No. 1/XXVI/2007                                                                                Wawan Setiawan, Kecerdasan ...
Wawan Setiawan, Kecerdasan Komputasional                                                    No. 1/XXVI/2007beberapa      k...
No. 1/XXVI/2007                                                              Wawan Setiawan, Kecerdasan Komputasionalwajah...
Wawan Setiawan, Kecerdasan Komputasional                                                       No. 1/XXVI/2007        Prap...
No. 1/XXVI/2007                                                                 Wawan Setiawan, Kecerdasan Komputasional d...
Wawan Setiawan, Kecerdasan Komputasional                                                                                  ...
No. 1/XXVI/2007                                                                         Wawan Setiawan, Kecerdasan Komputa...
Wawan Setiawan, Kecerdasan Komputasional                                                                    No. 1/XXVI/200...
No. 1/XXVI/2007                                                                           Wawan Setiawan, Kecerdasan Kompu...
Wawan Setiawan, Kecerdasan Komputasional                                               No. 1/XXVI/2007Dr. Wawan Setiawan, ...
Upcoming SlideShare
Loading in …5
×

Kecerdasan komputasional _berbasis_jaringan_neural_buatan_(jnb)_pada_sistem_pengenalan_wajah_(face_recognition)

1,596 views
1,503 views

Published on

0 Comments
0 Likes
Statistics
Notes
  • Be the first to comment

  • Be the first to like this

No Downloads
Views
Total views
1,596
On SlideShare
0
From Embeds
0
Number of Embeds
3
Actions
Shares
0
Downloads
79
Comments
0
Likes
0
Embeds 0
No embeds

No notes for slide

Kecerdasan komputasional _berbasis_jaringan_neural_buatan_(jnb)_pada_sistem_pengenalan_wajah_(face_recognition)

  1. 1. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan KomputasionalKecerdasan Komputasional Berbasis Jaringan NeuralBuatan (JNB) Pada Sistem Pengenalan Wajah (FaceRecognition) Wawan Setiawan (Universitas Pendidikan Indonesia) AbstrakModel sistem pengenalan wajah yang diusulkan dalam penelitian ini merupakan pengembangan dari model sistem yang telahdilakukan pada penelitian sebelumnya. Modifikasi yang dilakukan terdiri atas dua sisi yaitu modifikasi pada arsitektur jaringanneural dengan penambahan lapis neuron hidden, dan penambahan jumlah ciri dengan menghadirkan ciri geometri selain cirigeometri. Kedua modifikasi ini dapat meningkatkan kemampuan pengenalahan sekalipun dilatih dengan komposisi yang relatifrendah yaitu 30%. Dengan pertimbangan optimalisasi komputasi eksekusi atau waktu, komposisi pelatihan 50% dapatdigunakan sebagai pembelajaran yang optimal. Komposisi 70% menghasilkan akurasi sangat baik namun biaya komputasipelatihannya cukup mahal. Sampel data yang digunakan adalah citra wajah 7 orang masing-masing dengan 6 poses. Ekstraksiciri dilakukan pada 12 bagian wajah dengan masing-masing diambil 3 variasi piksel ke segala arah sehingga menghasilkan 72konfigutasi untuk setiap orang sampel dengan masing-masing 47 ciri. Arsitektur jaringan neural menjadi 47 neuron input, 8 kalineuron hidden, dan 7 neuron output. Pembelajaran model sistem menggunakan algoritma pembelajaran supervisi propagasi balikKomposisi pelatihan 30% mengasilkan rerata tingkat akurasi 90% untuk data pelatihan, dan rerata 89% untuk data testing.Komposisi pelatihan 50% mengasilkan rerata tingkat akurasi 98% untuk data pelatihan, dan rerata 95% untuk data testing.Komposisi pelatihan 70% mengasilkan rerata tingkat akurasi 100% untuk data pelatihan, dan rerata 98% untuk data testing.Secara umum model sistem jaringan neural pengenal wajah yang diusulkan cukup handal untuk sistem pengenal wajah secarafrontal. Untuk pengembangan penelitian selanjutnya dapat rancang untuk wajah tiga dimensi dengan variasi jarak pandang.Kata kunci : model sistem pengenal wajah, jaringan neural buatan, dan propagasi balik. sudah dilakukan oleh seorang anak sejak kecilPendahuluan untuk dapat berbicara, membaca, menulis, makan, K dan minum, menentukan jarak aman bagi emampuan otak manusia dalam keselamatannya dan bahkan dalam menentukan memproses persoalan yang nilai-nilai moral yang dianutnya. Berkaitan dengan berkaitan dengan panca indera kelemahan bidang kecerdasan buatan untukdicoba untuk diimplementasikan dalam komputer, menyelesaikan problem indera manusia, makadengan mempelajari cara kerja jaringan neural pada tahun 1990-1991 lahir konsep baru yangbiologis yang mendasarinya. Pendekatan yang dinamakan Computational Intelligence (Kecerdasandilakukan dalam penelitian yang berkaitan dengan Komputasional). Dalam bidang kecerdasanpengidentikan jaringan neural bilologis ini komputasional ini, diantaranya metodologidilakukan dengan menerapkan prinsip dasarnya komputasi seperti jaringan neural buatanpada sistem komputer dengan nama jaringan dikembangkan dan digabung menjadi satu untukneural buatan (JNB). Salah satu hal yang sangat mampu memberikan konsep fundamental bagirumit untuk diketahui dan kemudian dicoba pengembangan sistem cerdas (Intelligent System).untuk ditiru adalah kemampuan otak manusia Sistem Indera Buatan merupakan sistemuntuk belajar dari pengalaman. Kemampuan yang sangat diperlukan dalam kehidupan manusia.belajar dari pengalaman ini merupakan cara yang Hal ini disebabkan karena manusia mempunyaiMimbar Pendidikan 35
  2. 2. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007beberapa keterbatasan dalam melakukan yang beberapa tahun terakhir menarik perhatianaktifitasnya. Manusia akan selalu berupaya untuk banyak orang adalah Sistem Pengenalmengahindari daerah kerja yang berbahaya. Wajah/Obyek secara otomatis (AutomatedApabila manusia berada dalam keadaan yang Face/Object Recognition – AFR). Pengembangankurang sehat, baik fisik ataupun kejiwaan, maka sistem ini didorong oleh penggunaan aplikasi inikemampuan sistem inderanya akan menurun. di banyak bidang. Identifikasi wajah merupakanUntuk dapat mengatasi hal tersebut, maka masalah yang penting dalam bidang penegakanbeberapa pakar mengembangkan metodologi hukum dan forensik, otensikasi pengaksesanuntuk sistem indera buatan berdasarkan cara kerja gedung atau mesin transaksi otomatis.manusia itu sendiri. Jaringan neural buatan Bagaimanapun juga sistem AFR mempunyaimerupakan salah satu metode untuk dapat kekurangan, karena wajah yang berbeda mungkinmembuat sebuah mesin komputer bereaksi tampak mirip sehingga membutuhkandengan sensor yang diserupakan kerjanya dengan kemampuan pembedaan yang tinggi dari sistemjaringan neural manusia. Penggunaan model tersebut. Masalah lain misalnya beberapa citrajaringan neural buatan dalam kecerdasan wajah mungkin tampak agak berbeda karenakomputasional terus dikembangkan untuk batasan-batasan dari citra itu sendiri sepertimeningkatkan sistem indera buatan. Sistem perubahan titik pencahayaan, ekpsresi wajah, danpengenalan wajah merupakan sistem indera penggunaan aksesoris seperti kacamata dan yangpenglihatan banyak diterapkan terutama untuk lainnya.kontrol. Sebuah perusahaan atau institusi besar Sistem pengenal wajah telah mengalamidapat mengontrol karyawannya melalui kamera kemajuan akhir-akhir ini, khususnya untukyang dipasang di tempat-tempat yang dilalui mengenal citra wajah dengan tingkat kontrol yangkaryawan tersebut. Orang asing yang mencoba tinggi pada pencahayaan dan skala. Hasil yangmenyelinap akan segera diketahui dan diambil baik telah didapatkan untuk pengenalan citra 2-Dtindakan dengan cepat pula. Di negara maju bagian depan (frontal), dengan menggunakansistem kontrol dengan indera penglihatan buatan penyesuaian pola terhadap basis data yang besar,telah banyak digunakan terutama untuk wilayah- atau dengan mengkombinasikannya denganwilayah tertentu. Kepolisian dapat menggunakan penyesuaian ciri dan pola. Penyesuaian polasistem pengenalan wajah untuk mengenali para menggunakan Transformasi Karhunen-Loevepenjahat terutama yang kambuhan. Sistem pada sekumpulan citra yang besar. Penelitian awalpengenal wajah dapat pula digunakan untuk menunjukkan bahwa penggunaan jaringan neuralabsensi karyawan dan mahasiswa. Sistem absensi buatan dengan metode pembelajarandengan fingerprint telah banyak digunakan namun propagasibalik cukup mampu untuk dapatada kelemahan karena harus mengantri menentukan citra wajah yang telah dilatih melaluimenempelkan jarinya pada sensor yang ciri optik. Untuk dapat menggunakan sistembelakangan dapat membuat kejengkelan. Sistem indera buatan penglihatan dengan kemampuanpengenalan wajah dapat mengatasi masalah yang lebih tinggi, dapat dilakukan dengan denganantrian dan kejengkelan. Laboratorium merubah sistem arsitektur jaringan neural yangKecerdasan Komputasional Universitas Indonesia digunakan. Perubahan arsitektur ini dengantelah mengembang model pengenalan wajah mengganti setiap neuron pada layer tersembunyisampai akurasi 86%. Dalam penelitian ini konvensional dengan sekumpulan neuron yangdikembangkan model jaringan neural buatan membentuk beberapa layer.multihidden layer. Dengan menggunakan informasi tambahan berupa ciri geometri sederhana, maka jaringanSistem Indera Buatan Untuk Penglihatan neural buatan ini diharapkan dapat mengenal citra wajah dengan kemampuan yang lebih baik. Citra Indera buatan untuk sistem penglihatan Mimbar Pendidikan36
  3. 3. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasionalwajah yang digunakan sebagai masukan sistem ini menguji kinerja model yang dikembangkan,diambil dari pelbagai pose yang menggambarkan dilakukan uji tingkat akuarsi yang terdiri atas :senang, netral, sedih, dan marah. 1. User’s accuracy yaitu tingkat akurasi tiap kelas yang merupakan perbandingan antaraMetodologi Penelitian pengenalan yang benar terhadap jumlah yang harus dikenali. Metode yang dikembangkan dalam 2. Producer’s accuracy yaitu tingkat akurasi tiappeneltian ini mengikuti langkah-langkah sebagai kelas yang merupakan perbandingan antaraberikut : pengenalan yang benar terhadap jumlah kelas 1. Pengambilan citra wajah sejumlah orang yang terjadi. pada berbagai variasi pose (mimik). 3. Overall accuracy yaitu tingkat akurasi untuk 2. Pemrosesan awal untuk mendapatkan citra seluruh kelas yang merupakan perbandingan yang berkualitas agar mudah dalam antara pengenalan yang benar semua kelas mengekstraksi fitur wajah. terhadap jumlah seluruh data. 3. Mendisain arsitektur jaringan neural buatan yang optimal. Berdasarkan hasil uji tingkat akuarsi, dapat 4. Rancangan algoritma pembelajaran dan didefinisikan kinerga model yang dikembangkan. redisain arsitektur. Subyek dalam penelitian ini adalah citra 5. Melakukan pelatihan dan uji coba jaringan wajah 7 orang pada berbagai pose yang bervariasi. neural. Variasi pose dilakukan dengan akting karena sulit 6. Melakukan integrasi dan uji coba sistem. mengkodisikan pose yang sesungguhnya. Pose 7. Melakukan rekonstruksi citra wajah. akting dengan pose sesungguhnya tentu akan menghasilkan konfigurasi yang berbeda. Pose yang sesungguhnya dibangun oleh dorongan jiwa Data dalam penelitian ada dua pandangan, dan hati sedangkan pose akting lebhpertama data masukan yang berupa citra wajah mengandalkan perasaan. Namun demikianyang mengalami proses transformasi matematik melalui upaya akting ini diharapkan tidak terlaluyang merupakan input model yang jauh perbedaannya terutama dengandikembangkan. Kedua data keluran yang memperhatikan raut wajah. Pendekatan inimerupakan hasil proses model sistem yang merupakan teknik yang paling optimal untukkembangkan. Berhasarkan data keluaran, dilakukan karena kesulitan untuk mendapatkanselanjutnya diinterprtasi kualifikasi model sistem yang sesungguhnya.pengenal wajah. Untuk mendapatkankualifikasi model sistem yang dikembangkan, Hasil dan Pembahasandilakukan pengukuran terhadap beberapaparameter penelitian. Yang menjadi parameter Pengambilan citra wajah menggunakandalam penelitian ini adalah : kompleksitas model perangkat yang didisain secara khusus di bengkelyang dikembangkan, dan kinerja model yang FPMIPA dengan menggunakan kamera digitaldikembangkan. dengan kualifikasi yang cukup optimal. Citra Model yang dikembangkan adalah sebuah wajah diambil dari sejumlah orang secara frontalmodel software aplikasi. Untuk menguji tingkat pada beberapa variasi pose (mimik) yang terdirikompleksitas software sistem, digunakan uji atas ; netral, senyum, gembira, sedih, bengis, danwaktu eksekusi terutama waktu pelatihan. Waktu marah sehingga untuk setiap orang terdapat 6eksekusi biasanya dinyatakan dalam putaran (enam) pose.yang dikenal dengan epoch. Model yangdikembangkan adalah sarana pengenalan yang Pemrosesan Awal (Praproses)bertujuan untuk mengenali dengan baik. UntukMimbar Pendidikan 37
  4. 4. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 Praproses dilakukan untuk mendapatkan ini ciri unik didasarkan pada gabungan ciri optik citra yang berkualitas dengan tujuan untuk dan ciri geometri. Ciri optik terdiri atas : rerata, minimalisir gangguan (noise) dan agar mudah median, maksimum, minimum, dan santar deviasi dari dalam mengekstraksi fitur wajah. Langkah- setiap bagian. Sedangakn ciri geometrik adalah langkah praproses meliputi : jarak antar bagian yang menurut ahli forensik a. Filtering bisa dijadikan ciri terdiri atas : jarak mata kiri- Filtering merupakan upaya memperjelas kanan, jarak mata kanan-hidung, jarak mata kiri- batas-batas dari setiap bagian yang terdapat pada hidung, jarak hidung-mulut, jarak mulut-dagu, dan wajah, dan menghilangkan noise atau informasi jarak pangkal-dagu. Bagian-bagian wajah yang yang tidak diperlukan bahkan mengganggu. diekstrak menjadi ciri terdiri atas mata, alis, Teknik filtering yang biasa digunakan adalah hidung, pangkal, bibir, dan dagu (memiliki mean filtering yang merupakan nilai tengah dari keunikan). Total ciri yang diambil 8 bagian kali 5 informasi yang ada. Berdasarkan ciri optik ditambah 7 ciri geometri yaitu 47 ciri. karakteristiknya, noise tidak berada pada daerah Setiap bagian diambil ciri optik masing- mean maka akan tereliminasi. Hasil dari filtering masing 12 daerah sekitar melalui sebaran 3 piksel adalah citra wajah yang lebih jelas terutama dengan 4 arah. Sehingga untuk setiap orang bagian-bagiannya dengan tetap mempertahankan menghasilkan 6 pose kali 12 daerah menjadi 72 keunikannya. (tujuh puluh dua) konfigurasi optik . Sedangkan untuk ciri geometrinya menggunakan ciri yang b. Ekstraksi Ciri sama yaitu berdasrkan jarak antar pusat setiap Ekastraksi ciri merupakan upaya untuk bagian untuk setiap pose. Dengan demikian mengambil ciri yang unik dari citra dari sebuah pada penelitian ini digunakan 7 orang kali 72 objek. Pada penelitian sebelumnya ekstraksi ciri menjadi 504 konfigurasi yang merupakan data didasrkan pada ciri optik saja. Dalam penelitian pengamatan. Arsitektur jaringan neural buatan yangDisain Arsitektur dan Algoritma Pembelajaran digunakan, didisain terlebih dahulu agarJaringan Neural Buatan (JNB) didapatkan arsitektur yang memadai. Untuk melakukan proses pengenalan atau identifikasi, Mimbar Pendidikan38
  5. 5. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional digunakan algoritma pembelajaran backpropagation menggunakan multi hidden. yang dimodifikasi pada struktur neuron hidden V’11 W11 V11 Z1 X1 Z’1 Y1 Xi Z’k Yk Zj V Wmo Vnp Zp ’pm Z’m Yo Xn Arsitektur Jaringan Neural Buatanx : neuron input = 47 buahz : neruon hidden = 8 x 47 buahy : neuraon output = 7 buahAlgoritma Pembelajaran Jaringan sebagaiberikut : Langkah 4 : Setiap neuron pada lapisLangkah 0 : Inisialisasi bobot tersembunyi-1 (Zj, j=1…p)Langkah 1 : Jika kondisi henti tidak terpenuhi, menjumlahkan bobot-bobot sinyal lakukan langkah 2 - 9 masukan,Langkah 2 : Untuk setiap pola input, lakukan n step 3 – 8 z _ in j xi vij i 1 Feedforward: dan menerapkannya pada fungsi aktivasi Pembelajaran pada layer 1 untuk menghitung sinyal keluarannya,Langkah 3 : Setiap neuron masukan (Xi i= zj f ( z _ in j ) 1…n) menerima sinyal masukan xi dan mengirim sinyal ini ke semua dan menyebarkannya ke semua neuron pada lapis keluaran neuron pada lapis tersembunyi.Mimbar Pendidikan 39
  6. 6. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 Setiap neuron pada lapis tersembunyi-2 mengalikan dengan turunan fungsi (Z’j, j=1…m) menjumlahkan bobot-bobot aktivasinya untuk menghitung sinyal masukan, kesalahan informasinya, n j _ in j f (z _ in j ) z _ in j x i v ij i 1 menghitung koreksi bobotnya (yang dan menerapkannya pada fungsi aktivasi digunakan untuk memperbaiki v ij untuk menghitung sinyal keluarannya, nanti) z j f (z _ in j ) vij j xi dan mengirim sinyal ini ke semua neuron pada lapis keluaran Perbaiki bobot untuk proses selanjutnya Langkah 8 : Setiap neuron keluaran (Yk,Langkah 5 : Setiap neuron keluaran (Yk, k=1…o) memperbaiki bobotnya k=1…o) menjumlahkan bobot (j=0…m) sinyal yang masuk, w jk (new) w jk (old ) w jk p Setiap neuron tersembunyi-1 (Zj, y _ in k z j w jk j=1…p) memperbaiki bobotnya j 1 dan mengaplikasikan fungsi vij (new) vij (old ) vij aktivasinya untuk menghitung sinyal Setiap neuron tersembunyi-2 (Z’j, yang akan dikeluarkannya j=1…m) memperbaiki bobotnya yk f ( y _ ink ) vij (new ) vij (old ) v ij Backpropagasi error Langkah 9 : Lakukan pengujian kondisi henti.Langkah 6 : Setiap neuron keluaran (Yk, Uji Coba k=1…o) menerima sebuah pola target yang berhubungan dengan Uji coba ini dilakukan untuk mendapatkan pola masukan pelatihan dan jumlah neuron hidden yang optimal. Uji coba ini menghitung kesalahan informasi menggunakan metode trial and error karena tidak ada ketentukan yang pasti untuk menentukan k (t k yk ) f ( y _ ink ) (2.19) jumlah neuron hidden. Hal ini disebabkan bahwa menghitung koreksi bobot (yang jumlah neuron hidden dipegaruhi oleh tingkat digunakan untuk memperbaiki w jk kompleksitas atau karakteristik informasi nanti), (masukan). Uji coba neuron hidden didasarkan w jk k zj pada jumlah neuron input menggunakan perbandingan data input fifty-fifty. Berikut ini dan mengirim k ke neuron lapis hasil uji coba jumlah neuron hidden : tersembunyi. Tabel-1 : Penentuan Jumlah Neuron Hidden Jumlah NeuronLangkah 7 : Setiap neuron tersembunyi-2 Hidden Tingkat (Z’j, j=1…m) menjumlahkan bobot No. ( … x Neuron Akurasi setiap neuron yang yang telah dikali Input) dengan kesalahan informasinya, m 1 0,5 78 (%) _ in j w jk 2 1 89 (%) k k 1 3 1,5 92 (%) Mimbar Pendidikan40
  7. 7. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional 4 2 92 (%) 5 2,5 92 (%) 6 3 93 (%) 7 3,5 93 (%) 8 4 95 (%) 9 4,5 95 (%) 10 5 95 (%) Tabel-2 : Hasil Uji Data Pelatihan 11 5,5 96 (%) No. Data Jumlah Rerata 12 6 96 (%) Pelatihan Epoch Akurasi 13 6,5 96 (%) 1 30% 28977 90% 14 7 96 (%) 2 50% 60678 98% 15 7,5 96 (%) 3 70% 112546 100% 16 8 98 (%) 17 8,5 98 (%) Berdasarkan uji pelatihan, secara linier 18 9 97 (%) tingkat akurasi semakin baik seiring jumlah data 19 9,5 95 (%) pelatihan. Hal ini analogi dengan pembelajaran pada umumnya bahwa semakin sering 20 10 93 (%) mempelajari sesuatu maka tingkat pengenalannya semakin baik. Namun demikian konsekuensinya Tingkat akurasi pengenalan sebanding waktu pembelajaran akan bertambah dan hal ini dengan jumlah neuron hidden. Semakin besar analoginya semakin lama mempelajari sesuatu jumlah neuraon hidden, model sistem pengenal maka semakin baik pula pengenalannya. Dengan semakin tinggi akurasi pengenalannya namun ada mempertibangkan waktu dan akurasi, maka batas optimalnya. Jumlah neuron hidden yang cukup beralasan menggunakan komposisi 50% optimal sebanding dengan 8 dan 8,5 kali neuron pelatihan akan menghasilkan tingkat akurasi input. Selanjutnya yang digunakan untuk uji pengenalan yang baik meskipun bukan paling coba data testing adalah 8 kali atau yang lebih baik. kecil karena akan terkait dengan waktu eksekusi Uji coba tingkat pengenalan model sistem program. dilakukan untuk menentukan konfigurasi mana Uji coba pelatihan model sistem dilakukan yang optimal untuk mendapatkan hasil yang baik. untuk mengetahui proses pembelajaran jaringan Berikut ini hasil uji coba pengenalan : neural dengan 3 komposisi data pelatihan. Berikut ini hasil uji coba pelatihan : Tabel-3 : Hasil Pelatihan data uji 30% data testing 70% Producer’s Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7 Accuracy C-1 450 3 5 2 3 5 7 94,74 C-2 22 456 3 6 6 10 22 86,86 C-3 12 8 447 12 21 15 2 86,46 C-4 7 15 20 460 12 5 4 87,95 C-5 8 9 11 19 449 10 8 87,35 C-6 3 7 6 4 9 451 16 90,93 C-7 2 6 12 1 4 8 445 93,10 Overall User’s 89,29 90,48 88,69 91,27 89,09 89,48 88,29 Accuracy - PA =89,63 Accuracy OA =89,51Mimbar Pendidikan 41
  8. 8. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 UA =89,51 Dengan komposisi pelatihan yang konteks pengenalan wajah, komposisi ini tidak relatif kecil, masih teramati banyaknya dianjurkan untuk digunakan meskipun akurasinya kesalahan dalam pengenalan dan kesalatan lebih besar dari 80% diakrenakan terjadi konflik tersebar pada seluruh kelas yang ada. Dalam dengan seluruh kelas. Tabel-4 : Hasil Pelatihan data uji 50% data testing 50% Producer’s Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7 Accuracy C-1 480 3 99,38 C-2 9 487 5 97,21 C-3 7 7 475 6 3 95,38 C-4 8 20 484 8 93,08 C-5 4 14 479 8 5 93,92 C-6 12 478 26 92,64 C-7 7 5 15 473 94,60 Overall User’s PA =95.17 95,24 96,63 94,25 96,03 95,04 94,84 95,24 Accuracy -Accuracy OA =95.12 UA =95.12 Dengan komposisi pelatihan yang masih terjadi konflik dengan rata-rata kesalahan seimbang, termati bahwa kesalahan terjadi pada 3 kelas, dan komposisi ini bisa pengenalan tidak pada seluruh kelas, namun direkomendasi. Tabel-5 : Hasil Pelatihan dan data uji 70% data testing 30% Producer’s Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7 Accuracy C-1 493 100,00 C-2 5 500 99,01 C-3 2 487 1 99,39 C-4 6 12 500 8 95,06 C-5 5 3 490 2 2 97,61 C-6 6 496 13 96,31 C-7 2 6 489 98,39 Overall User’s PA =97,97 97,82 99,21 96,63 99,21 97,22 98,41 97,02 Accuracy -Accuracy OA =97,93 UA =97,93 Komposisi pelatihan yang lebih besar,tingkat akurasi pengenalan juga meningkat namun Kesimpulan dan Rekomendasimasih terjadi kesalahan rata-rata dengan duakelas. Komposisi ini akan beresiko biaya pelatihanyang besar seperti pada tabel 2, namun akurasinya Kesimpulanmeningkat meskipun tidak terlalu besar, maka Berdasarkan data dan hasil pengolahannyakomposisi ini jarang digunakan. dapat ditarik beberapa kesimpulan mengenai Mimbar Pendidikan42
  9. 9. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasionalmodel sistem pengenalan wajah yang G. Lohmann, 1994, Co-occurrence-based Analysis anddikembangkan antara lain : Synthesis of Textures, Proc. 12th Int. Conference on Pattern Recognition, Jerusalem, pp. 449-453.1. Model sistem pengenalan wajah jaringan Haykin Simon, 1994, Neural Network: A Comprehensive neural buatan dengan pembelajaran propagasi Foundation, Prentice-Hall, New Jersey. balik yang diusulkan dapat meningkatkan W. Setiawan, A. Murni, and B. Kusumoputro, 2003, akurasi pengenalan dari sistem yang telah ada Probabilistic Neural Network Based on Multinomial sebelumnya (propagasi balik standar). Model for Remote Sensing Image Classification,2. Peningkatan akurasi pengenalan dapat Proceedings Computer, Communication and Control Technologies : II, Vol. V ISBN : 980-6560- dilakukan melalui redesain arsitektur yaitu 05-1. pp. 132-136, Orlando. penambahan jumlah lapis tersembunyi, dan W. Setiawan, A. Murni, dan B. Kusumoputro, 2000, penambahan jumlah ciri yaitu ciri geometri. Klasifikasi Parameter Konstrain Kawasan Andalan3. Model sistem pengenalan wajah dapat Menggunakan Jaringan Neural Buatan (JNB) mengenali kelas wajah dengan komposisi Berbasis Pembelajaran Adaptif, Proceeding pelatihan 30%, dengan tingkat akurasi yang SITIA2000, Surabaya. sudah cukup baik namun bukan yang terbaik. W. Setiawan, and B. Kusumoputro, 2003, Propagasi Balik Termodifikasi Untuk Pengenalan Image Wajah4. Tingkat pengenalan semakin baik dengan Menggunakan Jaringan Neural Buatan Berbasis semakin besarnya komposisi pelatihan dengan Eigenfaces, Prosiding SNKK I, Jakarta. konsekuensi waktu pelatihan yang semakin W. Setiawan, and B. Kusumoputro, 1998, Shape and color besar pula. analysis of Malignant Skin Cansers Using Artificial Neural Network Approach, Proc. 5th Asian Symp. On Visualization, with B. Kusumoputro, Jakarta.Rekomendasi W. Setiawan, dan B. Kusumoputro, 2001, Pengembangan Berdasarkan data dan hasil pengolahannya Algoritma Propagasi Balik Untuk Pengenalan Imagedapat dipertimbangkan beberapa rekomendasi Wajah Berbasis Eigenfaces, Jurnal ICIS, Jakarta.untuk mendapatkan model sistem pengenalan W. Setiawan, A. Murni, and B. Kusumoputro, 2002, Multitemporal Optical-Sensor Image Classificationwajah yang optimal antara lain : Based on A. Cascade of Neural Network, EM 1. Hendaknya untuk menggunakan Algorithm and Compound Classifier, Proceeding pelatihan dengan komposisi yang tidak The 2002 International Conference On Opto- terlalu kecil dan juga tidak terlalu besar. Electronic and Laser Applications ISBN : 979- 2. Model sistem pengenalan wajah yang 8575-03-2 pp. C48-C53, Program Opto- Elektroteknik and Laser Appication, Universitas telah dihasilkan dapat dikembangkan Indonesia, Jakarta. untuk berbagai sudut pandang dan juga W. Setiawan, A. Murni, dan B. Kusumoputro, 2005, Model jarak pengambilan citra (tidak hanya Jaringan Neural Buatan dalam Konteks Keputusan frontal). Komputasional. Prosiding Seminar Nasional IPA, Bandung. VII. DAFTAR PUSTAKA W. Setiawan, A. Murni, dan B. Kusumoputro, 2001, Pendekatan Neural Network berbasis AlgoritmaAlessandro, S., et. al., 1993, Speed Up Learning and EM untuk masalah Klasifikasi Campuran, Prosiding Network Optimization With Extended SNKK II, Jakarta. Backpropagation, Proc. Neural Networks Vol. 6, W. Setiawan,, A. Murni, dan B. Kusumoputro, 2005, pp.365-383. Pengembangan Jaringan Neural Buatan ModelDempster A. P., N. M. Laird, and D. B. Rubin, Multinomial untuk Klasifikasi Citra Inderaja, 1997,Maximum Likelihood from Incomplete Data Prosiding Seminar Nasional Matematika, Bandung. via the EM Algorithm, J. R. Stat. Soc., Vol. 39, No. 1, pp. 1-38. W. Setiawan, A. Murni, B. Kusumoputro, and Selly Feranie, 2005, Probabilistic Neural Network Based onDonald F.S., et al.,1991, Generalization Accuracy of Multinomial Model for Remote Sensing Image Probabilistic Neural Networks Compare with Back- Classification, Jurnal Ilmu Komputer, IPB, Bogor. Propagation Networks, IEEE Transaction on Neural Network. Penulis:Mimbar Pendidikan 43
  10. 10. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007Dr. Wawan Setiawan, M.Si. adalah Dosen Program Studi Ilmu Komputer FPMIPA UPIPendidikan Fisikan FPMIPA UPI dan sebagai Ketua Mimbar Pendidikan44

×