Jaringan
Saraf Tiruan Backpropagation untuk
Pengenalan
Wajah Metode Ekstraksi Fitur
Berbasis
Histogram
Oleh:
Sigit Kusmaryanto
APLIKASI pengenalan wajah secara umum meliputi
pengenalan wajah statis atau terkontrol sampai sistem identifikasi wajah dinamis
yang tak terkontrol di dalam suatu latar belakang yang berbaur. Pendekatan yang
paling umum untuk pengenalan wajah didasarkan pada bentuk dan penempatan
atribut wajah, seperti mata, alis mata, hidung, bibir dan dagu serta hubungan
antara atribut tersebut atau analisis wajah secara keseluruhan yang
menghadirkan wajah sebagai suatu kombinasi dari sejumlah wajah kanonik.
Sistem pengenalan wajah digunakan untuk
membandingkan satu citra wajah masukan dengan suatu database wajah dan
menghasilkan wajah yang paling cocok dengan citra tersebut jika ada. Sedangkan
autentikasi wajah (face authentication) digunakan untuk menguji
keaslian/kesamaan suatu wajah dengan data wajah yang telah diinput sebelumnya.
Bidang penelitian yang juga berkaitan dengan pemrosesan wajah adalah lokalisir
wajah (face localization) yaitu pendeteksian wajah dengan asumsi hanya
ada satu wajah di dalam citra
1. Sistem
pengenalan citra wajah dibagi menjadi dua jenis, yaitu sistem feature-based dan
sistem imagebased. Pada sistem feature-based digunakan ciri yang
diekstraksi dari komponen citra wajah seperti mata, hidung, mulut, dan
lain-lain yang kemudian dimodelkan secara geometris hubungan antara ciri-ciri
tersebut. Sedangkan pada sistem image-based menggunakan informasi mentah
dari piksel citra yang kemudian direpresentasikan dalam metode tertentu,
misalnya seperti Principal Component Analysis (PCA) atau transformasi
wavelet yang digunakan untuk klasifikasi indentitas citra.
2. Metode
atau teknik pengenalanwajah yang umum telah dilakukan sebelumnya, antara lain
dengan menggunakan algoritma Eigenface
3. dengan
distribusi Gaussian dan Clustering
4. dengan
Support Vector Machine
5. dengan
metode Statistic dan Wavelet
6. Beberapa
masalah yang mungkin terjadi yakni perubahan skala, perubahan posisi, perubahan cahaya, perubahan detil dan
ekspresiwajah.
JARINGAN
SARAF TIRUAN BACKPROPAGATION
Jaringan Saraf Tiruan (JST) adalah representasi
buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses
pembelajaran pada otak manusia. Istilah buatan digunakan karena jaringan saraf
ini diimplementasikan dengan menggunakan program komputer yang mampu
menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. JST
merupakan suatu model komputasi yang menirukan cara kerja sisitem otak manusia.
Seperti halnya jaringan saraf biologis, JST juga memiliki kemampuan untuk
belajar dan beradaptasi terhadap masukan-masukan. JST menyerupai otak manusia
dalam dua hal, yaitu
1. Pengetahuan
diperoleh jaringan melalui proses belajar;
2. Kekuatan
hubungan antar sel syaraf (neuron) yang dikenal sebagai bobot-bobot
sinaptik digunakan untuk menyimpan pengetahuan.
Algoritma Pelatihan JST Backpropagation
a.
Inisialisasi bobot (ambil bobot awal
dengan nilai random yang cukup kecil)
b.
Kerjakan langkah-langkah berikut selama
kondisi berhenti bernilai false :
EKSTRAKSI
FITUR BERBASIS HISTOGRAM
Metode
yang sederhana untuk mendapatkan tekstur citra adalah dengan mendasarkan pada
histogram. Fiturfitur tekstur citra dapat dikenal secara statistis melalui histogram.
Histogram dari tiga buah citra yang mengandung tekstur yang berbeda
Implementasi JST
Backpropagation untuk pengenalan wajah
a.
Tahap
preprosesing citra wajah
tahap ini dimaksudkan untuk mendapatkan
aras keabuan dari citra wajah. Pada tahap ini digunakan pendekatan berbasis
gambar dengan menghapus data yang berlebihan dari gambar wajah melalui kompresi
gambar dengan menggunakan Microsoft Office Picture Manager. Untuk
selanjutnya dilakukan perubahan aras keabuan pada citra dengan fungsi default
MATLAB 7.0: rgb2gray(citra_wajah.png)
b.
Tahap
ekstrasi citra wajah
Ekstraksi citra wajah pada penelitian
ini menggunakan ekstraksi fitur tekstur yang berbasis histogram. Ekstraksi
fitur tekstur akan menentukan ciri citra wajah berdasarkan 6 parameter yaitu:
1.
Rerata intensitas,
2.
rerata kontras,
3.
skewness ,
4.
energi,
5.
entropi,
6.
smoothness.
7.
Prose
Tahap
pengenalan dengan JST Backpropagation
Dua
fase dilakukan pada tahap pengenalan wajah dengan JST Backpropagation yaitu
pelatihan dan pengujian. Pelatihan menggunakan sebagian data hasil ekstraksi fitur
tekstur
KESIMPULAN
Dari
hasil pembahasan dikaitkan dengan permasalahan dan tujuan dilakukannya
penelitian ini maka dapat diambil kesimpulan:
1. Pola
citra wajah dengan preprosesing menggunakan metode ekstraksi fitur berbasis
histogram dapat dikenali dengan JST menggunakan jaringan Backpropagation.
2. Pada
pengujian JST kondisi terbaik dihasilkan jumlah unit pada lapisan tersembunyi
6, jumlah unit input 225, jumlah unit output 10, maksimum epoh 2500, target error
0.001 dan learning rate=0.9 dengan rerata dikenali sebesar 95%
Untuk Filenya bisa download >>Di Sini<<