PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR.

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR

SKRIPSI

Diajukan untuk Memenuhi Syarat Memperoleh Gelar Sarjana Komputer

Program Studi Ilmu Komputer

Oleh

RATIH PUJIHATI 1001126

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR

Oleh :

Ratih Pujihati 1001126

Sebuah skripsi yang diajukan untuk memenuhi syarat memperoleh gelar Sarjana pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam

© Ratih Pujihati 2014 Universitas Pendidikan Indonesia

Mei 2014

Hak Cipta dilindungi undang-undang.

Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian, Dengan dicetak ulang, difoto kopi, atau cara lainnya tanpa ijin dari penulis.

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR

Oleh:

Ratih Pujihati

1001126

DISETUJUI DAN DISAHKAN OLEH:

Pembimbing I

Dr. Wawan Setiawan, M.Kom

NIP. 196601011991031005

Pembimbing II

Eddy Prasetyo Nugroho, MT

NIP. 197505152008011014

Mengetahui,

Ketua Program Studi Ilmu Komputer

Rasim, MT

LEMBAR PERNYATAAN

Saya menyatakanbahwaskripsi yang berjudul “Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk Pengenalan Wajah dengan Citra Wajah Gaussian Blur” inisepenuhnyakaryasayasendiri. Tidakadabagian di

dalamnya yang merupakanplagiatdarikarya orang

laindansayatidakmelakukanpenjiplakanataupengutipandengancara-cara yang tidaksesuaidenganetikakeilmuan yang berlakudalammasyarakatkeilmuan. Ataspernyataanini,sayasiapmenanggungresiko/sanksi

yangdijatuhkankepadasayaapabilakemudianditemukanadanyapelanggaranterhadap etikakeilmuandalamkaryasayaini, atauadaklaimdaripihak lain terhadapkeasliankaryasayaini.

Bandung, Mei2014 Yang membuat pernyataan,

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 DAFTAR ISI

ABSTRAK ... i

KATA PENGANTAR ... iii

UCAPAN TERIMA KASIH ... iv

DAFTAR ISI ... vi

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Identifikasi Masalah... 4

1.3 TujuanPenelitian ... 4

1.4 Batasan Masalah ... 5

1.5 Manfaat Penelitian ... 5

1.6 Definisi Operasional ... 6

1.7 Metodologi Penelitian ... 7

1.8 SistematikaPenulisan ... 8

BAB II TINJAUAN PUSTAKA ... 12

2.1 Definisi Citra ... 12

2.1.1. Definisi Citra Analog ... 12

2.1.2. Definisi Citra Digital ... 13

2.2 Computer Vision ... 13

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

2.3.1. Macam-macam Penerapan Digital Image Processing ... 15

2.4Jaringan Syaraf Tiruan ... 21

2.4.1. Definisi Jaringan Syaraf Tiruan... 21

2.4.2. Model Neuron (selsaraf) ... 22

2.4.3. FungsiAktivasi ... 24

2.4.4. MetodePembelajaran ... 25

2.4.5. ArsitekturJaringan... 26

2.5 Metode Learning Vector Quantization (LVQ)... 29

2.5.1. Definisi Learning Vector Quantization (LVQ) ... 29

2.5.2. Arsitektur LVQ ... 30

2.5.3. Algoritma LVQ ... 31

2.6Gaussian Blur... 32

2.6.1. Pengaruh Gaussian Blur pada Nilai Piksel Citra Wajah ... 34

2.7 MATLAB ... 37

BAB III METODOLOGI PENELITIAN ... 38

3.1 MetodePenelitian ... 38

3.1.1. Studi Literatur ... 38

3.1.2. Pengembangan Sistem ... 38

3.2 DesainPenelitian ... 40

3.3 AlatdanBahan Penelitian ... 45

3.3.1. Alat Penelitian ... 45

3.3.2. Bahan Penelitian ... 46

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

3.4.1. ProsedurPengerjaanPenelitian ... 46

3.4.2. Pengumpulan Data ... 47

BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 49

4.1 AnalisisSistem ... 49

4.1.1. DeskrpsiUmumSistem ... 40

4.1.2. PerhitunganPengenalanWajah ... 49

4.2AnalisisKebutuhanSistem ... 64

4.2.1. BatasandanAsumsiAnalisis ... 64

4.2.2. MasukanSistem ... 64

4.2.3. Model Proses Sistem ... 65

4.2.4. KeluaranSistem ... 67

4.3PerancanganSistem ... 68

4.3.1. Perancangan Data ... 68

4.3.2. PerancanganAntarmukaSistem ... 69

4.4ImplementasiSistem ... 73

4.4.1. Implementasi Data ... 73

4.4.2. ImplementasiModul ... 77

4.4.3. ImplementasiAntarmuka ... 83

4.5 Pengujian ... 84

4.5.1. PengujianSistem ... 84

4.5.2. PengujianImplementasiKebutuhanFungsionalitasSistem ... 86

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

BAB V KESIMPULAN DAN SARAN ... 93

5.1 Kesimpulan ... 93

5.2 Saran ... 95

DAFTAR PUSTAKA ... xiii

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 DAFTAR TABEL

Tabel 2.1 Nilai Piksel pada Citra Wajah Asli ... 34

Tabel 2.2 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 1.0 ... 35

Tabel 2.3 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 2.0 ... 35

Tabel 2.4 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 3.0 ... 36

Tabel 2.5 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 4.0 ... 36

Tabel 2.6 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 5.0 ... 37

Tabel 4.1 Properti antarmuka ... 70

Tabel 4.2 Modul yang Terdapat Pada Tahap Pra Proses ... 78

Tabel 4.3 Modul yang Terdapat Pada Feature extraction ... 79

Tabel 4.4 Modul yang Terdapat Pada Tahap Testing dengan Jaringan Syaraf Tiruan Learning Vector Quantization ... 80

Tabel 4.5 Persentase Akurasi Pengenalan Wajah Berdasarkan Responden ... 87

Tabel 4.6 Persentase Akurasi Pengenalan Wajah Berdasarkan TingkatBlur ... 89

Tabel 4.7 Persentase Akurasi Pengenalan Wajah Berdasarkan Pose Wajah ... 90 Tabel 4.7 Persentase Akurasi Pengenalan Wajah Berdasarkan Tingkat Cahaya . 91

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 DAFTAR GAMBAR

Gambar 2.1 Sistem Computer Vision (Saepudin, 2013) ... 14

Gambar 2.2 Model Neuron (Wuryandari, dkk 2012) ... 23

Gambar 2.3 Model Neuron (Wuryandari, dkk 2012) ... 23

Gambar 2.4 Jaringan Dengan Lapisan Tunggal (Wuryandari dkk, 2012) ... 27

Gambar 2.5 Jaringan Dengan Banyak Lapisan (Wuryandari dkk, 2012) ... 28

Gambar 2.6 Jaringan Dengan Lapisan Kompetitif (Wuryandari dkk, 2012) ... 28

Gambar 2.7 Arsitektur Jaringan LVQ (S. Heranurweni, 2010)... 30

Gambar 2.8 Gambar Asli ... 33

Gambar 2.9 Gaussian Blur Tingkat 1 ... 33

Gambar 2.10 Gaussian Blur Tingkat 2 ... 33

Gambar 2.11 Gaussian Blur Tingkat 3 ... 33

Gambar 2.12 Gaussian Blur Tingkat 4 ... 33

Gambar 2.13 Gaussian Blur Tingkat 5 ... 33

Gambar 3.1 Model Pengembangan Perangkat Lunak (Pressman, 2001) ... 40

Gambar 3.2 Desain Penelitian ... 41

Gambar 4.1 Alur Proses Sistem Faren ... 50

Gambar 4.2 Tahap Segmentasi Masukan Citra Wajah ... 52

Gambar 4.3 TahapPraprosesMasukan Citra Wajah ... 55

Gambar 4.4 TahapFeature extractionMasukan Citra Wajah ... 57

Gambar 4.5 Detail Alur Proses Pengenalan Wajah Sistem Faren ... 63

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 4.7 Data Flow Diagram Level 1 Sistem Faren... 66

Gambar 4.8 Dialog Chart Faren ... 70

Gambar 4.9 Rancangan Antarmuka Sistem Faren ... 72

Gambar 4.10 Implementasi Arsitektur Jaringan pada Faren ... 75

Gambar 4.11 Implementasi Antarmuka Sistem Faren ... 84

Gambar 4.12 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Responden ... 88

Gambar 4.13 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Tingkat Blur ... 89

Gambar 4.14 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Pose Wajah ... 91

Gambar 4.15 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Tingkat Cahaya ... 92

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 i

ABSTRAK

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR

Ratih Pujihati 1001126

Identifikasi biometrik dapat dijadikan sebagai suatu alternatif untuk sistem keamanan. Identifikasi biometrik merupakan pengembangan dari metode dasar identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya, yaitu karakteristik fisiologis dan karakteristik perilaku. Karakteristik fisiologis adalah ciri fisik yang relatif stabil seperti sidik jari, siluet tangan, ciri khas wajah, pola gigi, atau retina mata. Sedangkankarakteristikperilaku, sepertitandatangan, polaucapan, atauritmemengetik. Pengenalan wajah (face recognition) adalah salah satu teknik identifikasi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya.Pada perkembangan teknologi saat ini, banyak sistem aplikasi yang berbasis pada pengenalan wajah, namun hanya untuk pengenalan wajah normal (tanpa blur). Sedangkan pada kenyataannya, data citra wajah yang didapatkan tidak selalu merupakan data citra wajah normal (tanpa blur).Berdasarkanhaltersebut, makapenelitianinidilakukanuntukpengenalanwajahpada citrawajahdengantingkat blur yang bervariasi yaitu tingkat 1 sampai 5. Salah satujenis blur yang digunakanyaitu Gaussian Blur.

Saatini, metode yang

dianggapakuratdalampengenalanwajahadalahJaringan Syaraf Tiruan Learning Vector Quantization. Pada penelitian ini, metode tersebut akan diterapkan pada tahap recognition (pengecekan dan pengkategorian inputan). Adapun urutan proses pengenalannya adalah Masukan – Pra Proses – Feature Extraction – Pengenalan – Hasil.

Sistem yang dikembangkan telah berhasil mengenali wajah pada citra wajah Gaussian Blur yang bervariasi dengan menghasilkan persentase akurasi terbaik yaitu 93,33%. Dengan persentase tersebut, dapat disimpulkan bahwa sistem dapat menghasilkan pengenalan wajah yang akurat.

Kata Kunci:Biometrik, Pengenalan Wajah, Learning Vector Quantization, 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 ii

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 iii

ABSTRACT

THE APPLICATION OF NEURAL NETWORK LEARNING VECTOR QUANTIZATION (LVQ) METHOD

IN FACE RECOGNITION WITH GAUSSIAN BLURFACE IMAGE

Ratih Pujihati 1001126

Biometric identification can be used as an alternative for security system. Biometric identification is the development of identification basic methodby using the natural characteristics human as its base, those are physiological characteristicsand behavioral characteristics. Physiological characteristic is physical characteristics which are relatively stable such as fingerprints , hand silhouettes, characteristic facial , dental patterns, or retina of the eye. While the behavioral characteristics, such as signature, speech patterns, or typing rhythm. Face recognition is one of the biometric identification by using the individuals concerned face as the main parameter. In the current technological developments, many application systems based on face recognition, but only for normal face recognition ( no blur ). While in fact, the face image data obtained is not only a normal face image data ( no blur ). Based on that phenomenon, the research is done for face recognition on a face image with the varation levels of blur. One type of blurs that is used is Gaussian Blur.

Nowadays, the method that is concerned accurate in face recognition is Artificial Neural Network Learning Vector Quantization. In this research, the method will be applied to the recognition step (checking and categorizing input). The steps of this recognition are Input - Pre Process - Feature Extraction - Recognition - Output.

The system developed has been recognizing faces successfully in a face image with varying Gaussian Blur produces the best accuracy percentage is 93.33%. With these percentages, it can be concluded that the system can produce accurate face recognition.

Keyword:Biometrics, Facial Recognition, Learning Vector Quantization, Gaussian

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 BAB I

PENDAHULUAN

1.1 Latar Belakang

Masalah keamanan (security) merupakan salah satu isu yang sangat penting akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk permasalahan tersebut adalah keamanan biometrik, suatu teknologi yang mengacu ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.

Biometrik yang merupakan pengembangan darimetode dasar identifikasi dengan menggunakankarakteristik alami manusia sebagai basisnya. Biometrik mencakup karakteristik fisiologis dankarakteristik perilaku. Karakteristik fisiologis adalahciri fisik yang relatif stabil seperti sidik jari, siluettangan, ciri khas wajah, pola gigi, pola iris, atau retinamata. Sedangkan karakteristik perilaku, seperti tandatangan, pola ucapan, atau ritme mengetik, selainmemiliki basis fisiologis yang relatif stabil, jugadipengaruhi kondisi psikologis yang mudah berubah.Pengenalan wajah (face recognition)adalah salah satu teknik identifikasi teknologi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya.

Pada proses pengenalan wajah diperlukan metode yang sesuai untuk mendapatkan hasil pengenalan wajah yang terbaik.Proses pengenalan wajah telah banyak dikaji dengan berbagai metode antara lain metode Backpropagation, Self Organizing Map, dan Learning Vector Quantization. Ketiga metode tersebut

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

memiliki performa yang cukup baik untuk pengenalan data citra wajah standar, hal ini dapat dilihat dari hasil tingkat pengenalan wajah yang dihasilkan dalam

3

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

beberapa penelitian terdahulu. Namun pada kenyataannya data citra wajah yang didapatkan tidak selalu merupakan data citra wajah normal, data dapat berupa citra wajah dengan intensitas cahaya yang berubah-ubah dan juga data citra wajah yang memiliki tingkat bluryang bervariasi. Data citra wajah yang bervariasi dapat menyebabkan tingkat pengenalan wajah yang rendah, sehingga perlu dikembangkan suatu metode yang dapat menghasilkan tingkat pengenalan wajah yang baik untuk data citra wajah yang memiliki tingkat blur yang bervariasi.

Penelitian dengan judul Pengenalan Wajah Menggunakan Learning Vector Quantization(S. Heranurweni, 2010) membuat sistem pengenalan wajah dengan melatih citra melalui proses Pulse Coupled Neural Network (PCNN) yaitu proses restorasi, segmentasi, dan deteksi terlebih dahulu sebelum masuk pada proses LVQ. Selanjutnya keluaran dari PCNN yang telah dinormalisasi akan menjadi masukan pada Jaringan Syaraf Tiruan LVQ. Metode untuk menganalisa hasil LVQ adalah dengan cara melakukan persentase terbanyak dari hasil pencarian jarak terdekat terhadap bobot yang telah tersimpan dalam proses learning. Penelitian ini menyatakan bahwa Jaringan Syaraf Tiruan PCNN dan LVQ mampu bekerja dengan baik untuk pengenalan wajah. Tingkat akurasi sistem LVQsetelah dilakukan beberapa kali proses learning (setiap gambar dilakukan 2 kali proses learning) adalah 86,67%.

Penelitian lain dengan judul Learning Vector Quantizationdengan Logika Fuzzy untuk Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi

4

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

Cahaya (Putri, Novia R, 2012) membuat sistem pengenalan wajah dengan variasi tingkat cahaya pada citra. Tingkat pengenalan menggunakan LVQ mengalami penurunan jika data yang digunakan terdiri atas beberapa variasi,oleh karenaitu dikembangkanlah metode logika Fuzzy yang mampu meningkatkan tingkat pengenalan dan performa dari LVQ. Proses pengenalannya adalah data citra wajah yang telah dinormalisasi menjadi masukan untuk metode LVQ. Selanjutnya keluaran dari LVQ, akan menjadi masukan untuk metode Fuzzy setelah melalui proses Fuzzyfikasi. Fuzzyfikasi merupakan proses pembentukan data Fuzzy yang berasal dari data citra wajah menjadi bilangan Fuzzy. Rata-rata perbedaan tingkat rekognisi dari percobaan antara metode LVQ tanpa Fuzzy dan metode Fuzzy LVQ adalah sebesar 40%. Sehingga cukup membuktikan bahwa dengan logika Fuzzy dapat meningkatkan performa dari LVQ.

Penelitian dengan metode LVQ yang telah dilakukan dapat memperoleh tingkat akurasi yang tinggi, namun untuk pengenalan wajah dalam kondisi normal (tanpa blur). Berdasarkan hal tersebut, maka penelitian ini dilakukan untuk pengenalan wajah dengan wajah yang memiliki variasi tingkat blurmenggunakan metode LVQ. Kajian ini dilakukan pada salah satu jenis bluryaitu Gaussian Blur.

Dalam pembangunan sistem pada penelitian ini, digunakan bahasa pemrograman Matrix Laboratory (MATLAB). MATLAB dibangun sebagai bahasa pemrograman sekaligus alat visualisasi, yang menawarkan banyak kemampuan untuk menyelesaikan berbagai kasus yang berhubungan langsung

5

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

dengan disipilin keilmuan Matematika, seperti bidang rekayasa teknik, fisika, statistika, komputasi dan modeling (Away, Gunaidi Abdia. 2010).

1.2 Identifikasi Masalah

Secara umum permasalahan yang akan dikaji dalam penelitian ini adalah bagaimana implementasi metode Jaringan Syaraf TiruanLearning Vector Quantization (LVQ)dapat melakukan pengenalan wajah pada data citra wajah dengan tingkat Gaussian bluryang bervariasi?

Secara khusus permasalahan penelitian ini adalah sebagai berikut :

a. Bagaimana cara kerja metodeJaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajah pada data citra wajah dengan tingkat Gaussian blur yang bervariasi?

b. Bagaimana persentase akurasi yang dihasilkan sistem pengenalan wajah pada citra wajah dengan tingkat Gaussian bluryang bervariasi dengan metodeLearning Vector Quantization (LVQ) ?

1.3 Tujuan Penelitian

Tujuan umum penelitian ini adalah mengetahui implementasi metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dalam mengenaliwajah pada data citra wajah dengan tingkat Gaussian blur yang bervariasi.

6

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

Tujuan khusus penelitian ini adalah sebagai berikut :

a. Memahami cara kerja Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajah pada data citra wajah dengan tingkat Gaussian blur yang bervariasi.

b. Mengetahui persentase akurasi yang dihasilkan sistem pengenalan wajah pada data citra wajah dengan tingkat Gaussian bluryang bervariasi dengan metodeLearning Vector Quantization (LVQ).

1.4 Batasan Masalah

Beberapa batasan masalah dalam penelitian Penerapan Metode Learning Vector Quantization (LVQ) untuk pengenalan wajah dengan citra wajah Gaussian blur adalah sebagai berikut:

a. Sistem hanya dapat mengenali citra wajah dengan tingkat Gaussian Blur 1 sampai 5.

b. Sistem hanya mengenali citra wajah tunggal. c. Pengenalan wajah dilakukan secara offline. d. Citra wajah memiliki format *.jpg

1.5 Manfaat Penelitian

Adapun manfaat yang diharapkan dari penelitian Penerapan Metode Learning Vector Quantization (LVQ) untuk pengenalan wajah dengan citra wajah Gaussian blur adalah sebagai berikut:

7

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

e. Bagi Peneliti

Peneliti diharapkan mendapatkan pengetahuan baru mengenai identifikasi biometrik khususnya untuk pengenalan wajah. Selain itu, peneliti mengetahui proses penerapan metode LVQ untuk pengenalan wajah dengan tingkat Gaussian bluryang bervariasi.

f. Bagi Pihak Lain

Hasil penelitian ini diharapkan dapat menjadi langkah awal untuk pengembangan teknologi agar dalam membangun aplikasi pengenalan wajah pada teknologi komputer. Selain itu diharapkan manfaat lain oleh pengguna keamanan biometrik untuk mempermudah identifikasi pengenalan wajah pada citra wajah dengan tingkatGaussian blur.

1.6 Definisi Operasional

Adapun definisi operasional pada penelitian ini meliputi hal-hal sebagai berikut:

a. Identifikasi Pengenalan Wajah

Data yang digunakan merupakan citra wajah tanpa Gaussian Blur dan citra dengan tingkat Gaussian Blur yang bervariasi.

b. Masukan yang Diterima

Secara umum, ada 2 cara untuk meng-input-kan wajah ke dalam komputer, yaitu dengan online dan offline. Cara online, maksudnya adalah pengguna langsung memasukan gambar wajahnya menggunakan alat bantu teknologi

8

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

lain yaitu webcam. Sedangkan cara offline adalah dengan melakukan foto wajah kemudian foto tersebut dimasukkan ke komputer.

Pada penelitian ini masukan yang diterima dibatasi secara offline, karena citra wajah akan diberibluruntuk menjadi masukan pada sistem sebelum masuk ke proses pengenalan. Jenis blur yang digunakan pada penelitian ini adalah Gaussian Blur tingkat 1.0, 2.0, 3.0, 4.0, dan 5.0. Pemberian blur pada citra wajah adalah secara manual menggunakan aplikasi Photoshop CS5. Ukuran citra wajah yang menjadi masukan tidak ditentukan ukuran pikselnya, karena sistem akan otomatis melakukan pemotongan citra sesuai yang dibutuhkan.

1.7 Metodologi Penelitian

Metode-metode yang digunakan pada penelitian ini adalah, sebagai berikut: a. Kajian Pustaka

Kajian Pustaka dilakukan dengan mengumpulkan data dan informasi baik dari buku-buku bacaan, jurnal, maupun artikel-artikel yang berasal dari internet yang berkaitan pengenalan wajah menggunakan metode LVQ.

b. Pembuatan Perangkat Lunak

Hasil akhir penelitian adalah sebuah perangkat lunak yang dapat melakukan pengenalan wajah pada citra wajah dengan tingkat Gaussian blur yang bervariasi pada citra wajah masukan.

9

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

Tahap ini dilakukan untuk melihat perbandingan antara hasil pengenalan wajah secara manual, dengan hasil dari perangkat lunak yang dibuat. Selain itu, tahap ini dilakukan untuk mengurangi tingkat error pada sistem perangkat lunak dengan cara memasukan data dummy untuk pengenalan wajah.

d. Eksperimen

Setelah tahap uji coba dilakukan, selanjutnya adalah tahap eksperimen yaitu dengan melakukan pengenalan wajah dengan data yang sebenarnya untuk mengetahui tingkat akurasi pengenalan wajah.

1.8 Sistematika Penulisan

Sistematika penulisan dalam penelitian ini adalah sebagai berikut:

BAB I PENDAHULUAN

Pada Bab Pendahuluan ini disajikan beberapa point yang termasuk dalam pendahuluan mengenai penelitian ini, diantaranya:

1.1. Latar Belakang: menjelaskan mengenai alasan dilakukannya penelitian, penjelasan teori, pemaparan penelitian-penelitian yang sudah ada terlebih dahulu, alasan pemilihan metode penelitian, algoritma pada penelitian, dan lain-lain.

1.2. Identifikasi Masalah: menjelaskan mengenai permasalahan umum dan permasalahan khusus yang akan dibahas dan diteliti pada penelitian.

10

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

1.3. Tujuan Penelitian: menjelaskan mengenai tujuan umumdan tujuan khusus dilakukan penelitian.

1.4. Manfaat Penelitian: menjelaskan manfaat yang yang akan didapatkan setelah penelitian dilakukan, baik manfaat untuk peneliti maupun untuk masyarakat.

1.5. Definisi Operasional: membahas mengenaidefinisi operasional pada penelitian, seperti batasan masukan yang akan diolah oleh sistem.

1.6. Metodologi Penelitian: memaparkan alur dan metode-metode yang digunakan saat penelitian.

1.7. Sistematika Penulisan: berisi urutan penulisan pada dokumentasi penelitian.

BAB II TINJAUAN PUSTAKA

Pada Bab Tinjauan Pustaka memaparkan teori-teori yang mendukung dan berhubungan dengan penelitian mengenai penerapan metode LVQ untuk pengenalan wajah. Teori tersebut meliputi:

2.1 Definisi Citra, meliputi pengertian mengenai citra.

2.2 Teori Computer Vision, meliputi penjelasan mengenai pengertian dan penjelasan proses Computer Vision untuk pengenalan citra.

2.3 Teori Digital Image Processing, meliputi pengertian dan penjelasan mengenai image processing.

11

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

2.4 Jaringan Syaraf Tiruan, berisi penjelasan teori, arsitektur, dan proses dari Jaringan Syaraf Tiruan.

2.5 Metode Learning Vector Quantization, berisi penjelasan metode, arsitektur, dan algoritma dari LVQ.

2.6 Gaussian Blur, meliputi pengertian dan penjelasan mengenai Gaussian Blur yang merupakan jenis blur yang dipakai untuk penelitian pengenalan wajah.

2.7 Matlab, meliputi pemaparan sejarah dan fungsi perangkat lunak pendukung penelitian.

BAB III METODE PENELITIAN

Pada Bab ini memaparkan tentang metode-metode yang akan dilakukan untuk penelitian sebagai berikut:

3.1 Metode Peneltian, menjelaskan mengenai urutan metode yang dilakukan pada penelitian.

3.2 Desain Penelitian, menjabarkan alur yang dilakukan pada saat penelitian. Mulai dari pengumpulan informasi hingga tahap eksperimen.

3.3 Alat dan Bahan Penelitian, berisi kebutuhan-kebutuhan pada saat penelitian, baik perangkat lunak, perangkat keras, maupun bahan penelitian lainnya.

12

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

3.4 Implementasi Penelitian, berisi bagaimana metode penelitian akan diterapkan.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini memaparkan tentang implementasi dan pembahasan penelitian Penerapan Metode LVQ untuk Pengenalan Wajah dengan Citra Wajah Gaussian Blursebagai berikut:

4.1 Analisis Sistem, menjabarkan mengenai deskrpsi umum sistem yang dibangun, dan proses perhitungan sehingga sistem dapat melakukan pengenalan wajah dengan menggunakan metode LVQ.

4.2 Analisis Kebutuhan Sistem, berisi mengenai deskripsi kebutuhan sistem, model dan alur sistem.

4.3 Perancangan Sistem, menjelaskan rancangan data yang digunakan dalam penelitian, dan rancangan antarmuka sistem.

4.4 Implementasi Sistem, memaparkan implementasi data, modul program, dan implementasi antarmuka berdasarkan rancangan yang telah dibuatpada tahap perancangan sistem.

4.5 Pengujian Sistem, memperlihatkan skenario pengujian yang dilakukan pada sistem yang dibangun.

4.6 Pembahasan Hasil Pengujian, menjabarkan hasil pengujian berdasarkan skenario pengujian, serta analisis dan kesimpulan dari hasil pengujian tersebut.

13

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 BAB V PENUTUP

5.1 Kesimpulan, yang berisi pencapaian tujuan dari penelitian yang dilakukan.

5.2 Saran, berisi tentang hal-hal yang dirasa belum sempurna dari penelitian yang dilakukan.

LAMPIRAN

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 BAB III

METODOLOGI PENELITIAN

3.1 Metode Penelitian

Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian, yaitu studi literatur, pengembangan perangkat lunak, uji coba, dan eksperimen.

3.1.1 Studi Literatur

Studi literatur bertujuan untuk mempelajari teori-teori yang berhubungan dengan pengenalan wajah dengan Jaringan Syaraf TiruanLearning Vector Quantization (LVQ) dengancitra wajah Gaussian Blurseperti image processing, pattern recognition, face recognition, mempelajari penggunaan Gaussian Blur pada citra wajah, dan metode LVQ untuk pengenalan wajah. Bahan-bahan studi literatur diperoleh dari buku-buku baik lokal maupun terjemahan buku internasional, artikel-artikel, jurnal, dan ebook dari internet.

3.1.2 Pengembangan Sistem

Dalam tahap pengembangan sistem menggunakan metode pendekatan terstruktur dengan menggunakan model sekuensial linear. Dimana tahapan – tahapan model ini adalah analisis, desain, codingdan testing.

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

Tahap analisis adalah tahap pengumpulan informasi yang berkaitan dengan pembangunan sistem pengenalan wajah, baik kebutuhan data,

39

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

perangkat keras, maupun perangkat lunak. Pada tahap analisis dilakukan pula cara-cara perhitungan metode LVQ untuk pengenalan wajah dengan citra wajah Gaussian Blur.

b. Desain

Setelah tahap analisis selesai dilakukan, selanjutnya adalah tahap desain. Tahap ini merancang model dan alur pembangunan sistem pengenalan wajah sesuai dengan analisis yang telah dilakukan.

c. Coding

Setelah desain dan alur dirancang, selanjutnya adalah proses implementasi coding. Tahap ini merupakan tahap utama karena pada tahap inilah proses pembangunan sistem yang dapat menyelesaikan masalah dan mengolah data-data yang telah terkumpul. Pada tahap ini pula proses hasil desain yang telah dibuat diimplementasikan.

d. Testing

Setelah perangkat lunak berhasil dibuat selanjutnya adalah pengujian terhadap sistem pengenalan wajah menggunakan metode LVQ. Pengujian dilakukan dengan menguji tingkat akurasi pengenalan wajah dengan variasi blur pada sistem yang dibangun.

40

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 Bluryang 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

41

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

42

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.org/muct/. 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

43

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 Extractionmerupakan 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 Extractionyang dipilih adalah teknik zoning.Teknik zoningini dilakukan dengan mengubah masukan citra wajah menjadi N x M wilayah. Pada

44

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

45

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

Dalam pembangunan perangkat lunak penerapan metode LVQ pada pengenalan wajah membutuhkan seperangkat alat komputer yang disertai dengan perangkat lunak pendukung. Sedangkan bahan yang digunakan berupa citra wajahtanpa Gaussian Blur dan citra wajah dengan tingkat Gaussian Blur.

3.3.1 Alat Penelitian

a) Kebutuhan Perangkat Keras

46

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  Processor Core i3-2100 3.10 GHz

 RAM 2 GHz

 Harddisk 500 GB

 Monitor Resolusi 1366 x 768, 32 bit colour quality

 Mouse dan Keyboard b) Kebutuhan Perangkat Lunak

Perangkat lunak yang dibutuhkan adalah sebagai berikut:

 Windows 8 Profesional

 MATLAB Version8.1.0.6 04 (R2013a)

 Microsoft Office Word 2013

 Adobe Photoshop CS5

 Power Designer v5.3

3.3.2 Bahan Penelitian

Data penelitian yang digunakan dalam penelitian ini diambil dari http://www.milbo.org/muct/. Data yang digunakan sebanyak 10 responden yang masing diambil citra wajahnya sebanyak 15 citra. Kemudian pada masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai 5. Sehingga jumlah data citra wajah tiap responden menjadi 90 buah terdiri dari 75 citra wajah dengan Gaussian Blur dan 15 citra wajah tanpa Gaussian Blur. Total citra wajah seluruh responden sebanyak 900 buah. Ukuran citra wajah tidak ditentukan karena sistem akan otomatis melakukan pemotongan citra yang menjadi masukan.

47

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 3.4 Implementasi Penelitian

3.4.1 Prosedur Pengerjaan Penelitian

Penelitian ini memerlukan tahapan-tahapan yang harus dilakukan seperti pengumpulan data berupa dokumen, data sampel berupa citra wajah dengan tingkat Gaussian Blurdan citra tanpa Gaussian Blur, eksplorasi mengenai metode LVQ untuk pengenalan wajah, perancangan dan pembangunan perangkat lunak, dan pengujian kualitas sistem yang telah dibangun untuk mengetahui tingkat akurasi pengenalan wajah pada citra dengan tingkat Gaussian Blur.

Prosedur pengerjaan penelitian yang dilakukan adalah sebagai berikut: a. Pengumpulan data berupa dokumen dan informasi mengenai proses

pengolahan citra digital, dan teknik pengenalan wajah dengan metode LVQ. b. Pengumpulan data sampel citra wajah dari 10 responden, masing-masing

responden memiliki 15 citra wajah. Kemudian citra wajah akan diproses manual untuk memberikan Gaussian Blurtingkat 1 sampai 5. Sehingga citra wajah yang terkumpul adalah citra wajah yang memiliki tingkat Gaussian Blursebanyak 75 dan citra wajah tanpa Gaussian Blursebanyak 15 untuk masing-masing responden.

c. Perancangan dan pembangunan perangkat lunak yang telah disesuaikan dengan proses-proses yang telah didefinisikan pada kebutuhan fungsional sistem.

48

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

Pengumpulan data untuk kebutuhan penelitian ini meliputi teori-teori yang dapat menunjang penelitian penerapan metode LVQ untuk pengenalan wajah, diantaranya image processing dan feature extraction. Selain itu dikumpulkan juga teori yang berkaitan dengan teknik penggunaan metode LVQ untuk pengenalan wajah, dan mempelajari macam-macam bluryang terdapat pada citra wajah.

Untuk memenuhi kebutuhan pembangunan sistem, dibutuhkan data latih berupa data citra wajah denganGaussian Blurdan citra tanpa Gaussian Blur. Jumlah data yg dikumpulkan adalah 900 citra wajah, kemudian citra wajah akan diolah secara manual untuk menambahkan tingkat Gaussian Blur. Ukuran citra tidak ditentukan karena sistem akan melakukan pemotongan otomatis pada citra yang akan menjadi masukan pada sistem.

Setelah mendapatkan data citra untuk proses pelatihan, maka kebutuhan selanjutnya adalah data uji. Data uji didapatkan dari sampel yang telah dikumpulkan. Data uji ini bertujuan untuk mengetahui tingkat akurasi yang dihasilkan dari sistem penerapan metode LVQ untuk pengenalan wajah dengan citra wajah Gaussian Blur.

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 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah dilakukan penelitian mengenai implementasi metode Jaringan Syaraf Tiruan Learning Vector Quantization untuk pengenalan wajah pada citra wajah dengan Gaussian Blur , maka dapat diambil beberapa kesimpulan untuk menjawab rumusan masalah. Adapun kesimpulan dari penelitian ini adalah sebagai berikut:

1. Implementasi metode Jaringan Syaraf Tiruan Learning Vector Quantizationtelah berhasil menyelesaikan masalah pengenalan wajah pada data citra wajah dengan tingkat Gaussian Blur yang bervariasi dengan hasil yang akurat.

2. Proses yang dilakukan untuk melakukan pengenalan wajah pada data citra wajah dengan tingkat Gaussian Bluryang bervariasi adalah dengan menerima masukan berupa matriks dari hasil feature extraction, kemudian masukan tersebut dijadikan sebagai data training pada proses training Jaringan Syaraf Tiruan Learning Vector Quantization. Data training tersebut akan menghasilkantarget keluaran. Kemudian sistem akan melakukan proses testing, dengan memasukan citra wajah uji. Hasil keluaran citra wajah uji akan dibandingkan dengan target keluaran yang ada pada data training.

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

Sistem akan mencarihasil data uji yang mendekati target keluaran yang terdapat pada data training untuk menghasilkan keluaran yang sesuai.

94

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

3. Pengujian yang dilakukan untuk mengetahui akurasi pengenalan wajah dilakukan 4 skenario pengujian sistem yaitu pengenalan berdasarkan responden, tingkat blur, pose wajah, dan tingkat cahaya.

Persentase pengenalan tiap responden pada

pengujiansistempengenalancitrawajahdengantingkatGaussianBlur yang bervariasimenghasilkan rata-rata pengenalansebesar 82%.Persentase

pengenalan berdasarkan tingkatGaussian Blur

menghasilkanakurasitertinggipadaGaussian Blur tingkat 1 (Bl-1) denganakurasi 82%, karenaBlur tingkat 1 merupakantingkatGaussian Blur yang paling kecildanmemilikitingkatkesamarancitrawajah yang rendah.Pengujianberdasarkanposewajahmenghasilkanpersentasetingkatakuras itertinggisebesar 92% padapose wajahke 2 (Po-2), karenapadaposewajahke 2

inimenunjukanpose wajah yang

cocokuntukpengenalanwajahdenganposisiwajahtegakmenghadapkamera. Sedangkan hasil pengujian berdasarkan tingkat cahaya yang menghasilkan akurasi tertinggi adalah tingkat cahaya ke -2 (C-2) dengan akurasi 76,80%, karena cahaya tingkat 2 merupakan tingkat cahaya yang normal dibandingkan dengan tingkat cahaya yang lain.

Melihathasilpersentaseakurasidiatas, dapatdisimpulkanbahwafaktor yang mempengaruhi persentase pengenalan wajah adalah tingkat Gaussian Blur, pose wajah, dan tingkat pencahayaan. KinerjaJaringan Syaraf Tiruan

95

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

Learning Vector Quantizationsangat baik dalam kasus pengenalan wajah dengan citra wajah Gaussian Blur yang bervariasi.

5.2 Saran

Beberapa saran yang diberikan untuk penelitian lebih lanjut adalah sebagai berikut:

1. Penelitian selanjutnya diharapkan dapat membangun sistem untuk pengenalan citra wajah dengan jenis blur yang berbeda seperti Motion Blur , Lensa Blur , Box Blur , dan lain-lain.

2. Pada penelitianselanjutnyadiharapkansistem ini dapatdikembangkan padamobile application.

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 DAFTAR PUSTAKA

Putri, Novia R. 2012. Learning Vector Quantization Dengan Logika Fuzzy untuk Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi Cahaya.Skripsi. Universitas Indonesia.

Heranurweni, S. 2010. Pengenalan Wajah Menggunakan Learning Vector Quantization (LVQ). Semarang: Jurusan Teknik Elektro Universitas Semarang.

Wuryandari, Maharani Dessy., Afrianto, Irawan. 2012. Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Pada Pengenalan Wajah. Universitas Komputer Indonesia. Jurnal Komputer dan Informatika, Edisi. I Volume 1, Maret 2012.

Maru’ao, Dini Oktaviani. 2010. Neural Netwok Implementation in Foreign Exchange Kurs Prediction. Gunadarma University.

Humaira. 2009. Deteksi Wajah Manusia Pada Cira Berwarna Menggunakan Fuzzy. Politeknik Negeri Padang Kampus Unand Limau Manis Padang. Poli Rekayasa, Volume 5, Nomor 1, Oktober 2012, ISSN 1858-3709. Mirawanti, Yenita dkk. 2010. Neural Network. Surabaya: Institut Teknologi

Sepuluh November.

Rosmalinda, Safrina., Yustisia, Difla. 2010. Jaringan Syaraf Tiruan Learning Vector Quantization untuk Aplikasi Pengenalan Tanda Tangan.

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

Universitas Islam Indonesia. Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2010), Yogyakarta, 19 Juni 2010, ISSN 1907-5022. Anosa, Ayu Febri. 2013. Rancang Bangun Sistem Pendukung Keputusan Seleksi

Penerima Jaminan Kesehatan Masyarakat Dengan Kombinasi Metode Analythical Hierarchy Process Dan Logika Fuzzy Tsukamoto. Skripsi. Universitas Pendidikan Indonesia.

Kusumadewi, Sri., Purnomo, Hari. 2010. Aplikasi Logika Fuzzy untuk Pendukung Keputusan. Yogyakarta:Graha Ilmu.

Abdurrahman, Ginanjar. 2011. Penerapan Metode Tsukamoto (Logika Fuzzy) Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan. Skripsi. Universitas Negeri Yogyakarta.

Mulyawan, Hendi. Identifikasi dan Tracking Objek Berbasis Image Processing Secara Real Time. Tugas Akhir Jurusan Telekomunikasi Politeknik Elektronika Negeri Surabaya ITS, Surabaya.

Achmad., K. Firdausy. 2010. Teknik Pengolahan Citra Digital Menggunakan Delphi. Ardhi Publishing. Yogyakarta.

Putri, Ferdaria Zahrah., Andrizal., Devianto Dodi. Aplikasi Webcam dan Pengolahan Citra untuk Identifikasi Kecacatan Kemasan Kaleng. Universitas Andalas. Padang.

Cahyaningsih, Sri. 2010. Deteksi Osteoporosis dengan Tresholding Metode Otsu Pada Citra X-Ray Tulang Rahang. Skripsi. Universitas Islam Negeri, Malang.

Ratih Pujihati , 2014

Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur

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

Sistem akan mencarihasil data uji yang mendekati target keluaran yang terdapat pada data training untuk menghasilkan keluaran yang sesuai.

94

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

3. Pengujian yang dilakukan untuk mengetahui akurasi pengenalan wajah

dilakukan 4 skenario pengujian sistem yaitu pengenalan berdasarkan responden, tingkat blur, pose wajah, dan tingkat cahaya.

Persentase pengenalan tiap responden pada

pengujiansistempengenalancitrawajahdengantingkatGaussianBlur yang

bervariasimenghasilkan rata-rata pengenalansebesar 82%.Persentase

pengenalan berdasarkan tingkatGaussian Blur

menghasilkanakurasitertinggipadaGaussian Blur tingkat 1 (Bl-1)

denganakurasi 82%, karenaBlur tingkat 1 merupakantingkatGaussian Blur

yang paling kecildanmemilikitingkatkesamarancitrawajah yang

rendah.Pengujianberdasarkanposewajahmenghasilkanpersentasetingkatakuras itertinggisebesar 92% padapose wajahke 2 (Po-2), karenapadaposewajahke 2

inimenunjukanpose wajah yang

cocokuntukpengenalanwajahdenganposisiwajahtegakmenghadapkamera. Sedangkan hasil pengujian berdasarkan tingkat cahaya yang menghasilkan akurasi tertinggi adalah tingkat cahaya ke -2 (C-2) dengan akurasi 76,80%, karena cahaya tingkat 2 merupakan tingkat cahaya yang normal dibandingkan dengan tingkat cahaya yang lain.

Melihathasilpersentaseakurasidiatas, dapatdisimpulkanbahwafaktor yang

mempengaruhi persentase pengenalan wajah adalah tingkat Gaussian Blur,

95

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

Learning Vector Quantizationsangat baik dalam kasus pengenalan wajah

dengan citra wajah Gaussian Blur yang bervariasi.

5.2 Saran

Beberapa saran yang diberikan untuk penelitian lebih lanjut adalah sebagai berikut:

1. Penelitian selanjutnya diharapkan dapat membangun sistem untuk pengenalan

citra wajah dengan jenis blur yang berbeda seperti Motion Blur , Lensa Blur ,

Box Blur , dan lain-lain.

2. Pada penelitianselanjutnyadiharapkansistem ini dapatdikembangkan

padamobile application.

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 DAFTAR PUSTAKA

Putri, Novia R. 2012. Learning Vector Quantization Dengan Logika Fuzzy untuk

Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi Cahaya.Skripsi. Universitas Indonesia.

Heranurweni, S. 2010. Pengenalan Wajah Menggunakan Learning Vector

Quantization (LVQ). Semarang: Jurusan Teknik Elektro Universitas Semarang.

Wuryandari, Maharani Dessy., Afrianto, Irawan. 2012. Perbandingan Metode

Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization Pada Pengenalan Wajah. Universitas Komputer Indonesia. Jurnal Komputer dan Informatika, Edisi. I Volume 1, Maret 2012.

Maru’ao, Dini Oktaviani. 2010. Neural Netwok Implementation in Foreign Exchange Kurs Prediction. Gunadarma University.

Humaira. 2009. Deteksi Wajah Manusia Pada Cira Berwarna Menggunakan

Fuzzy. Politeknik Negeri Padang Kampus Unand Limau Manis Padang. Poli Rekayasa, Volume 5, Nomor 1, Oktober 2012, ISSN 1858-3709.

Mirawanti, Yenita dkk. 2010. Neural Network. Surabaya: Institut Teknologi

Sepuluh November.

Rosmalinda, Safrina., Yustisia, Difla. 2010. Jaringan Syaraf Tiruan Learning

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

Universitas Islam Indonesia. Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2010), Yogyakarta, 19 Juni 2010, ISSN 1907-5022.

Anosa, Ayu Febri. 2013. Rancang Bangun Sistem Pendukung Keputusan Seleksi

Penerima Jaminan Kesehatan Masyarakat Dengan Kombinasi Metode Analythical Hierarchy Process Dan Logika Fuzzy Tsukamoto. Skripsi. Universitas Pendidikan Indonesia.

Kusumadewi, Sri., Purnomo, Hari. 2010. Aplikasi Logika Fuzzy untuk Pendukung

Keputusan. Yogyakarta:Graha Ilmu.

Abdurrahman, Ginanjar. 2011. Penerapan Metode Tsukamoto (Logika Fuzzy)

Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan. Skripsi. Universitas Negeri Yogyakarta.

Mulyawan, Hendi. Identifikasi dan Tracking Objek Berbasis Image Processing

Secara Real Time. Tugas Akhir Jurusan Telekomunikasi Politeknik Elektronika Negeri Surabaya ITS, Surabaya.

Achmad., K. Firdausy. 2010. Teknik Pengolahan Citra Digital Menggunakan

Delphi. Ardhi Publishing. Yogyakarta.

Putri, Ferdaria Zahrah., Andrizal., Devianto Dodi. Aplikasi Webcam dan

Pengolahan Citra untuk Identifikasi Kecacatan Kemasan Kaleng. Universitas Andalas. Padang.

Cahyaningsih, Sri. 2010. Deteksi Osteoporosis dengan Tresholding Metode Otsu

Pada Citra X-Ray Tulang Rahang. Skripsi. Universitas Islam Negeri, Malang.

Ratih Pujihati , 2014

Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur