1. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional
Kecerdasan Komputasional Berbasis Jaringan Neural
Buatan (JNB) Pada Sistem Pengenalan Wajah (Face
Recognition)
 Wawan Setiawan
(Universitas Pendidikan Indonesia)
Abstrak
Model sistem pengenalan wajah yang diusulkan dalam penelitian ini merupakan pengembangan dari model sistem yang telah
dilakukan pada penelitian sebelumnya. Modifikasi yang dilakukan terdiri atas dua sisi yaitu modifikasi pada arsitektur jaringan
neural dengan penambahan lapis neuron hidden, dan penambahan jumlah ciri dengan menghadirkan ciri geometri selain ciri
geometri. Kedua modifikasi ini dapat meningkatkan kemampuan pengenalahan sekalipun dilatih dengan komposisi yang relatif
rendah yaitu 30%. Dengan pertimbangan optimalisasi komputasi eksekusi atau waktu, komposisi pelatihan 50% dapat
digunakan sebagai pembelajaran yang optimal. Komposisi 70% menghasilkan akurasi sangat baik namun biaya komputasi
pelatihannya cukup mahal. Sampel data yang digunakan adalah citra wajah 7 orang masing-masing dengan 6 poses. Ekstraksi
ciri dilakukan pada 12 bagian wajah dengan masing-masing diambil 3 variasi piksel ke segala arah sehingga menghasilkan 72
konfigutasi untuk setiap orang sampel dengan masing-masing 47 ciri. Arsitektur jaringan neural menjadi 47 neuron input, 8 kali
neuron hidden, dan 7 neuron output. Pembelajaran model sistem menggunakan algoritma pembelajaran supervisi propagasi balik
Komposisi pelatihan 30% mengasilkan rerata tingkat akurasi 90% untuk data pelatihan, dan rerata 89% untuk data testing.
Komposisi pelatihan 50% mengasilkan rerata tingkat akurasi 98% untuk data pelatihan, dan rerata 95% untuk data testing.
Komposisi pelatihan 70% mengasilkan rerata tingkat akurasi 100% untuk data pelatihan, dan rerata 98% untuk data testing.
Secara umum model sistem jaringan neural pengenal wajah yang diusulkan cukup handal untuk sistem pengenal wajah secara
frontal. Untuk pengembangan penelitian selanjutnya dapat rancang untuk wajah tiga dimensi dengan variasi jarak pandang.
Kata kunci : model sistem pengenal wajah, jaringan neural buatan, dan propagasi balik.
sudah dilakukan oleh seorang anak sejak kecil
Pendahuluan untuk dapat berbicara, membaca, menulis, makan,
K
dan minum, menentukan jarak aman bagi
emampuan otak manusia dalam keselamatannya dan bahkan dalam menentukan
memproses persoalan yang nilai-nilai moral yang dianutnya. Berkaitan dengan
berkaitan dengan panca indera kelemahan bidang kecerdasan buatan untuk
dicoba untuk diimplementasikan dalam komputer, menyelesaikan problem indera manusia, maka
dengan mempelajari cara kerja jaringan neural pada tahun 1990-1991 lahir konsep baru yang
biologis yang mendasarinya. Pendekatan yang dinamakan Computational Intelligence (Kecerdasan
dilakukan dalam penelitian yang berkaitan dengan Komputasional). Dalam bidang kecerdasan
pengidentikan jaringan neural bilologis ini komputasional ini, diantaranya metodologi
dilakukan dengan menerapkan prinsip dasarnya komputasi seperti jaringan neural buatan
pada sistem komputer dengan nama jaringan dikembangkan dan digabung menjadi satu untuk
neural buatan (JNB). Salah satu hal yang sangat mampu memberikan konsep fundamental bagi
rumit untuk diketahui dan kemudian dicoba pengembangan sistem cerdas (Intelligent System).
untuk ditiru adalah kemampuan otak manusia Sistem Indera Buatan merupakan sistem
untuk belajar dari pengalaman. Kemampuan yang sangat diperlukan dalam kehidupan manusia.
belajar dari pengalaman ini merupakan cara yang Hal ini disebabkan karena manusia mempunyai
Mimbar Pendidikan
35

2. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007
beberapa keterbatasan dalam melakukan yang beberapa tahun terakhir menarik perhatian
aktifitasnya. Manusia akan selalu berupaya untuk banyak orang adalah Sistem Pengenal
mengahindari daerah kerja yang berbahaya. Wajah/Obyek secara otomatis (Automated
Apabila manusia berada dalam keadaan yang Face/Object Recognition – AFR). Pengembangan
kurang sehat, baik fisik ataupun kejiwaan, maka sistem ini didorong oleh penggunaan aplikasi ini
kemampuan sistem inderanya akan menurun. di banyak bidang. Identifikasi wajah merupakan
Untuk dapat mengatasi hal tersebut, maka masalah yang penting dalam bidang penegakan
beberapa pakar mengembangkan metodologi hukum dan forensik, otensikasi pengaksesan
untuk sistem indera buatan berdasarkan cara kerja gedung atau mesin transaksi otomatis.
manusia itu sendiri. Jaringan neural buatan Bagaimanapun juga sistem AFR mempunyai
merupakan salah satu metode untuk dapat kekurangan, karena wajah yang berbeda mungkin
membuat sebuah mesin komputer bereaksi tampak mirip sehingga membutuhkan
dengan sensor yang diserupakan kerjanya dengan kemampuan pembedaan yang tinggi dari sistem
jaringan neural manusia. Penggunaan model tersebut. Masalah lain misalnya beberapa citra
jaringan neural buatan dalam kecerdasan wajah mungkin tampak agak berbeda karena
komputasional terus dikembangkan untuk batasan-batasan dari citra itu sendiri seperti
meningkatkan sistem indera buatan. Sistem perubahan titik pencahayaan, ekpsresi wajah, dan
pengenalan wajah merupakan sistem indera penggunaan aksesoris seperti kacamata dan yang
penglihatan banyak diterapkan terutama untuk lainnya.
kontrol. Sebuah perusahaan atau institusi besar Sistem pengenal wajah telah mengalami
dapat mengontrol karyawannya melalui kamera kemajuan akhir-akhir ini, khususnya untuk
yang dipasang di tempat-tempat yang dilalui mengenal citra wajah dengan tingkat kontrol yang
karyawan tersebut. Orang asing yang mencoba tinggi pada pencahayaan dan skala. Hasil yang
menyelinap akan segera diketahui dan diambil baik telah didapatkan untuk pengenalan citra 2-D
tindakan dengan cepat pula. Di negara maju bagian depan (frontal), dengan menggunakan
sistem kontrol dengan indera penglihatan buatan penyesuaian pola terhadap basis data yang besar,
telah banyak digunakan terutama untuk wilayah- atau dengan mengkombinasikannya dengan
wilayah tertentu. Kepolisian dapat menggunakan penyesuaian ciri dan pola. Penyesuaian pola
sistem pengenalan wajah untuk mengenali para menggunakan Transformasi Karhunen-Loeve
penjahat terutama yang kambuhan. Sistem pada sekumpulan citra yang besar. Penelitian awal
pengenal wajah dapat pula digunakan untuk menunjukkan bahwa penggunaan jaringan neural
absensi karyawan dan mahasiswa. Sistem absensi buatan dengan metode pembelajaran
dengan fingerprint telah banyak digunakan namun propagasibalik cukup mampu untuk dapat
ada kelemahan karena harus mengantri menentukan citra wajah yang telah dilatih melalui
menempelkan jarinya pada sensor yang ciri optik. Untuk dapat menggunakan sistem
belakangan dapat membuat kejengkelan. Sistem indera buatan penglihatan dengan kemampuan
pengenalan wajah dapat mengatasi masalah yang lebih tinggi, dapat dilakukan dengan dengan
antrian dan kejengkelan. Laboratorium merubah sistem arsitektur jaringan neural yang
Kecerdasan Komputasional Universitas Indonesia digunakan. Perubahan arsitektur ini dengan
telah mengembang model pengenalan wajah mengganti setiap neuron pada layer tersembunyi
sampai akurasi 86%. Dalam penelitian ini konvensional dengan sekumpulan neuron yang
dikembangkan model jaringan neural buatan membentuk beberapa layer.
multihidden layer. Dengan menggunakan informasi tambahan
berupa ciri geometri sederhana, maka jaringan
Sistem Indera Buatan Untuk Penglihatan neural buatan ini diharapkan dapat mengenal citra
wajah dengan kemampuan yang lebih baik. Citra
Indera buatan untuk sistem penglihatan
Mimbar Pendidikan
36

3. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional
wajah yang digunakan sebagai masukan sistem ini menguji kinerja model yang dikembangkan,
diambil dari pelbagai pose yang menggambarkan dilakukan uji tingkat akuarsi yang terdiri atas :
senang, netral, sedih, dan marah. 1. User’s accuracy yaitu tingkat akurasi tiap
kelas yang merupakan perbandingan antara
Metodologi Penelitian pengenalan yang benar terhadap jumlah yang
harus dikenali.
Metode yang dikembangkan dalam 2. Producer’s accuracy yaitu tingkat akurasi tiap
peneltian ini mengikuti langkah-langkah sebagai kelas yang merupakan perbandingan antara
berikut : pengenalan yang benar terhadap jumlah kelas
1. Pengambilan citra wajah sejumlah orang yang terjadi.
pada berbagai variasi pose (mimik). 3. Overall accuracy yaitu tingkat akurasi untuk
2. Pemrosesan awal untuk mendapatkan citra seluruh kelas yang merupakan perbandingan
yang berkualitas agar mudah dalam antara pengenalan yang benar semua kelas
mengekstraksi fitur wajah. terhadap jumlah seluruh data.
3. Mendisain arsitektur jaringan neural buatan
yang optimal. Berdasarkan hasil uji tingkat akuarsi, dapat
4. Rancangan algoritma pembelajaran dan didefinisikan kinerga model yang dikembangkan.
redisain arsitektur. Subyek dalam penelitian ini adalah citra
5. Melakukan pelatihan dan uji coba jaringan wajah 7 orang pada berbagai pose yang bervariasi.
neural. Variasi pose dilakukan dengan akting karena sulit
6. Melakukan integrasi dan uji coba sistem. mengkodisikan pose yang sesungguhnya. Pose
7. Melakukan rekonstruksi citra wajah. akting dengan pose sesungguhnya tentu akan
menghasilkan konfigurasi yang berbeda. Pose
yang sesungguhnya dibangun oleh dorongan jiwa
Data dalam penelitian ada dua pandangan, dan hati sedangkan pose akting lebh
pertama data masukan yang berupa citra wajah mengandalkan perasaan. Namun demikian
yang mengalami proses transformasi matematik melalui upaya akting ini diharapkan tidak terlalu
yang merupakan input model yang jauh perbedaannya terutama dengan
dikembangkan. Kedua data keluran yang memperhatikan raut wajah. Pendekatan ini
merupakan hasil proses model sistem yang merupakan teknik yang paling optimal untuk
kembangkan. Berhasarkan data keluaran, dilakukan karena kesulitan untuk mendapatkan
selanjutnya diinterprtasi kualifikasi model sistem yang sesungguhnya.
pengenal wajah. Untuk mendapatkan
kualifikasi model sistem yang dikembangkan, Hasil dan Pembahasan
dilakukan pengukuran terhadap beberapa
parameter penelitian. Yang menjadi parameter Pengambilan citra wajah menggunakan
dalam penelitian ini adalah : kompleksitas model perangkat yang didisain secara khusus di bengkel
yang dikembangkan, dan kinerja model yang FPMIPA dengan menggunakan kamera digital
dikembangkan. dengan kualifikasi yang cukup optimal. Citra
Model yang dikembangkan adalah sebuah wajah diambil dari sejumlah orang secara frontal
model software aplikasi. Untuk menguji tingkat pada beberapa variasi pose (mimik) yang terdiri
kompleksitas software sistem, digunakan uji atas ; netral, senyum, gembira, sedih, bengis, dan
waktu eksekusi terutama waktu pelatihan. Waktu marah sehingga untuk setiap orang terdapat 6
eksekusi biasanya dinyatakan dalam putaran (enam) pose.
yang dikenal dengan epoch. Model yang
dikembangkan adalah sarana pengenalan yang Pemrosesan Awal (Praproses)
bertujuan untuk mengenali dengan baik. Untuk
Mimbar Pendidikan
37

4. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007
Praproses dilakukan untuk mendapatkan ini ciri unik didasarkan pada gabungan ciri optik
citra yang berkualitas dengan tujuan untuk dan ciri geometri. Ciri optik terdiri atas : rerata,
minimalisir gangguan (noise) dan agar mudah median, maksimum, minimum, dan santar deviasi dari
dalam mengekstraksi fitur wajah. Langkah- setiap bagian. Sedangakn ciri geometrik adalah
langkah praproses meliputi : jarak antar bagian yang menurut ahli forensik
a. Filtering bisa dijadikan ciri terdiri atas : jarak mata kiri-
Filtering merupakan upaya memperjelas kanan, jarak mata kanan-hidung, jarak mata kiri-
batas-batas dari setiap bagian yang terdapat pada hidung, jarak hidung-mulut, jarak mulut-dagu, dan
wajah, dan menghilangkan noise atau informasi jarak pangkal-dagu. Bagian-bagian wajah yang
yang tidak diperlukan bahkan mengganggu. diekstrak menjadi ciri terdiri atas mata, alis,
Teknik filtering yang biasa digunakan adalah hidung, pangkal, bibir, dan dagu (memiliki
mean filtering yang merupakan nilai tengah dari keunikan). Total ciri yang diambil 8 bagian kali 5
informasi yang ada. Berdasarkan ciri optik ditambah 7 ciri geometri yaitu 47 ciri.
karakteristiknya, noise tidak berada pada daerah Setiap bagian diambil ciri optik masing-
mean maka akan tereliminasi. Hasil dari filtering masing 12 daerah sekitar melalui sebaran 3 piksel
adalah citra wajah yang lebih jelas terutama dengan 4 arah. Sehingga untuk setiap orang
bagian-bagiannya dengan tetap mempertahankan menghasilkan 6 pose kali 12 daerah menjadi 72
keunikannya. (tujuh puluh dua) konfigurasi optik . Sedangkan
untuk ciri geometrinya menggunakan ciri yang
b. Ekstraksi Ciri sama yaitu berdasrkan jarak antar pusat setiap
Ekastraksi ciri merupakan upaya untuk bagian untuk setiap pose. Dengan demikian
mengambil ciri yang unik dari citra dari sebuah pada penelitian ini digunakan 7 orang kali 72
objek. Pada penelitian sebelumnya ekstraksi ciri menjadi 504 konfigurasi yang merupakan data
didasrkan pada ciri optik saja. Dalam penelitian pengamatan.
Arsitektur jaringan neural buatan yang
Disain Arsitektur dan Algoritma Pembelajaran digunakan, didisain terlebih dahulu agar
Jaringan Neural Buatan (JNB) didapatkan arsitektur yang memadai. Untuk
melakukan proses pengenalan atau identifikasi,
Mimbar Pendidikan
38

5. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional
digunakan algoritma pembelajaran backpropagation menggunakan multi hidden.
yang dimodifikasi pada struktur neuron hidden
V’11 W11
V11 Z1
X1 Z’1 Y1
Xi Z’k Yk
Zj
V Wmo
Vnp Zp ’pm Z’m Yo
Xn
Arsitektur Jaringan Neural Buatan
x : neuron input = 47 buah
z : neruon hidden = 8 x 47 buah
y : neuraon output = 7 buah
Algoritma Pembelajaran Jaringan sebagai
berikut : Langkah 4 : Setiap neuron pada lapis
Langkah 0 : Inisialisasi bobot tersembunyi-1 (Zj, j=1…p)
Langkah 1 : Jika kondisi henti tidak terpenuhi, menjumlahkan bobot-bobot sinyal
lakukan langkah 2 - 9 masukan,
Langkah 2 : Untuk setiap pola input, lakukan n
step 3 – 8 z _ in j xi vij
i 1
Feedforward: dan menerapkannya pada fungsi aktivasi
Pembelajaran pada layer 1 untuk menghitung sinyal keluarannya,
Langkah 3 : Setiap neuron masukan (Xi i= zj f ( z _ in j )
1…n) menerima sinyal masukan xi dan mengirim sinyal ini ke semua
dan menyebarkannya ke semua neuron pada lapis keluaran
neuron pada lapis tersembunyi.
Mimbar Pendidikan
39

6. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007
Setiap neuron pada lapis tersembunyi-2 mengalikan dengan turunan fungsi
(Z’j, j=1…m) menjumlahkan bobot-bobot aktivasinya untuk menghitung
sinyal masukan, kesalahan informasinya,
n
j _ in j f ' (z' _ in j )
z' _ in j x i v ij
i 1 menghitung koreksi bobotnya (yang
dan menerapkannya pada fungsi aktivasi digunakan untuk memperbaiki v ij
untuk menghitung sinyal keluarannya, nanti)
z' j f (z _ in j ) vij j xi
dan mengirim sinyal ini ke semua
neuron pada lapis keluaran Perbaiki bobot untuk proses selanjutnya
Langkah 8 : Setiap neuron keluaran (Yk,
Langkah 5 : Setiap neuron keluaran (Yk, k=1…o) memperbaiki bobotnya
k=1…o) menjumlahkan bobot (j=0…m)
sinyal yang masuk, w jk (new) w jk (old ) w jk
p
Setiap neuron tersembunyi-1 (Zj,
y _ in k z' j w jk j=1…p) memperbaiki bobotnya
j 1
dan mengaplikasikan fungsi vij (new) vij (old ) vij
aktivasinya untuk menghitung sinyal Setiap neuron tersembunyi-2 (Z’j,
yang akan dikeluarkannya j=1…m) memperbaiki bobotnya
yk f ( y _ ink ) v'ij (new ) v'ij (old ) v ij
Backpropagasi error Langkah 9 : Lakukan pengujian kondisi henti.
Langkah 6 : Setiap neuron keluaran (Yk, Uji Coba
k=1…o) menerima sebuah pola
target yang berhubungan dengan Uji coba ini dilakukan untuk mendapatkan
pola masukan pelatihan dan jumlah neuron hidden yang optimal. Uji coba ini
menghitung kesalahan informasi menggunakan metode trial and error karena tidak
ada ketentukan yang pasti untuk menentukan
k (t k yk ) f ' ( y _ ink ) (2.19) jumlah neuron hidden. Hal ini disebabkan bahwa
menghitung koreksi bobot (yang jumlah neuron hidden dipegaruhi oleh tingkat
digunakan untuk memperbaiki w jk kompleksitas atau karakteristik informasi
nanti), (masukan). Uji coba neuron hidden didasarkan
w jk k zj pada jumlah neuron input menggunakan
perbandingan data input fifty-fifty. Berikut ini
dan mengirim k ke neuron lapis
hasil uji coba jumlah neuron hidden :
tersembunyi.
Tabel-1 : Penentuan Jumlah Neuron Hidden
Jumlah Neuron
Langkah 7 : Setiap neuron tersembunyi-2
Hidden Tingkat
(Z’j, j=1…m) menjumlahkan bobot No.
( … x Neuron Akurasi
setiap neuron yang yang telah dikali
Input)
dengan kesalahan informasinya,
m 1 0,5 78 (%)
_ in j w jk 2 1 89 (%)
k
k 1 3 1,5 92 (%)
Mimbar Pendidikan
40

7. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional
4 2 92 (%)
5 2,5 92 (%)
6 3 93 (%)
7 3,5 93 (%)
8 4 95 (%)
9 4,5 95 (%)
10 5 95 (%) Tabel-2 : Hasil Uji Data Pelatihan
11 5,5 96 (%) No. Data Jumlah Rerata
12 6 96 (%) Pelatihan Epoch Akurasi
13 6,5 96 (%) 1 30% 28977 90%
14 7 96 (%) 2 50% 60678 98%
15 7,5 96 (%) 3 70% 112546 100%
16 8 98 (%)
17 8,5 98 (%) Berdasarkan uji pelatihan, secara linier
18 9 97 (%) tingkat akurasi semakin baik seiring jumlah data
19 9,5 95 (%) pelatihan. Hal ini analogi dengan pembelajaran
pada umumnya bahwa semakin sering
20 10 93 (%)
mempelajari sesuatu maka tingkat pengenalannya
semakin baik. Namun demikian konsekuensinya
Tingkat akurasi pengenalan sebanding
waktu pembelajaran akan bertambah dan hal ini
dengan jumlah neuron hidden. Semakin besar
analoginya semakin lama mempelajari sesuatu
jumlah neuraon hidden, model sistem pengenal
maka semakin baik pula pengenalannya. Dengan
semakin tinggi akurasi pengenalannya namun ada
mempertibangkan waktu dan akurasi, maka
batas optimalnya. Jumlah neuron hidden yang
cukup beralasan menggunakan komposisi 50%
optimal sebanding dengan 8 dan 8,5 kali neuron
pelatihan akan menghasilkan tingkat akurasi
input. Selanjutnya yang digunakan untuk uji
pengenalan yang baik meskipun bukan paling
coba data testing adalah 8 kali atau yang lebih
baik.
kecil karena akan terkait dengan waktu eksekusi
Uji coba tingkat pengenalan model sistem
program.
dilakukan untuk menentukan konfigurasi mana
Uji coba pelatihan model sistem dilakukan
yang optimal untuk mendapatkan hasil yang baik.
untuk mengetahui proses pembelajaran jaringan
Berikut ini hasil uji coba pengenalan :
neural dengan 3 komposisi data pelatihan.
Berikut ini hasil uji coba pelatihan :
Tabel-3 : Hasil Pelatihan data uji 30% data testing 70%
Producer’s
Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7
Accuracy
C-1 450 3 5 2 3 5 7 94,74
C-2 22 456 3 6 6 10 22 86,86
C-3 12 8 447 12 21 15 2 86,46
C-4 7 15 20 460 12 5 4 87,95
C-5 8 9 11 19 449 10 8 87,35
C-6 3 7 6 4 9 451 16 90,93
C-7 2 6 12 1 4 8 445 93,10
Overall
User’s
89,29 90,48 88,69 91,27 89,09 89,48 88,29 Accuracy - PA =89,63
Accuracy
OA =89,51
Mimbar Pendidikan
41

8. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007
UA =89,51
Dengan komposisi pelatihan yang konteks pengenalan wajah, komposisi ini tidak
relatif kecil, masih teramati banyaknya dianjurkan untuk digunakan meskipun akurasinya
kesalahan dalam pengenalan dan kesalatan lebih besar dari 80% diakrenakan terjadi konflik
tersebar pada seluruh kelas yang ada. Dalam dengan seluruh kelas.
Tabel-4 : Hasil Pelatihan data uji 50% data testing 50%
Producer’s
Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7
Accuracy
C-1 480 3 99,38
C-2 9 487 5 97,21
C-3 7 7 475 6 3 95,38
C-4 8 20 484 8 93,08
C-5 4 14 479 8 5 93,92
C-6 12 478 26 92,64
C-7 7 5 15 473 94,60
Overall
User’s PA =95.17
95,24 96,63 94,25 96,03 95,04 94,84 95,24 Accuracy -
Accuracy
OA =95.12 UA =95.12
Dengan komposisi pelatihan yang masih terjadi konflik dengan rata-rata kesalahan
seimbang, termati bahwa kesalahan terjadi pada 3 kelas, dan komposisi ini bisa
pengenalan tidak pada seluruh kelas, namun direkomendasi.
Tabel-5 : Hasil Pelatihan dan data uji 70% data testing 30%
Producer’s
Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7
Accuracy
C-1 493 100,00
C-2 5 500 99,01
C-3 2 487 1 99,39
C-4 6 12 500 8 95,06
C-5 5 3 490 2 2 97,61
C-6 6 496 13 96,31
C-7 2 6 489 98,39
Overall
User’s PA =97,97
97,82 99,21 96,63 99,21 97,22 98,41 97,02 Accuracy -
Accuracy
OA =97,93 UA =97,93
Komposisi pelatihan yang lebih besar,
tingkat akurasi pengenalan juga meningkat namun Kesimpulan dan Rekomendasi
masih terjadi kesalahan rata-rata dengan dua
kelas. Komposisi ini akan beresiko biaya pelatihan
yang besar seperti pada tabel 2, namun akurasinya Kesimpulan
meningkat meskipun tidak terlalu besar, maka Berdasarkan data dan hasil pengolahannya
komposisi ini jarang digunakan. dapat ditarik beberapa kesimpulan mengenai
Mimbar Pendidikan
42

9. No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional
model sistem pengenalan wajah yang G. Lohmann, 1994, Co-occurrence-based Analysis and
dikembangkan antara lain : Synthesis of Textures, Proc. 12th Int. Conference on
Pattern Recognition, Jerusalem, pp. 449-453.
1. Model sistem pengenalan wajah jaringan
Haykin Simon, 1994, Neural Network: A Comprehensive
neural buatan dengan pembelajaran propagasi Foundation, Prentice-Hall, New Jersey.
balik yang diusulkan dapat meningkatkan W. Setiawan, A. Murni, and B. Kusumoputro, 2003,
akurasi pengenalan dari sistem yang telah ada Probabilistic Neural Network Based on Multinomial
sebelumnya (propagasi balik standar). Model for Remote Sensing Image Classification,
2. Peningkatan akurasi pengenalan dapat Proceedings Computer, Communication and
Control Technologies : II, Vol. V ISBN : 980-6560-
dilakukan melalui redesain arsitektur yaitu
05-1. pp. 132-136, Orlando.
penambahan jumlah lapis tersembunyi, dan W. Setiawan, A. Murni, dan B. Kusumoputro, 2000,
penambahan jumlah ciri yaitu ciri geometri. Klasifikasi Parameter Konstrain Kawasan Andalan
3. Model sistem pengenalan wajah dapat Menggunakan Jaringan Neural Buatan (JNB)
mengenali kelas wajah dengan komposisi Berbasis Pembelajaran Adaptif, Proceeding
pelatihan 30%, dengan tingkat akurasi yang SITIA2000, Surabaya.
sudah cukup baik namun bukan yang terbaik. W. Setiawan, and B. Kusumoputro, 2003, Propagasi Balik
Termodifikasi Untuk Pengenalan Image Wajah
4. Tingkat pengenalan semakin baik dengan Menggunakan Jaringan Neural Buatan Berbasis
semakin besarnya komposisi pelatihan dengan Eigenfaces, Prosiding SNKK I, Jakarta.
konsekuensi waktu pelatihan yang semakin W. Setiawan, and B. Kusumoputro, 1998, Shape and color
besar pula. analysis of Malignant Skin Cansers Using Artificial
Neural Network Approach, Proc. 5th Asian Symp.
On Visualization, with B. Kusumoputro, Jakarta.
Rekomendasi
W. Setiawan, dan B. Kusumoputro, 2001, Pengembangan
Berdasarkan data dan hasil pengolahannya Algoritma Propagasi Balik Untuk Pengenalan Image
dapat dipertimbangkan beberapa rekomendasi Wajah Berbasis Eigenfaces, Jurnal ICIS, Jakarta.
untuk mendapatkan model sistem pengenalan W. Setiawan, A. Murni, and B. Kusumoputro, 2002,
Multitemporal Optical-Sensor Image Classification
wajah yang optimal antara lain :
Based on A. Cascade of Neural Network, EM
1. Hendaknya untuk menggunakan Algorithm and Compound Classifier, Proceeding
pelatihan dengan komposisi yang tidak The 2002 International Conference On Opto-
terlalu kecil dan juga tidak terlalu besar. Electronic and Laser Applications ISBN : 979-
2. Model sistem pengenalan wajah yang 8575-03-2 pp. C48-C53, Program Opto-
Elektroteknik and Laser Appication, Universitas
telah dihasilkan dapat dikembangkan Indonesia, Jakarta.
untuk berbagai sudut pandang dan juga W. Setiawan, A. Murni, dan B. Kusumoputro, 2005, Model
jarak pengambilan citra (tidak hanya Jaringan Neural Buatan dalam Konteks Keputusan
frontal). Komputasional. Prosiding Seminar Nasional IPA,
Bandung.
VII. DAFTAR PUSTAKA W. Setiawan, A. Murni, dan B. Kusumoputro, 2001,
Pendekatan Neural Network berbasis Algoritma
Alessandro, S., et. al., 1993, Speed Up Learning and EM untuk masalah Klasifikasi Campuran, Prosiding
Network Optimization With Extended SNKK II, Jakarta.
Backpropagation, Proc. Neural Networks Vol. 6,
W. Setiawan,, A. Murni, dan B. Kusumoputro, 2005,
pp.365-383.
Pengembangan Jaringan Neural Buatan Model
Dempster A. P., N. M. Laird, and D. B. Rubin, Multinomial untuk Klasifikasi Citra Inderaja,
1997,Maximum Likelihood from Incomplete Data Prosiding Seminar Nasional Matematika, Bandung.
via the EM Algorithm, J. R. Stat. Soc., Vol. 39, No.
1, pp. 1-38. W. Setiawan, A. Murni, B. Kusumoputro, and Selly Feranie,
2005, Probabilistic Neural Network Based on
Donald F.S., et al.,1991, Generalization Accuracy of Multinomial Model for Remote Sensing Image
Probabilistic Neural Networks Compare with Back- Classification, Jurnal Ilmu Komputer, IPB, Bogor.
Propagation Networks, IEEE Transaction on
Neural Network.
Penulis:
Mimbar Pendidikan
43

10. Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007
Dr. Wawan Setiawan, M.Si. adalah Dosen Program Studi Ilmu Komputer FPMIPA UPI
Pendidikan Fisikan FPMIPA UPI dan sebagai Ketua
Mimbar Pendidikan
44