SISTEM PENDETEKSI WAJAH MANUSIAPADA CITRA DIGITAL

(

Human Face Detection System on Digital Images

)

Setyo Nugroho

, Agus Harjoko

Program Studi Ilmu KomputerProgram Pascasarjana Universitas Gadjah Mada

ABSTRACT

Face detection is one of the most important preprocessing step in facerecognition systems used in biometric identification. Face detection can also be used insearching and indexing still image or video containing faces in various size, position,and background.This paper describes a face detection system using multi-layer perceptron andQuickprop algorithm. The system achieves its ability by means of learning by examples.The training is performed using active learning method to minimize the amount of dataused in training.Experimental results show that the accuracy of the system strongly depends onthe quality and quantity of the data used in training. Quickprop algorithm and activelearning method improve the training speed significantly.

Keywords

: face detection, neural networks, Quickprop, active learning

1. STMIK STIKOM Balikpapan2. Fakultas MIPA Universitas Gadjah Mada, Yogyakarta

PENGANTAR

Teknologi pengenalan wajah makin banyak diaplikasikan dalam sistempengenalan biometrik, pencarian dan pengindeksan database citra dan video digital,sistem keamanan, konferensi video, dan interaksi manusia dengan komputer.Pendeteksian wajah (

face detection

) juga merupakan salah satu tahap awal yang sangatpenting sebelum dilakukan proses pengenalan wajah (

face recognition

).Masalah deteksi wajah dapat dirumuskan sebagai berikut: diberikan masukansebuah citra digital sembarang, maka sistem akan mendeteksi apakah ada wajahmanusia di dalam citra tersebut. Jika ada maka sistem akan memberitahu berapa wajahyang ditemukan dan lokasi wajah-wajah tersebut di dalam citra. Keluaran dari sistemadalah posisi subcitra berisi wajah yang berhasil dideteksi.Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimanainputnya adalah suatu citra dan outputnya adalah label kelas dari citra tersebut. Dalamhal ini terdapat dua label kelas, yaitu wajah dan non-wajah (Sung, 1996).Teknik-teknik pengenalan wajah yang dilakukan selama ini banyak yangmenggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama danlatar belakang yang seragam. Di dunia nyata, asumsi ini tidak selalu berlaku karenawajah dapat muncul di dalam citra dengan berbagai ukuran, berbagai posisi, dan latarbelakang yang bervariasi (Hjelmas dan Low, 2001).

Supervised Learning

Tujuan pada pembelajaran

supervised learning

adalah untuk menentukan nilaibobot-bobot koneksi di dalam jaringan sehingga jaringan dapat melakukan pemetaan

mapping

) dari input ke output sesuai dengan yang diinginkan. Pemetaan ini ditentukanmelalui satu set pola contoh atau data pelatihan (

training data set

).Setiap pasangan pola

terdiri dari vektor input

dan vektor target

. Setelahselesai pelatihan, jika diberikan masukan

seharusnya jaringan menghasilkan nilaioutput

. Besarnya perbedaan antara nilai vektor target dengan output aktual diukurdengan nilai error yang disebut juga dengan

cost function

∑∑

∈

−=

P pn pn pn

st E

)(21(1)di mana

adalah banyaknya unit pada

output layer

. Tujuan dari training ini padadasarnya sama dengan mencari suatu nilai minimum global dari

Algoritma Quickprop

Algoritma Quickprop merupakan hasil pengembangkan dari algoritmabackpropagation standar. Pada algoritma Quickprop dilakukan pendekatan denganasumsi bahwa kurva fungsi error terhadap masing-masing bobot penghubung berbentuk parabola yang terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot yang lain (Fahlman, 1988). Dengan demikian perhitunganperubahan bobot hanya menggunakan informasi lokal pada masing-masing bobot.Perubahan bobot pada algoritma Quickprop dirumuskan sebagai berikut:)1(* )()1( )()()(