Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization lvq Untuk
Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Gambar 3.1 merupakan model pengembangan perangkat lunak dengan menggunakan model sekuensial linear.
Gambar 3.1 Model Pengembangan Perangkat Lunak Pressman, 2001
3.1.3 Uji Coba Sistem
Tahap ini merupakan tahap pengujian sistem dengan menggunakan data dummy
sebagai masukannya. Proses ini dilakukan sampai sistem berjalan dengan baik atau sampai sistem tidak mengalami error.
3.1.4 Eksperimen
Setelah sistem berjalan dengan baik, maka tahap selanjutnya adalah tahap eksperimen terhadap data training dan data testingcitra wajah dengan tingkat
Gaussian Blur yang bervariasi sebagai masukan untuk melakukan pembuktian
bahwa proses pengenalan wajah dengan penerapan metode Jaringan Syaraf Tiruan LVQ dapat menghasilkan keluaran yang sesuai dengan target.
3.2 Desain Penelitian
Analisis Desain
Coding Testing
Pemodelan Sistem
Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization lvq Untuk
Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Gambar 3.2 menggambarkan desain penelitianpenerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization LVQ untuk pengenalan wajah pada
citra wajah Gaussian Blur.
Gambar 3.2 Desain Penelitian
Penjelasan dari desain penelitian diatas adalah sebagai berikut: a.
Studi Literatur
Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization lvq Untuk
Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Studi Literatur merupakan tahan awal dalam pembuatan penelitian dengan mengumpulkan data berupa buku, artikel, jurnal ataupun bahan-bahan
lainnya yang menunjang dalam penelitian. Selain itu memahami juga teori tentang penerapan metode LVQ untuk pengenalan wajah.
b. Mengumpulkan Data Penelitian Citra Wajah
Data penelitian yang digunakan dalam penelitian ini diambil dari http:www.milbo.orgmuct.
Data yang digunakan sebanyak10 responden yang masing-masing diambil citra wajahnya sebanyak 15citra. Kemudian
pada masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai 5.Sehingga jumlah data citra wajah tiap responden menjadi 90 citra, dan total
citra wajah seluruh responden sebanyak 900 citra. c.
Segmentasi Segmentasi bertujuan untuk memilih dan memisahkan suatu objek dari
keseluruhan citra. Pada penelitian ini ukuran masukan citra wajah pada sistem pengenalan tidak ditentukan, oleh karena itu dibutuhkan tahap segmentasi.
Proses segmentasi yang dilakukan adalah scalling, dimana pada proses scalling
dilakukan pemotongan citra wajah masukan dari background citra, sehingga ukuran citra wajah yang akan diproses difokuskan pada citra wajah
saja. d.
Grayscalling Grayscale
adalah proses konversi citra berwarna RGB ke warna abu-abu gray yang berfungsi untuk menyederhanakan citra. Pada awalnya citra
Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization lvq Untuk
Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
terdapat 3 layer matriks yaitu R-layer, G-layer, B-layer, dengan mengubahnya ke grayscale menjadikan citra tersebut memiliki 1 layer yaitu
matriks grayscale. e.
Thresholding Proses Threshold merupakan proses konversi citra grayscale menjadi
citra biner binary image dengan nilai 1 dan 0. Citra grayscale memiliki nilai intensitas warna antara 0
– 255 sehingga pada untuk memberikan nilai binary image
pada citra ditentukan terlebih dahulu batas ambang yang akan membagi 2 daerah pada citra. Pada penelitian ini, dalam menentukan batas
ambang nilai threshold menggunakan metode Otsu. Metode Otsu adalah suatu metode yang menghitung nilai ambang secara otomatisberdasarkan citra
masukan. Pendekatan yang digunakan oleh metode Otsu adalah dengan melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat
membedakan antara dua atau lebih daerah yang muncul secara alami. f.
Feature Extraction Feature Extraction
merupakan proses yang bertujuan untuk memperoleh karakteristik suatu karakter citra yang membedakan suatu karakter atau pola
dari pola yang lainnya, yang disebut dengan fitur. Fitur ini digunakan untuk mengambil informasi yang relevan dari citra wajah yang menjadi masukan
agar dapat dimengerti oleh sistem. Pada penelitian ini teknik Feature Extraction
yang dipilih adalah teknik zoning.Teknik zoningini dilakukan dengan mengubah masukan citra wajah menjadi N x M wilayah. Pada
Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization lvq Untuk
Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
penelitian ini, dimensi masukan citra wajah akan diubah menjadi 5 x 7 wilayah.
g. Metode Learning Vector Quantization
Pada metode LVQ terdapat beberapa langkah seperti berikut : 1
Training data Tahapan ini bertujuan untuk menghasilkan pola keluaran yang sesuai
dengan target yang diharapkan. Data citra wajah yang telah didapat akan dimasukan ke dalam metode LVQ dan selanjutnya data tersebut dilatih
dan ditentukan pola keluarannya. 2
Testingdata Setelah melakukan pelatihan, maka dilakukan test data untuk
mengetahui hasil dari penelitian, dimana parameter-parameter yang digunakan diperoleh pada proses training.
h. Pengujian Sistem
Pengujian sistem dilakukan untuk mengetahui akurasi pengenalan wajah yang dihasilkan oleh sistem. Pengujian sistem dalam penelitian ini
menggunakan beberapa skenario pengujian, yaitu 1
Pengujian berdasarkan responden 2
Pengujian berdasarkan tingkat blur 3
Pengujian berdasarkan pose wajah 4
Pengujian berdasarkan tingkat cahaya i.
Analisis Hasil Penelitian dan Kesimpulan
Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization lvq Untuk
Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia
| repository.upi.edu
| perpustakaan.upi.edu
Setelah hasil dari penelitian atau objek sudah didapatkan melalui proses training
dan testing selanjutnya akan dianalisa berdasarkan beberapa parameter berikut :
a. Waktu Training
Waktu yang dihabiskan pada saat proses training. b.
Tingkat Akurasi Mengukur tingkat akurasi perhitungan kemiripan.
c. Jumlah Data Training
Jumlah data training yang digunakan pada jaringan untuk mencapai tingkat akurasi yang sudah ditentukan.
j. Dokumentasi Hasil Penelitian
Setelah proses
dan tahapan
sudah dilewati
kemudian akan
didokumentasikan menjadi sebuah hasil penelitian.
3.3 Alat dan Bahan Penelitian
