Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian

Jurnal Teknik Informatika, Vol 1 September 2012
Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah
Menggunakan Metode Backpropagation
Tito Juliasmi1, Kartina Diah Kusuma W, S.T.2 & Erwin Setyo Nugroho, S.T, M.Eng.3
Program Studi Teknik Informatika Jurusan Komputer Politeknik Caltex Riau
Jl. Umbansari No. 1 Rumbai Pekanbaru 28265
1
[email protected], [email protected], 3 [email protected]
Abstrak
Manusia memiliki karakter yang sangat bervariasi dan unik satu sama lainnya. Ilmu Psikologi
banyak membahas mengenai pengenalan karakter, salah satunya melalui bentuk bagian wajah.
Dalam penelitian ini input data berupa citra bagian wajah yang akan dikenali karakternya.
Citra bagian wajah yang akan diujikan pada aplikasi pengenalan karakter manusia
berdasarkan bagian wajah ini melewati tahapan proses pengujian menggunakan metode
Backpropagation Jaringan Saraf Tiruan. Bagian wajah yang akan di kenali adalah mata, alis,
hidung dan bibir sebagai data input yang digunakan pada saat proses pengenalan karakter.
Citra bagian wajah yang diinputkan pada aplikasi dimatchingkan dengan database sampel
yang tersedia. Dari hasil pelatihan data sampel dan pengenalan citra input bagian wajah akan
ditampilkan keterangan karakter berdasarkan data input yang sesuai dengan data sampel. Jika
citra bagian wajah yang dinputkan tidak dikenali pada saat pengujian, maka akan dilakukan
penyimpanan sampel terhadap citra tersebut untuk dijadikan tambahan database sampel
bagian wajah.
Kata Kunci : Jaringan saraf tiruan, Backpropagation, Citra, Karakter manusia.
Abstract
Humans have a very varied character and unique from each other. So many discussion about
the character recognition in Psychological Science, one of them through the form of the face. In
this study the data input of the facial citra to be recognizable character. Citra of the face that
will be tested on human character recognition application based on the face of these pass
through the testing process using the Backpropagation Neural Networks. The face that will be
recognized are the eyes, eyebrows, nose and lips as input data used during the process of
character recognition. Citra of the face that entered on the application are matched with the
available sample database. From the training sample data and the introduction of the input face
citra is displayed based on the character description of the input data corresponding to the
sample data. If the data test citra that used as input to the face is not recognized at the time of
testing, sample storage will be made to the citra database to be used as additional samples of
the face.
Keywords: Neural Network, Backpropagation, Citra, Human Character.
1
Pendahuluan
Setiap manusia memiliki bentuk bagian wajah yang berbeda satu dengan lainnya. Ada
banyak karakter manusia yang dapat dikenali dari bentuk bagian wajah tersebut. Salah satu ilmu
yang sering dikaji oleh para ilmuwan terutama di bidang kedokteran dan psikologi yaitu ilmu
Fisiognomi, berasal dari kata Inggris Physiognomy. Fisiognomi adalah seni membaca wajah
dengan mengamati bentuk mata, hidung, alis, bibir dan lainya. Ilmu ini memungkin kita untuk
membaca bagian wajah yang dapat menyampaikan defenisi karakter dari manusia. Belakangan
ini semakin tingginya tingkat populasi manusia, juga berdampak pada tingginya tingkat
kebutuhan psikologi manusia dalam membaca karakter orang-orang yang ada dalam kehidupan
2 Tito Juliasmi 1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3
sehari-hari. Terbatasnya jumlah psikolog di bandingkan populasi manusia, tidak memungkinkan
psikolog dapat membaca karakter setiap manusia. Seiring berkembangnya zaman teknologi
komputasi juga semakin berkembang pesat yang memungkinkan kita untuk dapat
memanfaatkan sebuah perhitungan jaringan saraf tiruan. Jaringan saraf tiruan dapat di
manfaatkan pada aplikasi pengenalan karakter manusia melalui bentuk bagian wajah, sebagai
solusi pengganti psikolog dalam membaca karakter manusia.
Penulis melakukan penelitian ini dengan memanfaatkan Neural Network atau dalam
bahasa Indonesia dikenal dengan Jaringan Saraf Tiruan (JST). Dalam penelitian ini penulis
menggunakan metode Backpropagation, pemilihan metode Backpropagation didasarkan karena
metode tersebut menggunakan multilayer dan memiliki kemampuan lebih. Multilayer dapat
memecahkan masalah lebih rumit daripada jaringan single layer, dan untuk Untuk klasifikasi
masalah yang lebih sulit, jaringan multilayer seperti yang dilatih oleh Backpropagation
mungkin lebih baik [9].
1.1
Tujuan
Adapun tujuan penelitian aplikasi pengenalan karakter manusia melalui bentuk bagian
wajah ini adalah membangun suatu aplikasi yang dapat melakukan pengenalan karakter manusia
melalui bentuk bagian wajah menggunakan metode Backpropagation.
1.2
Manfaat
Manfaat yang diperoleh dari proyek akhir ini adalah membantu proses pengenalan
karakter manusia melalui masukan sistem yang berupa citra bagian wajah yang di proses
menggunakan metode Backpropagation. Dan dapat dijadikan dasar bagi pengembangan aplikasi
pengenalan lainnya yang menggunakan metode Backpropagation..
2
Dasar Teori
2.1
Penelitian Sbelumnya
Berdasarkan beberapa skripsi yang membahas tentang pengenalan menggunakan
metode Backpropagation seperti pengenalan tanda tangan, pengenalan bentuk bangun dan yang
lainnya, dapat dilakukan sebuah penelitian baru sebagai bentuk pengembangan dari beberapa
skripsi sebelumnya. Penelitian ini merupakan pengembangan penelitian berdasarkan skripsi
mahasiswa Ilmu Komputer Universitas Pendidikan Indonesia yang bernama Dian Sa’adilah
Malyawati yang membahas tentang pengenalan karakter manusia melalui bentuk wajah dengan
metode Backpropagation. Adapun perbandingan penelitian sebelumnya dengan penelitian
sekarang seperti pada table di bawah ini:
Tabel 1 Perbandingan Penelitian
Pembanding
Input
Proses Ekstraksi
Output
Metode
Bahasa Pemrograman
Penelitian Sebelumnya
-Gambar bagian wajah yang
di crop manual melalui tool
di luar sistem
-tidak semua bagian wajah,
tergantung bagian mana
yang ingin dikenali.
Matlab dan excel
Menampilkan karakter
hanya perbagian input
wajah.
Backpropagation
Matlab
Penelitian sekarang
-Melakukan penentuan
bagian wajah pada sistem.
-pengenalan dilakukan pada
empat bagian wajah yaitu,
mata, alis, hidung, dan
bibir.
Java dan MySQL
Menampilkan karakter dari
4 input bagian wajah.
Backpropagation
Java
Jurnal . ………….. Vol. XX …, No. X, Bulan 20XX, XX-XX
2.2
3
Karakter Manusi Bersasarkan Jenis Bagian Wajah.
Wajah manusia pada penelitian ini di bagi menjadi berapa bagian yang akan di kenali
karakternya. Pembagian jenis karakter diperoleh dari tes grafis penilaian terhadap 50 responden
mahasiswa psikologi dan dibantu oleh seorang psikolog yang membantu pengelompokan
sampel. Semua jenis-jenis bagian wajah ini nantinya akan di jadikan sample untuk pengenalan
sebagai data input.
2.3
Kecerdasan Buatan
Kecerdasan Buatan atau Artificial Intelligence (AI) merupakan salah satu bagian ilmu
komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik
yang dilakukan oleh manusia [8].
2.4
Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah merupakan salah satu representasi buatan dari otak
manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia
tersebut. Istilah buatan ini digunakan karena jaringan syaraf di implementasikan dengan
menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran.[8].
1.
Komponen Jaringan Syaraf Tiruan
Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki
komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari
beberapa neuron dan terdapat hubungan antara neuron tersebut. Neuron-neuron tersebut akan
mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuronneuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan bobot. Informasi tersebut
disimpan pada suatu nilai tertentu pada bobot tersebut.
Gambar 1 Susunan Neuron Jaringan syaraf
2.
Arsitektur Jaringan
Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan
yang sama. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang
sama. Apabila neuron-neuron dalam suatu lapisan akan dihubungkan dengan neuron-neuron
pada lapisan yang lain, maka setiap neuron pada lapisan tersebut juga harus dihubungkan
dengan setiap lapisan pada lapisan lainnya, ada beberapa arsitektur jaringan syaraf, antara lain:
a. Jaringan dengan lapisan tunggal (single layer net).
b. Jaringan dengan banyak lapisan (multilayer net).
3.
Algoritma Jaringan Saraf Tiruan
a. Hebb Rule
b. Percepton
c. Adaline (Adaptive Linear Neuron)
d. Madaline (Many adaptive linear Neurons)
e. Hopfield
f. Learning Vektor Quantization
g. Backpropagation
4 Tito Juliasmi 1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3
2.5
Metode Back Progagation
Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya
digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang
terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma
backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya dalam arah
mundur (backward). Tahap perambatan maju (forward propagation) harus dikerjakan terlebih
dahulu untuk mendapatkan nilai error tersebut. Saat perambatan maju neuron-neuron diaktifkan
dengan menggunakan fungsi aktivasi sigmoid biner yaitu:
………………..……….……(4.1)
Arsitektur jaringan syaraf backpropagation seperti terlihat pada gambar 2.2 dibawah ini:
Gambar 2 Arsitektur Backpropagation
Keterangan
:
x1 s/d xn : input layer
z1 s/d zp : hidden layer
y1 s/d ym : output layer
Algoritma backpropagation:
1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil).
2. Kerjakan langkah-langkah berikut selama kondisi berhenti belum terpenuhi.:
Feedforward:
1 Tiap unit input (xi, i=1,2,3,…n) menerima sinyal xi dan meneruskan sinyal tersebut pasa
lapisan yang ada diatasnya (lapisan tersembunyi).
2 Tiap unit tersembunyi (zj, j=1,2,3,…,p) menjumlahkan sinyal-sinyal input terbobot:
a. gunakan fungí aktivasi untuk menghitung sinyal outputnya:
b. dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output).
3
Tiap unit output (yk, k=1,2,3,…,m) menjumlahkan sinyal-sinyal input terbobot
a. gunakan fungsi aktivasi untuk menghitung sinyal outputnya.
b. dan kirimkan sinyal tersebut kesemua unit dilapisan atasnya (unit-unit output).
Jurnal . ………….. Vol. XX …, No. X, Bulan 20XX, XX-XX
5
Backpropagation :
1 Tiap-tiap unit output (yk, k=1,2,3,…,m) menerima target pola yang berhubungan dengan
pola input pembelajaran. Hitung informasi errornya.
a. kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki wjk)
b. Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k) :
c. Kirimkan σk ini ke unit-unit yang ada dilapisan bawahnya.
2
Tiap-tiap unit tersembunyi (zj, j=1,2,3,…,p) menjumhlahkan delta inputnya (dari unit-unit
yang berada pada lapisan diatasnya) :
a. kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi
error:
b. kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai
vij):
c. Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0j):
d. Tiap unit output (yk, k=1,2,3,…,m) memperbaiki bias dan bobotnya (j=0,1,2,3,…,p).
e. Tiap-tiap unit tersembunyi (zj, j=1,2,3,…,p) memperbaiki bias dan bobotnya
(i=0,1,2,3,…,n)
2.6
Fungsi Aktivasi
Fungsi aktivasi (activation function) diperlukan jaringan untuk membuat ketidaklinieran
keluaran simpul sehingga simpul tidak hanya menghasilkan keluaran sebagaimana masukannya.
Fungsi lainnya adalah untuk membatasi nilai keluaran pada rentang tertentu. Suatu fungsi
aktivasi untuk backpropagation harus mempunyai karakteristik penting sebagai berikut :
1.
Harus kontinyu dan dapat diturunkan.
2.
Tidak linier dan asymtotis
3.
Untuk efisiensi perhitungan, turunannya harus mudah dihitung.
Fungsi yang umum diterapkan dalam JST backpropagation adalah fungsi sigmoid binary, yaitu :
dengan turunan,
.
2.7
Epoch
Epoch adalah Suatu jangka waktu, dapat diartikan satu set putaran vektor-vektor
pelatihan. Beberapa epoch diperlukan untuk pelatihan sebuah JST backpropagation sehingga
kesalahan mendekati nol. Pada sistem ini terlibat suatu proses analisa untuk memberi nilai
epoch pada proses metode backpropagation yang mengacu pada akurasi dan waktu
pembelajaran tercepat.
2.8
Learning Rate
Semakin besar learning rate maka rentang untuk menentukan perubahan bobot dalam
neural network semakin besar dan berpengaruh dengan kedekatan fitur kepada kelas yang lain.
Saat learning rate kecil maka perubahan bobot semakin kecil dan kedekatan pola ke kelas lain
dari inisial target juga semakin jauh. Learning rate semakin kecil berpengaruh terhadap
tingginya kedekatan dan lamanya proses pembelajaran, sebaliknya dengan learning rate besar
target akan lebih cepat dikenali dan berpengaruh terhadap waktu pembelajaran yang semakin
cepat.
6 Tito Juliasmi 1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3
2.9
Ekstraksi Nilai Citra
Proses ekstraksi berfungsi untuk mengubah suatu pola citra digital bagian wajah
menjadi barisan nilai-nilai piksel yang berasal dari matrix piksel citra digital yang berukuran m
x n, kemudian dari hasil ektraksi ini akan dijadikan input neuron yang mewakili nilai dari satu
nilai input, baik itu berupa data yang akan dilatih maupun data yang akan dilakukan pengenalan.
2.10 Grayscale
Disetiap piksel pada suatu citra bewarna mewakili nilai RGB yang menentukan warna
pada piksel tersebut. Namun terdapat juga citra dengan skala grayscale yang tetap mewakili
karakteristik dari piksel tersebut dengan berbagai macam algortima kecerahan. Grayscale atau
skal abu-abu pada sebuah citra digital adalah citra yang pada setiap pixelnya hanya berisikan
informasi intensitas warna putih dan hitam.
Gray scale = ( r + g + b ) / 3
Untuk penelitian ini nantinya akan digunakan perhitungan grayscale untuk mewakili
setiap piksel neuron. Perhitungan kecerahan grayscale yang digunakan adalah Arithmetic mean.
Pemilihan Arithmetic mean didasarkan karena algoritma ini adalah alogoritma dengan
perhitungan yang sederhana namun tidak mengurangi karakteristik dari piksel tersebut.
Algoritma editing kecerahan paling popular didasarkan pada Arithmetic mean [1].
3
Perancanan
3.1
Perancangan Sistem
Perancangan sistem terdiri dari usecase diagram, class diagram, sequence diagram,
flowchart sistem dan flowchart Backpropagation.
1.
Use Case Diagram
Pada perancangan use case diagram, sistem hanya memilki satu actor yaitu user. User
dapat menentukan gambar bagian wajah dan menetukan posisi tiap-tiap bagian wajahnya
sebagai data input, melatih dan melakukan pengenalan pola jenis bentuk dari bagian wajah
menggunakan metode backpropagation, melihat form database yang berisi informasi
keterangan karakter, melihat petunjuk dan menutup sistem. Seperti pada gambar use case
diagram berikut:
Gambar 3 Usecase Diagram
2.
Class Diagram Sistem
Berikut adalah gambar Class Diagram yang dirancang untuk membangun aplikasi
pengenalan karakter manusia melalui bentuk bagian wajah:
Gambar 4 Class Diagram
Jurnal . ………….. Vol. XX …, No. X, Bulan 20XX, XX-XX
7
3.
Sequence Diagram
Dari class Diagram di atas dibuat sequence diagram yang menggambarkan urutan
kejadian pada sistem. Sequence Diagram tersebut adalah sebagai berikut:
Gambar 5 Sequence Diagram
4
Hasil dan Pembahasan
Berikut ini akan dijelaskan mengenai hasil uji coba aplikasi pengenalan karakter Manusia
melalui bentuk bagian Wajah menggunakan metode Backpropagation. Selain itu, dari hasil uji
coba yang telah dilakukan akan dianalisa apakah rancangan ini dapat memenuhi tujuan yang
akan dicapai seperti yang telah dipaparkan sebelumnya
Pengujian sistem dilakukan untuk mengetahui apakah hasil yang diberikan sesuai
dengan pengetahuan yang diberikan ke dalam sistem. Aplikasi pengenalan karakter Manusia
melalui bentuk bagian Wajah yang dirancang dengan menggunakan metode Backpropagation
ini membuktikan apakah bagian wajah yang dijadikan input oleh user bisa di kenali oleh
aplikasi dengan threshold kemiripan tertentu terhadap foto sampel.
1.
Tampilan form pengenalan
Saat aplikasi dijalankan, form pengenalan akan muncul. Form ini adalah form utama
dari aplikasi untuk melakukan pengenalan karakter terhadap pas foto yang dijadikan input oleh
user.
Gambar 6 Tampilan Form Pengenalan
2.
Tampilan Form Ubah parameter JST
Form ubah parameter adalah form yang digunakan untuk mengubah nilai-nilai
parameter jaringan saraf tiruan yang nantinya akan berguna sebagai ketetapan pada proses
feedforward dan backpropagation. Setelah merubah parameter JST ini, pastikan aplikasi di tutup
terlebih dahulu dan di jalankan lagi untuk dapat menggunakan parameter yang baru.
Gambar 7 Tampilan Form Ubah parameter.
8 Tito Juliasmi 1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3
5
Pengujuan dan Analisa
5.1
Pengujian Aplikasi.
Pengujian Aplikasi ini adalah pengujian yang di lakukan untuk menguji perhitungan
Backpropagation dan menganalisa keakuratan backpropagation dalam mengklasifikasikan input
bagian wajah pada aplikasi. Dalam proses ini yang di jadikan input adalah piksel dari empat
bagian wajah yang sudah di ubah dalam grayscale dan akan di jadikan data tes untuk
feedforward terhadap sampel. Untuk menganalisa parameter maka dilakukan percobaan
terhadap semua perubahan parameter yaitu Epoch, hidden Layer, dan Learning rate. Adapun
untuk merubah parameter itu dapat kita lakukan pada form Ubah parameter. Untuk keperluan
pengujian dan analisa, maka dilakukan penambahan sampel untuk nantinya akan di latih.
Penambahan sampel akan di lakukan terhadap satu foto sampel dengan menjadikan empat
bagian wajah tersebut sebagai data sampel tambahan untuk alis, mata, bibir dan hidung.
Untuk deskripsi Alis pada pengujian ini, jenis Alis naik di ujung luar. Karakter
menenangkan dan cerdas.
Gambar 8 Tampilan Form simpan sampel saat menyimpan Alis.
Untuk deskripsi Mata pada pengujian ini, jenis Mata kecil. Karakter tertutup dan tidak
konsisten.
Gambar 9 Tampilan Form simpan sampel saat menyimpan Mata.
Untuk deskripsi Bibir pada pengujian ini, jenis Bibir lebar. Karakter Ekspresif, kasar
verbal.
Gambar 10 Tampilan Form simpan sampel saat menyimpan Bibir.
Untuk deskripsi Hidung pada pengujian ini, jenis Hidung lebar. Karakter ekspresif tapi
kadang tidak peduli etika.
Gambar 11 Tampilan Form simpan sampel saat menyimpan Alis
Jurnal . ………….. Vol. XX …, No. X, Bulan 20XX, XX-XX
9
Setelah menambahkan empat bagian wajah dari pas photo pengujian sebagai sampel
baru, lakukan pengenalan terhadap pas photo tersebut pada ke empat bagian wajah. Berikut
gambar form pengenalan di saat melaukan pengenalan pada foto yang di jadikan sampel
sebelumnya.
Gambar 12 Tampilan Form pengenalan untuk membuktikan pengujian
Dari gambar diatas dapat kita amati bahwa bahwa aplikasi ini sudah dapat mengenali
dengan benar data inputan terhadap data sampel yang sebelumnya sudah ditambahkan. Berikut
pada gambar di bawah ini.
Gambar 13 Tampilan panel Keterangan dan Presentase
Terbukti pada gambar diatas keterangan karakter yang ditampilkan sesuai dengan
keterangan karakter pada saat sampel di tambahkan dan di simpan. Dan presentase kemiripan
yang di peroleh terhadap sampel yang di kenali berada di atas 80%. berikut di bawah ini tabel
yang membandingkan keterangan karakter di saat penambahan sampel dan pengenalan.
Tabel 2 Perbandingan keterangan karakter
Bagian wajah
Alis
Mata
Bibir
Keterangan sampel
Keterangan saat pengenalan
Menenangkan dan cerdas
Menenangkan dan cerdas
Tertutup dan tidak konsisten
Tertutup dan tidak konsisten
Ekspresif, kasar verbal saat Ekspresif, kasar verbal saat tertekan
tertekan
Hidung
Ekspresif, tapi kadang tidak Ekspresif, tapi kadang tidak peduli
peduli etika
etika
Ke empat keterangan karakter yang di kenali terhadap gambar ini sesuai dengan
keterangan karakter saat penambahan sampel sebelumnya. Dengan masing-masing presentase
kemiripan Alis 85.6%, Mata 96.4%, Bibir 95.9% dan Hidung 95.5%.
5.2
Analisa
Dari Pengujian Aplikasi dapat dianalisa bahwa:
1. Aplikasi pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode
backpropagation ini telah dapat bekerja sesuai dengan tujuan proyek akhir. Hal ini dapat
dibuktikan dengan hasil output dari aplikasi telah sesuai dengan tujuan yang akan dicapai.
2. Bobot dari input ke hidden (WIH) dan bobot dari hidden ke output (WHO) akan terus
berubah sesuai kesalahannya dan diperbaharui seiring dengan dilakukannya proses setiap
epoch.
3. Semakin tinggi nilai epoch maka semakin kecil kesalahan sebuah jaringan saraf tiruan
dalam mempelajari pola inputan dalam satu proses pelatihan yang meliputi feedforward dan
backpropagation. Dan ini juga berpengaruh terhadap lamanya waktu proses yang
dibutuhkan untuk perhitungan.
4. Semakin banyak jumlah hidden layer yang digunakan maka semakin tinggi kemampuan
jaringan saraf tiruan dalam menyelesaikan masalah yang lebih rumit dengan ketepatan yang
10 Tito Juliasmi1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3
lebih tinggi untuk mengklasifikasikan pola. Dan ini juga berpengaruh terhadap lamanya
waktu proses yang dibutuhkan untuk perhitungan.
5. Learning rate berbeda dengan epoch dan hidden layer. Learning rate tidak berpengaruh
terhadap waktu proses yang dibutuhkan dalam perhitungan. Learning rate hanya
berpengaruh terhadap nilai pembelajaran. Ketika learning rate 0.1 maka kesalahan
perhitungan masih besar dan ketika semakin mendekati 0.9 kesalahan perhitungan semakin
kecil sehingga mempengaruhi presentase kemiripan yang semakin besar.
6
Kesimpulan.
Setelah menyelesaikan aplikasi pengenalan karakter manusia melalui bentuk bagian
wajah meggunakan backpropagation ini, maka dapat diambil beberapa kesimpulan.
1. Aplikasi ini dapat melakukan pengenalan terhadap karakter manusia melalui bentuk bagian
wajah dari pas photo digital yang dijadikan sebagai input dengan menggunakan metode
backpropagation.
2. Metode backpropagation dapat mengklasifikasikan pola dengan baik untuk aplikasi
pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode
backpropagation ini.
3. Output dari aplikasi ini adalah keterangan karakter dari bagian wajah yang menjadi input.
4. Untuk memperoleh hasil pengenalan dengan presentase kemiripan yang tinggi dan benarbenar sesuai dengan karakter sampel, maka dibutuhkan epoch dan hidden layer yang lebih
tinggi meskipun membutuhkan waktu proses perhitungan yang lebih lama.
7
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
Daftar Pustaka
Bezryadin, Sergey dkk. Brightness Calculation in Digital Citra Processing. 2007.
Diambil 20 Desember 2012 dari : www.kweii.com/site/color_theory/
Desiani, Anita. Konsep kecerdasan buatan. Yogyakarta: Penerbit Andi.
Freeman, James & Skapura, David. Neural Network algorithm. Application, and
Programming Techniques. 1992.
Fu, Limin. Neural Netwoks in Computer Intelligence. McGraw-Hill Inc. 1994.
Gayatri, Pramita. Ilmu Membaca Wajah. Jakarta: Hi-fest Publishing. 2008.
Hermawan, Arief. Jaringan syaraf Tiruan, Teori dan Aplikasi. Yogyakarta. 2008.
Hidayanto, Ahmad dkk. Identifikasi Tanda Tangan menggunakan Jaringan Saraf Tiruan
Peranbatan Balik (Backpropagation). Jurusan Teknik Elektro Fakultas Teknik
Universitas Dipenogoro, Semarang. 2008.
Kristanto, Andi. Jaringan syaraf Tiruan. Yogyakarta: Penerbit Andi. 2004.
Kusumadewi, Sri. Artificial Intelligent (Teknik dan Aplikasinya). 2003.
Laurence, Fausett. Fundamental of Neural Networks. Prentice Hall Englewood. 1994.
Malyawati, Dian sa’adilah. Pengenalan Karakter Manusia Melalui bentuk Wajah
dengan Metode Backpropagation Jaringan Saraf Tiruan. Journal Universitas Pendidikan
Indonesia. 2010.
Nugroho, Erwin setyo. Pengenalan Pola Sinyal Elektrokardiograf (EKG) dengan
Jaringan Syaraf Tiruan Backpropagation untuk Diagnosa Kelainan Jantung Manusia.
Diponegoro Uneversity repository. 2011.
Samidi, Nina. Seni Membaca Wajah. Jakarta: Penerbit Erlangga.