- Proposal Thesis Revisi V
-
Upload
fajri-sidik-ii -
Category
Documents
-
view
230 -
download
0
description
Transcript of - Proposal Thesis Revisi V
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 1/30
BAB 1
PENDAHULUAN
1.1. Latar Belakang Masalah
Wajah merupakan fitur pembeda yang sering digunakan sebagai kunci untuk
mengenal identitas seseorang[1]. Pada sistem interaksi manusia-komputer,
pendeteksian wajah merupakan langkah penting dalam sistem pengenalan wajah.
istem pendeteksian wajah merupakan hal yang rumit dilakukan karena tingkat
ke!ariasian wajah yang kompleks, sehingga pada sistem waktu-nyata, penerapan
pendekatan yang begitu kompleks akan memperlambat kinerja sistem, dan sebaliknya
penerapan pendekatan yang tidak begitu kompleks akan mempengaruhi tingkat
keakuratan dalam pendeteksian wajah. ampai saat ini lebih dari 1"# pendekatan
yang telah diterapkan untuk membangun sistem pendeteksian wajah.
$enurut %ang, & dan 'uang, (.., pendekatan pendeteksian wajah dapat
dikategorikan menjadi empat jenis) knowledge-based, appearance-based, feature
invariant, dan template matching [*]. Knowledge-Based Method , metode ini
menggunakan dasar aturan-aturan yang biasanya digunakan oleh manusia untuk
menentukan apa saja yang membentuk suatu wajah. Pada pendekatan ini, metode
deteksi wajah dikembangkan berdasar pada aturan +rule yang didapat dari
pengetahuan para peneliti tentang wajah manusia. ebagai contoh, suatu wajah di
dalam citra biasanya memiliki dua buah mata yang simetris, sebuah hidung, dan
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 2/30
sebuah mulut. elasi antara fitur-fitur tersebut dapat direpresentasikan sebagai jarak
atau posisi. Feature Invariant Approach, algoritma pada metode ini bertujuan untuk
menemukan fitur-fitur struktural dari wajah yang tetap eksis meskipun terdapat
!ariasi pose, sudut pandang, dan kondisi cahaya. Pada pendekatan ini, para peneliti
mencoba menemukan fitur-fitur yang tidak berubah +in!ariant pada wajah. sumsi
ini didasarkan pada obser!asi bahwa manusia dapat dengan mudah mendeteksi wajah
dengan berbagai pose dan kondisi cahaya, sehingga disimpulkan bahwa pasti ada
sifat-sifat atau fitur-fitur yang bersifat in!ariant. emplate Matching , pada metode ini
akan disimpan beberapa pola wajah standar untuk mendeskripsikan wajah secara
keseluruhan maupun bagian-bagiannya. Pada saat pendeteksian akan dihitung
korelasi antara citra input dengan citra pola wajah yang tersimpan sebelumnya.
Appearance-Based Method , pada metode ini, model wajah dipelajari melalui proses
training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh
wajah. /emudian hasil training ini digunakan untuk mendeteksi wajah. ecara umum
metode ini menggunakan teknik-teknik dari analisa statistik dan machine learning
untuk menemukan karakteristik-karakteristik yang rele!an dari wajah maupun non
wajah[*][0].
erbagai pendekatan dan unjuk kerja dari berbagai penelitian pendeteksian
wajah disajikan dalam tabel 1.1.
2
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 3/30
(abel 1.1. 2njuk kerja berbagai pendekatan pendeteksi wajah.
3o $etode Peneliti(ingkat
/eakuratan
4eteksi
1 !olor based "#stem [5] (ao, 6ia-6un,7hun
809
* "upport vector machines $"%M [0] :suna ;5,*9
0 &istribution-based dan clustering [0] ung, Poggio ;<,<9
5 'eural 'etworks [0]["][=] owley 85,"9
" !ombination of Appearance-based and Feature-based [;]
(abatabaie,dkk
;;,159
= 'eural 'etworks in (eal-time Face
&etection [8]7urran, dkk
=;9-8"9
Pada sistem waktu-nyata, pendeteksian wajah harus dibangun berdasarkan
spesifikasi berikut )
1. Penggunaan algoritma yang efisien, hal ini mutlak diperlukan pada sistem
untuk pengembangan lanjut seperti sistem biometriks pengenalan wajah,
pengenalan ekspresi, dan lain-lain. Penggunaan algoritma yang terlalu
kompleks pada sistem pendeteksian wajah akan sangat berpengaruh kepada
kecepatan kinerja dalam interpretasi pola.
3
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 4/30
*. (ingkat keakuratan pendeteksian sistem yang tinggi. 4i dalam penelitian ini
parameter &etection rate dan False )ositive (ate digunakan sebagai acuan
pengukuran unjuk kerja sistem.
/ombinasi kedua spesifikasi di atas menjadi tantangan penelitian dalam
membangun sistem pendeteksian wajah waktu-nyata, dan untuk itu penggunaan
teknologi komputasi yang tepat digunakan dalam penelitian ini.
(eknologi komputasi semakin luas penggunaanya setelah ditemukannya
metode komputasi 6aringan yaraf (iruan pada tahun 1<=#. erbagai model 6aringan
yaraf (iruan yang umum dikenal luas diantaranya adalah model 'ebb, model
Perceptron, model daline>$adaline, dan model 'opfield. Pada penelitian ini model
Adaptive *inear 'euron +daline akan diujicobakan untuk membangun sistem
pendeteksian wajah. lasan pemilihan model Adaptive *inear 'euron +daline
adalah dikarenakan pada model ini struktur neuron yang digunakan tidak begitu
kompleks dan iterasi komputasi yang diperlukan untuk menyesuaikan bobot pelatihan
tidak terlalu panjang. 2ntuk melatih model Adaptive *inear 'euron +daline, maka
algoritma pembelajaran Widrow-'off digunakan untuk mengenal berbagai pola
wajah manusia yang akan dijadikan acuan sebelum pengujian dilakukan.
1.2. Rumusan Masalah
4
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 5/30
erdasarkan latar belakang permasalahan di atas, maka rumusan masalah
yang diambil adalah
1. agaimana jaringan Adaptive *inear 'euron +daline dengan menggunakan
algoritma belajar +idrow-off digunakan untuk membangun sistem
pendeteksian wajah manusia ?
*. eberapa handal unjuk kerja sistem berdasarkan parameter unjuk-kerja
&etection rate dan False )ositive (ate?
1.3. Batasan Masalah
atasan masalah dalam penelitian yang akan dilakukan adalah )
1. @ideo yang digunakan adalah berformat .a!i *5 bit
*. Wajah hanya berorientasi tampak depan, tanpa menggunakan atribut atau
aksesoris seperti kaca mata, masker, dan lain-lain.
0. Wajah yang dideteksi adalah wajah tanpa halangan.
1.4. Tujuan Peneltan
(ujuan penelitian ini adalah dihasilkan suatu prototype perangkat lunak sistem
pendeteksian wajah pada !ideo menggunakan jaringan dapti!e Ainear 3euron.
1.!. Man"aat Peneltan
$anfaat penelitian yang diharapkan adalah )
5
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 6/30
1. istem yang dibangun dapat menjadi proses awal untuk tahap pengenalan
wajah.
*. ebagai e!aluasi perbandingan terhadap berbagai pendekatan lainnya.
BAB 2
T#N$AUAN PU%TA&A
2.1 'tra Dgtal
7itra digital merupakan kesatuan dari berbagai elemen yang terdiri dari
kecerahan +brightness, kontras +contrast , kontor +contour , warna +color , bentuk
+ shape, dan tekstur +teture. ecara garis besar citra dapat dibagi menjadi dua jenis,
citra diam + still image dan citra bergerak +motion image[<]. 7itra diam + still image
secara umum direpresentasikan ke dalam bentuk fungsi ( ) # - f , , dan citra bergerak
+motion image direpresentasikan ke dalam fungsi ( )t # - f ,, , dimana - dan #
berturut-turut sebagai sumbu - dan sumbu # citra, dan t mendenotasikan waktu.
gar citra digital dapat diolah oleh komputer digital, maka suatu citra harus
direpresentasikan secara numerik dengan nilai-nilai yang diskrit atau diistilahkan
6
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 7/30
sebagai nilai intensitas cahaya. 3ilai-nilai intensitas cahaya tersebut direpresentasikan
sebagai nilai-nilai kanal pada citra digital. 2ntuk citra 8 bit akan memiliki satu kanal
yang mengandung sekumpulan nilai berkisar dari # B *"", untuk citra 1= bit akan
memiliki dua kanal, dan citra *5 bit akan memiliki tiga kanal yang dikenal sebagai
kanal +red , &+ green, dan +blue.
2.2. &(n)(lus
uatu cara untuk mengkombinasikan dua buah sinyal disebut kon!olusi[11].
/on!olusi * buah fungsi ( ) - f dan ( ) - g didefinisikan sebagai )
( ) ( ) ( ) ( ) ( )∫ ∞
∞−
−≅⊗= daa - g a f - g - f -h ..CCCCCC...+*.1
notasi ⊗ merupakan operator kon!olusi. 2ntuk fungsi diskrit kon!olusi
didefinisikan sebagai,
( ) ( ) ( ) ( ) ( )∑∞
−∞=
−≅⊗=a
a - g a f - g - f -h ..CCCCCC.....+*.*
di mana ( ) - g merupakan kernel kon!olusi atau kernel filter.
2ntuk fungsi dua dimensi, operasi kon!olusi didefinisikan sebagai ) +untuk
fungsi kontinu
( ) ( ) ( ) ( ) ( )∫ ∫ ∞
∞−
∞
∞−
−−≅⊗= dadbb #a - g ba f # - g # - f # -h ,,,,, C.+*.0
7
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 8/30
CC.....
dan untuk fungsi diskrit, didefinisikan sebagai )
( ) ( ) ( ) ( ) ( )∑∑∞
∞−
∞
∞−
−−≅⊗= b #a - g ba f # - g # - f # -h ,,,,, C.CC.....+*.5
Dungsi filter ( ) # - g , disebut juga filter kon!olusi, mask kon!olusi, kernel kon!olusi,
atau template[1*].
2.3. Deteks *ajah
da beberapa pendekatan yang telah dilakukan oleh beberapa peneliti di dalam
membangun sistem pendeteksian wajah. ecara umum metode yang diterapkan pada
sistem pendeteksian wajah dapat diklasifikasikan menjadi )
1. Knowledge-based method . $etode ini kebanyakan digunakan untuk
lokalisasi wajah.
*. Feature invariant approach. $etode ini kebanyakan digunakan untuk
lokalisasi wajah.
0. Template matching method . $etode ini digunakan untuk lokalisasi wajah
maupun deteksi wajah.
5. Appearance-based method . $etode ini kebanyakan digunakan untuk
deteksi wajah[*][0].
Knowledge-Based Method , metode ini menggunakan dasar aturan-aturan yang
biasanya digunakan oleh manusia untuk menentukan apa saja yang membentuk suatu
8
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 9/30
wajah. Pada pendekatan ini, metode deteksi wajah dikembangkan berdasar pada
aturan +rule yang didapat dari pengetahuan para peneliti tentang wajah manusia.
ebagai contoh, suatu wajah di dalam citra biasanya memiliki dua buah mata yang
simetris, sebuah hidung, dan sebuah mulut. elasi antara fitur-fitur tersebut dapat
direpresentasikan sebagai jarak atau posisi. Pada tahap pertama fitur-fitur wajah
diekstraksi lebih dulu, kemudian kandidat wajah ditentukan berdasarkan aturan yang
dipakai. $asalah utama pada pendekatan ini adalah kesulitan dalam menterjemahkan
pengetahuan manusia ke dalam aturan yang akan dipakai. 6ika aturannya terlalu detail
+ strict , maka akan sering gagal mendeteksi wajah yang tidak memenuhi aturan
tersebut. 6ika aturannya terlalu umum +general, akan menghasilkan terlalu banyak
false positive. $asalahnya akan bertambah sulit jika harus mendeteksi wajah dengan
pose yang ber!ariasi karena aturan yang dipakai harus dapat menghadapi semua
kemungkinan yang ada. $etode ini biasanya hanya dapat bekerja dengan baik pada
wajah frontal dan tegak dengan latar belakang sederhana.
Feature Invariant Approach, algoritma pada metode ini bertujuan untuk
menemukan fitur-fitur struktural dari wajah yang tetap eksis meskipun terdapat
!ariasi pose, sudut pandang, dan kondisi cahaya. Pada pendekatan ini, para peneliti
mencoba menemukan fitur-fitur yang tidak berubah +in!ariant pada wajah. sumsi
ini didasarkan pada obser!asi bahwa manusia dapat dengan mudah mendeteksi wajah
dengan berbagai pose dan kondisi cahaya, sehingga disimpulkan bahwa pasti ada
9
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 10/30
sifat-sifat atau fitur-fitur yang bersifat in!ariant. Ditur wajah seperti alis, mata,
hidung, mulut, biasanya diekstraksi dengan edge detector. elanjutnya dibentuk suatu
model statistik yang mendeskripsikan hubungan antara fitur-fitur tersebut untuk
menentukan ada tidaknya wajah. Warna kulit manusia juga dapat digunakan untuk
membantu memperkirakan area wajah. 3amun biasanya deteksi warna kulit ini
dikombinasikan dengan metode lainnya seperti shape analysis dan motion
information.
Template Matching , pada metode ini akan disimpan beberapa pola wajah
standar untuk mendeskripsikan wajah secara keseluruhan maupun bagian-bagiannya.
Pada saat pendeteksian akan dihitung korelasi antara citra input dengan citra pola
wajah yang tersimpan sebelumnya.
Appearance-Based Method , pada metode ini, model wajah dipelajari melalui
proses training dengan menggunakan satu set data pelatihan yang berisi contoh-
contoh wajah. /emudian hasil training ini digunakan untuk mendeteksi wajah. ecara
umum metode ini menggunakan teknik-teknik dari analisa statistik dan machine
learning untuk menemukan karakteristik-karakteristik yang rele!an dari wajah
maupun non wajah. %ang termasuk dalam kelompok ini antara lain adalah metode
igenfaces[/irby, iro!ich, 1<<#], distribution-based dan clustering [ung, Poggio,
1<<5], jaringan syaraf tiruan [owley, 1<<8], support vector machines +@$
[:suna, 1<<;], "parse 'etwork of +innows +3oW [%ang, *###], 'aive Ba#es
10
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 11/30
!lassifier [chneiderman, 1<<8], idden Markov Model +'$$ [3efian, 1<<8],
Kullback relative information [7olmenareE, 1<<;], dan decision trees ['uang, 1<<=]
[0].
2.4. $arngan %+ara" Truan ,$%T-
6aringan syaraf tiruan +6( merupakan sebuah mesin komputasi yang
dirancang untuk memodelkan cara atau prilaku otak biologis dalam melakukan tugas
atau berbagai fungsi tertentu[10]. ebagai suatu teknologi komputasi, 6( merupakan
suatu teknik pemrosesan informasi yang menggunakan model kuantitatif syaraf
biologis mengilhami terciptanya suatu proses komputasi yang identik dengan kerja
neuron dalam sistem syaraf manusia.
6( terdiri atas elemen pemrosesan bernama neuron, yang dihubungkan dengan
elemen pemroses lain oleh suatu aturan dan bobot. 2mumnya. 6( merupakan suatu
kumpulan pemroses sinyal analog yang dihubungkan melalui link yang disebut
interkoneksi atau koneksi-koneksi sederhana. ecara skematis, 6( digambarkan
dalam bentuk grafik yang mempunyai arah menuju suatu simpul dari elemen
pemroses. rah panah menunjukkan arah normal suatu aliran sinyal. Pemrosesan
sinyal di dalam jaringan dilakukan melalui proses komputasi. 4engan demikian. 6(
merupakan suatu teknik komputasi pada perangkat lunak atau perangkat keras yang
mengemulasikan neuron biologis dalam melakukan operasi pengambilan infomasi.
11
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 12/30
uatu neuron terdiri atas tiga bagian utama, yaitu soma +badan induk neuron, akson
+jalur keluaran dari soma dan dendrit +jalur masukan bagi soma[1#][15] seperti yang
terlihat pada gambar *.1. 'ubungan satu neuron dengan neuron berikutnya disebut
sinapsis. /arena sinapsis merupakan tempat hubungan satu neuron dengan neuron
berikutnya maka tempat itu sangat menguntungkan sebagai pengatur penghantaran
sinyal. eberapa sinapsis menghantarkan sinyal dari satu neuron ke neuron lainnya
dengan mudah, sedangkan sinapsis yang lain sulit untuk menghantarkan sinyal.
elain itu beberapa neuron pasca sinapsis bereaksi dengan sejumlah besar impuls
sedangkan lainnya hanya bereaksi terhadap beberapa impuls saja. 6adi sinapsis
melakukan suatu tindakan selektif, misalnya dengan menghalangi sinyal lemah tetapi
meneruskan sinyal yang kuat, menseleksi dan menguatkan sinyal lemah tertentu dan
tidak jarang menyalurkan sinyal ke berbagai arah, bukan hanya ke satu arah saja.
12
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 13/30
&ambar *.1. 3euron[15]
6( belajar dari sampel yang disebut set pelatihan. /arena belajar dari sampel, 6(
mempunyai potensi membangun sistem komputasi sebagai hasil pemetaan hubungan
masukan dan keluaran yang ada dalam sistem. et pelatihan dikenal sebagai pola
pelatihan berupa suatu !ektor dan didapatkan dari sumber seperti citra, sinyal suara,
dan berbagai informasi lainnya[1#].
13
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 14/30
2.!. Pr(ses Belajar $arngan %+ara" Truan ,$%T-
Proses belajar 6( diklasifikasikan menjadi dua )
- elajar dengan pengawasan + supervised learning
- elajar tanpa pengawasan +unsupervised learning
elajar dengan pengawasan + supervised learning , 6aringan memberikan tanggapan
dengan mendapatkan target tertentu. ebelum jaringan mengubah sendiri bobotnya
untuk mencapai target, bobot interkoneksi diinisialisasi. Proses belajar 6( dengan
pengawasan adalah proses belajar dengan memberikan latihan untuk mencapai suatu
target keluaran yang ditentukan. 6( mendapatkan latihan untuk mengenal pola-pola
tertentu. 4engan memberikan target keluaran, perubahan masukan akan diadaptasi
oleh keluaran dengan mengubah bobot interkoneksinya mengikuti algoritma belajar
yang ditentukan. et pelatihan dipilih dari fungsi keluaran maksimum setiap keadaan
parameter yang diubah. 4engan menginisialisasi bobot tiap sel, 6( akan mencari
error terkecil, sehingga bentuk fungsi keluaran mendekati target yang diinginkan.
Proses belajar dilakukan dengan melakukan suatu set pelatihan. 4alam menyusun
suatu set pelatihan, ada beberapa hal yang harus diperhatikan )
- 2rutan pola target
- /riteria perhitungan error
- /riteria proses belajar
14
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 15/30
- 6umlah iterasi yang harus dilalui
- Fnisialisasi bobot dan parameter awal
Pelatihan dilakukan dengan memberikan pasangan pola-pola masukan dan
keluaran. 2ntuk keperluan pengawasan, pasangan pola tidak perlu mengikuti
rumusan tertentu. 6( harus dapat mengadaptasikan masukan yang bersifat random
sehingga diperoleh suatu set keluaran yang tetap mengikuti target. alah satu proses
belajar dengan pengawasan yang begitu populer digunakan adalah proses belajar
menggunakan algoritma jaringan propagasi balik +back-propagation.
elajar tanpa pengawasan +unsupervised learning , pada proses belajar tanpa
pengawasan jaringan tidak mendapatkan target, sehingga 6( mengatur bobot
interkoneksinya sendiri. elajar tanpa pengawasan kadang-kadang direferensikan
sebagai self-organi/ing learning, atau pembelajaran mengklasifikasikan suatu pola
tanpa diperlukan suatu set pelatihan. Pada proses belajar tanpa pengawasan 6( akan
mengklasifikasikan sampel pola-pola masukan yang tersedia ke dalam berbagai
kelompok yang berbeda. 7ontoh 6( dengan belajar tanpa pengawasan salah satunya
adalah jaringan kohonen[1#][1*].
2. $arngan A/alne /an Ma/alne
4AF3G singkatan dari dapti!e Ainear 3euron, 4AF3G menggunakan
threshold dalam melakukan proses penjumlahan linier seluruh masukan pada
15
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 16/30
jaringannya. Pengaturan bobot interkoneksi pada jaringan 4AF3G dilakukan
menggunakan persamaan )
( )k k k + + ∇−+=+ µ 1 CCCCCCCCCCCCCCCCCCC..
.
+*."
&radien k ∇ sesaat dihitung berdasarkan kuadrat error sesaat,
∂
∂
∂∂
=∂
∂=∇
nk
k
k
k
k
k
k
+
+
+ *
#
*
*
ε
ε
ε
( )k
k
k k k k
+ + + +
∂
∂−=∇−+=
+
*
1
ε µ µ
(
k
k
k k
k k
k
k
k k k +
-+ d
+ + + + ∂
−∂
−=∂
∂
−=+ µε
ε
µε **1
k k k k 0 + + µε *1 +=+
jika * µ H η
k k k k 0 + + ηε +=+1 CCCCCCCCCCCCCCCCCCC... +*.=
keterangan )
µ adalah konstanta belajar.
k ε adalah error pada iterasi ke-k .
η adalah konstanta belajar yang bernilai µ * [1#][1*][10].
Pada setiap iterasi nilai error akan selalu menurun, sehingga proses belajar yang
demikian disebut juga sebagai proses belajar dengan algoritma gradient descent .
16
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 17/30
istem $4AF3G mempunyai satu lapisan 4AF3G yang dihubungkan dengan
satu unit $4AF3G. 6ika lebih dari setengah keluaran 4AF3G adalah I1, maka
unit keluaran $4AF3G adalah I1.
2ntuk mensimulasikan proses komputasi jaringan 4AF3G untuk mengenal
wajah, maka !ektor pola wajah yang akan dilatih terlebih dahulu diketahui. 2ntuk
pembentukan !ektor pola wajah maka dapat digunakan proses belajar 'ebbian,
misalkan tiap !ektor pola dibangun dengan menggunakan ciri pada *.1.
(abel *.1. @ektor pola ciri wajah manusia.
etiap elemen berhubungan dengan satu ciri pola, misalkan !ektor pola pertama
adalah [ ]11111 −+++=
- . 2ntuk menyimpan satu pola wajah di dalam
memori asosiatif, setiap elemen dalam !ektor pola wajah k - digunakan sebagai
masukan pada satu elemen pemroses di memori dan setiap elemen pemroses
dihubungkan ke setiap elemen pemroses lainnya pada memori. 3ilai kekuatan
hubungan antara elemen pemroses disimpan ke dalam matriks [ ]+ ukuran 5J5.
2ntuk memudahkan bobot interkoneksi awal, kita pilih matriks # sebagai berikut )
17
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 18/30
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 19/30
- -ww **1*
+= [ ]1111
1
1
1
1
1111
1111
1111
1111
−+−−×
−
+−
−
+
+−−−
−+++−+++
−+++
=
+−
−+
++
++
=
**##
**##
##**
##**
langkah dilanjutkan hingga misalkan langkah sepuluh, sehingga diperoleh matriks
interkoneksi pola dalam memori asosiatif.
&ambar *.*. Pola interkoneksi suatu memori asosiatif pengenalan sepuluh pola
wajah yang dibangun dari ciri utama
Pada gambar *.*, bobot interkoneksi antara elemen pemroses 1 dan *, 1 dan 0,
dan * dan 0 mempunyai nilai *, hal ini mencerminkan bahwa nilai-nilai ciri utama
yang berhubungan dengan elemen pemroses adalah sama, I1 dan I1 atau -1 dan -1,
dalam enam pola, tetapi berbeda untuk empat pola, = J +I1I5 J +-1H*. obot
interkoneksi antara elemen pemroses 1 dan 5 mempunyai nilai =, yang menunjukkan
19
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 20/30
bahwa nilai-nilai ciri utama 1 dan 5 sama dalam delapan pola dan berbeda dalam *
pola, 8 J +I1I* J +-1H=. obot interkoneksi antara elemen pemroses * dan 5, dan 0
dan 5 mempunyai nilai -*, yang menunjukkan nilai-nilai ciri utama yang
berhubungan dengan elemen pemroses adalah sama, I1 dan I1 atau -1 dan -1, dalam
empat pola, tetapi berbeda untuk enam pola, 5 J +I1I= J +-1H-*.
(injau kembali hasil dari gambar *.*, ambil !ektor masukan * dan 5 yang
menghasilkan keluaran yang tidak kuat +karena tidak ortogonal. elanjutnya kita
mencoba membuat matriks bobot dengan algoritma belajar Widrow-'off. @ektor pola
masukan * dan 5 adalah sebagai berikut )
−
−
−−
−
=
1 1
11
11
1 1
0
erdasarkan algoritma Widrow-'off, langkah pertama kita adalah menentukan nilai
konstanta belajar, misalkan #,*. $atriks bobot awal ditetapkan matriks # dan iterasi
dapat dilakukan.
[ ]
=
####
####
####
####
#+
Aangkah 1 ) Pemanggilan kembali !ektor pola.
[ ]
=
−
−
−−
−
×
==
##
##
##
##
1 1
11
11
1 1
####
####
####
####
#]#[ 0 + 0
20
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 21/30
Aangkah * ) Perhitungan error.
−
−
−−
−
=
−
−
−
−−
−
=−=
1 1
11
11
1 1
##
##
##
##
1 1
11
11
1 1
]#[]#[ 0 0 ε
Aangkah 0 ) Perhitungan matriks koreksi.
−−
−−−×
−
−
−−
−
×=∆=×1 111
1111
1 1
11
11
1 1
*,##+]#[ w 0 ε η
−
−−
−
=
5,#5,##5,#
5,#5,##5,#
##5,##
5,#5,##5,#
Aangkah 5 ) $emperbarui matriks bobot.
[ ] [ ]
−
−−
−
+
=∆+=
5,#5,##5,#
5,#5,##5,#
##5,##
5,#5,##5,#
####
####
####
####
]#[#1 w+ +
−
−−
−
=
5,#5,##5,#
5,#5,##5,#
##5,##
5,#5,##5,#
Pada iterasi ke-*5 )
−−
−−
−
×
−−−
−
==
1 1
11
11
1 1
000,#000,##000,#
000,#000,##000,#
###,1#
000,#000,##000,#
]*0[]*0[ 0 + 0
−
−
−−
−
=
1 1
11
11
1 1
21
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 22/30
=
−
−
−−
−
−
−
−
−−
−
=−=
##
##
##
##
1 1
11
11
1 1
1 1
11
11
1 1
]*0[]*0[ 0 0 ε
−−
−−−×
×=∆=×1 111
1111
##
##
##
##
*,#*0+]*0[ w 0
ε η
=
####
####
####
####
Grror minimum diperoleh pada iterasi ke-*5. 6umlah iterasi sangat dipengaruhi oleh
konstanta belajar[1#][1*].
22
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 23/30
BAB 3
MET0DE PENEL#T#AN
3.1. Dagram Alur &erja Peneltan
4iagram alur kerja yang akan dilakukan pada penelitian ini diilustrasikan
sebagai berikut )
&ambar 0.1 lur kerja penelitian secara umum
23
Fdentifikasi
masalah4esain sistem$enetapkan
tujuan penelitian
Pengumpulansampel
Fmplementasisistem
2ji coba sistem
Pengukuranunjuk kerja
sistem
/esmpulan penelitian
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 24/30
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 25/30
&ambar 0.* kema sistem pendeteksi wajah pada !ideo
dapun tahapan yang dilakukan setelah sistem menerima input !ideo adalah tahapan
grey-scale, kon!olusi, dan uji pengenalan pola wajah melalui jaringan 4AF3G.
Pada tahap pre-processing , @ideo sumber yang menjadi inputan akan di-resi/e
terlebih dahulu untuk menghemat waktu dan jumlah iterasi. etelah resi/ing !ideo
akan direpresentasikan dalam bentuk satu kanal, dan diakhiri dengan pendeteksian
tepi melalui proses kon!olusi. Pada proses utama, komputasi menggunakan jaringan
4AF3G, !ektor pola wajah akan dilatih untuk mendapatkan sebuah matriks bobot,
yang selanjutnya matriks bobot tersebut digunakan sebagai matriks pengujian.
3.4. re+sale
4iagram alir untuk proses grey-scale dibangun berdasarkan gambar berikut )
25
$ulai
khir
Fnput @ideo
/anal H+I&I>0/anal &H+I&I>0
/anal H+I&I>0
pakah semua piJel +nilai
intensitas !ideo sudah di
kalkulasi
y
t
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 26/30
&ambar 0.0 4iagram alir proses grey-scale
(ahapan grey-scale bertujuan untuk menyama-ratakan nilai intensitas ketiga
kanal yang terdapat pada !ideo *5 bit. erturut-turut nilai-nilai intensitas yang
terdapat pada kanal , kanal &, dan kanal dijumlahkan dan dibagi dengan jumlah
kanal, sehingga nilai-nilai kanal sekarang diperbaharui dengan nilai jumlah setiap
kanal dibagi jumlah kanal. Proses grey-scale !ideo sangat membantu percepatan
dalam komputasi selanjutnya, karena blok sistem proses hanya cukup mengambil
nilai dari salah satu kanal saja sebagai presentasi nilai-nilai intensitas lainnya yang
terdapat !ideo.
3.!. &(n)(lus
4iagram alir untuk proses kon!olusi dibangun berdasarkan gambar berikut )
26
$ulai
@ideo &rey-scale
kernel⊗
+++
+
n2n,#$-n2$-,#
n,#2$-$-,#2
khir
pakah semua piJel +nilai
intensitas !ideo sudah di
kalkulasi
y
t
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 27/30
&ambar 0.5 4iagram alir proses kon!olusi
/on!olusi yang dilakukan dalam blok diagram sistem menggunakan dua
operator ) obel dan Prewitt. Proses kon!olusi dilibatkan untuk mentransformasi
nilai-nilai intensitas yang telah terkondisi dari tahapan sebelumnya, menjadi nilai-
nilai intensitas yang merepresentasikan tepi objek +wajah. etiap nilai intensitas akan
dipartisi menjadi matriks 0J0 dan dikon!olusikan dengan sebuah kernel, obel atau
Prewitt.
3.. $arngan %+ara" Truan
6aringan syaraf yang digunakan pada sistem ini menggunakan jenis 4AF3G
dengan algoritma belajar Widrow-'off.
27
'itung error
[ ] [ ]1][ −−=
t t n 0 0 ε
$ulai
Fnput !ektor pola
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 28/30
&ambar 0." 4iagram alir algoritma belajar Widrow-'off
Pada tahap ini, jaringan menerima inputan struktur pola. truktur pola inputan
merupakan sebarisan pola tepi-tepi objek yang mungkin mengandung wajah atau
bukan wajah, dan selanjutnya jaringan melakukan perhitungan error. etelah
perhitungan error dilakukan, jaringan melakukan perhitungan matriks koreksi, dan
diakhiri dengan pembaharuan matriks bobot. Aangkah-langkah ini terus diulang
hingga tercapat error minimum atau telah memenuhi batas iterasi maksimum.
28
'itung matriks koreksi
[ ]
t nn 0 w ][][ ××=∆ ε η
Perbaharui matriks bobot
[ ] [ ]11][ −− ∆+= nnn w+ +
khir
pakah K#,1 atau epoch L
maksMepoch
y
t
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 29/30
3.. $a/5al Peneltan
Pelaksanaan penelitian yang akan dilakukan disajikan pada tabel berikut )
Taha6anBulan ke
1 2 3 4 !
1. Penyusunan dan re!isi ab F, FF, dan FFF
*. Pengumpulan data, desain, dan implemetasi program
0. Pengukuran unjuk kerja sistem, analisis peninjauan
kembali rancangan sistem, dan penyusunan ab F@
5. Penyusunan ab @
DA7TAR PU%TA&A
[1] )rakash *+ ,alavdekar# 2010# Face &etection 3sing 'eural 'etwork .
Fnternational 6ournal of 7omputer pplications +#<;" - 888; @olume 1 B 3o.
1= *#1#.
29
7/21/2019 - Proposal Thesis Revisi V
http://slidepdf.com/reader/full/-proposal-thesis-revisi-v 30/30
[*] nila, dan 4e!arajan, 3. *#1#. "imple and Fast Face &etection "#stem
Based on dges. Fnternational 6ournal of 2ni!ersal 7omputer ciences [email protected]*#1#>Fss.*, pp. "5-"8.
[0] 3ugroho, etyo. *##5. "istem )endeteksi +a1ah Manusia pada !itra &igital .
(esis * Flmu /omputer Program Pascasarjana 2ni!ersitas &adjah $ada6ogjakarta.
[5] Wang (ao, u 6ia-6un, dan 7hen 7hun. *##0. A !olor based Face &etection
"#stem using Multiple emplate. 6ournal of Nhejiang 2ni!ersity cience @.5, 3o. *, p. 1=*-1=".
["] owley, 'enry . 1<<<. 'eural 'etwork-Based Face &etection. (hesis )
chool of 7omputer cience, 7omputer cience 4epartment 7arnegie $ellon2ni!ersity, Pittsburgh.
[=] owley, '., aluja, ., /anade, (. 1<<8. 'eural 'etwork-Based Face &etection. FGGG (rans. Pattern nalysis and $achine Fntelligence, !ol. *#,
no. 1.[;] (abatabie, Nahra adri., ahmat, ahmita WirEa., 2dEir, 3ur FEura, dan
/heirkhah, Gsmaeil. *##<. A #brid Face &etection "#stem using
combination of Appearance-based and Feature-based methods. F673Fnternational 6ournal of 7omputer cience and 3etwork ecurity, @:A.<
3o.", $ay *##<.
[8] 7urran, /e!in., Ouelong Ai., dan $c 7aughley, 3eil. *##". he 3se of 'eural 'etworks in (eal-time Face &etection. 6ournal of 7omputer ciences
1 +1) 5;-=*, *##", F3 1"5<-0=0=.
[<] -on.ale.+ /#$#+ oods+ /## 1992# Digital Image Processing#&ddisonesley )u%lishing $ompany+ &#
[1#] # )and"aitan+ anny# 2007# Dasar-dasar Komputasi Cerdas#)ener%it &*D(+ ogyakarta#
[11] 'eeger, 4a!id. *###. andout "ignals, *inear "#stems, and !onvolution.
7enter for 3eural cience, 3ew %ork 2ni!ersity.
[1*] adlisyah dan /i.al# 2011# Pemrograman Computer Vision pada Video+ )ener%it -raha (lmu# ogyakarta#
[10] aykin+ imon# 1999# Neural Networks : A ComprehensiveFoundation# )rentice all+ *e :ersey nited tates o; &merica#
[15] 'ajek, $. *##". andout 'eural'etworks. chool of $athematics, tatisticsand 7omputer cience, 2ni!ersity of /waNulu-3atal.
30