Professional Documents
Culture Documents
diajukan untuk
oleh:
Setyo Nugroho
Jurusan Teknik Informatika
STMIK STIKOM Balikpapan
Alamat kontak:
STMIK STIKOM Balikpapan
Jl Kapten P. Tendean 2A, Balikpapan 76121
Email 1: setyo@stikom-bpp.ac.id
Email 2: setyo_n@yahoo.com
1
Abstract - Face detection is one of the most important sembarang, maka sistem akan mendeteksi apakah ada
preprocessing step in face recognition systems used in wajah manusia atau tidak di dalam citra tersebut. Jika
biometric identification. Face detection can also be ada maka sistem akan memberitahu berapa jumlah
used in searching and indexing still image or video wajah yang ditemukan dan dimana lokasi wajah-wajah
containing faces in various size, position, and tersebut di dalam citra. Keluaran dari sistem adalah
background. This paper describes a face detection posisi subcitra berisi wajah-wajah yang berhasil
system using multi-layer perceptron and Quickprop dideteksi.
algorithm for training. The system achieves its ability
by means of learning by examples. The training is Deteksi wajah juga dapat dipandang sebagai masalah
performed using active learning method to minimize klasifikasi pola dimana inputnya adalah suatu citra dan
the amount of data used in training. Experimental outputnya adalah label kelas dari citra tersebut. Dalam
results show that Quickprop algorithm and active hal ini terdapat dua label kelas, yaitu wajah dan non-
learning method can improve the training speed wajah [4].
significantly.
Teknik-teknik pengenalan wajah yang dilakukan
Keywords: Quickprop, neural networks, face selama ini banyak yang menggunakan asumsi bahwa
detection, active learning data wajah yang tersedia memiliki ukuran yang sama
dan latar belakang yang seragam. Di dunia nyata,
asumsi ini tidak selalu berlaku karena wajah dapat
Abstrak – Deteksi wajah adalah salah satu tahap muncul di dalam citra dengan berbagai ukuran,
praproses yang sangat penting di dalam sistem berbagai posisi, dan latar belakang yang bervariasi [2].
pengenalan wajah yang digunakan untuk sistem
biometrik. Deteksi wajah juga dapat digunakan untuk 1.1. Supervised Learning
pencarian dan pengindeksan citra atau video yang di
dalamnya terdapat wajah manusia dalam berbagai Tujuan pada pembelajaran supervised learning adalah
ukuran, posisi, dan latar belakang. Makalah ini untuk menentukan nilai bobot-bobot koneksi di dalam
menjelaskan tentang sebuah sistem pendeteksi wajah jaringan sehingga jaringan dapat melakukan pemetaan
yang menggunakan multi-layer perceptron dan dilatih (mapping) dari input ke output sesuai dengan yang
dengan algoritma Quickprop. Sistem ini mendapatkan diinginkan. Pemetaan ini ditentukan melalui satu set
kemampuannya dengan cara belajar dari contoh yang pola contoh atau data pelatihan (training data set).
diberikan. Training dilakukan dengan menggunakan
metode active learning untuk meminimalkan jumlah Setiap pasangan pola p terdiri dari vektor input xp dan
data yang digunakan dalam training. Hasil vektor target tp. Setelah selesai pelatihan, jika
eksperimen menunjukkan bahwa algoritma Quickprop diberikan masukan xp seharusnya jaringan
dan metode active learning dapat meningkatkan menghasilkan nilai output tp. Besarnya perbedaan
kecepatan training. antara nilai vektor target dengan output aktual diukur
dengan nilai error yang disebut juga dengan cost
Kata Kunci : Quickprop, jaringan syaraf tiruan, function:
deteksi wajah, active learning
1
1. PENDAHULUAN
E= ∑∑
2 p∈P n
(t np − s np ) 2
(1)
Teknologi pengenalan wajah semakin banyak
diaplikasikan dalam sistem pengenalan biometrik, di mana n adalah banyaknya unit pada output layer.
pencarian dan pengindeksan database citra dan video Tujuan dari training ini pada dasarnya sama dengan
digital, sistem keamanan, konferensi video, dan mencari suatu nilai minimum global dari E.
interaksi manusia dengan komputer. Pendeteksian
wajah (face detection) merupakan salah satu tahap 1.2. Algoritma Quickprop
awal yang sangat penting sebelum dilakukan proses
pengenalan wajah (face recognition). Algoritma Quickprop merupakan hasil pengembangan
dari algoritma backpropagation standar. Pada
Masalah deteksi wajah dapat dirumuskan sebagai algoritma Quickprop dilakukan pendekatan dengan
berikut: diberikan masukan sebuah citra digital asumsi bahwa kurva fungsi error terhadap masing-
2
masing bobot penghubung berbentuk parabola yang Lapisan tersembunyi (hidden layer) terdiri dari total
terbuka ke atas, dan gradien dari kurva error untuk 25+16=41 unit. Bagian pertama terhubung dengan
suatu bobot tidak terpengaruh oleh bobot-bobot yang lapisan input yang membentuk 25 area berukuran 4x4
lain [1]. Dengan demikian perhitungan perubahan pixel. Bagian kedua terhubung dengan lapisan input
bobot hanya menggunakan informasi lokal pada yang membentuk 16 area berukuran 5x5 pixel.
masing-masing bobot.
Secara keseluruhan jaringan ini memiliki 883 bobot
Perubahan bobot pada algoritma Quickprop penghubung, sudah termasuk bias. Pada sistem
dirumuskan sebagai berikut: Rowley dkk. [3] yang lebih kompleks, jumlah bobot
penghubungnya mencapai 4357.
∂E
(t ) 2.1. Teknik Active Learning
∂E ∂ w
∆w(t ) = −ε (t ) +
∂w ∂E ∂E Dengan teknik active learning [4], training dilakukan
(t − 1) − (t )
∂w ∂w secara bertahap. Pada tahap pertama training dimulai
dengan menggunakan sedikit data non-wajah. Pada
* ∆w(t − 1) (2) tahap berikutnya, data training non-wajah ditambah
sedikit demi sedikit. Namun data tambahan tersebut
diseleksi hanya untuk data tertentu saja, yaitu data
di mana: yang yang dideteksi sebagai wajah (false positive)
∆w(t ) : perubahan bobot pada hasil training tahap sebelumnya. Dengan
∆w(t − 1) : perubahan bobot pada epoch demikian jumlah data training yang digunakan untuk
sebelumnya jaringan syaraf tiruan akan lebih sedikit. Karena data
ε : adalah learning rate training yang digunakan lebih sedikit, waktu yang
diperlukan untuk proses training juga akan lebih
∂E singkat. Gambar 1 menunjukkan penerapan teknik
(t ) : derivatif error
∂w active learning untuk sistem pendeteksi wajah.
∂E
(t − 1) : derivatif error pada epoch Koleksi Contoh Koleksi Contoh
∂w Data Non-Wajah Data Wajah
sebelumnya
2.4. Preprocessing
Jumlah Data
Random Data Active Learning
Training
non- Detection False Detection False
wajah total
wajah Rate Positive Rate Positive
3000 5200 8200 63,76% 732 71,14% 62
3000 3000 6000 62,42% 1160 71,14% 201
2
4. KESIMPULAN
REFERENSI