Rangkuman dokumen ini adalah:
1. Penelitian ini membangun sistem pengenalan wajah dengan kombinasi ekstraksi fitur menggunakan filter gabor dan identifikasi menggunakan jaringan syaraf tiruan tipe learning vector quantization.
2. Tujuan penelitian ini adalah untuk menghasilkan sistem pengenalan wajah yang dapat mengenali lebih dari 90% akurat.
3. Metode penelitian ini meliputi studi literatur, perancangan
Pemanfaatan teknologi virtualisasi di lingkungan pendidikan
Proposal Sistem Pengenalan Wajah
1. Rancang Bangun Sistem Pengenalan Wajah
Menggunakan Metode Filter Gabor dan Jaringan
Syaraf Tiruan Learning Vector Quantization (LVQ)
Oleh;
DWI ELY KURNIAWAN
(24010410400015)
SEMARANG, Program Studi Magister Sistem Informasi
2011 Pasca Sarjana Universitas Diponegoro
2. Latar Belakang
Sistem identifikasi biometrik wajah manusia adalah suatu sistem pengenalan
individu dengan menggunakan ciri-ciri biometrik wajah dari individu yang
bersangkutan.
Masalah pengenalan wajah menjadi sulit karena variabilitas besar pada bentuk
kepala dan kemiringan, intensitas pencahayaan dan sudut, ekspresi wajah,
penuaan, dll (Woody Bledsoe, 1966).
3. Perumusan Masalah
”
Penelitian ini diarahkan untuk menyelesaikan masalah bagaimana membangun
desain sistem pengenalan wajah yang mampu mengenalai wajah lebih akurat
“ ≥ 90% “
menggunakan metode ekstraksi ciri dengan filter gabor
dan identifikasi wajah dengan jaringan syaraf tiruan learning vector
quantization.
4. Batasan Masalah
Metode yang digunakan dalam
proses pembelajaran adalah JST
LVQ.
Sistem mengenali image dengan
format .bmp
Menggunakan system operasi
Windows dan Matlab
Pengenalan wajah dilakukan
dengan mengenali citra wajah
yang terdapat dalam database
wajah yang telah ada sebelumnya.
5. Keaslian Penelitian
1
Laporan dalam bentuk tulisan ilmiah pada International Journal of Computer
Science and Network Security (IJCSNS),Volume.11 No.1, January 2011 berjudul
Neural Network Based Face Recognition With Gabor Filters.
Diteliti oleh Amina Khatun dan Md. Al-Amin Bhuiyan pada Jahangirnagar
University, Bangladesh.
Penelitian ini membahas sistem pengenalan wajah dengan ekstrasi fitur wajah
menggunakan filter gabor dan identifikasi pengenalan wajah menggunakan
Bidirectional Associative Memory (BAM) dan Back-Propagation Neural Network
(BPNN). Ujicoba mengambil 200 gambar wajah dari 40 orang diperoleh tingkat
pengenalan wajah 84,50%.
6. 2
Selanjutnya laporan lain dalam bentuk Proceedings Of The Romanian Academy,
Seri A, Volume 11, No.3/2010, halaman 277–283 berjudul
Gabor Filter-Based Face Recognition Technique.
Diteliti oleh Tudor Barbu pada Institute of Computer Science, Romanian Academy,
Romania.
Penelitian ini menggunakan ekstraksi fitur 2D filter bank gabor. Sebuah supervised
classifier menggunakan jarak rata-rata minimum. Tingkat pengenalan wajah
diperoleh sekitar 90%, yang melibatkan ratusan gambar frontal. Menggunakan
Database Yale Face, yang berisi 168-192 ribuan gambar wajah.
7. 3
Laporan dalam bentuk jurnal pada International Journal of Computer Science
Engineering and Technology (IJCSET), Vol.1,No.1, tahun 2011 berjudul
Neural Network Based Face Recognition Using SOM.
Diteliti oleh Shamla Mantri dan Kalpana Bapat di MITCOE Pune University, India.
Penelitian ini mengembangkan dan mengilustrasikan sistem pengenalan wajah
manusia menggunakan Self-Organizing Maps (SOM). Analisis wajah hasil untuk
400 gambar dari database AT&T mencerminkan bahwa tingkat pengenalan wajah
92,40% untuk 40 orang.
8. Dari Ketiga Penelitian tersebut,..
metode yang belum diungkap adalah..?
Kombinasi metode filter gabor dengan identifikasi menggunakan Jaringan
Syaraf Tiruan tipe
1) Self-Organizing Maps,
2) Learning Vector Quantization, dan
3) Fuzzy C-Means Clustering.
9. Manfaat Penelitian
Manfaat dari penelitian ini adalah untuk menghasilkan suatu sistem pengenalan
wajah yang dapat mendukung;
1) Aplikasi sistem keamanan, misalnya login sistem tertentu
2) Aplikasi sistem pengenalan penyamaran wajah, misalnya pada kasus teroris
3) Aplikasi sistem informasi pada database kepolisian,
4) Aplikasi sistem akses pintu masuk/FaceGate
5) dll..
Selain itu untuk memperkaya literatur mengenai bidang identifikasi biometrik,
kecerdasan buatan dan pengolahan citra (image processing) khususnya pengenalan
wajah dengan metode filter gabor dan jaringan syaraf tiruan learning vector
quantization.
10. Tujuan Penelitian
Adapun tujuan penelitian ini adalah …
untuk menghasilkan perangkat lunak sistem pengenalan wajah manusia yang dapat
mengenali
lebih dari 90% akurat.
11. Kajian dan Landasan Teori
3.1. Sistem Pengenalan Wajah
Hjelmas (2000) Identifikasi atau Verifikasi
Menyebutkan dua cara pendekatan dalam
biometrik pengenalan wajah.
Pendekatan pertama identifikasi, bertujuan
untuk mencari jawaban identitas wajah
siapa orang tersebut.
Pendekatan kedua verifikasi, bertujuan
memastikan apakah benar wajah orang
yang dimaksud, bukan orang lain.
12. Deteksi wajah
Pra-pemrosesan
(lokalisasi)
Image foto
Database
wajah
Filter gabor
Identifikasi dg JST
diterima atau Pengenalan
Binerisasi
ditolak wajah
Framework Pengenalan Wajah dengan Filter Gabor
(Sumber: Amina Khatun, 2011)
13. 3.2. Pra-pemrosesan
bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi parameter-
parameter citra. Tahap ini meliputi: pengambilan citra, konversi citra dari format
RGB ke bentuk format keabuan (grayscale).
3.3. Ekstraksi Ciri dengan Filter Gabor
bertujuan untuk mendapatkan informasi penting dari tekstur suatu citra. Filter gabor
merupakan sebuah pilihan tradisional untuk memperoleh informasi frekuensi yang
terlokalisasi. Filter-filter gabor menawarkan lokalisasi simultan terbaik dari
informasi spasial dan frekuensi.
dimana
14. 3.4. Binerisasi
Citra grayscale yang diperoleh dari proses ekualisasi histogram, selanjutnya akan
mengalami proses binerisasi, sehingga dihasilkan citra biner yang siap untuk proses
pelabelan. Binerisasi diilustrasikan pada gambar berikut.
threshold 6 Histogram
5
67 70 69 1 1 1
Frekuensi
4
56 57 58 0 1 3
2
34 43 40 0 0 0 1
Bit string: 11110000 0
Decimal code: 240 Binari Code
15. 3.5. Klasifikasi dengan Jaringan
Syaraf Tiruan
X1
Setelah melalui proses ekstraksi X2 y_in1 y1
ciri, selanjutnya nilai yang dihasilkan ||Xi – W1i || F1
dilakukan pembelajaran LVQ.
X3 y_in1 y2
||Xi – W2i || F2
Selanjutnya dilakukan proses X4
pengklasifikasian nilai masukan y_in3 y3
terhadap target yang telah X5 ||Xi – W3i || F3
ditentukan.
Pengklasifikasian sinyal oleh JST Xn
menggunakan skema pembagian
pasangan biner. Arsitektur Jaringan LVQ
16. Metode Penelitian
Bahan Penelitian
Bahan penelitian diperoleh dari database wajah pada AT&T database tersedia di
http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html.
Alat Penelitian
Untuk membantu pengujian pendektesian otomatis wajah digunakan alat bantu
komputer dengan sistem operasi Windows dan Matlab
Jalan Penelitian
1) Studi Literatur
Studi literatur dilakukan untuk mendapatkan pengetahuan tentang pengolahan
citra diantaranya pre-prosesing, ekstraksi fitur dan klasifikasi atau identifikasi.
Studi literatur juga diperlukan untuk mendapatkan informasi penelitian-
penelitian sebelumnya tentang deteksi pengenalan wajah yang telah
diterapkan.
17. Studi Literatur
Pendeteksian Wajah (face detection)
Dengan Pendekatan
Pra-pemrosesan Akuisisi Data Terstruktur
Menggunakan Model
Proses Sequensial
Linear
Pengenalan Wajah (face recognition) 1. Analisis
2. Desain
3. Coding
Ekstraksi Fitur dengan Binerisasi Citra 4. Testing
Filter Gabor
Klasifikasi dengan JST
LVQ
Hasil Penelitian Analisis Hasil Dokumentasi Hasil
Penelitian Penelitian
Desain Penelitian
Gambaran menyeluruh dari sistem yang akan dibangun
18. 2) Perancangan dan Pengembangan Prototype
citra
Perancangan diperlukan untuk mengetahui alur
desain sistem dari aplikasi yang dibangun.
Pra-pemrosesan
3) Pengujian Sistem
Pengujian sistem dilakukan untuk mendapatkan
keakurasian dari metode yang digunakan.
Ekstraksi ciri dg
Filter Gabor
4) Penarikan Kesimpulan
Setelah pengujian selesai, maka diambil suatu
kesimpulan. Klasifikasi dg
JST LVQ
5) Penulisan Laporan Tesis
Penulisan laporan tesis sebagai tahap akhir Keputusan
penelitian
Diagram Alir
Sistem Pengenalan Wajah
19. Fase Training Fase Testing
Proses
Training Image Testing Image
pengenalan
dibagi
menjadi dua
Pra-Pemrosesan Pra-Pemrosesan
fase.
Ekstaksi Fitur Ekstaksi Fitur
Feature Vector
Training Klasifikasi
Template Biometrik Keputusan
Diagram Alir Sistem Pengenalan Wajah
20. 5. Jadwal penelitian
No Kegiatan Mei Juni Juli Agustus September Oktober
1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
1 Studi literatur
Penyusunan dan
2
presentasi proposal
3 Perancangan Sistem
4 Pengujian Sistem
Penulisan laporan
5
tesis
Pemeriksaan laporan
6
tesis
Penyempurnaan
7
laporan tesis
Presentasi dan
8
sidang tesis