Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Proposal Sistem Pengenalan Wajah

7,865 views

Published on

proposal thesis

Published in: Technology, News & Politics

Proposal Sistem Pengenalan Wajah

  1. 1. Rancang Bangun Sistem Pengenalan Wajah Menggunakan Metode Filter Gabor dan Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) Oleh; DWI ELY KURNIAWAN (24010410400015)SEMARANG, Program Studi Magister Sistem Informasi 2011 Pasca Sarjana Universitas Diponegoro
  2. 2. Latar Belakang Sistem identifikasi biometrik wajah manusia adalah suatu sistem pengenalan individu dengan menggunakan ciri-ciri biometrik wajah dari individu yang bersangkutan. Masalah pengenalan wajah menjadi sulit karena variabilitas besar pada bentuk kepala dan kemiringan, intensitas pencahayaan dan sudut, ekspresi wajah, penuaan, dll (Woody Bledsoe, 1966).
  3. 3. Perumusan Masalah” Penelitian ini diarahkan untuk menyelesaikan masalah bagaimana membangun desain sistem pengenalan wajah yang mampu mengenalai wajah lebih akurat “ ≥ 90% “ menggunakan metode ekstraksi ciri dengan filter gabor dan identifikasi wajah dengan jaringan syaraf tiruan learning vector quantization.
  4. 4. Batasan Masalah Metode yang digunakan dalam proses pembelajaran adalah JST LVQ. Sistem mengenali image dengan format .bmp Menggunakan system operasi Windows dan Matlab Pengenalan wajah dilakukan dengan mengenali citra wajah yang terdapat dalam database wajah yang telah ada sebelumnya.
  5. 5. Keaslian Penelitian1 Laporan dalam bentuk tulisan ilmiah pada International Journal of Computer Science and Network Security (IJCSNS),Volume.11 No.1, January 2011 berjudul Neural Network Based Face Recognition With Gabor Filters. Diteliti oleh Amina Khatun dan Md. Al-Amin Bhuiyan pada Jahangirnagar University, Bangladesh. Penelitian ini membahas sistem pengenalan wajah dengan ekstrasi fitur wajah menggunakan filter gabor dan identifikasi pengenalan wajah menggunakan Bidirectional Associative Memory (BAM) dan Back-Propagation Neural Network (BPNN). Ujicoba mengambil 200 gambar wajah dari 40 orang diperoleh tingkat pengenalan wajah 84,50%.
  6. 6. 2 Selanjutnya laporan lain dalam bentuk Proceedings Of The Romanian Academy, Seri A, Volume 11, No.3/2010, halaman 277–283 berjudul Gabor Filter-Based Face Recognition Technique. Diteliti oleh Tudor Barbu pada Institute of Computer Science, Romanian Academy, Romania. Penelitian ini menggunakan ekstraksi fitur 2D filter bank gabor. Sebuah supervised classifier menggunakan jarak rata-rata minimum. Tingkat pengenalan wajah diperoleh sekitar 90%, yang melibatkan ratusan gambar frontal. Menggunakan Database Yale Face, yang berisi 168-192 ribuan gambar wajah.
  7. 7. 3 Laporan dalam bentuk jurnal pada International Journal of Computer Science Engineering and Technology (IJCSET), Vol.1,No.1, tahun 2011 berjudul Neural Network Based Face Recognition Using SOM. Diteliti oleh Shamla Mantri dan Kalpana Bapat di MITCOE Pune University, India. Penelitian ini mengembangkan dan mengilustrasikan sistem pengenalan wajah manusia menggunakan Self-Organizing Maps (SOM). Analisis wajah hasil untuk 400 gambar dari database AT&T mencerminkan bahwa tingkat pengenalan wajah 92,40% untuk 40 orang.
  8. 8.  Dari Ketiga Penelitian tersebut,..  metode yang belum diungkap adalah..? Kombinasi metode filter gabor dengan identifikasi menggunakan Jaringan Syaraf Tiruan tipe 1) Self-Organizing Maps, 2) Learning Vector Quantization, dan 3) Fuzzy C-Means Clustering.
  9. 9. Manfaat Penelitian Manfaat dari penelitian ini adalah untuk menghasilkan suatu sistem pengenalan wajah yang dapat mendukung; 1) Aplikasi sistem keamanan, misalnya login sistem tertentu 2) Aplikasi sistem pengenalan penyamaran wajah, misalnya pada kasus teroris 3) Aplikasi sistem informasi pada database kepolisian, 4) Aplikasi sistem akses pintu masuk/FaceGate 5) dll.. Selain itu untuk memperkaya literatur mengenai bidang identifikasi biometrik, kecerdasan buatan dan pengolahan citra (image processing) khususnya pengenalan wajah dengan metode filter gabor dan jaringan syaraf tiruan learning vector quantization.
  10. 10. Tujuan Penelitian Adapun tujuan penelitian ini adalah … untuk menghasilkan perangkat lunak sistem pengenalan wajah manusia yang dapat mengenali lebih dari 90% akurat.
  11. 11. Kajian dan Landasan Teori3.1. Sistem Pengenalan Wajah Hjelmas (2000) Identifikasi atau VerifikasiMenyebutkan dua cara pendekatan dalambiometrik pengenalan wajah.Pendekatan pertama identifikasi, bertujuanuntuk mencari jawaban identitas wajahsiapa orang tersebut.Pendekatan kedua verifikasi, bertujuanmemastikan apakah benar wajah orangyang dimaksud, bukan orang lain.
  12. 12. Deteksi wajah Pra-pemrosesan (lokalisasi) Image foto Database wajah Filter gabor Identifikasi dg JST diterima atau Pengenalan Binerisasi ditolak wajahFramework Pengenalan Wajah dengan Filter Gabor (Sumber: Amina Khatun, 2011)
  13. 13. 3.2. Pra-pemrosesan bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter- parameter citra. Tahap ini meliputi: pengambilan citra, konversi citra dari format RGB ke bentuk format keabuan (grayscale).3.3. Ekstraksi Ciri dengan Filter Gabor bertujuan untuk mendapatkan informasi penting dari tekstur suatu citra. Filter gabor merupakan sebuah pilihan tradisional untuk memperoleh informasi frekuensi yang terlokalisasi. Filter-filter gabor menawarkan lokalisasi simultan terbaik dari informasi spasial dan frekuensi. dimana
  14. 14. 3.4. Binerisasi Citra grayscale yang diperoleh dari proses ekualisasi histogram, selanjutnya akan mengalami proses binerisasi, sehingga dihasilkan citra biner yang siap untuk proses pelabelan. Binerisasi diilustrasikan pada gambar berikut. threshold 6 Histogram 5 67 70 69 1 1 1 Frekuensi 4 56 57 58 0 1 3 2 34 43 40 0 0 0 1 Bit string: 11110000 0 Decimal code: 240 Binari Code
  15. 15. 3.5. Klasifikasi dengan Jaringan Syaraf Tiruan X1 Setelah melalui proses ekstraksi X2 y_in1 y1 ciri, selanjutnya nilai yang dihasilkan ||Xi – W1i || F1 dilakukan pembelajaran LVQ. X3 y_in1 y2 ||Xi – W2i || F2 Selanjutnya dilakukan proses X4 pengklasifikasian nilai masukan y_in3 y3 terhadap target yang telah X5 ||Xi – W3i || F3 ditentukan. Pengklasifikasian sinyal oleh JST Xn menggunakan skema pembagian pasangan biner. Arsitektur Jaringan LVQ
  16. 16. Metode PenelitianBahan Penelitian Bahan penelitian diperoleh dari database wajah pada AT&T database tersedia di http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html.Alat Penelitian Untuk membantu pengujian pendektesian otomatis wajah digunakan alat bantu komputer dengan sistem operasi Windows dan MatlabJalan Penelitian 1) Studi Literatur Studi literatur dilakukan untuk mendapatkan pengetahuan tentang pengolahan citra diantaranya pre-prosesing, ekstraksi fitur dan klasifikasi atau identifikasi. Studi literatur juga diperlukan untuk mendapatkan informasi penelitian- penelitian sebelumnya tentang deteksi pengenalan wajah yang telah diterapkan.
  17. 17. Studi LiteraturPendeteksian Wajah (face detection) Dengan Pendekatan Pra-pemrosesan Akuisisi Data Terstruktur Menggunakan Model Proses Sequensial Linear Pengenalan Wajah (face recognition) 1. Analisis 2. Desain 3. Coding Ekstraksi Fitur dengan Binerisasi Citra 4. Testing Filter Gabor Klasifikasi dengan JST LVQ Hasil Penelitian Analisis Hasil Dokumentasi Hasil Penelitian PenelitianDesain PenelitianGambaran menyeluruh dari sistem yang akan dibangun
  18. 18. 2) Perancangan dan Pengembangan Prototype citra  Perancangan diperlukan untuk mengetahui alur desain sistem dari aplikasi yang dibangun. Pra-pemrosesan3) Pengujian Sistem  Pengujian sistem dilakukan untuk mendapatkan keakurasian dari metode yang digunakan. Ekstraksi ciri dg Filter Gabor4) Penarikan Kesimpulan  Setelah pengujian selesai, maka diambil suatu kesimpulan. Klasifikasi dg JST LVQ5) Penulisan Laporan Tesis  Penulisan laporan tesis sebagai tahap akhir Keputusan penelitian Diagram Alir Sistem Pengenalan Wajah
  19. 19. Fase Training Fase TestingProses Training Image Testing Imagepengenalandibagimenjadi dua Pra-Pemrosesan Pra-Pemrosesanfase. Ekstaksi Fitur Ekstaksi Fitur Feature Vector Training Klasifikasi Template Biometrik Keputusan Diagram Alir Sistem Pengenalan Wajah
  20. 20. 5. Jadwal penelitianNo Kegiatan Mei Juni Juli Agustus September Oktober 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 Studi literatur Penyusunan dan 2 presentasi proposal 3 Perancangan Sistem 4 Pengujian Sistem Penulisan laporan 5 tesis Pemeriksaan laporan 6 tesis Penyempurnaan 7 laporan tesis Presentasi dan 8 sidang tesis

×