PENGGUNAAN JARINGAN SYARAF TIRUAN LVQ PADA SISTEM VERIFIKASI WAJAH

1.   PENDAHULUAN

      Mengenali wajah seseorang merupakan suatu hal yang mudah dilakukan oleh manusia. Seseorang akan dengan mudah mengenali wajah orang yang dikenali sebelumnya walaupun ekspresi wajah orang tersebut berbeda dari ekspresi wajah ketika dia bertemu bahkan dalam kondisi terang atau gelap. Namun tidak demikian bagi sebuah mesin atau komputer yang belum dilengkapi sistem cerdas.
     Dalam era perkembangan sains dan teknologi, para ahli mencoba untuk menggantikan sistem kerja otak manusia atau lebih dikenal dengan jaringan syaraf tiruan ke dalam sistem komputer. Dengan cara ini diharapkan pada suatu saat nanti akan dapat tercipta suatu komputer yang dapat menimbang dan mengambil komputer sendiri sebagaimana layaknya manusia. Salah satu metode klasifikasi jaringan syaraf tiruan yang sering digunakan untuk klasifikasi adalah Learning Vector Quantization (LVQ). 
    Salah satu contoh sistem pengenalan pola (pattern recognition) adalah sistem pengenalan biometrika. Penggunaan teknologi biometrika untuk mengenali seseorang pada dasarnya telah digunakan sejak ribuan tahun yang lalu. Wajah seseorang telah digunakan untuk pengenalan selain suara, sidik jari maupun cara jalan. Bahkan saat ini berbagai karakteristik biometrika lain secara aktif masih dikembangkan oleh para peneliti seperti DNA, tanda tangan, telapak tangan, retina mata, dll.

2.  ISI

     Pengenalan wajah telah dilakukan dengan suatu pendekatan sederhana program sederhana. Pada sistem pengenalan wajah yang telah dibuat menggunakan dua fungsi jarak yaitu Manhattan (L1) dan Euclidean (L2) serta jaringan syaraf tiruan sebagai pengklasifikasian (Fadlil, 2007, Fadlil, 2006, Wilson and Tony, 1997). Secara umum diagram blok sistem pengenalan wajah sebagaimana digambarkan sebagai berikut (Zheo et al, 2005):

Gambar 1. Diagram Blok Sistem Pengenalan Wajah

     Masalah umum pada sistem pengenalan wajah adalah dimulai dari pemberian masukan berupa citra / gambar selanjutnya dilakukan identifikasi atau verifikasi satu atau beberapa orang dari gambar-gambar yang tersimpan pada database. Penyelesaian masalah ini dapat dilakukan dengan proses-proses yang meliputi segmentasi wajah atau deteksi wajah dari gambar, ekstraksi ciri dari wajah yang telah diketahui lokasinya dan pengenalan. Tujuan deteksi wajah adalah untuk menentukan ada atau tidaknya wajah dalam gambar (Yang, et al, 2002).

      Seperti halnya pada sistem pengenalan biometrik yang lain, pengenalan wajah juga terdiri dari dua mode operasi yaitu identifikasi dan verifikasi (Jain et al, 2004). Pada mode identifikasi atau dikenal dengan mode satu-ke-banyak (one to many), gambar wajah seseorang yang belum diketahui dibanding dengan template wajah banyak orang yang tersimpan dalam database. Sedangkan pada mode verifikasi atau dikenal dengan mode satu-ke-satu (one to one), sistem membuat validasi identitas seseorang dengan cara membandingkan gambar wajah dengan template wajah kepunyaannya yang telah tersimpan dalam database.

     Analisis untuk kerja sistem untuk mode identifikasi diperoleh melalui proses pengujian menggunakan data pengujian (testing set) sehingga diperoleh akurasi pengenalan. Pada mode verifikasi unjuk kerja sistem dikenal dua istilah yaitu FRR (False Rejection Rate) dan FAR (False Acceptance Rate). FRR adalah nilai kemungkinan sistem gagal atau menolak pengguna yang sebenarnya, sedangkan FAR adalah nilai kemungkinan sistem gagal atau menerima pemalsu (Jain, 2004, Prabhakar, et al, 2003). Secara garis besarnya sistem verifikasi wajah yang dirancang terdiri dari 2 fase, yaitu pelatihan dan pengujian. Diagram blok sistem verifikasi wajah pada fase pelatihan sebagaimana ditunjukkan pada gambar dibawah ini: 

  

Gambar 2. Blok Diagram Sistem Verifikasi Wajah Fase Pelatihan

    Sedangkan diagram blok sistem verifikasi wajah pada fase pengujian sebagaimana ditunjukkan pada gambar dibawah ini: 

Gambar 3. Blok Diagram Sistem Verifikasi Wajah Fase Pengujian

Input Wajah (Database) dan Pemroses Awal  

     Data citra wajah yang digunakan saat pelatihan adalah berupa citra wajah dari lima orang     yang masing-masing terdiri dari 10 citra pelatihan dan 10 citra pengujian. Pada pemroses awal dilakukan konversi dari citra true color ke dalam bentuk keabuan (grayscale).

Segmentasi daerah wajah

    Citra yang diambil melalui webcam merupakan citra utuh dengan resolusi tertentu (160 x 120 pixel). Dalam citra utuh masih terdapat objek background dan objek wajah. Sebelum masuk pada tahap pengambilan ciri wajah sebagai input ke jaringan maka perlu dilakukan pemisahan objek wajah dari objek background. Untuk memisahkan objek wajah dari background digunakan metode analisis proyeksi citra. Dari proyeksi citra abu-abu yang diperoleh, selanjutnya dilakukan proses cropping wajah. Proses ini dilakukan untuk menentukan bagian mana dari citra yang termasuk wajah dan bagian mana yang termasuk background. Bagian yang termasuk wajah akan diwakili oleh Windows Capture dan bagian background akan diwakili oleh diluar Windows Capture. Penentuan windows capture dapat dilakukan dengan memanfaatkan bentuk segiempat panjang dengan menunggu masukkan dengan menggunakan masukkan dengan menggunakan mouse sebagai perintah pengambilan gambarnya.

Ekstraksi wajah

    Ekstraksi ciri adalah proses pemilihan ciri citra wajah yang digunakan sebagai input ke dalam JST. Ekstraksi ciri merupakan satu tahap yang dilakukan sebelum melakukan klasifikasi. Proses ini berkaitan dengan kuantisasi karakteristik citra ke dalam sekelompok nilai ciri yang sesuai. Ciri citra wajah diekstraksi dalam bentuk vektor ciri. Berikut adalah tahapan ekstraksi ciri sebagai berikut:

a.  Hadirkan citra wajah yang akan dilatihkan ke jaringan I1, I2, ... , In.

b. Normalisasi citra wajah dari segi format, ukuran, dan dimensi citra. Hal ini dilakukan karena citra hasil segmentasi tidak memiliki segmentasi tidak memiliki dimensi yang identik antara yang satu dengan yang lainnya. Pengekstraksian ciri citra dengan dimensi yang berbeda-beda menyebabkan kerancuan dalam pengambilan ciri.

c.  Representasikan citra wajah Ii ke dalam bentuk vektor Ti.

d.  Hitung rerata seluruh vektor citra wajah pelatihan. 

     Rerata pola citra didefinisikan dengan persamaan:

      

     Dimana M adalah jumlah elemen vektor dan N adalah jumlah sampel citra.

    

e.  Untuk mendapatkan vektor ciri, kurangkan nilai vektor citra wajah dengan nilai rerata seluruh sampel citra wajah sehingga akan mendapatkan pola hasil ekstraksi ciri yang akan digunakan sebagai input pada pengklasifikasi jaringan syaraf tiruan.

Pengklasifikasi

     Pengenalan adalah kemampuan untuk mengklasifikasi pola-pola input. Sedangkan klasifikasi adalah proses penetapan pola input ke dalam klas berdasarkan pada ciri dengan menggunakan teknik klasifikasi jaringan syaraf tiruan LVQ. Dalam sebuah pola sangat memungkinkan adanya klas dan ciri yang lebih dari satu. Banyak klas dalam suatu pola tergantung pada jumlah objek-objek di dalam citra yang akan diklaskan.

Pengujian

    Keseluruhan database citra yang akan digunakan untuk pengembangan dan pengujian unjuk kerja sistem verifikasi wajah ditunjukkan pada tabel 1. Citra yang digunakan pada proses fase pelatihan tidak akan digunakan dalam proses fase pengujian.

Tabel 1. Database citra yang digunakan

     Data yang digunakan saat pengujian terbagi menjadi dua, yaitu data milik orang yang sebenarnya dan data milik para “pemalsu”. Jumlah citra yang digunakan pada tahap ini untuk masing-masing orang berjumlah 10 citra.

   Penggunaan variasi parameter-parameter diatas akan menghasilkan nilai FAR dan FRR yang dapat digunakan untuk mengetahui tingkat unjuk kerja optimal/terbaik dari sistem yang dirancang. FRR merupakan kemungkinan sistem gagal melakukan verifikasi dan menolak pengguna sebenarnya, sedangkan FAR adalah kemungkinan perancangan sistem menerima “pemalsu”. Hasil pengujian sistem verifikasi sebagaimana ditunjukkan pada tabel 2 dan tabel 3.

Tabel 2. Hasil pengujian FRR dengan variasi laju pembelajaran

Tabel 3. Hasil pengujian FAR dengan variasi laju pembelajaran

  

     Berdasarkan dari hasil eksperimen sebagaimana ditunjukan pada tabel 2 dan 3 diatas, dengan memvariasi laju pembelajaran didapatkan hasil pengujian unjuk kerja sistem didapat nilai FRR rata-rata 0% dan FAR rata-rata 1,55% pada nilai laju pembelajaran 0,1. 

    Hasil yang telah diperoleh ini menunjukan bahwa sistem mempunyai unjuk kerja yang baik dan dapat dikembangkan untuk aplikasi real. Namun upaya untuk lebih meningkatkan unjuk kerja sistem masih perlu dilakukan misalnya dengan melakukan proses yang mencoba menggunakan teknik-teknik lain pada tahap pemroses awal, ekstraksi ciri maupun pengklasifikasi.

3. KESIMPULAN

     Dari hasil penelitian ini dapat diambil kesimpulan bahwa sistem verifikasi wajah menggunakan metode ekstraksi SPCA (Simple Principle Component Analysis) dan teknik klasifikasi jaringan syaraf tiruan Learning Vector Quantization yang telah dibuat dapat bekerja dengan baik. Hasil eksperimen dari pengujian sistem didapatkan hasil pengujian unjuk kerja sistem didapat nilai FRR rata-rata 0% dan FAR rata-rata 1,55% pada nilai laju pembelajaran 0,1.

     Pada penelitian selanjutnya dapat dikembangkan suatu sistem verifikasi wajah dengan cara menemukan metode ekstraksi ciri yang mampu menajamkan perbedaan untuk citra wajah yang berbeda dan adanya kemiripan untuk citra wajah orang yang sama. Selain itu dapat dilakukan dengan menggunakan teknik-teknik klasifikasi pola yang lebih sesuai.