Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2012
3 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana
jika T c
j
maka w
j
baru = w
j
lama- [x-w
j
lama] 5.
Kurangi learning rate 6.
Tes kondisi berhenti, yaitu kondisi yang mungkin menetapkan sebuah jumlah tetap dari iterasi atau rating pembelajaran mencapai nilai kecil yang cukup.
3. METODOLOGI PENELITIAN
3.1 Data Penelitian
Data penelitian yang digunakan dalam penelitian ini terdiri dari 20 citra wajah manusia yang berbeda-beda dengan 2 ekspresi yaitu ekspresi tersenyum dan ekpresi netral. Dimana menggunakan 5 sudut
pengambilan yang berbeda yaitu 30 , 45
,60 , 90
, dan 120 . Dari seluruh data citra, 70 digunakan sebagai
data training serta 30 sebagai data testing Inisialisasi variabel-variabel awal pelatihan dengan LVQ Sutarno, 2010:
• Bobot referensi w
: vektor input pertama di masing-masing kelas. •
Learning rate : 0,1 dengan pengurangan sebesar 0,01
• Maksimum epoh : 1000
• Error minimum Eps: 0,00001.
3.2 Desain sistem Desain sistem yang akan dibuat dapat dilihat pada usecase pada gambar 3.1. Berdasarkan usecase yang telah
dibuat, sistem pengenalan ekspresi wajah memiliki tiga proses utama yaitu ekstraksi ciri, pelatihan, dan pengenalan ekspresi wajah menggunakan algoritma LVQ.
Gambar 3.1 Diagram Usecase Sistem Pengenalan Ekspresi Wajah
4. HASIL DAN PEMBAHASAN
4.1 Implementasi Sistem 4.1.1
Proses Ekstraksi Ciri Citra Latih dengan Metode PCA
Dalam proses ekstraksi ciri diawali dengan mentransformasikan citra-citra pelatihan ke dalam vektor kolom sehingga membentuk sebuah matriks. Kemudian menghitung rata-rata tiap baris dari matriks
kumpulan citra latih. Selanjutnya menghitung selisis vektor citra pelatihan dengan rata-rata vektor citra pelatihan.
Setelah mtriks selisih citra pelatihan diperoleh, kemudian dihitung covarian dari matriks selisih citra
pelatihan tersebut dengan cara mengalikan matriks selisih citra pelatihan yang telah ditranspose dengan matriks citra pelatihan. Selanjutnya menghitung nilai eigen serta vektor eigen untuk memperoleh eigenfaces.
Komponen utama dari citra pelatihan dicari dengan mengalikan matriks eigenface yang sudah ditranspose terlebih dahulu dengan matriks selisih citra pelatihan.
4.1.2 Proses Pelatihan dengan Algoritma LVQ
Pada proses pelatihan, vektor citra pelatihan hasil ektraksi dengan metode PCA masuk kedalam jaringan LVQ. Kemudian sistem akan melakukan pelatihan training sampai memenuhi maximum epoh atau
learning rate kurang dari eror minimum yang sudah ditentukan dalam sistem. 4.1.3
Proses Klasifikasi dengan Algoritma LVQ
Tahap klasifikasi citra uji dimulai dengan mentransformasikan citra uji ke dalam vektor satu dimensi
kemudian vektor citra uji tersebut dikurangi dengan matriks rata-rata citra pelatihan. Hasilnya kemudian direduksi menggunakan eigenfaces dengan cara mengalikan eigenfaces transpose dengan vektor citra uji
yang sudah dikurangi rata-rata matriks citra pelatihan. Sehingga dieroleh vektor citra uji yang memiliki dimensi lebih kecil atau sama dengan dimensi vektor citra pelatihan yang kemudian masuk kedalam jaringan
LVQ untuk dikenali.
