P. 1
Tesis: Sistem Pendeteksi Wajah Manusia pada Citra Digital, Setyo Nugroho

Tesis: Sistem Pendeteksi Wajah Manusia pada Citra Digital, Setyo Nugroho

4.56

|Views: 6,217|Likes:
Published by Setyo Nugroho
Sistem Pendeteksi Wajah Manusia pada Citra Digital, Setyo Nugroho.
Tesis S2, Program Magister Ilmu Komputer - Universitas Gadjah Mada, 2004.

(contoh demo program dan source code bisa diperoleh melalui http://deteksiwajah.blogspot.com )

INTISARI
Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting dalam sistem pengenalan wajah (face recognition) yang digunakan dalam identifikasi biometrik. Deteksi wajah juga dapat digunakan untuk pencarian atau pengindeksan data wajah dari citra atau video yang berisi wajah dengan berbagai ukuran, posisi, dan latar belakang. Dalam penelitian ini diimplementasikan sistem deteksi wajah yang menggunakan jaringan syaraf tiruan multi-layer perceptron dan algoritma Quickprop. Sistem deteksi wajah memperoleh kemampuan deteksinya dengan cara belajar dari contoh (learning by examples). Pelatihan dilakukan dengan metode active learning untuk meminimalkan banyaknya data yang digunakan untuk pelatihan. Hasil penelitian menunjukkan bahwa akurasi dari sistem deteksi wajah sangat tergantung pada jumlah dan jenis data yang digunakan dalam pelatihan. Algoritma Quickprop dan teknik active learning dapat dimanfaatkan untuk membantu mempercepat proses pelatihan.
(Kata kunci: deteksi wajah, jaringan syaraf tiruan, Quickprop, active learning)

ABSTRACT
Face detection is one of the most important preprocessing step in face recognition systems used in biometric identification. Face detection can also be used in searching and indexing still image or video containing faces in various size, position, and background. This paper describes a face detection system using multi-layer perceptron and Quickprop algorithm. The system achieves its ability by means of learning by examples. The training is performed using active learning method to minimize the amount of data used in training. Experimental results show that the accuracy of the system strongly depends on the quality and quantity of the data used in training. Quickprop algorithm and active learning method can improve the training speed significantly.
(Keywords: face detection, neural networks, quickprop, active learning)
Sistem Pendeteksi Wajah Manusia pada Citra Digital, Setyo Nugroho.
Tesis S2, Program Magister Ilmu Komputer - Universitas Gadjah Mada, 2004.

(contoh demo program dan source code bisa diperoleh melalui http://deteksiwajah.blogspot.com )

INTISARI
Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting dalam sistem pengenalan wajah (face recognition) yang digunakan dalam identifikasi biometrik. Deteksi wajah juga dapat digunakan untuk pencarian atau pengindeksan data wajah dari citra atau video yang berisi wajah dengan berbagai ukuran, posisi, dan latar belakang. Dalam penelitian ini diimplementasikan sistem deteksi wajah yang menggunakan jaringan syaraf tiruan multi-layer perceptron dan algoritma Quickprop. Sistem deteksi wajah memperoleh kemampuan deteksinya dengan cara belajar dari contoh (learning by examples). Pelatihan dilakukan dengan metode active learning untuk meminimalkan banyaknya data yang digunakan untuk pelatihan. Hasil penelitian menunjukkan bahwa akurasi dari sistem deteksi wajah sangat tergantung pada jumlah dan jenis data yang digunakan dalam pelatihan. Algoritma Quickprop dan teknik active learning dapat dimanfaatkan untuk membantu mempercepat proses pelatihan.
(Kata kunci: deteksi wajah, jaringan syaraf tiruan, Quickprop, active learning)

ABSTRACT
Face detection is one of the most important preprocessing step in face recognition systems used in biometric identification. Face detection can also be used in searching and indexing still image or video containing faces in various size, position, and background. This paper describes a face detection system using multi-layer perceptron and Quickprop algorithm. The system achieves its ability by means of learning by examples. The training is performed using active learning method to minimize the amount of data used in training. Experimental results show that the accuracy of the system strongly depends on the quality and quantity of the data used in training. Quickprop algorithm and active learning method can improve the training speed significantly.
(Keywords: face detection, neural networks, quickprop, active learning)

More info:

Categories:Types, School Work
Published by: Setyo Nugroho on Aug 18, 2008
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

06/09/2013

pdf

text

original

Sistem Pendeteksi Wajah Manusia
pada Citra Digital

Tesis

Untuk memenuhi sebagian persyaratan
Mencapai derajat Sarjana S-2

Program Studi Ilmu Komputer
Jurusan Ilmu-Ilmu Matematika dan Pengetahuan Alam

Diajukan oleh:

Setyo Nugroho
18661/I-4/1445/02

PROGRAM PASCA SARJANA
UNIVERSITAS GADJAH MADA

JOGJAKARTA
2004

iii

PERNYATAAN

Dengan ini saya menyatakan bahwa dalam tesis ini tidak terdapat karya

yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan

Tinggi, dan sepanjang pengetahuan saya tidak terdapat karya atau pendapat yang

pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu

dalam naskah ini dan disebutkan di dalam daftar pustaka.

Jogjakarta, Maret 2004

SETYO NUGROHO

iv



v

KATA PENGANTAR

Dengan mengucap Alhamdulillahirabbil’alamin kami memanjatkan puji

syukur ke hadirat Allah swt, atas rahmat, nikmat dan hidayah-Nya sehingga kami

dapat menyelesaikan penulisan tugas akhir ini. Tugas akhir ini disusun untuk

memenuhi sebagian persyaratan mencapai derajat sarjana S-2 dalam bidang Ilmu

Komputer di Program Pascasarjana Universitas Gadjah Mada Jogjakarta.

Selama penulisan tesis ini kami menyadari banyak pihak telah

memberikan bantuannya, sehingga pada kesempatan ini kami ingin mengucapkan

terima kasih yang tulus kepada:

• Drs. Agus Harjoko, M.Sc, Ph.D, selaku pembimbing tesis yang telah

memberikan bimbingannya dengan penuh kesabaran.

• Drs. Retantyo Wardoyo, M.Sc, Ph.D, selaku pengelola program studi

Pascasarjana S2 Ilmu Komputer UGM Jogjakarta.

• Drs. Satria Dharma, selaku Ketua STMIK STIKOM Balikpapan yang

telah memberikan kesempatan kepada penulis untuk menempuh studi

lanjut dan selalu memberikan semangat kepada penulis untuk terus maju.

• Dian Farida Anies dan Nadia Fitri Zafira, istri dan anakku tercinta, yang

dengan tulus telah memberikan kesempatan, dukungan, doa, pengorbanan,

pengertian, kesabaran dan ketabahan yang luar biasa, sehingga penulis

dapat menyelesaikan semua ini.

• Ibu bapak di Wonogiri dan di Surabaya, serta seluruh keluarga yang telah

memberikan dukungan dan doanya.

vi

• Teman-teman yang telah memberikan banyak bantuan, pelajaran dan

pengalaman baru bagi penulis selama tinggal di Jogja: Murinto, Umar,

Nusirwan, Eman, Yudhi, Hesti, Pak Nana, Aziz, Sari, Pak Jumhadi, Joko,

Tito, Mbak Lia, Bernard, Pak Manik, Bu Umi, Pak Sugeng, Eko, Rika,

Eny, Adib, Harry, Robby, Devan, Dody, Jose, Dila, Iche, Leli, Dewi,

Desti, Rama, Kevin.

• Pihak-pihak lain yang tidak bisa kami sebutkan satu-persatu yang telah

memberikan bantuannya selama ini.

Akhir kata, kami sadar bahwa kami masih memiliki keterbatasan dan

kekurangan sehingga karya ini mungkin masih jauh dari sempurna. Untuk itu

saran dan kritik yang membangun akan kami terima dengan tangan terbuka.

Jogjakarta, Maret 2004

Setyo Nugroho

vii

DAFTAR ISI

Halaman

Halaman Judul .....................................................................................................i

Halaman Pengesahan .........................................................................................ii

Pernyataan .........................................................................................................iii

Halaman Persembahan ......................................................................................iv

Kata Pengantar ...................................................................................................v

Daftar Isi ...........................................................................................................vii

Daftar Gambar ....................................................................................................x

Daftar Tabel ......................................................................................................xi

Intisari ..............................................................................................................xii

Abstract ...........................................................................................................xiii

BAB I. Pendahuluan ..........................................................................................1

1.1. Latar Belakang ..............................................................................1

1.2. Perumusan Masalah ......................................................................2

1.3. Batasan Masalah ...........................................................................2

1.4. Keaslian Penelitian ........................................................................2

1.5. Manfaat Penelitian ........................................................................3

1.6. Tujuan Penelitian ..........................................................................4

1.7. Tinjauan Pustaka ...........................................................................4

1.8. Sistematika Penulisan ...................................................................5

viii

BAB II. Landasan Teori......................................................................................6

2.1. Citra Digital ..................................................................................6

2.2. Deteksi Wajah ...............................................................................7

2.2.1. Knowledge-Based Method ....................................................9

2.2.2. Feature Invariant Approach .................................................10

2.2.3. Template Matching .............................................................11

2.2.4. Appearance-Based Method .................................................12

2.3. Jaringan Syaraf Tiruan ..................................................................12

2.3.1. Multi-Layer Perceptron........................................................13

2.3.2. Supervised Learning ............................................................14

2.3.3. Algoritma Backpropagation ................................................15

2.3.4. Variasi pada Algoritma Backpropagation ...........................17

2.3.5. Algoritma Quickprop ..........................................................18

BAB III. Perancangan dan Implementasi Sistem .............................................20

3.1. Data dan Peralatan Penelitian ........................................................20

3.2. Perancangan Sistem .......................................................................21

3.2.1. Diagram Aliran Data (Data Flow Diagram) ........................22

3.2.2. Jaringan Syaraf Tiruan ........................................................26

3.2.3. Pelatihan Active Learning ...................................................28

3.2.4. Detektor Wajah ...................................................................30

3.2.4.1. Ekstraksi Subcitra ...................................................32

3.2.4.2. Resizing ..................................................................32

3.2.4.3. Histogram Equalization...........................................33

ix

3.2.4.4. Masking ..................................................................34

3.2.4.5. Penggabungan (Merging) Kandidat Wajah.............34

3.2.4.6. User Interface ..........................................................35

3.3. Implementasi Sistem .....................................................................35

3.3.1. Jaringan Syaraf Tiruan ........................................................36

3.3.2. Window Scanning................................................................39

3.3.3. Resizing................................................................................40

3.3.4. Histogram Equalization........................................................41

3.3.5. Masking ...............................................................................42

3.3.6. Penggabungan (Merging) Kandidat Wajah .........................45

BAB IV. Hasil dan Pembahasan ......................................................................47

4.1. Pengukuran Evaluasi Unjuk Kerja ................................................47

4.2. Hasil Deteksi Kandidat Wajah ......................................................47

4.3. Hasil Deteksi .................................................................................48

4.4. Pengaruh Jumlah Data Training yang Digunakan ........................52

4.5. Pengaruh Algoritma Quickprop pada Kecepatan Training............53

4.6. Pengaruh Metode Active Learning ...............................................53

BAB V. Kesimpulan Dan Saran ......................................................................55

5.1. Kesimpulan ...................................................................................55

5.2. Saran ..............................................................................................56

Daftar Pustaka

Lampiran

x

DAFTAR GAMBAR

Halaman

Gambar 3.1. Sistem Deteksi Wajah................................................................22

Gambar 3.2. DFD level 0 Sistem Trainer JST ..............................................22

Gambar 3.3. DFD level 1 Sistem Trainer JST ..............................................23

Gambar 3.4. DFD level 0 Sistem Detektor Wajah ........................................24

Gambar 3.5. DFD level 1 Sistem Detektor Wajah ........................................25

Gambar 3.6. Arsitektur Jaringan Syaraf Tiruan ............................................27

Gambar 3.7. Metode Pelatihan Active Learning ...........................................29

Gambar 3.8. Diagram Alir Bagian Detektor Wajah ......................................31

Gambar 3.9. Contoh Citra dan Histogramnya ...............................................42

Gambar 3.10. Contoh citra yang telah mengalami proses

resizing, histogram equalization, dan masking .........................44

Gambar 3.11. Beberapa contoh data wajah yang telah mengalami

preprocessing ............................................................................44

Gambar 4.1. Hasil deteksi sebelum dan sesudah proses merging .................48

Gambar 4.2. Contoh Hasil Deteksi Wajah ....................................................50

Gambar 4.3. Contoh Hasil Deteksi dengan False Positive

dan Wajah yang Tidak Terdeteksi ............................................51

xi

DAFTAR TABEL

Halaman

Tabel 4.1. Beberapa hasil deteksi pada data uji MIT-23 ..................................49

Tabel 4.2. Pengaruh Jumlah Data Training pada Unjuk Kerja

Deteksi Wajah .................................................................................52

Tabel 4.3. Pengaruh Algoritma Quickprop pada Kecepatan Training .............53

Tabel 4.4. Pengaruh Active Learning pada Unjuk Kerja Deteksi Wajah ........54

INTISARI

Pendeteksian wajah (face detection) adalah salah satu tahap awal yang
sangat penting dalam sistem pengenalan wajah (face recognition) yang digunakan
dalam identifikasi biometrik. Deteksi wajah juga dapat digunakan untuk pencarian
atau pengindeksan data wajah dari citra atau video yang berisi wajah dengan
berbagai ukuran, posisi, dan latar belakang. Dalam penelitian ini
diimplementasikan sistem deteksi wajah yang menggunakan jaringan syaraf tiruan
multi-layer perceptron dan algoritma Quickprop. Sistem deteksi wajah
memperoleh kemampuan deteksinya dengan cara belajar dari contoh (learning by
examples). Pelatihan dilakukan dengan metode active learning untuk
meminimalkan banyaknya data yang digunakan untuk pelatihan. Hasil penelitian
menunjukkan bahwa akurasi dari sistem deteksi wajah sangat tergantung pada
jumlah dan jenis data yang digunakan dalam pelatihan. Algoritma Quickprop dan
teknik active learning dapat dimanfaatkan untuk membantu mempercepat proses
pelatihan.

(Kata kunci: deteksi wajah, jaringan syaraf tiruan, Quickprop, active learning)

ABSTRACT

Face detection is one of the most important preprocessing step in face
recognition systems used in biometric identification. Face detection can also be
used in searching and indexing still image or video containing faces in various
size, position, and background. This paper describes a face detection system using
multi-layer perceptron and Quickprop algorithm. The system achieves its ability
by means of learning by examples. The training is performed using active learning
method to minimize the amount of data used in training. Experimental results
show that the accuracy of the system strongly depends on the quality and quantity
of the data used in training. Quickprop algorithm and active learning method can
improve the training speed significantly.

(Keywords: face detection, neural networks, quickprop, active learning)

1

BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Teknologi pengenalan wajah semakin banyak dimanfaatkan, antara lain

untuk sistem pengenalan biometrik (di samping fitur biometrik yang lain seperti

sidik jari dan suara), sistem pencarian dan pengindeksan database citra digital dan

database video digital, sistem keamanan kontrol akses area terbatas, konferensi

video, dan interaksi manusia dengan komputer.

Pendeteksian wajah (face detection) adalah salah satu tahap awal yang

sangat penting sebelum dilakukan proses pengenalan wajah (face recognition).

Pada kasus seperti pemotretan untuk pembuatan KTP, SIM, dan kartu kredit, citra

yang didapatkan umumnya hanya berisi satu wajah dan memiliki latar belakang

seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehingga deteksi

wajah dapat dilakukan dengan lebih mudah.

Namun pada kasus lain sering didapatkan citra yang berisi lebih dari satu

wajah, memiliki latar belakang yang bervariasi, kondisi pencahayaan yang tidak

tentu, dan ukuran wajah yang bervariasi di dalam citra. Contohnya adalah citra

yang diperoleh di bandara, terminal, pintu masuk gedung, pusat perbelanjaan, dan

citra yang didapatkan dari foto di media massa atau hasil rekaman video.

2

1.2. Perumusan Masalah

Masalah deteksi wajah dapat dirumuskan sebagai berikut: diberikan

masukan sebuah citra digital sembarang, maka sistem akan mendeteksi apakah

ada wajah manusia di dalam citra tersebut. Jika ada maka sistem akan

memberitahu berapa wajah yang ditemukan dan lokasi wajah-wajah tersebut di

dalam citra. Keluaran dari sistem adalah posisi subcitra berisi wajah yang berhasil

dideteksi.

1.3. Batasan Masalah

Untuk menjaga fokus dari penelitian ini, maka beberapa batasan yang

diberikan adalah sebagai berikut :

• Wajah yang akan dideteksi adalah wajah yang menghadap ke depan

(frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.

• Metode yang dipakai adalah jaringan syaraf tiruan multi-layer perceptron

dengan algoritma pelatihan Quickprop.

• Citra yang dideteksi menggunakan format BMP atau JPG.

1.4. Keaslian Penelitian

Penelitian tentang deteksi wajah dan pengenalan wajah telah dilakukan

sebelumnya, antara lain dengan menggunakan metode Eigenface [Turk dan

Pentland, 1991], dengan distribusi Gaussian dan clustering [Sung dan Poggio,

1994], dengan jaringan syaraf tiruan dan arbitrasi [Rowley et al., 1998], dengan

3

support vector machine [Osuna et al., 1997], dan dengan metode statistik dan

wavelet [Schneiderman, 2000].

Pada penelitian [Rowley et al., 1998] digunakan jaringan syaraf tiruan

yang dilatih dengan menggunakan algoritma backpropagation standar dengan

momentum. Sedangkan pada tesis ini akan dibuat sistem pendeteksi wajah yang

menggunakan jaringan syaraf tiruan dan dilatih dengan menggunakan algoritma

Quickprop. Algoritma Quickprop ini pertama kali diperkenalkan pada [Fahlman,

1988] dengan tujuan untuk mempercepat proses training pada jaringan syaraf

tiruan.

Kemudian akan dilakukan penelitian pada pengaruh berbagai parameter

yang digunakan terhadap unjuk kerja dari sistem. Parameter-parameter yang

digunakan misalnya banyaknya data training, penggunaan algoritma Quickprop

pada kecepatan training, dan penggunaan metode active learning pada hasil

pelatihan.

1.5. Manfaat Penelitian

Manfaat dari penelitian ini adalah :

• Dapat digunakan untuk mendeteksi wajah manusia pada citra digital.

• Dapat dimanfaatkan sebagai salah satu tahap praproses dari sistem

pengenalan wajah atau verifikasi wajah.

• Dapat digunakan untuk mengumpulkan data wajah secara otomatis dari

citra yang berisi wajah dengan berbagai ukuran, posisi, dan latar belakang.

4

1.6. Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk membuat sistem deteksi wajah

dengan masukan berupa citra digital sembarang. Sistem ini akan menghasilkan

subcitra berisi wajah-wajah yang berhasil dideteksi.

1.7. Tinjauan Pustaka

Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana

dengan input berupa citra masukan akan ditentukan output berupa label kelas dari

citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan non-wajah

[Sung, 1996].

Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak yang

menggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama

dan latar belakang yang seragam. Di dunia nyata, asumsi ini tidak selalu berlaku

karena wajah dapat muncul di dalam citra dengan berbagai ukuran, berbagai

posisi, dan latar belakang yang bervariasi [Hjelmas, Low, 2001].

Pendeteksian wajah (face detection) adalah salah satu tahap awal

(preprocessing) yang sangat penting sebelum dilakukan proses pengenalan wajah

(face recognition). Bidang-bidang penelitian yang juga berkaitan dengan

pemrosesan wajah (face processing) adalah autentikasi wajah (face

authentication), lokalisasi wajah (face localization), penjejakan wajah (face

tracking), dan pengenalan ekspresi wajah (facial expression recognition) [Yang,

2002].

5

1.8. Sistematika Penulisan

Sistematika penulisan terdiri dari :

BAB I. Pendahuluan

Bab ini menguraikan tentang latar belakang, perumusan masalah, batasan

masalah, keaslian penelitian, manfaat penelitian, tujuan penelitian, tinjauan

pustaka, dan sistematika penulisan.

BAB II. Landasan Teori

Bab ini membahas dasar-dasar teori dari citra digital, deteksi wajah,

jaringan syaraf tiruan, algoritma backpropagation, algoritma Quickprop,

dan metode pelatihan active learning.

BAB III. Perancangan dan Implementasi Sistem

Bab ini membahas tentang data dan peralatan penelitian, perancangan dan

implementasi sistem deteksi wajah.

BAB IV. Hasil dan Pembahasan

Bab ini membahas tentang hasil pengujian dan pembahasan dari sistem

deteksi wajah.

BAB V. Kesimpulan dan Saran

Bab ini menguraikan kesimpulan dari penelitian dan saran-saran.

6

BAB II

LANDASAN TEORI

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->