High Quality
Open the downloaded document, and select print from the file menu (PDF reader required).
MAKALAH SEMINAR
Penerapan Algoritma Quickprop pada Jaringan Syaraf Tiruanuntuk Mendeteksi Wajah Manusia
diajukan untuk
The 6th Seminar on Intelligent Technology and Its Applications( SITIA 2005 )Jurusan Teknik ElektroInstitut Teknologi Sepuluh Nopember Surabaya
oleh:
Setyo NugrohoJurusan Teknik InformatikaSTMIK STIKOM Balikpapan
Alamat kontak:STMIK STIKOM BalikpapanJl Kapten P. Tendean 2A, Balikpapan 76121Email 1: setyo@stikom-bpp.ac.idEmail 2: setyo_n@yahoo.com
1
Penerapan Algoritma Quickprop pada Jaringan Syaraf Tiruanuntuk Mendeteksi Wajah Manusia
Setyo Nugroho
Jurusan Teknik Informatika, STMIK STIKOM Balikpapan 76121, email: setyo@stikom-bpp.ac.id
Abstract
- Face detection is one of the most important preprocessing step in face recognition systems used inbiometric identification. Face detection can also beused in searching and indexing still image or videocontaining faces in various size, position, and background. This paper describes a face detectionsystem using multi-layer perceptron and Quickpropalgorithm for training. The system achieves its abilityby means of learning by examples. The training is performed using active learning method to minimizethe amount of data used in training. Experimentalresults show that Quickprop algorithm and activelearning method can improve the training speed significantly.
Keywords
: Quickprop, neural networks, facedetection, active learning
Abstrak
– Deteksi wajah adalah salah satu tahap praproses yang sangat penting di dalam sistem pengenalan wajah yang digunakan untuk sistembiometrik. Deteksi wajah juga dapat digunakan untuk pencarian dan pengindeksan citra atau video yang didalamnya terdapat wajah manusia dalam berbagaiukuran, posisi, dan latar belakang. Makalah inimenjelaskan tentang sebuah sistem pendeteksi wajah yang menggunakan multi-layer perceptron dan dilatihdengan algoritma Quickprop. Sistem ini mendapatkankemampuannya dengan cara belajar dari contoh yangdiberikan. Training dilakukan dengan menggunakanmetode active learning untuk meminimalkan jumlahdata yang digunakan dalam training. Hasileksperimen menunjukkan bahwa algoritma Quickpropdan metode active learning dapat meningkatkankecepatan training.Kata Kunci
: Quickprop, jaringan syaraf tiruan,deteksi wajah, active learning
1. PENDAHULUAN
Teknologi pengenalan wajah semakin banyak diaplikasikan dalam sistem pengenalan biometrik,pencarian dan pengindeksan database citra dan videodigital, sistem keamanan, konferensi video, daninteraksi manusia dengan komputer. Pendeteksianwajah (
face detection
) merupakan salah satu tahapawal yang sangat penting sebelum dilakukan prosespengenalan wajah (
face recognition
).Masalah deteksi wajah dapat dirumuskan sebagaiberikut: diberikan masukan sebuah citra digitalsembarang, maka sistem akan mendeteksi apakah adawajah manusia atau tidak di dalam citra tersebut. Jikaada maka sistem akan memberitahu berapa jumlahwajah yang ditemukan dan dimana lokasi wajah-wajahtersebut di dalam citra. Keluaran dari sistem adalahposisi subcitra berisi wajah-wajah yang berhasildideteksi.Deteksi wajah juga dapat dipandang sebagai masalahklasifikasi pola dimana inputnya adalah suatu citra danoutputnya adalah label kelas dari citra tersebut. Dalamhal ini terdapat dua label kelas, yaitu wajah dan non-wajah [4].Teknik-teknik pengenalan wajah yang dilakukanselama ini banyak yang menggunakan asumsi bahwadata wajah yang tersedia memiliki ukuran yang samadan latar belakang yang seragam. Di dunia nyata,asumsi ini tidak selalu berlaku karena wajah dapatmuncul di dalam citra dengan berbagai ukuran,berbagai posisi, dan latar belakang yang bervariasi [2].
1.1. Supervised Learning
Tujuan pada pembelajaran
supervised learning
adalahuntuk menentukan nilai bobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan(
mapping
) dari input ke output sesuai dengan yangdiinginkan. Pemetaan ini ditentukan melalui satu setpola contoh atau data pelatihan (
training data set
).Setiap pasangan pola
p
terdiri dari vektor input
x
p
danvektor target
t
p
. Setelah selesai pelatihan, jikadiberikan masukan
x
p
seharusnya jaringanmenghasilkan nilai output
t
p
. Besarnya perbedaanantara nilai vektor target dengan output aktual diukurdengan nilai error yang disebut juga dengan
cost function
:
∑∑
∈
−=
P pn pn pn
st E
2
)(21
(1)di mana
n
adalah banyaknya unit pada
output layer
.Tujuan dari training ini pada dasarnya sama denganmencari suatu nilai minimum global dari
E
.
1.2. Algoritma Quickprop
Algoritma Quickprop merupakan hasil pengembangandari algoritma backpropagation standar. Padaalgoritma Quickprop dilakukan pendekatan denganasumsi bahwa kurva fungsi error terhadap masing-
2
masing bobot penghubung berbentuk parabola yangterbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yanglain [1]. Dengan demikian perhitungan perubahanbobot hanya menggunakan informasi lokal padamasing-masing bobot.Perubahan bobot pada algoritma Quickpropdirumuskan sebagai berikut:
)()1(
)()()(
t w E t w E t w E t w E t w
∂∂−−∂∂∂∂+∂∂−=∆
ε
)1(*
−∆
t w
(2)di mana:
)(
t w
∆
: perubahan bobot
)1(
−∆
t w
: perubahan bobot pada epochsebelumnya
ε
: adalah learning rate
)(
t w E
∂∂
: derivatif error
)1(
−∂∂
t w E
: derivatif error pada epochsebelumnyaPada eksperimen dengan masalah XOR danencoder/decoder [1], terbukti bahwa algoritmaQuickprop dapat meningkatkan kecepatan training.
2. CARA PENELITIAN
Data yang digunakan dalam penelitian ini terdiri darisekumpulan citra untuk pelatihan (
training data set
)dan sekumpulan citra untuk pengujian (
testing dataset
). Jumlah citra wajah yang digunakan sebanyak 3000 buah dengan ukuran 20x20 pixel. Sedangkancitra non-wajah diambil dari file-file citra yang tidak terdapat wajah di dalamnya.Jaringan syaraf tiruan (JST) yang digunakan padasistem ini menggunakan jenis multi-layer perceptron.Arsitektur yang digunakan diadaptasi dari hasilpenelitian Rowley dkk. [3], namun lebihdisederhanakan.Lapisan input terdiri dari 400 unit input, yangmenerima masukan dari nilai grayscale pixel 20x20dari subcitra yang akan dideteksi. Sebelum dijadikaninput untuk JST, nilai grayscale yang berkisar dari 0sampai 255 dinormalisasi menjadi antara –1 dan 1.Lapisan output terdiri dari sebuah unit dengan nilaikeluaran berkisar antara –1 dan 1. Pada training dataset didefinisikan nilai 1 untuk data wajah dan –1 untuk data non-wajah.Lapisan tersembunyi (
hidden layer
) terdiri dari total25+16=41 unit. Bagian pertama terhubung denganlapisan input yang membentuk 25 area berukuran 4x4pixel. Bagian kedua terhubung dengan lapisan inputyang membentuk 16 area berukuran 5x5 pixel.Secara keseluruhan jaringan ini memiliki 883 bobotpenghubung, sudah termasuk bias. Pada sistemRowley dkk. [3] yang lebih kompleks, jumlah bobotpenghubungnya mencapai 4357.
2.1. Teknik Active Learning
Dengan teknik
active learning
[4], training dilakukansecara bertahap. Pada tahap pertama training dimulaidengan menggunakan sedikit data non-wajah. Padatahap berikutnya, data training non-wajah ditambahsedikit demi sedikit. Namun data tambahan tersebutdiseleksi hanya untuk data tertentu saja, yaitu datayang yang dideteksi sebagai wajah (
false positive
)pada hasil training tahap sebelumnya. Dengandemikian jumlah data training yang digunakan untuk jaringan syaraf tiruan akan lebih sedikit. Karena datatraining yang digunakan lebih sedikit, waktu yangdiperlukan untuk proses training juga akan lebihsingkat. Gambar 1 menunjukkan penerapan teknik
active learning
untuk sistem pendeteksi wajah.
Gambar 1: Teknik Active Learning untuk Sistem PendeteksiWajah
2.2. Detektor Wajah
Bagian detektor wajah ini menggunakan arsitektur jaringan syaraf yang sama dengan yang digunakanuntuk training. Bobot penghubung yang digunakandiambil dari bobot terakhir yang dihasilkan padaproses training. Hasil deteksi akan diputuskan sebagaiwajah jika output dari JST lebih dari 0, dan diputuskan
False PositiveHasil DeteksiDeteksiWajah
TrainingJST
Data TrainingBobot JSTHasil TrainingPilihrandom
Koleksi ContohData Non-WajahKoleksi ContohData Wajah
Add a Comment