Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR
QUANTIZATION PADA PENGENALAN WAJAH
TESIS
ELIASTA KETAREN
137038048
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
2
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR
QUANTIZATION PADA PENGENALAN WAJAH
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Magister Teknik Informatika
ELIASTA KETAREN
137038048
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
ii
3
PERSETUJUAN
JudulTesis
: MODIFIKASI
LEARNING
JARINGAN
VECTOR
SYARAF
QUANTIZATION
TIRUAN
PADA
PENGENALAN WAJAH
Kategori
: TESIS
Nama Mahasiswa
: ELIASTA KETAREN
Nomor Induk Mahasiswa : 137038048
Program Studi
: MAGISTER TEKNIK INFORMATIKA
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Prof. Dr. Drs. Iryanto, M.Si
NIP. 19460404 197107 1 001
Prof. Dr. Tulus, Vor.Dipl.Math, M.Si
NIP. 19620901 198803 1 002
Diketahui/Disetujui oleh
Program Studi S2 Teknik Informatika
Ketua,
Prof. Dr. Muhammad Zarlis
NIP. 195707011986011003
Universitas Sumatera Utara
iii4
PERNYATAAN ORISINALITAS
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTORQUANTIZATION
PADA PENGENALAN WAJAH
TESIS
Dengan ini saya mengakui bahwa tesis ini adalah hasil karya sendiri, kecuali kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
Eliasta Ketaren
137038048
Universitas Sumatera Utara
iv
5
PERNYATAAN PERSETUJUAN PUBLIKASIKARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertandatangan
dibawah ini:
Nama
: EliastaKetaren
NIM
: 137038048
Program Studi
: Teknik Informatika
Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty
Free Right) atas Tesis saya yang berjudul:
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
PADA PENGENALAN WAJAH
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif
ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat,
mengelola dalam bentuk database, merawat dan mempublikasikan Tesis saya tanpa
meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis dan
sebagai pemegang dan atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 28 Januari 2016
Eliasta Ketaren
137038048
Universitas Sumatera Utara
6v
Telah diuji pada
Tanggal: 28 Januari 2016
PANITIA PENGUJI TESIS
Ketua
: Prof. Dr. Tulus, Vor.Dipl.Math, M.Si
Anggota
: 1. Prof. Dr. Drs. Iryanto, M.Si
2. Prof. Dr. Muhammad Zarlis
3. Dr. Erna Budhiarti Nababan, M.IT
Universitas Sumatera Utara
vi7
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap
: Eliasta Ketaren
Tempat dan Tanggal Lahir : Medan, 19 Februari 1988
Alamat Rumah
: Jl. Bunga Pancur IX No. 36 A Medan
Handphone
: 081264552677 / 081264846358
E-mail
: eliastaketaren@yahoo.com
DATA PENDIDIKAN
SD
: SD
Budi Murni 2 Medan, Tamat : 2000
SLTP
: SLTP Budi Murni 2 Medan, Tamat : 2003
SLTA
: SMA Negeri 1 Pancurbatu, Tamat : 2006
D3
: Politeknik Negeri Medan, Jurusan Teknik
Elektro, Program Studi Teknik Elektronika,
Tamat: 2009
S1
: Sekolah Tinggi Teknik Poliprofesi Medan,
Jurusan Teknik Informatika, Tamat : 2011
S2
: Teknik Informatika USU, Tamat : 2016
Universitas Sumatera Utara
vii
8
KATA PENGANTAR
Pertama-tama penulis panjatkan puji syukur kehadirat Tuhan Yang Maha Esa atas
segala rahmat, berkat dan karunia-Nya berupa pengetahuan, kesehatan dan
kesempatan yang diberikan kepada penulis sehingga dapat menyelesaikan tesis ini
dengan baik. Tesis penulis yang berjudul :“Modifikasi Jaringan Syaraf Tiruan
Learning Vector Quantization Pada Pengenalan Wajah” merupakan salah satu syarat
akademik penulis sebagai mahasiswa S2, Program Studi Teknik Informatika, Fakultas
Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI), Universitas Sumatera Utara
(USU), Medan dalam menyelesaikan jenjang pendidikan S2.
Dalam kesempatan ini, penulis hendak memberikan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada :
1. Rektor Universitas Sumatera Utara, Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum
atas kesempatan yang diberikan kepada penulis untuk mengikuti dan
menyelesaikan pendidikan Program Pasca Sarjana.
2. Dekan Fakultas Ilmu Komputer Universitas Sumatera Utara sekaligus Ketua
Program Studi Magister (S2) Teknik Informatika, Bapak Prof. Dr. Muhammad
Zarlis dan Sekretaris Program Studi Magister (S2) Teknik Informatika, Bapak M.
Andri Budiman,S.T,M.Comp.Sc.,M.E.M beserta seluruh dosen yang telah banyak
memberikan ilmu pengetahuan selama masa perkuliahan serta seluruh staff
pegawai pada Program Studi S2 Teknik Informatika Universitas Sumatera Utara.
3. Bapak Prof. Dr. Tulus, Vor.Dipl.Math, M.Si, selaku pembimbing utama yang telah
memberikan bimbingan dan masukan kepada penulis hingga selesainya tesis ini.
4. Bapak Prof. Dr. Drs. Iryanto, M.Si, selaku pembimbing kedua yang telah banyak
memberikan bimbingan, tuntunan, masukan serta motivasi kepada penulis hingga
selesainya tesis ini.
Universitas Sumatera Utara
viii9
5. Bapak Prof. Dr. Muhammad Zarlis, selaku pembanding/penguji tesis yang
senantiasa memberikan semanagat, masukan dan saran kepada penulis agar tesis
ini menjadi lebih baik lagi.
6. Ibu Dr. Erna Budhiarti Nababan, M.IT, selaku pembanding/penguji yang telah
banyak memberikan masukan serta saran kepada penulis agar tesis ini menjadi
lebih baik lagi.
Secara khusus penulis mengucapkan rasa terimakasih sedalam-dalamnya kepada
orang tua penulis tercinta dan tersayang, Ibu M. br. Sembiring, AMK, dan kakak
kandung penulis Kartika Sari, S.Kep.,Ners yang telah memberikan perhatian,
pengertian, kasih sayang, motivasi serta dukungan berupa material dan spiritual
kepada penulis.
Penulis juga meyampaikan rasa terimakasih kepada seluruh keluarga dan
berbagai pihak yang telah banyak membantu, memberikan motivasi, perhatian serta
dukungan kepada penulis. Tak lupa untuk rekan-rekan penulis selama menempuh
pendidikan Magister yang sudah penulis anggap sebagai keluarga yaitu KOM-C 2013,
terimakasih untuk kekompakan, keakraban, dan kerjasama selama ini. Penulis pasti
sangat merindukan kalian. TETAP SEMANGAT !!!
Penulis menyadari bahwa masih terdapat kekurangan dalam penyusunan tesis
ini. Oleh karena itu, penulis mengharapkan kritik dan saran dari pembaca demi
kesempurnaan penelitian selanjutnya.
Akhir kata, penulis berharap semoga tesis ini dapat dikembangkan lagi menjadi
lebih baik dan bermanfaat bagi semua pihak khususnya dalam dunia pendidikan dan
teknologi.
Medan, 28 Januari 2016
EliastaKetaren
137038048
Universitas Sumatera Utara
10
ix
ABSTRAK
Penelitian ini bertujuan untuk mengembangkan jaringan syaraf tiruan Learning Vector
Quantization (LVQ) pada pengenalan wajah dengan cara memasukkan karakteristik
Backpropagation yaitu hidden layer dan bobot acak yang dinamakan Modified LVQ
(MLVQ). Hasil penelitian ini adalah perbandingan antara algoritma Backpropagation,
LVQ dan MLVQ pada pengenalan wajah. Data training diambil dari gambar 10 orang
sebagai dataset yang disimpan dalam database. Proses training menggunakan
arsitektur dengan 3 layer untuk Backpropagation, single layer untuk LVQ serta 2
layer untuk MLVQ. Parameter pembelajaran yang digunakan adalah maksimum epoch
yaitu 10, 50 dan 100, learning rate yang digunakan bervariasi antara 0.1, 0,5 dan 1
serta minimum error dengan 0.1, 0.01 dan 0.001. Dari hasil pengenalan diperoleh
algoritma LVQ lebih cepat dalam melakukan pelatihan dibandingkan dengan
Backpropagation dan MLVQ dengan waktu rata-rata 3.28 detik. Algoritma MLVQ
memiliki tingkat akurasi lebih baik dibandingkan dengan algoritma Backpropagation
dan LVQ dengan tingkat akurasi untuk algoritma Backpropagation sebesar 49.25 %,
algoritma LVQ sebesar 48.14 % sedangkan algoritma MLVQ sebesar 50.37 %.
Kata Kunci: Jaringan Syaraf Tiruan, Backpropagation, Learning Vector Quantization ,
Pengenalan Wajah.
Universitas Sumatera Utara
11x
MODIFIED NEURAL NETWORK LEARNING VECTOR QUANTIZATION
IN FACE RECOGNITION
ABSTRACT
This research aims to develop a neural network Learning Vector Quantization (LVQ)
on face recognition by entering the Backpropagation characteristics are hidden layers
and random weights called Modified LVQ (MLVQ). The results of this study is the
comparison between the algorithm Backpropagation, LVQ and MLVQ on face
recognition. Training data taken from image 10 as a dataset that is stored in the
database. The training process uses an architecture with three layers of
Backpropagation, LVQ and single layer for layer 2 to MLVQ. The parameters used
are the maximum learning epoch, namely 10, 50 and 100, learning rate used vary
between 0.1, 0.5 and 1 and the minimum error with 0.1, 0:01 and 0001. From the
results
obtained
recognition
LVQ
algorithm
faster
in training than the
Backpropagation and MLVQ with an average time of 3:28 seconds. MLVQ algorithm
has better accuracy rate than the Backpropagation and LVQ algorithms with the
accuracy of the algorithm Backpropagation by 49.25%, amounting to 48.14% LVQ
algorithm, while the algorithm MLVQ of 50.37%.
Keywords: Neural Network, Backpropagation, Learning Vector Quantization, Face
Recognition.
Universitas Sumatera Utara
12
xi
DAFTAR ISI
Halaman
HALAMAN JUDUL TESIS .....................................................................
LEMBAR PERSETUJUAN .....................................................................
LEMBAR PERNYATAAN ORISINALITAS ........................................
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI .................
LEMBAR PANITIA PENGUJI TESIS ..................................................
RIWAYAT HIDUP ...................................................................................
KATA PENGANTAR ...............................................................................
ABSTRAK .................................................................................................
ABSTRACT ................................................................................................
DAFTAR ISI ..............................................................................................
DAFTAR TABEL .....................................................................................
DAFTAR GAMBAR .................................................................................
DAFTAR LAMPIRAN .............................................................................
i
ii
iii
iv
v
vi
vii
ix
x
xi
xii
xiv
xvi
BAB 1 : PENDAHULUAN
1.1 Latar Belakang Masalah .................................................
1.2 Perumusan Masalah ........................................................
1.3 Batasan Masalah .............................................................
1.4 Tujuan Penelitian ............................................................
1.5 Manfaat Penelitian ..........................................................
1
3
4
4
4
BAB 2 : LANDASAN TEORI
2.1 Kecerdasan Buatan (Artificial Intelligence) ...................
2.2 Jaringan Syaraf Biologi ..................................................
2.3 Jaringan Syaraf Tiruan (JST) ..........................................
2.3.1 Fungsi Aktivasi .....................................................
2.3.2 Single Layer Perceptron .......................................
2.3.3 Multilayer Perceptron ...........................................
2.4 Backpropagation ............................................................
2.4.1 Fase Propagasi Maju .............................................
2.4.2 Fase Propagasi Mundur .........................................
2.4.3 Fase Modifikasi Bobot ..........................................
2.4.4 Prosedur Pelatihan.................................................
2.5 Learning Vector Quantization (LVQ) ............................
2.6 Perbandingan Algoritma Backpropagation Dengan LVQ
5
6
8
9
11
12
14
15
16
16
16
21
23
BAB 3
: METODOLOGI PENELITIAN
3.1 Metodologi Penelitian.....................................................
3.1.1 Analisis Sistem ......................................................
3.1.2 Rancangan Penelitian ............................................
3.2 Segmentasi ......................................................................
25
25
27
28
Universitas Sumatera Utara
xii
13
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
Normalisasi Citra ............................................................
Grayscaling ....................................................................
Reduksi Noise .................................................................
Binerisasi ........................................................................
Edges Detection (Deteksi Tepi) ......................................
Pseudocode Training Algoritma Backpropagation ........
Pseudocode Recognition Algoritma Backpropagation .
Pseudocode Training Algoritma Learning Vector
Quantization (LVQ) .......................................................
Pseudocode Recognition Algoritma Learning Vector
Quantization (LVQ) ........................................................
Pseudocode Training Algoritma MLVQ ........................
Pseudocode Recognition Algoritma MLVQ .................
Arsitektur Jaringan Backpropagation .............................
Arsitektur Jaringan LVQ ................................................
Arsitektur Jaringan MLVQ .............................................
Flowchart Training Algoritma Backpropagation .............
Flowchart Recognition Algoritma Backpropagation .......
Flowchart Training Algoritma LVQ ..............................
Flowchart Recognition Algoritma LVQ .........................
Flowchart Training Algoritma MLVQ ..........................
Flowchart Recognition Algoritma MLVQ .....................
Perhitungan Algoritma Backpropagation .......................
3.23.1 Proses Training Backpropagation .......................
3.23.2 Proses Recognition Backpropagation ..................
Perhitungan Algoritma LVQ ..........................................
3.24.1 Proses Training Algoritma LVQ .........................
3.24.2 Proses Recognition Algoritma LVQ ....................
Perhitungan Algoritma MLVQ .......................................
3.25.1 Proses Training Algoritma MLVQ ......................
3.25.2 Proses Recognition Algoritma MLVQ ................
39
40
41
41
43
43
45
46
47
49
51
53
54
55
60
61
62
66
67
68
72
: HASIL PENELITIAN DAN PEMBAHASAN
4.1 Pendahuluan.......................................................................
4.2 Analisis Proses ...................................................................
4.3 Hasil Analisis .....................................................................
4.3.1 Pemasukan Data Training .......................................
4.3.2 Modul Training Algoritma MLVQ .........................
4.3.3 Modul Recognition Algoritma MLVQ ....................
4.4 Pembahasan ......................................................................
73
73
74
75
76
77
78
BAB 5 : KESIMPULAN DAN SARAN
5.1 Kesimpulan .......................................................................
5.2 Saran .................................................................................
81
82
DAFTAR PUSTAKA ................................................................................
83
3.11
3.12
3.13
3.14
3.15
3.16
3.17
3.18
3.19
3.20
3.21
3.22
3.23
3.24
3.25
BAB 4
28
31
32
33
35
36
38
38
Universitas Sumatera Utara
xiii
14
DAFTAR TABEL
Halaman
Tabel 2.1 Perbedaan Jaringan Syaraf Biologis Dengan Jaringan Syaraf
Tiruan .........................................................................................
Tabel 2.2 Perbandingan Algoritma Backpropagation dan LVQ ................
Tabel 3.1 Data Input Proses Training Backpropagation ............................
Tabel 3.2 Biner Target ................................................................................
Tabel 3.3 Inisialisasi Bobot dan Data Inputan Proses Training LVQ .......
Tabel 3.4 Data Bobot .................................................................................
Tabel 3.5 Data Pelatihan.............................................................................
Tabel 3.6 Data Matriks Input Citra.............................................................
Tabel 3.7 Data Bobot Awal Acak ...............................................................
Tabel 4.1 Parameter Pengujian Algoritma .................................................
Tabel 4.2 Hasil Pengujian Pengenalan Wajah ............................................
7
24
55
56
62
62
62
67
67
78
79
Universitas Sumatera Utara
xiv
15
DAFTAR GAMBAR
Halaman
Gambar 2.1
Gambar 2.2
Gambar 2.3
Gambar 2.4
Gambar 2.5
Gambar 2.6
Gambar 2.7
Gambar 2.8
Gambar 2.9
Gambar 2.10
Gambar 2.11
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Gambar 3.5
Gambar 3.6
Gambar 3.7
Gambar 3.8
Gambar 3.9
Gambar 3.10
Gambar 3.11
Gambar 3.12
Gambar 3.13
Gambar 3.14
Gambar 3.15
Gambar 3.16
Gambar 3.17
Gambar 3.18
Gambar 3.19
Gambar 3.20
Gambar 3.21
Gambar 3.22
Gambar 3.23
Gambar 3.24
Gambar 3.25
Gambar 3.26
Gambar 3.27
Gambar 3.28
Gambar 3.29
Penerapan Kecerdasan Buatan .............................................
Susunan Neuron Biologis .....................................................
Model Struktur Neuron Jaringan Syaraf Tiruan...................
Model Struktur Jaringan Syarat Tiruan ................................
Fungsi Linear .......................................................................
Fungsi Threshold ..................................................................
Fungsi Piecewise Linear ......................................................
Fungsi Sigmoid .....................................................................
Single Layer Perceptron ......................................................
Multilayer Perceptron ..........................................................
Learning Vector Quantization (LVQ) ..................................
Flowchart Penelitian ............................................................
Resize Citra Wajah Menjadi Ukuran 100 x 100 Piksel ........
Contoh Nilai Piksel Citra Warna..........................................
Matriks Nilai RGB Citra Warna ..........................................
Proses Pembacaan Nilai Piksel Citra Wajah ........................
Matriks Nilai Grayscale .......................................................
Matriks Nilai Grayscale Citra Hasil Median Filter .............
Matriks Grayscale ................................................................
Matriks Citra Biner ..............................................................
Citra Wajah Biner ................................................................
Dua Buah Matriks Kernel ....................................................
Matriks Citra 3 x 3 Piksel Dengan Dua Filter ......................
Nilai Konvolusi (M) Sekitar Piksel 3 x 3 .............................
Matriks Hasil Deteksi Tepi Citra 3 x 3 ................................
Arsitektur Jaringan Backpropagation ..................................
Arsitektur Jaringan LVQ ......................................................
Arsitektur Jaringan MLVQ ..................................................
Flowchart Training Algoritma Backpropagation ................
Flowchart Training Algoritma Backpropagation (Lanjutan)
Flowchart Recognition Algoritma Backpropagation...........
Flowchart Recognition Algoritma Backpropagation
(Lanjutan) ............................................................................
Flowchart Training Algoritma LVQ ...................................
Flowchart Training Algoritma LVQ (Lanjutan)..................
Flowchart Recognition Algoritma LVQ ..............................
Flowchart Training Algoritma MLVQ ................................
Flowchart Training Algoritma MLVQ (Lanjutan) ..............
Flowchart Recognition Algoritma MLVQ...........................
Matriks Biner Citra Wajah A ...............................................
Empat Buah Array 1 Dimensi Data Training .......................
6
6
9
9
10
10
11
11
12
13
22
27
28
29
30
31
32
33
33
34
34
35
35
36
36
42
43
44
45
46
46
47
48
49
50
51
52
53
54
55
Universitas Sumatera Utara
xv
16
Gambar 4.1
Gambar 4.2
Gambar 4.3
Tampilan Pemasukan Data Training ....................................
Tampilan Modul Training Algoritma MLVQ .....................
Tampilan Modul Recognition Algoritma MLVQ ................
75
76
77
Universitas Sumatera Utara
xvi
17
DAFTAR LAMPIRAN
Halaman
Lampiran Daftar Publikasi Ilmiah Penulis ..................................................
Lampiran Source Code Program MLVQ ....................................................
84
85
Universitas Sumatera Utara
QUANTIZATION PADA PENGENALAN WAJAH
TESIS
ELIASTA KETAREN
137038048
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
2
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR
QUANTIZATION PADA PENGENALAN WAJAH
TESIS
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh ijazah
Magister Teknik Informatika
ELIASTA KETAREN
137038048
PROGRAM STUDI S2 TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
MEDAN
2016
Universitas Sumatera Utara
ii
3
PERSETUJUAN
JudulTesis
: MODIFIKASI
LEARNING
JARINGAN
VECTOR
SYARAF
QUANTIZATION
TIRUAN
PADA
PENGENALAN WAJAH
Kategori
: TESIS
Nama Mahasiswa
: ELIASTA KETAREN
Nomor Induk Mahasiswa : 137038048
Program Studi
: MAGISTER TEKNIK INFORMATIKA
Fakultas
: ILMU KOMPUTER DAN TEKNOLOGI INFORMASI
UNIVERSITAS SUMATERA UTARA
Komisi Pembimbing
:
Pembimbing 2
Pembimbing 1
Prof. Dr. Drs. Iryanto, M.Si
NIP. 19460404 197107 1 001
Prof. Dr. Tulus, Vor.Dipl.Math, M.Si
NIP. 19620901 198803 1 002
Diketahui/Disetujui oleh
Program Studi S2 Teknik Informatika
Ketua,
Prof. Dr. Muhammad Zarlis
NIP. 195707011986011003
Universitas Sumatera Utara
iii4
PERNYATAAN ORISINALITAS
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTORQUANTIZATION
PADA PENGENALAN WAJAH
TESIS
Dengan ini saya mengakui bahwa tesis ini adalah hasil karya sendiri, kecuali kutipan
dan ringkasan yang masing-masing telah disebutkan sumbernya.
Medan, 28 Januari 2016
Eliasta Ketaren
137038048
Universitas Sumatera Utara
iv
5
PERNYATAAN PERSETUJUAN PUBLIKASIKARYA ILMIAH UNTUK
KEPENTINGAN AKADEMIS
Sebagai sivitas akademika Universitas Sumatera Utara, saya yang bertandatangan
dibawah ini:
Nama
: EliastaKetaren
NIM
: 137038048
Program Studi
: Teknik Informatika
Jenis Karya Ilmiah : Tesis
Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Universitas Sumatera Utara Hak Bebas Royalti Non-Eksklusif (Non-Exclusive Royalty
Free Right) atas Tesis saya yang berjudul:
MODIFIKASI JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION
PADA PENGENALAN WAJAH
Beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Non-Eksklusif
ini, Universitas Sumatera Utara berhak menyimpan, mengalih media, memformat,
mengelola dalam bentuk database, merawat dan mempublikasikan Tesis saya tanpa
meminta ijin dari saya selama tetap mencantumkan nama saya sebagai penulis dan
sebagai pemegang dan atau sebagai pemilik hak cipta.
Demikian pernyataan ini dibuat dengan sebenarnya.
Medan, 28 Januari 2016
Eliasta Ketaren
137038048
Universitas Sumatera Utara
6v
Telah diuji pada
Tanggal: 28 Januari 2016
PANITIA PENGUJI TESIS
Ketua
: Prof. Dr. Tulus, Vor.Dipl.Math, M.Si
Anggota
: 1. Prof. Dr. Drs. Iryanto, M.Si
2. Prof. Dr. Muhammad Zarlis
3. Dr. Erna Budhiarti Nababan, M.IT
Universitas Sumatera Utara
vi7
RIWAYAT HIDUP
DATA PRIBADI
Nama Lengkap
: Eliasta Ketaren
Tempat dan Tanggal Lahir : Medan, 19 Februari 1988
Alamat Rumah
: Jl. Bunga Pancur IX No. 36 A Medan
Handphone
: 081264552677 / 081264846358
: eliastaketaren@yahoo.com
DATA PENDIDIKAN
SD
: SD
Budi Murni 2 Medan, Tamat : 2000
SLTP
: SLTP Budi Murni 2 Medan, Tamat : 2003
SLTA
: SMA Negeri 1 Pancurbatu, Tamat : 2006
D3
: Politeknik Negeri Medan, Jurusan Teknik
Elektro, Program Studi Teknik Elektronika,
Tamat: 2009
S1
: Sekolah Tinggi Teknik Poliprofesi Medan,
Jurusan Teknik Informatika, Tamat : 2011
S2
: Teknik Informatika USU, Tamat : 2016
Universitas Sumatera Utara
vii
8
KATA PENGANTAR
Pertama-tama penulis panjatkan puji syukur kehadirat Tuhan Yang Maha Esa atas
segala rahmat, berkat dan karunia-Nya berupa pengetahuan, kesehatan dan
kesempatan yang diberikan kepada penulis sehingga dapat menyelesaikan tesis ini
dengan baik. Tesis penulis yang berjudul :“Modifikasi Jaringan Syaraf Tiruan
Learning Vector Quantization Pada Pengenalan Wajah” merupakan salah satu syarat
akademik penulis sebagai mahasiswa S2, Program Studi Teknik Informatika, Fakultas
Ilmu Komputer dan Teknologi Informasi (Fasilkom-TI), Universitas Sumatera Utara
(USU), Medan dalam menyelesaikan jenjang pendidikan S2.
Dalam kesempatan ini, penulis hendak memberikan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada :
1. Rektor Universitas Sumatera Utara, Bapak Prof. Dr. Runtung Sitepu, SH, M.Hum
atas kesempatan yang diberikan kepada penulis untuk mengikuti dan
menyelesaikan pendidikan Program Pasca Sarjana.
2. Dekan Fakultas Ilmu Komputer Universitas Sumatera Utara sekaligus Ketua
Program Studi Magister (S2) Teknik Informatika, Bapak Prof. Dr. Muhammad
Zarlis dan Sekretaris Program Studi Magister (S2) Teknik Informatika, Bapak M.
Andri Budiman,S.T,M.Comp.Sc.,M.E.M beserta seluruh dosen yang telah banyak
memberikan ilmu pengetahuan selama masa perkuliahan serta seluruh staff
pegawai pada Program Studi S2 Teknik Informatika Universitas Sumatera Utara.
3. Bapak Prof. Dr. Tulus, Vor.Dipl.Math, M.Si, selaku pembimbing utama yang telah
memberikan bimbingan dan masukan kepada penulis hingga selesainya tesis ini.
4. Bapak Prof. Dr. Drs. Iryanto, M.Si, selaku pembimbing kedua yang telah banyak
memberikan bimbingan, tuntunan, masukan serta motivasi kepada penulis hingga
selesainya tesis ini.
Universitas Sumatera Utara
viii9
5. Bapak Prof. Dr. Muhammad Zarlis, selaku pembanding/penguji tesis yang
senantiasa memberikan semanagat, masukan dan saran kepada penulis agar tesis
ini menjadi lebih baik lagi.
6. Ibu Dr. Erna Budhiarti Nababan, M.IT, selaku pembanding/penguji yang telah
banyak memberikan masukan serta saran kepada penulis agar tesis ini menjadi
lebih baik lagi.
Secara khusus penulis mengucapkan rasa terimakasih sedalam-dalamnya kepada
orang tua penulis tercinta dan tersayang, Ibu M. br. Sembiring, AMK, dan kakak
kandung penulis Kartika Sari, S.Kep.,Ners yang telah memberikan perhatian,
pengertian, kasih sayang, motivasi serta dukungan berupa material dan spiritual
kepada penulis.
Penulis juga meyampaikan rasa terimakasih kepada seluruh keluarga dan
berbagai pihak yang telah banyak membantu, memberikan motivasi, perhatian serta
dukungan kepada penulis. Tak lupa untuk rekan-rekan penulis selama menempuh
pendidikan Magister yang sudah penulis anggap sebagai keluarga yaitu KOM-C 2013,
terimakasih untuk kekompakan, keakraban, dan kerjasama selama ini. Penulis pasti
sangat merindukan kalian. TETAP SEMANGAT !!!
Penulis menyadari bahwa masih terdapat kekurangan dalam penyusunan tesis
ini. Oleh karena itu, penulis mengharapkan kritik dan saran dari pembaca demi
kesempurnaan penelitian selanjutnya.
Akhir kata, penulis berharap semoga tesis ini dapat dikembangkan lagi menjadi
lebih baik dan bermanfaat bagi semua pihak khususnya dalam dunia pendidikan dan
teknologi.
Medan, 28 Januari 2016
EliastaKetaren
137038048
Universitas Sumatera Utara
10
ix
ABSTRAK
Penelitian ini bertujuan untuk mengembangkan jaringan syaraf tiruan Learning Vector
Quantization (LVQ) pada pengenalan wajah dengan cara memasukkan karakteristik
Backpropagation yaitu hidden layer dan bobot acak yang dinamakan Modified LVQ
(MLVQ). Hasil penelitian ini adalah perbandingan antara algoritma Backpropagation,
LVQ dan MLVQ pada pengenalan wajah. Data training diambil dari gambar 10 orang
sebagai dataset yang disimpan dalam database. Proses training menggunakan
arsitektur dengan 3 layer untuk Backpropagation, single layer untuk LVQ serta 2
layer untuk MLVQ. Parameter pembelajaran yang digunakan adalah maksimum epoch
yaitu 10, 50 dan 100, learning rate yang digunakan bervariasi antara 0.1, 0,5 dan 1
serta minimum error dengan 0.1, 0.01 dan 0.001. Dari hasil pengenalan diperoleh
algoritma LVQ lebih cepat dalam melakukan pelatihan dibandingkan dengan
Backpropagation dan MLVQ dengan waktu rata-rata 3.28 detik. Algoritma MLVQ
memiliki tingkat akurasi lebih baik dibandingkan dengan algoritma Backpropagation
dan LVQ dengan tingkat akurasi untuk algoritma Backpropagation sebesar 49.25 %,
algoritma LVQ sebesar 48.14 % sedangkan algoritma MLVQ sebesar 50.37 %.
Kata Kunci: Jaringan Syaraf Tiruan, Backpropagation, Learning Vector Quantization ,
Pengenalan Wajah.
Universitas Sumatera Utara
11x
MODIFIED NEURAL NETWORK LEARNING VECTOR QUANTIZATION
IN FACE RECOGNITION
ABSTRACT
This research aims to develop a neural network Learning Vector Quantization (LVQ)
on face recognition by entering the Backpropagation characteristics are hidden layers
and random weights called Modified LVQ (MLVQ). The results of this study is the
comparison between the algorithm Backpropagation, LVQ and MLVQ on face
recognition. Training data taken from image 10 as a dataset that is stored in the
database. The training process uses an architecture with three layers of
Backpropagation, LVQ and single layer for layer 2 to MLVQ. The parameters used
are the maximum learning epoch, namely 10, 50 and 100, learning rate used vary
between 0.1, 0.5 and 1 and the minimum error with 0.1, 0:01 and 0001. From the
results
obtained
recognition
LVQ
algorithm
faster
in training than the
Backpropagation and MLVQ with an average time of 3:28 seconds. MLVQ algorithm
has better accuracy rate than the Backpropagation and LVQ algorithms with the
accuracy of the algorithm Backpropagation by 49.25%, amounting to 48.14% LVQ
algorithm, while the algorithm MLVQ of 50.37%.
Keywords: Neural Network, Backpropagation, Learning Vector Quantization, Face
Recognition.
Universitas Sumatera Utara
12
xi
DAFTAR ISI
Halaman
HALAMAN JUDUL TESIS .....................................................................
LEMBAR PERSETUJUAN .....................................................................
LEMBAR PERNYATAAN ORISINALITAS ........................................
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI .................
LEMBAR PANITIA PENGUJI TESIS ..................................................
RIWAYAT HIDUP ...................................................................................
KATA PENGANTAR ...............................................................................
ABSTRAK .................................................................................................
ABSTRACT ................................................................................................
DAFTAR ISI ..............................................................................................
DAFTAR TABEL .....................................................................................
DAFTAR GAMBAR .................................................................................
DAFTAR LAMPIRAN .............................................................................
i
ii
iii
iv
v
vi
vii
ix
x
xi
xii
xiv
xvi
BAB 1 : PENDAHULUAN
1.1 Latar Belakang Masalah .................................................
1.2 Perumusan Masalah ........................................................
1.3 Batasan Masalah .............................................................
1.4 Tujuan Penelitian ............................................................
1.5 Manfaat Penelitian ..........................................................
1
3
4
4
4
BAB 2 : LANDASAN TEORI
2.1 Kecerdasan Buatan (Artificial Intelligence) ...................
2.2 Jaringan Syaraf Biologi ..................................................
2.3 Jaringan Syaraf Tiruan (JST) ..........................................
2.3.1 Fungsi Aktivasi .....................................................
2.3.2 Single Layer Perceptron .......................................
2.3.3 Multilayer Perceptron ...........................................
2.4 Backpropagation ............................................................
2.4.1 Fase Propagasi Maju .............................................
2.4.2 Fase Propagasi Mundur .........................................
2.4.3 Fase Modifikasi Bobot ..........................................
2.4.4 Prosedur Pelatihan.................................................
2.5 Learning Vector Quantization (LVQ) ............................
2.6 Perbandingan Algoritma Backpropagation Dengan LVQ
5
6
8
9
11
12
14
15
16
16
16
21
23
BAB 3
: METODOLOGI PENELITIAN
3.1 Metodologi Penelitian.....................................................
3.1.1 Analisis Sistem ......................................................
3.1.2 Rancangan Penelitian ............................................
3.2 Segmentasi ......................................................................
25
25
27
28
Universitas Sumatera Utara
xii
13
3.3
3.4
3.5
3.6
3.7
3.8
3.9
3.10
Normalisasi Citra ............................................................
Grayscaling ....................................................................
Reduksi Noise .................................................................
Binerisasi ........................................................................
Edges Detection (Deteksi Tepi) ......................................
Pseudocode Training Algoritma Backpropagation ........
Pseudocode Recognition Algoritma Backpropagation .
Pseudocode Training Algoritma Learning Vector
Quantization (LVQ) .......................................................
Pseudocode Recognition Algoritma Learning Vector
Quantization (LVQ) ........................................................
Pseudocode Training Algoritma MLVQ ........................
Pseudocode Recognition Algoritma MLVQ .................
Arsitektur Jaringan Backpropagation .............................
Arsitektur Jaringan LVQ ................................................
Arsitektur Jaringan MLVQ .............................................
Flowchart Training Algoritma Backpropagation .............
Flowchart Recognition Algoritma Backpropagation .......
Flowchart Training Algoritma LVQ ..............................
Flowchart Recognition Algoritma LVQ .........................
Flowchart Training Algoritma MLVQ ..........................
Flowchart Recognition Algoritma MLVQ .....................
Perhitungan Algoritma Backpropagation .......................
3.23.1 Proses Training Backpropagation .......................
3.23.2 Proses Recognition Backpropagation ..................
Perhitungan Algoritma LVQ ..........................................
3.24.1 Proses Training Algoritma LVQ .........................
3.24.2 Proses Recognition Algoritma LVQ ....................
Perhitungan Algoritma MLVQ .......................................
3.25.1 Proses Training Algoritma MLVQ ......................
3.25.2 Proses Recognition Algoritma MLVQ ................
39
40
41
41
43
43
45
46
47
49
51
53
54
55
60
61
62
66
67
68
72
: HASIL PENELITIAN DAN PEMBAHASAN
4.1 Pendahuluan.......................................................................
4.2 Analisis Proses ...................................................................
4.3 Hasil Analisis .....................................................................
4.3.1 Pemasukan Data Training .......................................
4.3.2 Modul Training Algoritma MLVQ .........................
4.3.3 Modul Recognition Algoritma MLVQ ....................
4.4 Pembahasan ......................................................................
73
73
74
75
76
77
78
BAB 5 : KESIMPULAN DAN SARAN
5.1 Kesimpulan .......................................................................
5.2 Saran .................................................................................
81
82
DAFTAR PUSTAKA ................................................................................
83
3.11
3.12
3.13
3.14
3.15
3.16
3.17
3.18
3.19
3.20
3.21
3.22
3.23
3.24
3.25
BAB 4
28
31
32
33
35
36
38
38
Universitas Sumatera Utara
xiii
14
DAFTAR TABEL
Halaman
Tabel 2.1 Perbedaan Jaringan Syaraf Biologis Dengan Jaringan Syaraf
Tiruan .........................................................................................
Tabel 2.2 Perbandingan Algoritma Backpropagation dan LVQ ................
Tabel 3.1 Data Input Proses Training Backpropagation ............................
Tabel 3.2 Biner Target ................................................................................
Tabel 3.3 Inisialisasi Bobot dan Data Inputan Proses Training LVQ .......
Tabel 3.4 Data Bobot .................................................................................
Tabel 3.5 Data Pelatihan.............................................................................
Tabel 3.6 Data Matriks Input Citra.............................................................
Tabel 3.7 Data Bobot Awal Acak ...............................................................
Tabel 4.1 Parameter Pengujian Algoritma .................................................
Tabel 4.2 Hasil Pengujian Pengenalan Wajah ............................................
7
24
55
56
62
62
62
67
67
78
79
Universitas Sumatera Utara
xiv
15
DAFTAR GAMBAR
Halaman
Gambar 2.1
Gambar 2.2
Gambar 2.3
Gambar 2.4
Gambar 2.5
Gambar 2.6
Gambar 2.7
Gambar 2.8
Gambar 2.9
Gambar 2.10
Gambar 2.11
Gambar 3.1
Gambar 3.2
Gambar 3.3
Gambar 3.4
Gambar 3.5
Gambar 3.6
Gambar 3.7
Gambar 3.8
Gambar 3.9
Gambar 3.10
Gambar 3.11
Gambar 3.12
Gambar 3.13
Gambar 3.14
Gambar 3.15
Gambar 3.16
Gambar 3.17
Gambar 3.18
Gambar 3.19
Gambar 3.20
Gambar 3.21
Gambar 3.22
Gambar 3.23
Gambar 3.24
Gambar 3.25
Gambar 3.26
Gambar 3.27
Gambar 3.28
Gambar 3.29
Penerapan Kecerdasan Buatan .............................................
Susunan Neuron Biologis .....................................................
Model Struktur Neuron Jaringan Syaraf Tiruan...................
Model Struktur Jaringan Syarat Tiruan ................................
Fungsi Linear .......................................................................
Fungsi Threshold ..................................................................
Fungsi Piecewise Linear ......................................................
Fungsi Sigmoid .....................................................................
Single Layer Perceptron ......................................................
Multilayer Perceptron ..........................................................
Learning Vector Quantization (LVQ) ..................................
Flowchart Penelitian ............................................................
Resize Citra Wajah Menjadi Ukuran 100 x 100 Piksel ........
Contoh Nilai Piksel Citra Warna..........................................
Matriks Nilai RGB Citra Warna ..........................................
Proses Pembacaan Nilai Piksel Citra Wajah ........................
Matriks Nilai Grayscale .......................................................
Matriks Nilai Grayscale Citra Hasil Median Filter .............
Matriks Grayscale ................................................................
Matriks Citra Biner ..............................................................
Citra Wajah Biner ................................................................
Dua Buah Matriks Kernel ....................................................
Matriks Citra 3 x 3 Piksel Dengan Dua Filter ......................
Nilai Konvolusi (M) Sekitar Piksel 3 x 3 .............................
Matriks Hasil Deteksi Tepi Citra 3 x 3 ................................
Arsitektur Jaringan Backpropagation ..................................
Arsitektur Jaringan LVQ ......................................................
Arsitektur Jaringan MLVQ ..................................................
Flowchart Training Algoritma Backpropagation ................
Flowchart Training Algoritma Backpropagation (Lanjutan)
Flowchart Recognition Algoritma Backpropagation...........
Flowchart Recognition Algoritma Backpropagation
(Lanjutan) ............................................................................
Flowchart Training Algoritma LVQ ...................................
Flowchart Training Algoritma LVQ (Lanjutan)..................
Flowchart Recognition Algoritma LVQ ..............................
Flowchart Training Algoritma MLVQ ................................
Flowchart Training Algoritma MLVQ (Lanjutan) ..............
Flowchart Recognition Algoritma MLVQ...........................
Matriks Biner Citra Wajah A ...............................................
Empat Buah Array 1 Dimensi Data Training .......................
6
6
9
9
10
10
11
11
12
13
22
27
28
29
30
31
32
33
33
34
34
35
35
36
36
42
43
44
45
46
46
47
48
49
50
51
52
53
54
55
Universitas Sumatera Utara
xv
16
Gambar 4.1
Gambar 4.2
Gambar 4.3
Tampilan Pemasukan Data Training ....................................
Tampilan Modul Training Algoritma MLVQ .....................
Tampilan Modul Recognition Algoritma MLVQ ................
75
76
77
Universitas Sumatera Utara
xvi
17
DAFTAR LAMPIRAN
Halaman
Lampiran Daftar Publikasi Ilmiah Penulis ..................................................
Lampiran Source Code Program MLVQ ....................................................
84
85
Universitas Sumatera Utara