Pengenalan Wajah dengan Pemrosesan Awal Transformasi Wavelet Thessi Cahyaningtias G64103040 Dibimbing oleh: Aziz Kustiyo, S.Si, M.Kom Arief Ramadhan, S.Kom

Pokok Bahasan PENDAHULUAN TINJAUAN PUSTAKA METODE PENELITIAN HASIL DAN PEMBAHASAN KESIMPULAN DAN SARAN DAFTAR PUSTAKA

PENDAHULUAN Latar Belakang (1) Sistem Biometrik Suatu sistem pengenalan pola yang melakukan identifikasi personal melalui karakteristik fisiologis manusia, diantaranya Salah satu fisiologis yang tidak mudah dipalsukan adalah Sistem Pengenalan Citra  System feature based  Informasi mentah dari piksel citra yang kemudian direpresentasikan dalam metode tertentu untuk digunakan pada pelatihan dan pengujian identitas citra. Sidik jari Mata Suara Tangan wajah

PENDAHULUAN (Lanjutan) Latar Belakang (2) Transformasi Wavelet metode ekstraksi fitur sekaligus mereduksi dimensi input citra wajah yang berukuran besar menjadi lebih kecil untuk mempercepat waktu komputasi pada saat melakukan proses pengenalan wajah. Metode yang digunakan pada proses pengenalan yaitu jaringan syaraf tiruan propagasi balik karena metode ini sangat baik dalam menangani pengenalan pola-pola kompleks

PENDAHULUAN (Lanjutan) Tujuan Mengembangkan sistem pengenalan wajah menggunakan jaringan syaraf tiruan yang mengalami praproses transformasi Wavelet.

PENDAHULUAN (Lanjutan) Ruang Lingkup Penelitian ini melakukan proses pengenalan citra wajah dengan ekstraksi fitur menggunakan transformasi wavelet, dimana induk Wavelet yang digunakan adalah Wavelet Haar. Metode yang digunakan pada proses pengenalan wajah adalah jaringan syaraf tiruan propagasi balik dengan inisialisasi bobot nguyen widrow. Fungsi aktifasi yang digunakan sigmoid biner dan laju pembelajaran 0.1.

PENDAHULUAN (Lanjutan) Manfaat Diharapkan dapat menambah pustaka dalam sistem biometrik terutama identifikasi manusia dengan wajah untuk kemudian dapat diimplementasikan pada bidang hukum ataupun sistem keamanan.

TINJAUAN PUSTAKA Representasi Citra Digital Setiap elemen dari array matriks disebut image element, picture element, pixel, atau pel (Gonzales & Woods 2002).

TINJAUAN PUSTAKA (Lanjutan) Transformasi Wavelet (1) Wavelet berasal dari sebuah fungsi penyekala (scaling function) (Stollnitz et al. 1995). Fungsi ini dapat membuat sebuah induk Wavelet (mother Wavelet). Wavelet - Wavelet lainnya akan muncul dari hasil penyekalaan, dilasi dan pergeseran induk Wavelet. Persamaan (1) menunjukan bagaimana suatu fungsi f(t) didekomposisi ke dalam suatu himpunan dengan fungsi dasar yang disebut sebagai Wavelet. Variabel s, dan menunjukkan skala dan pergeseran (Burrus C S. & Guo H, 1998). (1) (2)

TINJAUAN PUSTAKA (Lanjutan) Transformasi Wavelet (2) Pengembangan untuk sinyal berdimensi dua (2D) biasanya menerapkan bank filter untuk melakukan dekomposisi citra. Bank filter terdiri atas dua lapisan, yaitu low-pass dan high-pass. Citra pendekatan Low-pass Citra Asli Citra detil High-pass

TINJAUAN PUSTAKA (Lanjutan) Transformasi Wavelet (3) Dekomposisi level 3

TINJAUAN PUSTAKA (Lanjutan) Dekomposisi Wavelet (1) Proses dekomposisi Haar menerapkan bank filter dengan h0 = h1= sebagai koefisien low-pass yang menghasilkan citra pendekatan, dan g0= , g1= sebagai koefisien high-pass yang menghasilkan citra detil. Stephane Mallat memperkenalkan algoritma piramida Mallat

TINJAUAN PUSTAKA (Lanjutan) Dekomposisi Wavelet (2) Algoritma Piramida Mallat

TINJAUAN PUSTAKA (Lanjutan) Dekomposisi Wavelet (3) Ilustrasi piramida Mallat Level 1 pada matrik 2D 6x6 a=5 . . . . a=6 4 8 6 2 4 6 4 6 c=-1 . . . . c=0 6 2 2 4 8 6 6 6 a=2.5 a=4 Perkolom . . . . 2 4 5 6 2 4 2 4 c=-0.5 . . . . c=0 3 2 3 8 2 4 3 4 a=5 . . . . a=5 8 6 6 3 1 4 8 4 c=3 . . . . c=-1 2 2 6 5 3 6 2 6

TINJAUAN PUSTAKA (Lanjutan) Dekomposisi Wavelet (4) 5 5 4 3 6 6 5 5 3.5 0.5 6 -1 3 2 -1 -2 5 c=0 2.75 -0.25 5.5 -1.5 3 -1 perbaris a=3.5 2.5 3 4 7 2 4 4 4.5 0.5 5 1 3.5 -1.5 -0.5 1 1 -1 c=0.5 3 1 -2 0.5 1.5 -1 -1 5 4 6 4 2 5 a=6 0.25 -0.75 1 6 3 2 -1 -1 -1 c=0 2.5 0.5 -0.5 -0.5 -1 6

TINJAUAN PUSTAKA (Lanjutan) Jaringan Syaraf Tiruan Propagasi Balik (1) Jaringan syaraf tiruan (JST) propagasi balik Multilayer feedforward  Metode pembelajaran propagasi balik dan supervised learning. Pelatihan JST propagasi balik terdiri atas tiga langkah:  Feedforward  Propagasi balik kesalahan  Penyesuaian bobot

TINJAUAN PUSTAKA (Lanjutan) Jaringan Syaraf Tiruan Propagasi Balik (2) Algoritma JST Propagasi Balik (Fauset 1994) Inisialisasi Bobot Nguyen widrow Unit input Unit tersembunyi sinyal sinyal Fungsi aktivasi Informasi Kesalahan Pola Unit output hitung Unit output Unit tersembunyi Feedforward sinyal hitung Perbaiki Menjumlah bobot sinyal input Koreksi bobot Propagasi balik kesalahan Unit output Hitung koreksi bobot dan bias pada lapisan input Fungsi aktivasi Menjumlahkan input informasi kesalahan dikali bobot Bias Penyesuaian bobot Bobot hitung Informasi Kesalahan Lapisan tersembuyi Koreksi bias

METODE PENELITIAN Data Cambridge university 100 dari 400 data yang diperoleh 50 data pelatihan 50 data pengujian Variasi posisi dan ekspresi

METODE PENELITIAN (Lanjutan) Proses Pengenalan Wajah Citra wajah Tanpa dekomposisi Proses dekomposisi Wavelet Haar Praproses Citra latih Citra uji Pelatihan JST propagasi balik Pengujian JST propagasi balik Penghitungan akurasi

METODE PENELITIAN (Lanjutan) Pengenalan Wajah menggunakan JST Propagasi Balik Input citra JST Citra wajah asli Citra pendekatan hasil dekomposisi level 1 Citra pendekatan hasil dekomposisi level 2 Citra pendekatan hasil dekomposisi level 3 Struktur JST yang digunakan

METODE PENELITIAN (Lanjutan) Parameter Percobaan Konvergensi adalah tingkat kecepatan jaringan mempelajari pola input, yang dinyatakan dengan satuan waktu atau satuan epoh. Generalisasi dihitung sebagai berikut

METODE PENELITIAN (Lanjutan) Lingkungan Pengembangan Perangkat keras Prosesor AMD Sempron(tm) 2200+ RAM 512 MB Harddisk 110 GB Perangkat Lunak Windows XP sebagai sistem operasi Matlab R2006b (7.3) untuk program aplikasi

HASIL DAN PEMBAHASAN Percobaan menerapkan dua perlakuan berbeda: Citra yang akan mengalami proses pengenalan wajah tanpa dekomposisi sebagai percobaan 1 Citra wajah yang akan mengalami praproses dekomposisi sebagai percobaan 2 . Setiap percobaan mengamati nilai generalisasi yang memiliki nilai optimal, dan menemukan kombinasi hidden neuron, toleransi kesalahan, dan level dekomposisi (untuk percobaan dengan proses dekomposisi).

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 1 (1) Generalisasi input citra tanpa praproses dekomposisi Toleransi kesalahan 0.1 Toleransi kesalahan 0.01

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 1 (2) Toleransi kesalahan 0.001 Generalisasi Terbaik dari hasil percobaan 1

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (1) Ukuran input citra sebenarnya 48x48 piksel Input citra yang digunakan adalah citra pendekatan hasil dekomposisi tiap level Level 1 : 24x24 Level 2 : 12x12 Level 3 : 6x6

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (2) Generalisasi input citra pendekatan level 1 Toleransi kesalahan 0.1 Toleransi kesalahan 0.01

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (3) Toleransi kesalahan 0.001 Generalisasi terbaik level 1

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (4) Generalisasi input citra pendekatan level 2 Toleransi kesalahan 0.1 Toleransi kesalahan 0.01

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (5) Toleransi kesalahan 0.001 Generalisasi terbaik level 2

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (6) Generalisasi input citra pendekatan level 3 Toleransi kesalahan 0.1 Toleransi kesalahan 0.01

HASIL DAN PEMBAHASAN (Lanjutan) Percobaan 2 (7) Toleransi kesalahan 0.001 Generalisasi terbaik level 3

HASIL DAN PEMBAHASAN (Lanjutan) Perbandingan Kedua Jenis Percobaan Generalisasi terbaik percobaan 1 dan 2 Waktu komputasi yang diperlukan

KESIMPULAN DAN SARAN Kesimpulan (1) Pengenalan wajah dengan pemrosesan awal transformasi Wavelet terbukti dapat meningkatkan nilai generalisasi. Nilai generalisasi 100% dicapai dengan input citra level 3, toleransi kesalahan 0.001 saat hidden neuron 30, 40, dan 60. Secara umum rata-rata generalisasi yang dicapai saat toleransi kesalahan 0.001 berkisar pada nilai 98%. Setiap nilai generalisasi mencapai nilai terbaik selalu diiringi dengan penurunan nilai generalisasi pada hidden neuron selanjutnya.

KESIMPULAN DAN SARAN Kesimpulan (2) komputasi saat proses pengenalan wajah yang mengalami proses dekomposisi Wavelet pun lebih cepat dibandingkan dengan proses pengenalan wajah tanpa proses dekomposisi. komputasi akan semakin kecil seiring dengan penambahan level dekomposisi. Nilai generalisasi akan semakin tinggi dan stabil seiring dengan penambahan level dekomposisi dan penurunan nilai toleransi kesalahan. Jumlah hidden neuron saat generalisasi terbaik biasanya berada pada jumlah 40, 70 ,dan 90.

KESIMPULAN DAN SARAN Kesimpulan (3) Proses dekomposisi Wavelet Haar penghitungannya sederhana, sehingga mudah dimengerti, karena kesederhanaannya itu juga komputasi menjadi lebih cepat. Kesederhaan dan kemudahan dalam proses penghitungan itulah yang menjadi keunggulan dari induk Wavelet Haar.

KESIMPULAN DAN SARAN Saran Membandingkan nilai generalisasi yang didapat dengan induk Wavelet lainnya. Misalnya Haar dengan Daubechies, karena Daubechies merupakan induk Wavelet yang diperoleh dari hasil pengembangan Haar. Menggunakan citra wajah yang ukuran baris dan kolomnya berbeda. Misalnya citra wajah berukuran 112x92 piksel.

DAFTAR PUSTAKA Achelia, E. 2005. Pengenalan Wajah dalam Berbagai Sudut Pandang Terkelompok menggunakan Jaringan Syaraf Tiruan Propagasi balik [skripsi]. Bogor: Depertemen Ilmu Komputer, FMIPA, IPB. Burrus C S. & Guo H. 1998. Intoductionto Wavelets and WaveletTransforms, A Primer. Upper Saddle River, NJ(USA): Prentice-Hall. Fausett, Laurene. 1994. Fundamentals of Neural Networksl. New Jersey : Prentice- Hall. Gonzales, R.C. & R.E. Woods. 2002. Digital Image Processing. 2nd Edition. New Jersey: Prentice-Hall. Puspaningrum. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta: ANDI. Setiawan, W. 1999. Pengenalan Wajah Menggunakan Jaringan Neural Buatan Berbasis Eigenfaces [tesis]. Depok: Program Studi Ilmu Komputer, Fakultas Pascasarjana Universitas Indonesia. Siang. 2005. Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab. Yogyakarta: ANDI. Stollnitz Eric J et al. 1995. Wavelets for Computer Graphics: A Primer Part 1. University of Washington. http://grail.cs.washington.edu/projects/wavelets/article/wavelet1.pdf [ 1 Februari 2007] Valens, Clemens. 2004. A Really Friendly Guide to Wavelets. http://perso.orange. fr/polyvalens/clemens/download/arfgtw_26022004.pdf [1 Februari 2007]

Terimakasih