspresi, pencocokan pola wajah dalam bentuk video, pencocokan pola wajah dalam penyamaran dan sebagainya.

Oleh karena itu, peneliti ingin membuktikan teknologi biometrik dengan membuat alternatif menggunakan sistem pengenalan wajah, dengan didasarkan pada keterbatasan penelitian sebelumnya, penelitian ini akan menggunakan pola pengenalan berupa bentuk mata, bentuk hidung, dan bentuk mulut. Penelitian akan menghasilkan keakurasian dalam hal posisi wajah, di mulai dari posisi 0° hingga 45°. Selain itu citra wajah juga akan diuji dalam hal contrast citra wajah, bagaimana jika citra wajah dipengaruhi dengan cahaya yang sangat terang atau bahkan dalam keadaan kekurangan cahaya. Adapun tahapan yang harus dilakukan dalam pengolahan citra digital tersebut diantaranya pre processing, ekstraksi ciri dan recognition (Hashim, Muhammad Firdaus dkk).

Penelitian ini menggunakan metode filter gabor dengan algoritma backpropagation neural network. Menurut Anita Desiani (Desiani,Anita,

2007) mengatakan bahwa :

(17)

4

Yola Tri Handika, 2014

lapisan tunggal. Selain itu, backpropagation juga menggunakan fungsi aktifasi dan turunannya, sehingga proses error dapat diminimalkan.

Penelitian ini menggunakan dua metode yang memiliki prinsip kerja yang berbeda, Karena penggunaan dua metode tersebut terletak pada proses-proses yang berbeda.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan, maka peneliti mengambil beberapa hal untuk dijadikan rumusan masalah agar penelitian ini tepat sasaran, diantaranya :

1. Bagaimana tingkat keakurasian pengenalan wajah dalam personal

authentication dengan menggunakan metode filter gabor dan

backpropagation neural network ?

2. Bagaimana pengaruh penggunaan metode filter gabor terhadap pengenalan wajah pada tahap ekstraksi ciri ?

3. Bagaimana pengaruh tingkat kecerahan terhadap pengenalan wajah pada sebuah citra ?

1.3 Tujuan Penelitian

Berdasarkan pada rumusan masalah yang telah dijabarkan, maka dirumuskan tujuan yang ingin dicapai, diantaranya :

1. Mengetahui tingkat keakurasian pengenalan wajah dalam personal

authentication dengan menggunakan metode filter gabor dan

(18)

5

2. Mengetahui pengaruh penggunaan metode filter gabor terhadap pengenalan wajah pada tahap ekstraksi ciri.

3. Mengetahui pengaruh tingkat kecerahan terhadap pengenalan wajah pada sebuah citra.

1.4 Batasan Masalah

Dengan lingkup penelitian yang cukup besar, peneliti memberikan batasan terhadap masalah yang akan menjadi objek penelitian, diantaranya :

1. Dalam pengujian sistem, data sample yang digunakan berasal dari gambar yang diambil langsung dengan kamera 7 megapixel dengan dimensi 2048x1536 pixel dan citra berekstensi JPG.

2. Citra wajah yang akan diuji hanya citra yang memiliki posisi wajah 0° hingga 45°.

3. Sistem tidak akan bisa mendeteksi jika citra yang diberikan berupa image bergerak atau video.

4. Sistem tidak akan bisa mendeteksi selama ciri-ciri pada objek tersebut tidak terdapat pada citra.

5. Perangkat lunak yang akan dibangun untuk mendukung penelitian ini menggunakan pemograman MATLAB.

1.5 Sistematika Penulisan

(19)

6

BAB I PENDAHULUAN

Pada bab ini dijelaskan tentang latar belakang masalah, mengapa penelitian ini dilakukan. Selain itu, juga dijelaskan tentang rumusan masalah, tujuan penelitian dan batasan masalah. Serta terdapat sistematika penulisan pada bab ini.

BAB II KAJIAN PUSTAKA, KERANGKA PEMIKIRAN, DAN HIPOTESIS PENELITIAN

Pada bab ini diuraikan dasar teori yang berhubungan dengan penelitian ini. Seperti menjelaskan tentang teori citra digital, image processing, pengenalan wajah, filter gabor dan jaringan saraf tiruan backpropagation.

BAB III METODE PENELITIAN

Bab ini berisi tentang desain penelitian, alat dan bahan serta metode penelitian yang akan digunakan pada penelitian ini. Bagian-bagian tersebut akan dijelaskan secara lengkap pada bab 3 ini.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

(20)

7

Yola Tri Handika, 2014

penelitian yang telah dilakukan, sehingga akan menghasilkan solusi dari permasalahan pada penelitian ini.

BAB V KESIMPULAN DAN SARAN

(21)

Yola Tri Handika, 2014

BAB III

METODE PENELITIAN

3.1 Alat dan Bahan

Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur.

3.1.1 Alat Penelitian

Adapun alat yang digunakan dalam penelitian ini, diantaranya : a. Perangkat Keras

 Processor Intel Core i3-350M

 3 GB DDR3 Memory  Mouse and Keyboard

 Camera Digital Panasonic 7 megapixel

b. Perangkat Lunak

 Windows 8 Professional  Matlab R2013a

 Paint

 Microsoft Picture Manager

3.1.2 Bahan Penelitian a. Training Data Set

Training Data Set adalah sekumpulan citra yang berisi objek

(22)

43

Yola Tri Handika, 2014

jaringan, sehingga akan melakukan proses training sebelum dilakukan pengujian. Proses training bertujuan agar sistem dapat mengenali ciri-ciri dari objek-objek tersebut. Citra yang akan di training merupakan sekumpulan objek yang diambil langsung dengan kamera 7 megapixel, sehingga tidak ada perbedaan pixel maupun resolusi. Citra berukuran 2048x1536 pixel, kemudian akan diproses dengan melakukan tahap pra processing, sehingga hasilnya akan menjadikan citra berukuran 5x7 pixel. Citra akan dikumpulkan sebanyak 630 buah gambar yang berasal dari 7 orang, tiap orang memiliki 45 variasi posisi, dimulai dari posisi 0° hingga 45° didasarkan pada koordinat x dan koordinat y .

b. Testing Data Set

Berbeda dengan Training Data Set, Testing Data Set merupakan sekumpulan citra yang tidak termasuk data yang melakukan proses training. Data testing ini berguna untuk menguji sistem, agar

sistem dapat mengenali objek walaupun secara langsung. Proses yang dilakukan sama dengan data set pada saat training. Citra testing akan melalui tahap preprocessing seperti yang dilakukan

(23)

44

Yola Tri Handika, 2014

3.2 Desain Penelitian

(24)

45

Gambar 3.1. Desain Penelitian Face Recognition menggunakan Metode Filter gabor dan Backpropagation Neural Network

Enrollment Stage

Training Sample

1 Mengumpulkan data-data penelitian, seperti penggunaan Metode Filter gabor dan Backpropagation Neural

Network.

2 Mengumpulkan Alat dan Bahan Penelitian

Preprocessing

Ekstraksi ciri dengan menggunakan Metode Filter gabor Data Bobot Wajah Pengujian VerificationStage Query Sample Hasil Pengujian Preprocessing Data Penelitian :

Data Training : 630 citra wajah

Jumlah variasi posisi : 45 posisi

Data Testing : 49 citra wajah Training Data dengan

Backpropagation Neural Network

Klasifikasi dengan Backpropagation Neural

Network

Ekstraksi ciri dengan menggunakan Metode

Filter gabor

(25)

46

Yola Tri Handika, 2014

Dari gambar diatas, dapat diperoleh beberapa proses-proses yang harus dilakukan, proses tersebut dibagi ke dalam 2 fase, yaitu fase enrollment stage. Fase ini akan mendaftarkan citra ke dalam data model, sedangkan fase

verification stage digunakan untuk memverifikasi antara masukan dengan

citra yang terdapat di dalam data model. Fase ini akan menghasilkan sebuah deskripsi apakah citra tersebut cocok atau tidak.

1. Pengumpulan Data

Data yang dikumpulkan berupa alat penelitian dan bahan yang akan digunakan pada tahap training dan testing.

2. Preprocessing

Pada tahap pre processing akan dilakukan proses-proses dasar dari image processing, seperti cropping, resizing, data grayscale. Citra yang

didapatkan dalam bentuk citra keabu-abuan, dimana sudah terjadi pemisahan antara background dengan foreground. Tujuan dilakukannya tahap preprocessing ini adalah untuk menjadikan citra yang akan diolah sama, baik dari segi ukuran, maupun kualitas citra.

3. Ekstraksi Ciri

(26)

ciri-47

Yola Tri Handika, 2014

ciri dari citra. Sehingga keluaran dari tahap ini adalah sebuah matriks ekstraksi yang akan menjadi masukan pada tahap thresholding.

4. Thresholding

Proses thresholding digunakan untuk mengubah citra keabu-abuan menjadi citra hitam putih atau yang sering disebut dengan citra biner, karena hanya memiliki 2 nilai yaitu 1 dan 0. Selain itu pada proses thresholding, terjadi sub proses yaitu mengubah matriks array 2 dimensi menjadi matriks array 1 dimensi. Pada penelitian ini, matriks hasil perubahan menjadi 1 kolom 35 baris. Matriks ini akan menjadi inputan untuk jaringan saraf tiruan.

5. Data Bobot Wajah

Data bobot wajah merupakan penyimpanan data bobot yang digunakan untuk menyimpan bobot dari hasil thresholding, pada penyimpanan akan disimpan bobot terakhir, sehingga akan menjadi data pedoman dalam verifikasi wajah masukan dengan data wajah yang telah melalui proses training data.

6. Training

Tahap training merupakan proses yang akan melakukan pembelajaran terhadap jaringan saraf tiruan. Proses ini menggunakan metode backpropagation neural network. Jumlah neuron yang digunakan

(27)

48

Yola Tri Handika, 2014

bentuk bobot akhir yang mendetaki nilai target yang telah ditentukan sebelumnya.

7. Klasifikasi

Tahap klasifikasi merupakan tahap yang digunakan untuk mengklasifikasikan hasil pengenalan wajah. Tahap ini diproses dengan menggunakan metode backpropagation neural network. Sebuah identitas dari citra wajah akan muncul ketika melakukan klasifikasi. Pada penelitian ini, identitas yang digunakan adalah nama citra.

3.3 Metode Penelitian

Pada penelitan ini ada dua jenis metode penelitian yang digunakan untuk menunjang kebutuhan penelitian, diantaranya :

1. Pengumpulan Data

Tahapan pengumpulan data pada penelitian ini terdiri dari pengumpulan data sekunder yang dilakukan dengan cara sebagai berikut :

a. Studi Literatur

(28)

49

Yola Tri Handika, 2014

b. Pengumpulan Sample

Pengumpulan data ini dilakukan untuk mengumpulkan sample yang dibutuhkan untuk pengujian dan sebagai bahan dari penelitian ini. Sample tersebut merupakan citra wajah yang akan dikumpulkan sebanyak 679 citra wajah yang diambil dalam waktu dan tempat yang berbeda-beda. Citra wajah di kumpulkan untuk kemudian dibagi menjadi data training dan data testing.

2. Pengembangan Perangkat Lunak

Dalam pembangunan sistem rekayasa perangkat lunak ini, penulis menggunakan Linear Sequential Model sebagai pendukung penelitian agar dapat lebih terarah.

Gambar 3.2 Linear Sequential Model ( Roger S. Pressman, 5th )

Pada rekayasa perangkat lunak, pekerjaan dimulai dengan menetapkan persyaratan untuk semua elemen sistem, mengalokasikan beberapa sub

Analysis Design Code Test

(29)

50

sistem dari persyaratan yang telah dibuat sebelumnya. Selanjutnya akan dibangun sebuah desain tampilan yang digunakan untuk berinteraksi dengan elemen lain, antara lain perangkat keras, pengguna dan database.

1. Software Requirements Analysis

Analisis kebutuhan perangkat lunak merupakan proses pengumpulan persyaratan yang difokuskan secara khusus pada software. Untuk memahami sifat program yang akan dibangun, seorang analis harus memahami informasi-informasi mengenai perangkat lunak, serta fungsi yang diperlukan, perilaku, kinerja dan antarmuka. Persyaratan tersebut akan di dokumentasikan dan dikaji dengan customer.

2. Design

Pada proses design, ada 4 tahapan yang harus dikaji, yang akan menjadi atribut penting dalam pembangunan program, diantaranya struktur data, arsitektur perangkat lunak, representasi antarmuka, dan prosedural detail. Proses desain bertugas menterjemahkan kebutuhan ke dalam sebuah representasi perangkat lunak yang dapat dinilai untuk kualitas sebelum coding dimulai. Sama halnya dengan persyaratan, desain didokumentasikan sebagai bagian dari konfigurasi perangkat lunak.

3. Code Generation

(30)

51

Yola Tri Handika, 2014

disesuaikan dengan pembuatan desain. Jika desain dibuat secara detail, maka code akan lebih mudah diimplementasikan secara sistematis.

4. Testing

Setelah code dihasilkan, program akan melakukan pengujian. Proses pengujian berfokus pada internal logis dari perangkat lunak, dan memastikan seluruh pernyataan yang terdapat pada persyaratan telah berfungsi dengan sebenarnya. Untuk eksternal fungsional, yaitu melakukan tes untuk mengungkap kesalahan dan memastikan bahwa masukan yang telah didefinisikan akan menghasilkan hasil yang aktual dan sesuai dengan apa yang dibutuhkan costumer.

5. Support

(31)

Yola Tri Handika, 2014

BAB V KESIMPULAN

5.1 Kesimpulan

Penelitian mengenai pengenalan wajah menggunakan metode filter gabor dan backpropagation neural network telah melalui tahap pengujian,

sehingga didapatkan hasil pengujian yang dapat disimpulkan sebagai berikut ini.

1. Pengenalan wajah sebagai personal authentication dengan menggunakan metode filter gabor dan backpropagation neural network menghasilkan tingkat keakurasian sebesar 78% dari rata-rata 7 pengujian berdasarkan posisi wajah.

2. Pengaruh penggunaan metode filter gabor pada pengenalan wajah sangat berperan penting, hal ini dibuktikan dengan tingkat keakurasian pengenalan wajah tanpa menggunakan filter gabor hanya sebesar 28% dari rata-rata 7 pengujian berdasarkan posisi wajah.

(32)

106

Yola Tri Handika, 2014

5.2 Saran

(33)

DAFTAR PUSTAKA

Bahri,Raden Sofian., Maliki,Irfan, 2012, Perbandingan Algoritma Template Matching dan Feature Extraction Pada Optical Character Recognition, Jurnal Komputer dan Informatika (KOMPUTA), Edisi I Volume 1, Bandung.

www.cs.uregina.ca [online], CS425 Lab : Intesity Transformation and Spatial Filtering, (diakses pada tanggal 25 Juni 2014, pukul 09.00 pm)

Daugman, J.G , 1985, Uncertainty relation for resolution in space, spatial frequency, and orientation optimized by two-dimensional visual cortical filters, Optical Society of America, A/Vol. 2, No 7 : Optics and Image Science.

Destiani,Anita, 2007, Kajian Pengenalan Wajah Dengan Menggunakan Metode Face-ARG Dan Jaringan Syaraf Tiruan Backpropagation, Vol.5 No.2, Universitas Sriwijaya, Palembang.

Elizabeth, 2008, Pengembangan Sistem Identifikasi Biometrik Wajah Menggunakan Metode Neural Network dan Pattern Matching, Skripsi, Universitas Indonesia.

Gonzalez, Rafael C., Woods, Richard E., 1992, Digital Image Processin, Second Edition, New Jersey.

Hashim,Muhammad Firdaus., dkk, A Face Recognition System Using Template Matching And Neural Network, 1st International Workshop on Aritifitial Life And Robotics

Han,Chin-Chuan., dkk, 2001, Personal Authentication using Palm-print

Features, Department of Computer Science and Information

Engineering, Pergamon.

(34)

Yola Tri Handika, 2014

Koh,Lian Koh., Ranganath,Surendra., and Venkatesh,Y.V, 2001, An Integrated Automatic Face Detection and Recognition System, Department of Electrical Engineering, Pergamon

Leksono,Bowo.,Hidayarmo,Achmad.,Isnanto,R.Rizal, 2011, Aplikasi Metode Template Matching untuk Klasifikasi Sidik Jari, Transmisi, 13(1), 1-6, Semarang.

Marti, Ni Wayan, Evaluasi Kinerja Metode PCA/LPP Pada Sistem Pengenalan Citra Wajah Manusia, Undiksha Bali

Munir, Rinaldi, 2012, Pengolahan Citra Digital, [ebook] (diunduh pada tanggal 23 Oktober 2013, website : www.ebookbrowsee.net ).

Petkov N., Wieling, M.B., Gabor Filter for Image Processing and Computer Vision, University of Groningen, Department of Computing Science, [online] (diakses pada tanggal 23 Juli 2014)

Prasetyo,Eko, 2011, Pengolahan Citra Digital dan Aplikasinya Menggunakan Matlab, Penerbit Andi, Yogyakarta

Pressman,Roger S., 2001, Software Engineering A Practitioner’s Approach, Fifth Edition. [ebook] diunduh pada tanggal 18 Juni 2013.

Rahardjo, Panca Mudji., 2010, Pengenalan Ekspresi Wajah berbasis Filter Gabor dan Backpropagation Neural Network, Vol 1, No. 1, EECCIS.

Samad, Rosdiyana., Sawada, Hideyuki., 2011, Edge-Based Facial Feature Extraction Using Gabor Wavelet and Convolution Filters, MVA2011, Nara, JAPAN.

Sepritahara, Sistem Pengenalan Wajah (Face Recognition) Menggunakan Metode Hidden Markov Model (HMM), Universitas Indonesia

(35)

109

Yola Tri Handika, 2014

Yang,Ming-Hsuan, dkk, 2002, Detecting Faces in Images : A Survey, IEEE Transactions on Pattern Analysis And Machine Intellingence, Vol. 24, No 1.