PENGAMANAN RUANG DENGAN PENGENALAN POLA WAJAH SECARA REAL TIME MENGGUNAKAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION

PROPOSAL TUGAS AKHIR

Telah Diperiksa dan Disetujui Sebagai Salah Satu Syarat untuk Memperoleh Gelar Sarjana Komputer

Disusun oleh: Luffi Muhammad Nur Putro Utomo J2F008113

JURUSAN ILMU KOMPUTER / INFORMATIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS DIPONEGORO 2012

HALAMAN PENGESAHAN Yang bertandatangan dibawah ini menyatakan bahwa Proposal Tugas Akhir yang berjudul: PENGAMANAN RUANG DENGAN PENGENALAN POLA WAJAH SECARA REAL TIME MENGGUNAKAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION Dipersiapkan dan disusun oleh: Nama NIM : : Luffi Muhammad Nur Putro Utomo J2F008113

Telah disahkan sebagai Proposal Tugas Akhir yang merupakan salah satu syarat untuk memperoleh gelar Sarjana Komputer.

Semarang,

Desember 2012

Menyetujui, Pembimbing I, Pembimbing II,

Satriyo Adhy, S.Si, MT. NIP 1983 02 03 2006 04 1 002

Helmie Arif Wibawa, S.Si, M.Cs. NIP. 1978 05 16 2003 12 1 001

Mengetahui,

Ketua Jurusan Ilmu Komputer / Informatika FSM UNDIP,

Drs. Eko Adi Sarwoko, M.Kom NIP. 1965 11 07 1992 03 1 003

ii

DAFTAR ISI

HALAMAN PENGESAHAN .............................................................................................. ii DAFTAR ISI ........................................................................................................................ iii DAFTAR GAMBAR ............................................................................................................. v DAFTAR TABEL ................................................................................................................ vi DAFTAR LAMPIRAN ....................................................................................................... vii BAB I..................................................................................................................................... 1 PENDAHULUAN ................................................................................................................. 1 1.1 Latar Belakang ............................................................................................................. 1 1.2 Rumusan Masalah ........................................................................................................ 2 1.3 Tujuan dan Manfaat ..................................................................................................... 2 1.4 Ruang Lingkup ............................................................................................................. 2 BAB II ................................................................................................................................... 3 METODOLOGI .................................................................................................................... 3 2.1. Studi Pustaka ............................................................................................................... 3 2.1.1. Pengolahan Citra Thresholding (Derajat keabuan) .............................................. 3 2.1.2. Deteksi Wajah ...................................................................................................... 4 2.1.3. Template Matching .............................................................................................. 6 2.1.4. Jaringan Saraf Tiruan ........................................................................................... 7 2.1.5. Metode Backpropagation ..................................................................................... 8 2.2. Garis Besar Penyelesaian Masalah ........................................................................... 13 2.2.1. Studi Pustaka ...................................................................................................... 14 2.2.2. Pengumpulan Data ............................................................................................. 14 2.2.3. Perancangan Sistem ............................................................................................ 15 2.2.4. Alur keseluruhan sistem ..................................................................................... 16 2.2.5. Implementasi Sistem .......................................................................................... 16 2.2.6. Testing ................................................................................................................ 17 2.2.7. Penarikan Kesimpulan ........................................................................................ 17 iii

2.3. Jadwal........................................................................................................................ 17 DAFTAR PUSTAKA .......................................................................................................... 18 LAMPIRAN - LAMPIRAN ................................................................................................ 19

iv

DAFTAR GAMBAR

Gambar 2.1. Conversi ke citra grayscale ............................................................................... 3 Gambar 2.2. Hasil Thresholding ........................................................................................... 4 Gambar 2.3. Citra Template .................................................................................................. 6 Gambar 2.4 Deteksi wajah..................................................................................................... 7 Gambar 2.5 Arsitektur Backpropagation .............................................................................. 9 Gambar 2.6. Sigmoid biner ................................................................................................... 9 Gambar 2.7. Sigmoid bipolar .............................................................................................. 10 Gambar 2.8. Tahapan pembuatan sistem ............................................................................. 13 Gambar 2.9 Proses Pengumpulan data ................................................................................ 14 Gambar 2.10. Proses pembelajaran Backpropagation ........................................................ 15 Gambar 2.11. Alur sistem dijalankan .................................................................................. 15 Gambar 2.12. Alur keseluruhan sistem ............................................................................... 16

DAFTAR TABEL Tabel 2.1 Jadwal Kegiatan................................................................................................... 17

vi

DAFTAR LAMPIRAN

Lampiran 1 Lampiran 2

: Daftar Hadir peserta Seminar TA1 : Tanya dan Jawab pada saat seminar TA1

vii

BAB I PENDAHULUAN

Bab ini memaparkan latar belakang, rumusan masalah, tujuan dan manfaat, dan ruang lingkup tugas akhir mengenai Pengamanan Ruang Dengan Pengenalan Pola Wajah Secara Real Time Menggunakan Metode Jaringan Saraf Tiruan Backpropagation. 1.1 Latar Belakang Tingkat keamanan ruang yang telah terjaga dengan ketat oleh satuan keamanan mungkin ada sedikit celah dalam keamanan tersebut, dalam hal ini ketidak hadiran seorang pengaman pada ruang keamanan atau pos penjagaan akan menjadi celah untuk penyusup memasuki ruang yang telah terjaga, maka untuk lebih menambahkan tingkat keamanan ruang dibutuhkan suatu program atau pembantu keamanan secara realtime guna mengatasi resiko terjadinya celah dalam suatu keaman itu sendiri. Perkembangan teknologi sekarang ini, telah banyak jenis jenis sistem pendeteksi yang dikembangkan untuk kepentingan penggunaan teknologi itu sendiri. Sistem pendeteksi ini biasa digunakan pada sebuah benda maupun anggota tubuh manusia. Teknologi yang menggunakan tubuh manusia sebagai objek deteksi adalah teknologi biometrik. Metode yang digunakan dalam proses pendeteksian adalah metode Backprpagation atau komputasi balik yang lebih dikenal sebagai bagian dari Jaringan Saraf Tiruan atau Neural Network. Metode ini bisa dipergunakan untuk melakukan pendeteksian pada wajah yang sangat berguna untuk sistem keamanan berbasis komputer, sehingga proses pengenalan seseorang dapat dikenali secara cepat, beberapa penelitian yang telah teruji dengan metode Backpropagation yaitu pengenalan sidik jari, pengenalan wajah dan penelitian lainnya. Metode ini dapat diaplikasikan pada sistem keamanan ruang yang harus steril tanpa ada orang asing yang harus masuk kedalam ruangan, sehingga metode ini cukup untuk memperkuat sistem keamanan yang mungkin sudah dibangun sebelumnya. 1

1.2

Rumusan Masalah Rumusan masalah yang akan dibahas dalam tugas akhir ini dalam pengamanan ruang dengan pengenalan pola wajah secara real time menggunakan metode jaringan saraf tiruan backpropagation adalah. 1. Bagaimana sistem mendeteksi wajah. 2. Bagaimana sistem mengenali wajah yang ada dalam database. 3. Bagaimana sistem memberi notifikasi jika wajah tidak dikenali.

1.3

Tujuan dan Manfaat Tujuan yang ingin dicapai dalam penulisan tugas akhir ini adalah menghasilkan sebuah program aplikasi yang dapat menambah system keamanan ruang lebih terjaga, sehingga mengurangi tindakan penyusupan dalam ruang itu sendiri, dan dapat membantu system penjagaan yang sudah ada. Manfaat penulisan tugas akhir ini adalah memberi tingkat keamanan yang cukup pada sebuah ruang dengan mengenali pola wajah yang sudah tersimpan dan pola wajah asing yang tidak tersimpan dalam sistem, sehingga tingkat keamanan ruang dapat dijaga dengan baik.

1.4

Ruang Lingkup Penyusunan tugas akhir ini, diberikan ruang lingkup yang jelas agar pembahasan lebih terarah dan tidak menyimpang dari tujuan penulisan. Ruang lingkup aplikasi yang dapat mengenali wajah seseorang melalui citra wajah yang telah tersimpan menggunakan Jaringan Saraf Tiruan backpropagation adalah sebagai berikut: 1. Pola yang dideteksi hanya pola wajah. 2. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan (frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain. 3. Menggunakan Webcam untuk media video recording. 4. Pengambilan gambar secara real time. 5. Notifikasi pengenalan menggunakan SMS google.

BAB II METODOLOGI

Bab ini memaparkan studi pustaka, garis besar penyelesaian masalah, dan jadwal dalam mengimplementasikan metode Jaringan Saraf Tiruan Backpropagation mengenali pola wajah sebagai sistem keamanan ruang secara real time. 2.1. Studi Pustaka Studi pustaka merupakan metode pengambilan data dengan mempelajari literatur yang dapat berupa buku-buku, diktat maupun bentuk lain yang berhubungan dengan objek yang dipelajari guna mendukung penyelesaian tugas akhir ini. Melalui metode ini, penulis mengumpulkan dan mempelajari literatur, seperti buku, jurnal maupun artikel yang relevan dengan permasalahan tugas akhir ini. Bahan-bahan yang diperlukan guna menyelesaikan tugas akhir ini adalah pengolahan citra Thresholding (derajat keabuan), deteksi wajah, template matching, Jaringan Saraf Tiruan, dan metode Backpropagation. 2.1.1. Pengolahan Citra Thresholding (Derajat keabuan) Citra menghapus nila warna, yang ada adalah derajat keabuan. Untuk mengubah citra berwarna yang mempunyai nilai matrik masingmasing r, g dan b menjadi citra grayscale dengan nilai s, maka konversi dapat dilakukan dengan mengambil rata - rata dari nilai r, g dan b sehingga dapat dituliskan menjadi: untuk

+ + 3

2.1

Percobaan proses konversi citra berwarna menjadi citra grayscale ini dapat dibuat program seperti gambar 2.1.

Gambar 2.1. Conversi ke citra grayscale

Thresholding Thresholding digunakan untuk mengatur jumlah derajat keabuan yang ada pada citra. Dengan menggunakan thresholding maka derajat keabuan bisa diubah sesuai keinginan, misalkan diinginkan menggunakan derajat keabuan 16, maka tinggal membagi nilai derajat keabuan dengan 16. Proses thresholding ini pada dasarnya adalah proses pengubahan kuantisasi pada citra, sehingga untuk melakukan thresholding dengan derajat keabuan dapat digunakan rumus:
= . ( ) 2.2

dimana : w = nilai derajat keabuan sebelum thresholding x = nilai derajat keabuan setelah thresholding Berikut ini contoh thresholding mulai di 256, 16, 4 dan 2. Untuk mencoba melakukan proses thresholding, perlu dibuat program untuk dapat mengubahubah nilai thresholding sesuai keinginan. Sehingga perlu ditampilkan dua citra, yaitu citra asli (grayscale) dan hasil thresholding-nya dengan nilai thresholding yang ditentukan melalui input seperti terlihat pada gambar 2.2. [5]

Gambar 2.2. Hasil Thresholding

2.1.2. Deteksi Wajah Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan nonwajah [6]. 4

Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak yang menggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama dan latar belakang yang seragam. Di dunia nyata, asumsi ini tidak selalu berlaku karena wajah dapat muncul dengan berbagai ukuran dan posisi di dalam citra dan dengan latar belakang yang bervariasi [1]. Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Bidang-bidang penelitian yang berkaitan dengan pemrosesan wajah (face processing) adalah: 1. Pengenalan wajah (face recognition) yaitu membandingkan citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling cocok dengan citra masukan tersebut. 2. Autentikasi wajah (face authentication) yaitu menguji

keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya. 3. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra. 4. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video secara real time. 5. Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia. Tantangan yang dihadapi pada masalah deteksi wajah disebabkan oleh adanya faktor-faktor berikut: 1. Posisi wajah. Posisi wajah di dalam citra dapat bervariasi karena posisinya bisa tegak, miring, menoleh, atau dilihat dari samping. 2. Komponen-komponen pada wajah yang bisa ada atau tidak ada, misalnya kumis, jenggot, dan kacamata. 3. Ekspresi wajah. Penampilan wajah sangat dipengaruhi oleh ekspresi wajah seseorang, misalnya tersenyum, tertawa, sedih, berbicara, dan sebagainya. 4. Terhalang objek lain. Citra wajah dapat terhalangi sebagian oleh objek atau wajah lain, misalnya pada citra berisi sekelompok orang.

5. Kondisi pengambilan citra. Citra yang diperoleh sangat dipengaruhi oleh faktor-faktor seperti intensitas cahaya ruangan, arah sumber cahaya, dan karakteristik sensor dan lensa kamera. [1] Penelitian dari Yang mengelompokkan metode deteksi wajah menjadi empat kategori, yaitu: 1. Knowledge-based method. Metode ini kebanyakan digunakan untuk lokalisasi wajah. 2. Feature invariant approach. Metode ini kebanyakan digunakan untuklokalisasi wajah. 3. Template matching method. Metode ini digunakan untuk lokalisasi wajah maupun deteksi wajah. 4. Appearance-based method. Metode ini kebanyakan digunakan untuk deteksi wajah. 2.1.3. 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. Pada pendekatan ini, para peneliti mencoba menemukan fitur-fitur yang tidak berubah (invariant) pada wajah. Asumsi ini didasarkan pada observasi bahwa manusia dapat dengan mudah mendeteksi wajah dengan berbagai pose dan kondisi cahaya, sehingga tentunya ada sifat-sifat atau fitur-fitur yang bersifat invariant. Fitur wajah seperti alis, mata, hidung, mulut, biasanya diekstraksi dengan edge detector. Selanjutnya dibentuk suatu model statistik yang mendeskripsikan hubungan antara fitur-fitur tersebut untuk menentukan ada tidaknya wajah. [3] Contoh penggunaan template matching untuk mendeteksi letak wajah yang berada dalam suatu citra, template dapat dilihat pada gambar 2.3.

Gambar 2.3. Citra Template

Gambar 2.3 menerangkan kemungkinan kemungkinan posisi wajah yang akan terjadi, sehingga akan dicari posisi dimana wajah terdeteksi, sebelum citra diproses dalam template matching mungkin ada beberapa proses lain untuk menentukan citra mana yang akan diolah oleh template matching ini, hasil dari proses template matching dapat dilihat pada gambar 2.4. [4]

Gambar 2.4 Deteksi wajah

2.1.4. Jaringan Saraf Tiruan Salah satu cabang dari AI (Artificial Intelligence) adalah apa yang dikenal dengan Jaringan Saraf Tiruan (Artificial Neural Network). Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu melakukan pengenalan kegiatan berbasis data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Dalam analisis ini dicoba untuk dipelajari dan dicoba penerapannya didalam bidang psikologi yaitu mendeteksi test psikologi pada manusia. JST yang berupa susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip organisasi otak manusia. Usaha manusia dalam mengembangkan suatu sistem yang meniru kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa 7

decade belakangan ini. Jaringan saraf tiruan (JST), merupakan hasil perkembangan ilmu dan teknologi yang kini sedang berkembang pesat. JST yang berupa susunan sel-sel saraf tiruan (neuron) dibangun berdasarkan prinsip-prinsip organisasi otak manusia. Perhatian yang besar pada JST disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk belajar, komputasi paralel, kemampuan untuk memodelkan fungsi nonlinier dan sifat fault tolerance. Sejak ditemukan pertama kali oleh McCulloch dan Pitts pada tahun 1948, JST telah berkembang pesat dan telah digunakan pada banyak aplikasi. Jaringan saraf tiruan (JST) telah dikembangkan sejak tahun 1940. Belum ada definisi yang baku mengenai JST. [2]. 2.1.5. Metode Backpropagation Perambatan galat mundur (Backpropagation) adalah sebuah metode sistematik untuk pelatihan multiplayer jaringan saraf tiruan. Metode ini memiliki dasar matematis yang kuat, objektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat eror melalui model yang dikembangkan (training set). 1. Dimulai dengan lapisan masukan, hitung keluaran dari setiap elemen pemroses melalui lapisan luar. 2. Hitung kesalahan pada lapisan luar yang merupakan selisih antara data aktual dan target. 3. Transformasikan kesalahan tersebut pada kesalahan yang sesuai di sisi masukan elemen pemroses. 4. Propagasi balik kesalahan-kesalahan ini pada keluaran setiap elemen pemroses ke kesalahan yang terdapat pada masukan. Ulangi p proses ini sampai masukan tercapai. 5. Ubah seluruh bobot dengan menggunakan kesalahan pada sisi masukan elemen dan luaran elemen pemroses yang terhubung. Algoritma pelatihan Backpropagation meliputi dua tahap : perambatan maju dan perambatan mundur.

Arsitektur Jaringan Backpropagation Contoh Arsitekstur JST Backpropagation dengan: 1. 2. 3. n unit masukkan p unit layer tersembunyi m unit keluaran

Gambar 2.5 Arsitektur Backpropagation

Fungsi Aktifasi Fungsi aktifasi yang digunakan pada Backpropagation yaitu sigmoid biner dan sigmoid bipolar. 1. Fungsi sigmoid biner.

Gambar 2.6. Sigmoid biner

2. Fungsi sigmoid bipolar.

Gambar 2.7. Sigmoid bipolar

Selama perambatan maju, tiap unit masukan

menerima sebuah

masukan sinyal ini ke tiap-tiap lapisan tersembunyi z1,..,zp. Tiap unit tersembunyi ini kemudian menghitung aktivasinya dan mengirimkan sinyalnya ke tiap unit keluaran. Tiap unit keluaran menghitung aktivasinya untuk membentuk respon pada jaringan untuk memberikan pola masukan. Selama pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya dengan nilai targetnya untuk menentukan kesalahan pola tersebut dengan unit itu. Berdasarkan kesalahan ini, faktor (k = 1,..,m) dihitung. digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali ke semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang dihubungkan ke ). Juga digunakan (nantinya) untuk mengupdate bobot - bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama, faktor (j = 1,,p) dihitung untuk tiap unit tersembunyi . Tidak perlu untuk menyebarkan kesalahan kembali ke lapisan masukan, tetapi j digunakan untuk mengupdate bobot-bobot antara ditentukan, bobot untuk semua lapisan diatur

lapisan tersembunyi dan lapisan masukan. Setelah seluruh faktor secara serentak. Pengaturan bobot . (dari unit tersembunyi ke unit keluaran .) didasarkan pada faktor dan aktivasi dari unit tersembunyi . didasarkan pada faktor dan aktivasi xi unit masukan. Untuk langkah selengkapnya adalah:

10

Prosedur Pelatihan Langkah 0 Langkah 1 Langkah 2 : Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil), : Jika kondisi tidak tercapai, lakukan langkah 2-9, : Untuk setiap pasangan pelatihan, lakukan langkah 3-8, : Tiap unit masukan ( , tersembunyi), Langkah 4 : Setiap unit tersembunyi ( , i = 1,, p) jumlahkan bobot sinyal masukannya,

Perambatan Maju : Langkah 3 i = 1,, n) menerima sinyal dan

menghantarkan sinyal ini ke semua unit lapisan di atasnya (unit

_ = +
=1

2.3

voj = bias pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, zj = f (z_inj ), dan

kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran). Langkah 5 : Tiap unit keluaran ( , k = 1,, m) jumlahkan bobot sinyal masukannya,

_ = +
=1

2.4

= bias pada unit keluaran k dan aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, = f (_ ). Perambatan Mundur : Langkah 6 : Tiap unit keluaran ( , k = 1,, m) menerima pola target yang saling berhubungan pada masukan pola pelatihan, hitung kesalahan informasinya,
= 1 _ 2.5

hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),

11

hitung koreksi biasnya (digunakan untuk memperbaharui nantinya), dan kirimkan ke unit-unit pada lapisan dibawahnya, Langkah 7 : Setiap unit lapisan tersembunyi (zj, j = 1,, p) jumlahkan hasil perubahan masukannya (dari unit-unit lapisan diatasnya),

_ =
=1

2.7

kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya,

hitung koreksi bobotnya (digunakan untuk memperbaharui nanti), Langkah 8 : Tiap unit keluaran ( , k = 1,, m) update bias dan bobotnya (j = 0,, p) :
= + 2.9

Tiap unit lapisan tersembunyi ( , j = 1,, p) update bias bobotnya (I = 0,,n) :

dan

2.10

Langkah 9

: Test kondisi berhenti.

Prosedur Pengujian : Setelah pelatihan, jaringan saraf Backpropagation diaplikasikan dengan hanya menggunakan tahap perambatan maju dari algoritma pelatihan. Prosedur aplikasinya adalah sebagai berikut :

Langkah 0 : Inisialisasi bobot (dari algoritma pelatihan). Langkah 1 : Untuk tiap vektor masukan, lakukan langkah 2-4. Langkah 2 : for i = 1,, n : atur aktivasi unit masukan xi

12

Langkah 3 : for j = 1,, p : .

_ = +
=1

2.11

= _

2.12

Langkah 4 : for k = 1,, m :

_ = +
=1

2.13

= _

2.14

Langkah 5 : Jika 0,5 maka = 1, else = 0.

[2]

2.2.

Garis Besar Penyelesaian Masalah Aplikasi untuk pengenalan pola wajah dengan menggunakan metode Jaringan Saraf Tiruan Backpropagation. Pembuatan aplikasi ini dibagi ke dalam lima tahapan proses, yaitu studi pustaka, pengumpulan data, rancangan sitem, implementasi sistem, testing, serta penarikan kesimpulan. Tahapan pembuatan aplikasi dapat dilihat pada gambar 2.8.

Gambar 2.8. Tahapan pembuatan sistem

13

2.2.1. Studi Pustaka Studi pustaka dilakukan untuk mengetahui perkembangan terkini mengenai metode Jaringan Saraf Tiruan Backpropagation yang digunakan dalam

penyelesaian masalah. Penelitian mengenai aplikasi ini telah populer dan banyak metode baru yang berkembang, sehingga perlu merujuk pustaka-pustaka penelitian untuk menetapkan metode yang efektif. 2.2.2. Pengumpulan Data Pengumpulan data dalam penelitian ini dilakukan dengan mengambil 4 sampel citra wajah mahasiswa Teknik Informatika Universitas Diponegoro yang dipilih secara acak untuk memberi pelatihan pada sistem. Alur pengumpulan data dapat dilihat pada gambar 2.9 :

Mulai

Baca Image Matriks

Matriks Covarian

Eigen Value / Eigen Vector

Simpan Citra

Selesai

Gambar 2.9 Proses Pengumpulan data

Gambar 2.9 menjelaskan tentang mengetahui eigen value dan eigen vector sebuah citra, kemudian nilai eigen value dan eigen vector akan menjadi nilai pelatihan pada sistem Backpropagation. Proses pelatihan setelah mengetahui eigen value dan eigen vector sebuah citra yaitu pelatihan pada sistem Backpropagation, alur pelatihan dapat dilihat pada gambar 2.10 :

14

Mulai

Baca File Pelatihan

Y Feedforward Backpropagation Epoch = 1000 N

Simpan

Selesai

Gambar 2.10. Proses pembelajaran Backpropagation

2.2.3. Perancangan Sistem Perancangan sistem keamanan ini ada 3 fase penting yaitu deteksi wajah, pengenalan wajah dan pemberian notifikasi apakah wajah dikenali sistem atau tidak, dalam perancangan ini dapat kita lihat alur sistem pada gambar 2.11 :

Mulai

Baca File

Deteksi Wajah

Pengenalan Wajah

Hasil Pengenalan

Notifikasi

Pengiriman Pesan

Pengiriman ke Google

Selesai

Gambar 2.11. Alur sistem dijalankan

Pada proses baca file sistem mendapatkan sebuah citra gambar, kemudian sistem melacak apakah di dalam citra gambar terdapat pola wajah, jika iya maka proses deteksi wajah akan beraksi sedemikian hingga wajah dapat dipotong, setelah 15

pemotongan wajah didalam citra tadi, sistem kembali bekerja untuk melakukan resize citra wajah yang telah tertangkap dan dipotong, pada proses deteksi disinilah peran aktif Backpropagation untuk mengenali sebuah citra wajah apakah wajah yang telah terinput tadi sesuai dengan wajah yang telah disimpan oleh sistem sebelumnya, dari hasil perbandingan antar sistem dan citra yang baru saja masuk dapat kami cari kesimpulan wajah tersebut dikenali oleh sistem atau tidak, jika tidak peran pada proses SMS Google beraksi untuk memberikan sebuah pesan atau notifikasi bahwa sistem tidak mengenali wajah tersebut, notifikasi tersebut akan dikirimkan kepada keamanan atau pun pemilik ruangan. 2.2.4. Alur keseluruhan sistem Alur keseluruhan sistem ini gabungan seluruh alur alur sistem yang sebelumnya antara lain alur pengumpulan data, alur proses Backpropagation, dan alur sistem dijalankan, seperti apa yang digambarkan pada Gambar 2.12.

Mulai Baca File Pelatihan Baca File

Mulai

Baca Image Matriks Feedforward

Deteksi Wajah

Pengenalan Wajah

Matriks Covarian Backpropagation

Hasil Pengenalan Epoch = 1000 N Y

Eigen Value / Eigen Vector

Pengiriman Pesan

Pengiriman ke Google

Simpan Citra

Notifikasi Simpan Selesai

Gambar 2.12. Alur keseluruhan sistem 2.2.5. Implementasi Sistem Pada tahap ini, semua algoritma dan proses pada perancangan sistem akan diimplementasikan dalam sebuah aplikasi sebagai wujud dari sistem.

16

2.2.6. Testing Pada tahap ini, suatu gambar yang dimasukkan ke dalam sistem akan di proses sesuai dengan prosedur atau langkah-langkah yang telah di tentukan. Sistem akan menghitung nilai tiap piksel dari citra wajah telah di-input-kan guna mendapatkan hasil berupa notifikasi yang berisi apakah citra wajah baru dapat dikenali oleh sistem jika iya sistem akan kembali melakukan deteksi wajah, dan jika sistem tidak mengenali citra wajah tersebut maka sistem akan memberikan pesan atau notifikasi kepada keamanan ataupun pemilik ruangan. 2.2.7. Penarikan Kesimpulan Pada tahap ini dirumuskan pengembangan penelitian yang dapat dilakukan selanjutnya, juga hasil yang didapat dari penelitian ini. 2.3. Jadwal Estimasi waktu mulai dari persiapan, pembuatan hingga nantinya aplikasi ini selesai dapat dilihat pada lampiran jadwal kegiatan. Dengan adanya jadwal ini akan dapat memberikan gambaran mengenai tahapan yang akan dilakukan, sehingga dalam pengerjaan ada acuan waktu sebagai evaluasi pada tahapan sebelumnya, lihat Tabel 2. 1.
Tabel 2.1 Jadwal Kegiatan
Waktu Aktifitas Minggu ke Persiapan Penyusunan TA 1 Seminar TA 1 Analisis Design Implementasi Pengujian Penyusunan TA 2 Sidang TA 2 Revisi Laporan TA 2 Oktober 2012 2 3 4 November Desember Januari 2012 2012 2013 1 2 3 4 1 2 3 4 1 2 3 4 Februari Maret 2013 2013 1 2 3 4 1 2 3 4

17

DAFTAR PUSTAKA

[1]

Hjelmas, E., Low, B.K., 2001, Face Detection: A Survey , Computer Vision and Image Understanding. 83, pp. 236-274. Kiki, Sri Kusumadewi, Journal Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation Untuk Mendeteksi Gangguan Psikologi, diakses dari:

[2]

http://cicie.files.wordpress.com/2008/06/analisis-jst-_backpropagation_.pdf , pada tanggal 17 Oktober 2012 pukul 20.30 WIB. Nugroho, Setyo, 2004, Tesis Sistem Pendeteksi Wajah Manusia Pada Citra, Program Pasca Sarjana Universitas Gajah Mada. Rijal, Yusron, Riza Dhian Ariefianto, 2008, Journal Deteksi Wajah Berbasis Segmentasi Model Warna Menggunakan Template Matching Pada Objek Bergerak, S1 / Jurusan Sistem Komputer, Sekolah Tinggi Manajemen Informatika & Teknik Komputer Surabaya. Santi, Candra Noor, 2011, Journal Mengubah Citra Berwarna menjadi Grayscale dan citra biner , Fakultas Teknologi Informasi, Universitas Stikubank Semarang. Sung, K.K., 1996, Learning and Example Selection for Object and Pattern Detection , AITR 1572, Massachusetts Institute of Technology AI Lab. Yang, M.H., Kriegman, D., Ahuja, N., 2002, Detecting Faces in Images: A Survey , IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1.

[3]

[4]

[5]

[6]

[7]

18

LAMPIRAN - LAMPIRAN

19