Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah

BAB 1
PENDAHULUAN

1.1

Latar Belakang Masalah

Di tempat kerja, sekolah, kampus, pasar dan tempat lainnya kita sering bertemu
dengan banyak orang. Diantara orang-orang tersebut ada yang kita kenal akrab atau
hanya sebatas kenal. Terkadang di suatu tempat kita berpapasan dengan seseorang di
jalan atau bertemu dengan seseorang yang pernah kita kenal tetapi kita lupa namanya.
Begitu juga ketika melihat foto seseorang yang pernah kita kenal tetapi kita juga lupa
namanya walaupun kita tahu bahwa kita pernah mengenal seseorang tersebut dengan
mengingat wajahnya.
Nama adalah hal yang sulit diingat oleh otak manusia. Hal tersebut disebabkan
selama manusia hidup, informasi mengenai nama memenuhi memori otak manusia.
dimulai dari nama keluarga, nama teman, nama artis, nama olahragawan, nama tokoh
fiksi dalam film, sinetron, komik, novel, anime dan sebagainya. Seiring bertambahnya
usia, nama akan sulit diingat dan di-recall. Otak manusia lebih mudah me-recall
gambar dibandingkan dengan kata-kata sehingga kita lebih mudah mengingat bentuk
dan stuktur wajah seseorang dibandingkan nama orang tersebut. Itulah sebabnya

ketika kita bertemu seseorang, kita mengenal wajahnya tetapi lupa namanya.
Wajah merupakan suatu penanda untuk mengenali seseorang. Seperti yang
sudah dijelaskan, jika seseorang berkenalan dengan seseorang, hal yang paling
diingat adalah wajah seseorang tersebut. Selain digunakan untuk mengenali seseorang,
wajah juga digunakan untuk hal lain seperti untuk keperluan pendataan penduduk,
absensi dan sistem pengamanan dengan menggunakan sistem pengenalan wajah.
Karena

wajah

manusia

merepresentasikan

sesuatu

yang

kompleks,

maka

pengembangan model komputasi yang ideal untuk pengenalan wajah masih sesuatu
hal yang sulit. Selain itu sistem pengenalan wajah juga mendapat kesulitan pada
orientasi wajah yang berlainan, pencahayaan, potongan rambut, kumis atau jenggot,

Universitas Sumatera Utara

2

kacamata, cacat atau bekas luka permanen serta perbedaan kondisi misalnya orang
tersebut dalam keadaan agak menoleh, menunduk atau menengadah.
Dalam menyelesaikan masalah yang kompleks memerlukan metode cepat, tepat
dan akurat. Kecerdasan buatan (Artificial Intelligence ) merupakan salah satu bagian
ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan
dengan metode cepat, tepat dan akurat. Salah satunya adalah Jaringan Syaraf Tiruan
(JST). Jaringan ini telah menjadi obyek penelitian yang menarik dan banyak
digunakan untuk menyelesaikan permasalahan pada beberapa bidang kehidupan
seperti pengenalan citra digital, pola penyakit dan suara.
Beberapa peneliti telah melakukan penelitian tentang Jaringan Syaraf Tiruan

(JST) diantaranya, penelitian yang dilakukan oleh beberapa peneliti berikut ini; Ang
Wie Siong dan Resmana (1999), melakukan penelitian tentang Jaringan saraf tiruan
ini mampu mengenali citra bernoise, namun kurang dapat menangani pergeseran citra.
Pada input citra dengan pengecilan sekaligus pergeseran, justru jaringan dapat lebih
mengenali; Setyo Nugroho (2005) yang melakukan penelitian tentang Algoritma
Quickprop dan metode Active Learning dapat meningkatkan kecepatan training; Djalu

Ranandhi, Wawan Indarto dan Taufiq Hidayat (2006) melakukan penelitian pengenal
pola sidik jari menggunakan LVQ; Achmad Hidayatno, R. Rizal Isnanto, Dian Kurnia
Widya Buana (2008) yang melakukan penelitian tentang Identifikasi tanda tangan
menggunakan jaringan saraf tiruan Backpropagation; Agus Nurkhozin, Mohammad
Isa Irawan, Imam Mukhlas (2011) meneliti tentang Komparasi hasil klasifikasi
penyakit diabetes melitus menggunakan jaringan syaraf tiruan Backpropagation dan
Learning Vector Quantization (LVQ); Andri (2012) melakukan penelitian tentang

implementasi segmentasi citra dan algoritma Learning Vector Quantization (LVQ)
dalam pengenalan bentuk botol; Reyadh Shaker Naoum dan Zainab Namh Al-Sultani
(2013) yang berjudul Hybrid System Of Learning Vector Quantization And Enhanced
Resilient Backpropagation (ERBP) Artificial Neural Network For Intrusion
Classification. Pada penelitian ini dilakukan hibridisasi sistem antara LVQ dengan

ERBP untuk mengklasifikasikan gangguan; Maharani Dessy Wuryandari dan Irawan

Universitas Sumatera Utara

3

Afrianto (2012) melakukan penelitian Perbandingan Backpropagation dan Learning
Vector Quantization (LVQ) pada pengenalan wajah.

Penelitian dua nama terakhir diatas menjadi alasan saya sebagai peneliti untuk
memodifikasi Learning Vector Quantization (LVQ) pada pengenalan wajah. Hal
tersebut dikarenakan dalam kesimpulan penelitian yang dilakukan Maharani Dessy
Wuryandari dan Irawan Afrianto terdapat keunggulan masing-masing antara
Backpropagation dan Learning Vector Quantization (LVQ) dimana pada pengenalan

25 gambar wajah dengan 27 kombinasi parameter, Learning Vector Quantization
(LVQ) memiliki kombinasi parameter terbaik perulangan ( epoch) = 10, rasio
pembelajaran (learning rate ) = 0,1 dan error

minimum = 0,1. Backpropagation

memiliki kombinasi parameter terbaik perulangan ( epoch) = 50, rasio pembelajaran
(learning rate ) = 0,5 dan error minimum yang lebih kecil daripada LVQ sebesar =
0,001. Dari 27 kombinasi parameter pengenalan 25 gambar wajah, Backpropagation
dapat mengenali beberapa kali 25 gambar tersebut sedangkan LVQ pengenalan
gambar terbanyak hanya sebanyak 17 gambar.
Berdasarkan penelitian diatas, maka penulis mengembangkan jaringan syaraf
tiruan LVQ dengan memasukkan karakteristik dari jaringan syaraf tiruan
Backpropagation yaitu hidden layer dan bobot acak pada pengenalan wajah yang

dinamakan Modified Learning Vector Quantization (MLVQ).
Penelitian ini juga membahas pengolahan citra digital khususnya proses
segmentasi, normalisasi, grayscale dan binerisasi dari gambar wajah seseorang
sebagai masukan (input). Sedangkan pada proses pengenalan wajah, penelitian ini
menggunakan kombinasi metode jaringan syaraf tiruan jenis pembelajaran terawasi
(supervised learning ) Backpropagation dan Learning Vector Quantization (LVQ)
dengan harapan target hasil (output) dapat mengenali semua gambar wajah, cepat,
learning rate minimum, akurat dan error paling minimum.

1.2

Perumusan Masalah

Adapun rumusan masalah dari penelitian ini adalah pengenalan wajah dengan
algoritma Learning Vector Quantization (LVQ) memiliki kecepatan lebih baik

Universitas Sumatera Utara

4

daripada Backpropagation. Sedangkan algoritma Backpropagation memiliki akurasi
yang lebih baik daripada LVQ.

1.3

Batasan Masalah

Agar analisis dalam penelitian ini tidak menyimpang dari latar belakang, terperinci,
jelas dan terarah, rumusan masalah diatas dapat dibatasi dalam beberapa hal sebagai

berikut :
1) Modifikasi Learning Vector Quantization (LVQ) pada pengenalan wajah
dilakukan dengan menambahkan hidden layer dan bobot acak yang dinamakan
Modified Learning Vector Quantization (MLVQ).

2) Hasil output modifikasi Learning Vector Quantization (LVQ) adalah
persentase keberhasilan pengenalan serta waktu proses.

1.4

Tujuan Penelitian

Adapun tujuan penelitian ini adalah mengembangkan jaringan syaraf tiruan Learning
Vector Quantization (LVQ) pada pengenalan wajah. Penelitian ini juga dilakukan

perbandingan metode Backpropagation, LVQ dan MLVQ.

1.5

Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah sebagai berikut :
1) Dapat mengetahui sejauh mana Modified Learning Vector Quantization
(MLVQ) pada pengenalan wajah.
2) Dapat mengaplikasikan Modified Learning Vector Quantization (MLVQ) pada
pengenalan wajah.
3) Dapat mempermudah pengenalan wajah.
4) Dapat menambah wawasan penulis khususnya melakukan modifikasi jaringan
syaraf tiruan.

Universitas Sumatera Utara