Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
28
H = J
T
J I
2.6 Root Mean Square Eror RMSE
Perhitungan kesalahan merupakan bagaimana jaringan dapat belajar dengan baik
sehingga jika dibandingkan dengan pola yang baru akan mudah dikenali. Kesalahan pada
keluaran jaringan merupakan selisih antara keluaran sebenarnya current output dan
keluaran yang diinginkan desired output. Selisih yang dihasilkan antara keduanya
biasanya ditentukan dengan cara dihitung menggunakan suatu persamaan.
Pelatihan jaringan syaraf tiruan dilakukan berulang-ulang sehingga dihasilkan
jaringan yang memberikan tanggapan yang benar terhadap semua masukkannya. Nilai
‘benar’ disini ditunjukkan dengan nilai RMSESSE galatnya yang biasanya
mempunyai nilai dibawah 0,1. Dengan nilai RMSESSE dibawah 0,1 maka jaringan
Sudahboleh dikatakan terlatih Arif Hermawan,2006.
III. Hasil dan Pembahasan
3.1 Tahap Implementasi
Pada tahap ini akan dibahas mengenai implementasi terhadap Sistem Pengenalan
Ekspresi Wajah Tersenyum dengan Algoritma Jaringan Syaraf Tiruan Levenberq –
Marquardt.
3.2 Ekstrasi fitur Haar Wavelet
Pada Sistem pengenalan ekspresi wajah proses pertama yang akan dilakukan
adalah dengan proses ekstrasi citra wajah yang akan digunakan sebabagai pelatihan maupun
sebagai pengenalan dengan menggunakan Metode Haar Wavelet. . Pada saat pengguna
menjalankan aplikasi akan dilakukan proses segmentasi dan ekstrasi citra sebelumnya
kemudian dilanjutkan pada proses pembelajaran yang dilakukan dengan Metode
Levenberg - Marquardt.
Sebelum proses ekstrasi fitur dilakukan tahap pertama adalah proses
segmentasi dimana image yang di imputkan akan diambil pada posisi bibir saja.
Gambar 3.1 Proses Ektraksi Haar Wavelet Setelah proses segmentasi selesai,
maka akan dilakukan kembali proses ekstrasi fitur. Dimana pada sistem ini proses ekstrasi
fitur menggunakan ekstrasi fitur haar wavelet, citra yang dihitung adalah citra dengan ukuran
64x64 pixel, citra tersebut hasil dari proses ektrasi fitur dengan empat 4 level proses
dekomposisi baris dan kolom, yang menghasilkan 4 nilai bobot yang dijadikan
inputan pada proses pembelajaran dengan levenberg marquardt.
3.3 Proses klasifikasi wajah Wajah
Pada klasifikasi image dimulai dari proses memasukkan image wajah selanjutnya
image akan dilakukan proses segmentasi untuk mengnentukan dan menghitung daerah bibir
saja, kemudian dilakukan proses ekstrasi fitur dengan haar wavelet hingga menghasilkan
nilai yang nantinya akan digunakan sebagai imputan pelatihan oleh algoritma JST
Levenberg-Marquardt.
Berikut adalah
interface dari sistem deteksi wajah.
Gambar 3.2 interface sistem deteksi wajah
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
29
IV. PENGUJIAN SISTEM
4.1
Pengujian white box
Merupakan metode perancangan test case yang menggunakan struktur kontrol dari
perancangan prosedural untuk mendapatkan test case. Dengan menggunakan metode
whitebox akan dilakukan pengujian terhadap alur logika sistem pengenalan ekspresi wajah.
Pada sistem pengenalan ekspresi wajah dengan algoritma Jaringan Syaraf
Tiruan Levenberg-Marquardt citra mengalami proses pelatihan dan tahap dan tahap
pengujian, yang sebelumnya citra wajah akan mengalami proses segmentasi untuk penentuan
letak posisi bibir yang nantinya akan diproses lagi dengan menggunakan ekstrasi fitur
dengan haar wavelet hingga mendapatkan nilai bobot sebagai imputan pada Jaringan Syaraf
Tiruan Levenberg-Marquardt. Pengujian dari proses sistem akan dilakukan dengan membuat
sekenario pengujian dan menggunakana pendekatan basis path pada metode white box
untuk memastikan alur logika program sudah berjalan dengan benar.
Table 4.1 Hasil Akurasi citra wajah
Sudut Image
Citra yang dapat di
deteksi Akurasi
30 12
7 58,3
60 12
10 83
90 12
10 83
120 12
10 83
150 12
9 75
4.2 Pengujian blackbox
Pada proses pengujian sistem dengan black box dapat ditentukan dengan
mempelajari input dan output. Pada pengujian ini akan difokuskan terhadap pengujian dari
citra wajah tersenyum apakah sudah sesuai dengan hasil yang diharapkan berdasarkan
dengan perancangan sistem serta kesesuaian pada antarmuka sistem. merupakan beberapa
data yang digunakan dalam menguji sistem menggunakan metode black box. Serta
dilakukan pengujian akrasi untuk menentukan seberapa besar sistem dapat mengenali wajah
dengan baik Akurasi =
100
4.3 Hasil Pengujian Black Box
Dari tabel 4.1 didapatkan perhitungan sebagai berikut:
Nilai rata-rata =
Nilai rata-rata = 76,67. Dari hasil penghitungan, didapatkan jumlah
rata-rata nilai presisi sebesar 76,67.
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Sistem pengenalan wajah tersenyum dengan menggunakan Algoritma Jaringan
syaraf tiruan Levenberg-Marquardt dengan Haar Wavelet sebagai ekstrasi fiturnya, maka
didapat tingkat akurasi secara keseluruhan sebesar 76,67.
Citra yang digunakan sebanyak 200 data citra dari berbagai sudut, dimana 140 citra
digunakan sebagai data latih traning dan 60 citra digunakan pada proses testing. Tingkat
akurasi tertinggi dan terrendah juga dipengaruhi terhadap sudut, dimana persentase
kebenaran tertinggi dari sudut ini adalah 90
sebesar 83 dan terendah adalah 30 sebesar
58,3.
5.2 Saran
Untuk pengembangan sistem pengenalan ekspresi wajah tersenyum , penulis
ingin menyampaikan beberapa saran sebagai berikut:
1. Dalam sistem ini masih menggunakan cara manual untuk memasukkan
image wajah pada sistem pengenalan wajah tersenyum. Diharapkan
kedepannya sistem ini dapat langsung mengambil gambar wajah secara
langsung atau real-time.
2. Serta dapat menggunakan algoritma lainnya dalam pelatihan sehingga anda
Kategori