BAHAN PRESENTASI UNTUK MATAKULIAH JARINGAN SYARAF TIRUAN
SEMESTER GENAP 2019-2020


DOSEN : DARWISON, MT
KHAIRUN HAFIZHAN
(1610951005)

REFERENSI :
  •  DARMAWAN DEDI, 2010 "PENGENALAN WAJAH DENGAN METODE BACKPROPAGATION MENGGUNAKAN KAMERA CCTV INFRAMERAH" , UNIVERSITAS INDONESIA, DEPOK
  • HTTP://PEMROGRAMANMATLAB.COM/
  • HTTP://DIOOKTAMANDALA161034.BLOGSPOT.COM/


 JURUSAN TEKNIK ELEKTRO
FAKULTAS TEKNIK
UNIVERSITAS ANDALAS
PADANG

PENGENALAN WAJAH DENGAN METODE BACKPROPAGATION MENGGUNAKAN KAMERA CCTV INFARAMERAH



1. Tujuan[KEMBALI]

    Tujuan dari aplikasi tugas ini adalah merancang CCTV inframerah agar dapat mendeteksi wajah dengan menggunakan backpropagation

2. Pendahuluan[KEMBALI]

   Dengan perkembangan teknologi sekarang ini, sudah banyak jenis-jenis sistem pendeteksi yang dikembangkan untuk kepentingan pengguna teknologi itu sendiri. Sistem pendeteksi ini bisa digunakan pada sebuah benda maupun anggota tubuh manusia. Teknologi yang menggunakan tubuh manusia sebagai objek deteksi adalah teknologi biometrik. Dimana teknologi biometrik inilah yang digunakan sebagai dasar dari sistem pendeteksi dari dari anggota tubuh manusia. Dalam dunia medis sudah dikenal kalau beberapa dari angota tubuh manusia memiliki perbedaan dengan manusia yang lainnya. Seperti perbedaan pada kontur sidik jari, retina mata dan wajah manusia. Selain itu anggota tubuh manusia juga dapat menghasilkan ekspresi yang berbeda seperti senyum, sedih, marah dan lainlain.
   Salah satu metode yang digunakan dalam proses pendeteksian adalah metode Backpropagation atau Komputasi Balik yang lebih dikenal merupakan bagian dari Jaringan Saraf Tiruan atau Neural Network. Metode ini bias dipergunakan untuk melakukan pendeteksian pada wajah yang sangat berguna untuk sistem keamanan berbasis komputer. Sehingga proses pengenalan terhadap seseorang dapat dilakukan dengan cepat.
   Dan metode ini dapat diaplikasikan pada sistem keamanan berbasis komputer dengan sistem akses. Dalam pengoprasian sistem keamanan yang beroperasi selama 24 jam terdapat masalah pada penggunaan media kamera yang digunakan, dimana kamera visible hanya mampu mengambil gambar dengan pencahayaan yang cukup. Untuk itu perlu dipergunakannya kamera yang mampu beroperasi pada malam hari maupun siang hari, sehingga sistem keamanan dapat bekerja selama 24 jam penuh.

3. Landasan Teori[KEMBALI]

·  Inframerah

Inframerah (Infrared) adalah radiasi elektromagnetik dari Panjang gelombang lebih panjang dari cahaya tampak, tetapi lebih pendek dari radiasi gelombang radio. Nama infrared secara bahasa diartikan "bawah merah" yang dalam bahasa Latin infra berarti "bawah", dan red atau warna merah dalam Bahasa inggris merupakan warna dari cahaya tampak dengan gelombang terpanjang. Radiasi inframerah memiliki tiga kategori jangkauan, Inframerah dengan jarak dekat dengan panjang gelombang 0,75 – 1,5 μm, Inframerah dengan jarak menengah dengan panjang gelombang 1,50 – 10 μm dan Inframerah dengan jarak jauh dengan panjang gelombang 10 – 100 μm. Inframerah ditemukan secara tidak sengaja oleh Sir William Herschell, astronom kerajaan Inggris ketika ia sedang mengadakan penelitian mencari bahan penyaring optik yang akan digunakan untuk mengurangi kecerahan gambar matahari dalam tata surya teleskop.




Gambar 1 Seekor anjing yang diambil dalam cahaya inframerah


    Dari gambar 1 dapat dilihat hasil gambar yang diambil dalam cahaya inframerah, dan dapat terlihat dengan jelas setiap anggota tubuh dari anjing tersebut memancarkan warna yang berbeda. Perbedaan warna tersebut mewakili suhu yang dipancarkan oleh bagian tubuh dari anjing tersebut, semakin tinggi suhu yang dipancarkan maka warna yang ditampilkan akan semakin terang. Dan warna gelap yang di tampilkan pada gambar mewakilkan suhu yang rendah dari objek yang ditangkap.

·  Night Vision
     Penglihatan malam atau night vision adalah kemampuan untuk melihat baik dalam arti dengan kemampuan biologis atau teknologi dalam lingkungan gelap. Kemampuan night vision dapat dicapai dengan menggunakan dua pendekatan yaitu meningkatkan batas spektrum gelombang yang dapat dilihat atau meningkatkan kemampuan untuk melihat intensitas cahaya yang kurang. Pada pendekatan pertama, kemampuan penglihatan mata manusia dibatasi hanya pada batasan tertentu dalam gelombang elektromagnetik yang disebut cahata tampak. Dengan meningkatkan batas spektrum gelombang cahaya yang dapat dilihat, pengamat dapat melihat sumber-sumber cahaya tidak tampak seperti gelombang inframerah atau ultraungu. Pendekatan yang kedua, pengamat diberi kemampuang untuk melihat cahaya walaupun dalam intensitas kecil. Hal ini dapat dicapai dengan menggunakan teknologi image intensifier.

Gambar 2 Gambar yang diambil dengan teropong yang memiliki kemanpuan night vision

·  Kamera CCTV infremerah
       Kamera CCTV infrared adalah jenis kamera CCTV yang digunakan untuk sistem keamanan yang menggunakan Infrared LED dan Infrared filter dalam mengambil gambar. Sinar inframerah memang tidak dapat ditangkap oleh mata telanjang manusia, namun sinar inframerah tersebut dapat ditangkap oleh kamera digital atau video handycam. Dengan adanya suatu teknologi yang berupa filter iR PF [4] yang berfungi sebagai penerus cahaya inframerah, maka kemampuan kamera atau video tersebut menjadi meningkat, seperti pengambilan gambar dalam kondisi gelap. Penggunaan kamera jenis ini dikarenakan keunggulannya dalam menangkap gambar dalam penglihatan malam (night vision). Pada saat malam hari kamera biasa (visible camera) tidak dapat menangkap gambar dengan baik karena kamera biasa memamfaatkan pencahayaan untuk mengambil gambar. Sedangkan kamera CCTV inframerah memamfaatkan cahaya inframerah dan filter inframerah untuk menangkap gambar.
Gambar 3 Bentuk kamera yang digunakan Kamera CCTV IR Outdoor KMK JK-212

·  Jaringan Saraf Tiruan
     Jaringan saraf tiruan (JST) atau umumnya hanya disebut neural network (NN), adalah sistem pembelajaran berbentuk jaringan yang terisnpirasi berdasarkan jaringan saraf manusia. Jaringan Saraf Tiruan merupakan system adaptasi yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan informasi yang masuk dan keluar melalui jaringan tersebut. Bisa dikatakan, Jaringan Saraf Tiruan adalah sebuah sistem pemodelan data statistik non-linier. Jaringan Saraf Tiruan dapat digunakan untuk memodelkan hubungan yang kompleks antara input, hidden dan output yang berupa layer-layer untuk menemukan pola-pola pada data. Untuk pola dari Jaringan Saraf Tiruan dapa dilihat pada gambar 4 yang terdiri dari input layer, hidden layer dan output layer.
Gambar 4 Gambar pola Neural Network

4. Metode[KEMBALI]

Pengenalan Wajah dengan Metode Backpropagation

Ø  Data input
Data yang diambil untuk proses pengenalan adalah gambar (image) dari wajah orang-orang yang dijadikan contoh (sample) pengenalan. Proses pengambilan data dilakukan dengan perangkat (interface) yang dipergunakan dalam sistem. Adapun perangkat yang digunakan dalam melakukan perancangan ini adalah:
·         Kamera CCTV IR Outdoor JMK JK-212
·         Gadmei external USB TV BOX UTV332
·         1 unit PC
- Prosesor Intel Core 2 duo TE4300 @ 1.80 GHz
- Memory ( RAM ) 1 GB
- Operating System Windows 7
- Matlab 7.8.0
- GOM Player
- ACDSee 10 Photo Manager

1. Langkah pertama yaitu mempersiapkan data untuk proses pelatihan dan pengujian. Berikut ini merupakan contoh data untuk proses pelatihan

No
Ciri/ Feature
Target
Mata
Hidung
Mulut
Telinga
Nama Orang
1
0.35
0.47
0.88
0.34
Adi
2
0.59
0.11
0.90
0.56
Budi
3
0.19
0.89
0.54
0.38
Candra
4
0.36
0.90
0.39
0.82
Dedi
5
0.58
0.45
0.80
0.91
Erik
6
0.40
0.45
0.80
0.35
Adi
7
0.61
0.11
0.90
0.55
Budi
8
0.20
0.87
0.56
0.41
Candra
9
0.38
0.88
0.35
0.85
Dedi
10
0.57
0.46
0.82
0.92
Erik
11
0.33
0.45
0.85
0.37
Adi
12
0.55
0.14
0.90
0.57
Budi
13
0.18
0.87
0.55
0.40
Candra
14
0.38
0.89
0.37
0.85
Dedi
15
0.56
0.47
0.83
0.91
Erik
Sedangkan contoh data untuk pengujian adalah sebagai berikut:

No
Ciri/ Feature
Target
Mata
Hidung
Mulut
Telinga
Nama Orang
1
0.38
0.43
0.85
0.34
Adi
2
0.60
0.14
0.87
0.57
Budi
3
0.19
0.88
0.60
0.40
Candra
4
0.35
0.90
0.41
0.83
Dedi
5
0.59
0.45
0.78
0.93
Erik

2. Langkah berikutnya yaitu menyusun data latih beserta target latih sesuai dengan format pemrograman JST di Matlab. Data latih disusun sehingga menjadi matriks berukuran 4 x 15 seperti berikut ini :

0.35
0.59
0.19
0.36
0.58
0.40
0.61
0.20
0.38
0.57
0.33
0.55
0.18
0.38
0.56
0.47
0.11
0.89
0.90
0.45
0.45
0.11
0.87
0.88
0.46
0.45
0.14
0.87
0.89
0.47
0.88
0.90
0.54
0.39
0.80
0.80
0.90
0.56
0.35
0.82
0.85
0.90
0.55
0.37
0.83
0.34
0.56
0.38
0.82
0.91
0.35
0.55
0.41
0.85
0.92
0.37
0.57
0.40
0.85
0.91

Sedangkan target latih disusun menjadi matriks berukuran 1 x 15 seperti berikut ini :

1
2
3
4
5
1
2
3
4
5
1
2
3
4
5

Keterangan: 1 = Adi, 2 = Budi, 3 = Candra, 4 = Dedi, 5 =  Erik



3. Langkah selanjutnya yaitu menuliskan coding pada script matlab seperti berikut ini :

(3.1) coding untuk menuliskan data latih dan target latih pada matlab
% Mempersiapkan data latih dan target latih
data_latih = [0.35,0.59,0.19,0.36,0.58,0.40,0.61,0.20,0.38,0.57,0.33,0.55,0.18,0.38,0.56;...
     0.47,0.11,0.89,0.90,0.45,0.45,0.11,0.87,0.88,0.46,0.45,0.14,0.87,0.89,0.47;...
     0.88,0.90,0.54,0.39,0.80,0.80,0.90,0.56,0.35,0.82,0.85,0.90,0.55,0.37,0.83;...
     0.34,0.56,0.38,0.82,0.91,0.35,0.55,0.41,0.85,0.92,0.37,0.57,0.40,0.85,0.91];
target_latih = [1,2,3,4,5,1,2,3,4,5,1,2,3,4,5];
[~,N] = size(data_latih);

(3.2) Selanjutnya membuat coding Jaringan Syaraf Tiruan Backpropagation dengan arsitektur 4-2-1 dan inisialisasi bobot awal secara acak. Pada pemrograman ini digunakan fungsi aktivasi sigmoid biner (logsig) pada hidden layer dan fungsi aktivasi linear (purelin) pada layer keluaran. Sedangkan fungsi pelatihan menggunakan metode gradien descent
% Pembuatan JST                                               
net = newff(minmax(data_latih),[2 1],{'logsig','purelin'},'traingdx');
net.IW{1,1} = [-7.62,0.97,-2.60,-9.55;-5.83,-3.41,3.08,-4.44];
net.LW{2,1} = [-2.40,-2.67];
net.b{1,1} = [9.38;-2.7];
net.b{2,1} = 5.93;

(3.3) Membuat coding untuk memberikan parameter-parameter yang mempengaruhi proses pelatihan jst seperti parameter jumlah epoch, target error, learning rate, momentum.
% Memberikan nilai untuk mempengaruhi proses pelatihan
net.performFcn = 'mse';
net.trainParam.goal = 0.01;
net.trainParam.show = 20;
net.trainParam.epochs = 1000;
net.trainParam.mc = 0.95;
net.trainParam.lr = 0.1;

(3.4) Membuat coding untuk melakukan pelatihan jaringan
% Proses training
[net_keluaran,tr,Y,E] = train(net,data_latih,target_latih);
sehingga muncul tampilan seperti berikut:


Pada tampilan tersebut ditunjukkan bahwa target error (mse) tercapai pada epoch ke 506. Kita bisa melihat error (mse) yang dihasilkan pada setiap epoch dengan meng-klik tombol ‘performance’ sehingga muncul tampilan seperti berikut :


Sedangkan koefisien korelasi hasil pelatihan dapat dilihat dengan meng-klik tombol ‘regression’ sehingga diperoleh:


Nilai koefisien korelasi sebesar 0.99751 menunjukkan bahwa akurasi hasil proses pelatihan sangat baik.

(3.5) Untuk melihat nilai-nilai hasil pelatihan, kita dapat menuliskan coding sbb:
% Hasil setelah pelatihan
bobot_hidden = net_keluaran.IW{1,1};
bobot_keluaran = net_keluaran.LW{2,1};
bias_hidden = net_keluaran.b{1,1};
bias_keluaran = net_keluaran.b{2,1};
jumlah_iterasi = tr.num_epochs;
nilai_keluaran = Y;
nilai_error = E;    
error_MSE = (1/N)*sum(nilai_error.^2);

4. Langkah terakhir yaitu proses pengujian jaringan
(4.1) Data uji disusun seperti ditunjukkan oleh matriks berikut

0.38
0.60
0.19
0.35
0.59
0.43
0.14
0.88
0.90
0.45
0.85
0.87
0.60
0.41
0.78
0.34
0.57
0.40
0.83
0.93

(4.2) Dalam matlab kita dapat menuliskan coding sebagai berikut
% Performa jaringan
data_uji = [0.38,0.60,0.19,0.35,0.59;...
    0.43,0.14,0.88,0.90,0.45;...
    0.85,0.87,0.60,0.41,0.78;...
    0.34,0.57,0.40,0.83,0.93];
hasil_uji = round(sim(net_keluaran,data_uji))

sehingga diperoleh hasil pada command window seperti berikut ini:

Hasil tersebut 100% sesuai dengan target uji yang telah diberikan sebelumnya. Pada contoh ini ditunjukkan bahwa JST dapat mengidentifikasi/ membedakan pola wajah seseorang berdasarkan ciri mata, hidung, mulut, dan telinga dengan baik.

5. video simulasi[KEMBALI]

6. link download[KEMBALI]

Tidak ada komentar:

Posting Komentar

Langganan: Postingan (Atom)