IMPLEMENTASI ALGORITMA BACKPROPAGATION NEURAL …

Team project ©2017 Dony Pratidana S. Hum | Bima Agus Setyawan S. IIP

Hak cipta dan penggunaan kembali:

Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis dan melisensikan ciptaan turunan dengan syarat yang serupa dengan ciptaan asli.

Copyright and reuse:

This license lets you remix, tweak, and build upon work non-commercially, as long as you credit the origin creator and license it on your new creations under the identical terms.

i

IMPLEMENTASI ALGORITMA BACKPROPAGATION

NEURAL NETWORKS DENGAN OPTIMASI PCA UNTUK

PENGENALAN WAJAH 3 DIMENSI

SKRIPSI

Diajukan sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer (S.Kom.)

Jonathan

12110110073

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN INFORMATIKA

UNIVERSITAS MULTIMEDIA NUSANTARA

TANGERANG

2018

Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018

iv

KATA PENGANTAR

Puji dan syukur atas karunia dan penyertaan Tuhan Yang Maha Esa

kepada kita setiap harinya. Begitu juga dengan penulis yang saat ini telah mampu

menyelesaikan skripsi yang berjudul “Implementasi Algoritma Backpropagation

Neural Network dengan Optimasi PCA untuk Pengenalan Wajah 3 Dimensi” yang

diajukan kepada Program Studi Teknik Informatika, Fakultas Teknik dan

Informatika, UMN.

Terselesaikannya skripsi ini tidak lepas dari kerja sama dan dukungan

banyak pihak. Oleh Karena itu, penulis mengucapkan terima kasih kepada:

1. Dr. Ninok Leksono, selaku Rektor Universitas Multimedia Nusantara,

yang memberi inspirasi bagi penulis untuk berprestasi,

2. Hira Meidia Ph.D. selaku Dekan Fakultas Teknologi Informasi dan

Komunikasi Universitas Multimedia Nusantara,

3. Maria Irmina Prasetiyowati, S.Kom., M.T., selaku Kepala Prodi Teknik

Informatika, yang memberi inspirasi bagi penulis untuk berprestasi

4. Adhi Kusnadi, S.T., M.Si., selaku Dosen Pembimbing, yang membimbing

pembuatan skripsi dan telah mengajar penulis tata cara menulis karya

ilmiah dengan benar,

5. Daud Julio, S.Kom., teman yang telah membantu mengajari penulis dalam

penggunaan teknologi Kinect dan Backpropagation Neural Network,

6. Wiwi Halim, ayah yang sangat dicintai dan dihormati oleh penulis serta

selalu mendukung penulis hingga saat ini,

7. Elisha Chandra, ibunda yang juga sangat dicintai dan dihormati oleh

penulis serta selalu mendukung penulis hingga saat ini,

8. Seluruh teman-teman satu jurusan, baik angkatan 2011, 2012, 2013, 2014,

dan 2015 yang senantiasa memberikan masukan, candaan, ilmu, serta

dukungan mental kepada penulis.

Semoga skripsi ini dapat bermanfaat, baik sebagai sumber informasi

maupun sumber inspirasi, bagi para pembaca, terutama para mahasiswa


vi

IMPLEMENTASI ALGORITMA BACKPROPAGATION

NEURAL NETWORKS DENGAN OPTIMASI PCA UNTUK

PENGENALAN WAJAH 3 DIMENSI

ABSTRAK

Metode yang digunakan untuk membantu memenuhi keaslian jaminan informasi

adalah otentikasi berbasis biometric, antara lain, sistem pengenalan wajah dua

dimensi, namun masih dapat melakukan kesalahan dalam pengenalan.

Kekurangan tersebut bisa diatasi dengan menggunakan sistem pengenalan wajah

tiga dimensi (3D) berbasis backpropagationneural network, namun proses

pelatihan dan pengenalan wajah memakan waktu yang lama karena jumlah data

yang harus diproses memiliki dimensi yang sangat besar.MetodePCA (Principal

Component Analysis) digunakan untuk mengoptimasi algoritma backpropagation

neural network untuk melakukan pengenalan suatu pola tertentu, dan mengurangi

dimensi data yang perlu diproses oleh sistem. Aplikasi ini dibangun dengan

menggunakan bahasa pemrograman C# dan menggunakan Visual Studio

Community 2017. Aplikasi dibangun untuk testing yang dilakukan pada platform

Windows. Data terdiri atas sepuluh orang dengan setiap orang diambil sepuluh

wajah sebagai sample. Data training menggunakan delapan dari sepuluh wajah

untuk setiap orang. Data testing menggunakan dua puluh data kedalaman wajah

untuk menghitung akurasi. Sistem berhasil diimplementasikan dengan waktu

pelatihan tercepat 62,1808 detik dan menghasilkan akurasi 80% dengan

menggunakan hidden node sebanyak 100 dan learning rate sebesar 0,005.

Kecepatan pengenalan wajah yang dapat dicapai adalah 65,3427 milidetik.

Kata kunci: Principal Component Analysis, Backpropagation, Jaringan Saraf

Tiruan, Pengenalan Wajah, Visual Studio Community 2017.


vii

IMPLEMENTATION OF BACKPROPAGATION NEURAL

NETWORKS ALGORITHM WITH PCA OPTIMIZATION FOR

3 DIMENSIONAL FACE RECOGNITION

ABSTRACT

The method used to help meet the authenticity of information assurance is

biometric-based authentication, among others, a two-dimensional (2D) face

recognition system, but it still can make mistakes in recognition. A three-

dimensional (3D) face recognition system using backpropagation neural network

can be used to overcome these weakness, but has a large dimension of data that is

need to be processed by system, causing the training process and recognition

process to be slow. The PCA algorithm is used to optimize the backpropagation

neural network algorithm to recognize particular pattern and to reduce the

dimension of data needed to be processed. This application is built using the C#

programming language and uses Visual Studio Community 2017. Application are

built for testing performed on the Windows platform. The data consists of ten

people with each person taken ten faces as a sample. Data training uses eight out

of ten faces for each person. Data testing uses twenty facial depth data to calculate

accuracy. The system was successfully implemented with the fastest training time

of 62,1808 seconds and resulted in 80% accuracy using 100 hidden nodes and

learning rate of 0,005. The fastest speed of face recognition that can be achieved

is 65,3427 miliseconds.

Keywords: Principal Component Analysis,Backpropagation, Neural Network,

Face Recognition, Visual Studio Community 2017


viii

DAFTAR ISI

LEMBAR PENGESAHAN SKRIPSI .................................................................... ii

PERNYATAAN TIDAK MELAKUKAN PLAGIAT ............................................ iii

KATA PENGANTAR ............................................................................................. iv ABSTRAK ............................................................................................................. vi ABSTRACT .......................................................................................................... vii DAFTAR ISI ........................................................................................................ viii

DAFTAR TABEL ................................................................................................... ix DAFTAR GAMBAR .............................................................................................. x

DAFTAR RUMUS ................................................................................................. xi

BAB I PENDAHULUAN ....................................................................................... 1

1.1 Latar Belakang ....................................................................................... 1

1.2 Rumusan Masalah .................................................................................. 2

1.3 Batasan Masalah..................................................................................... 3

1.4 Tujuan Penelitian .................................................................................... 4

1.5 Manfaat Penelitian ................................................................................. 4

BAB II LANDASAN TEORI ................................................................................. 5

2.1 Time of Flight Camera ........................................................................... 5

2.2 Kinect Xbox One ................................................................................... 7

2.3 Neural Networks .................................................................................... 8

2.4 Backpropagation ................................................................................... 11

2.5PCA .............................................................................................................. 14

BAB III METODE DAN PERANCANGAN SISTEM ........................................ 17

3.1 Metode Penelitian................................................................................. 17

3.2 Perancangan Sistem ............................................................................. 18

3.2.1 Rancangan Flowchart .................................................................... 18

3.2.2 Desain Antar Muka ....................................................................... 26

3.2.3 Struktur File .................................................................................. 37

3.2.4 Arsitektur Neural Network ............................................................ 38

BAB IV IMPLEMENTASI DAN UJI COBA ...................................................... 39

4.1 Spesifikasi Sistem ................................................................................ 39

4.2 Implementasi ........................................................................................ 39

4.2.1 Aplikasi Hasil Implementasi ......................................................... 40

4.2.2 Langkah Kerja Hasil Implementasi ............................................... 47

4.2.3 Kalkulasi PCA ............................................................................... 50

4.3 Uji Coba ............................................................................................... 53

4.3.1 Uji Coba Data Wajah .................................................................... 53

BAB V SIMPULAN DAN SARAN ..................................................................... 58

5.1 Simpulan .............................................................................................. 58

5.2 Saran ..................................................................................................... 58

DAFTAR PUSTAKA ............................................................................................ 59

LAMPIRAN 1 ....................................................................................................... 62

LAMPIRAN 2 ....................................................................................................... 63


ix

DAFTAR TABEL

Tabel 4.1 Hasil Pelatihan Data .............................................................................. 55 Tabel 4.2Perbandingan Hasil Penelitian ............................................................... 56


x

DAFTAR GAMBAR

Gambar 2.1 Contoh Gambar Kinect Xbox One ...................................................... 7 Gambar 2.2 Bentuk Standar Neural Networks (Tadiou, 2010) ............................. 10

Gambar 3.1 Flowchart Aplikasi ............................................................................ 20

Gambar 3.2 Flowchart Calculate Eigenface.......................................................... 21

Gambar 3.3 Flowchart Pelatihan Neural Network ................................................ 23

Gambar 3.4 Flowchart Proses Identifikasi Pindaian Wajah .................................. 25

Gambar 3.5 Tampilan Beranda.............................................................................. 26

Gambar 3.6 Tampilan Daftarkan Wajah Sebelum Ambil Gambar ........................ 27

Gambar 3.7 Tampilan Daftarkan Wajah Sesudah Ambil Gambar ......................... 28

Gambar 3.8 Tampilan Wajah Menggunakan Wajah Baru ..................................... 29

Gambar 3.9 Flowchart Pelatihan Neural Network ................................................ 30

Gambar 3.10 Tampilan Pengenalan Wajah Sesudah Pemilihan Wajah ................. 32

Gambar 3.11 Tampilan Mulai Pelatihan ................................................................ 33

Gambar 3.12 Tampilan Laman Eigenfaces ........................................................... 34

Gambar 3.13 Tampilan Laman Login ................................................................... 36

Gambar 3.14 Struktur File..................................................................................... 37

Gambar 3.15 Arsitektur Neural Network .............................................................. 38

Gambar 4.1Beranda Aplikasi ................................................................................ 40

Gambar 4.2 Bagian Pertama Daftarkan Wajah ..................................................... 41

Gambar 4.3 Bagian Kedua Daftarkan Wajah ........................................................ 41

Gambar 4.4 Bagian Mulai Pelatihan Sebelum Pelatihan Dimulai ........................ 42

Gambar 4.5 Bagian Mulai Pelatihan Saat Inisialisasi ........................................... 43

Gambar 4.6 Bagian Mulai Pelatihan Saat Pelatihan ............................................. 43

Gambar 4.7 Bagian Mulai Pelatihan Saat Selesai Pelatihan ................................. 44

Gambar 4.8 Bagian Pertama Pengenalan Wajah Menggunakan Wajah Baru ....... 44

Gambar 4.9 Bagian Pengenalan Wajah Menggunakan Wajah Tersimpan ............ 45

Gambar 4.10 Bagian Pengenalan Wajah Saat Memilih Wajah ............................. 46

Gambar 4.11Bagian Eigenfaces ............................................................................ 46

Gambar 4.12 Potongan Kode Pengambilan Data Kedalaman .............................. 51

Gambar 4.13 Potongan Kode Penampung ............................................................ 51

Gambar 4.14 Potongan Kode Perata-rataan Data Kedalaman Wajah ................... 52

Gambar 4.15 Potongan Kode Penghilang Noise pada Data Kedalaman Wajah ...52

Gambar 4.16 Potongan Kode Penghitung Vektor

Kovarians………………….....52

Gambar 4.17 Potongan Kode Penghitung Nilai Eigenvector dan

Eigenvalue........53

Gambar 4.18 Potongan Kode Penghitung Nilai

Eigenface…………………….....53


xi


xii

DAFTAR RUMUS

(2.1) Rumus Matematika Neural Networks ............................................................ 9

(2.2) Rumus Perhitungan Mean Squared Error ..................................................... 12 (2.3) Rumus Perhitungan Penurunan Parsial ....................................................... 12 (2.4) Rumus Pengurangan Nilai Weight ............................................................... 13

(2.5) Rumus Penghilang Noise Pada Rata-Rata Kedalaman Wajah ...................... 15 (2.6) Rumus Penghitung Data Kedalaman Wajah Tanpa Noise ............................ 15

(2.7) Rumus Penghitung Kovarians Matriks ......................................................... 16 (2.8) Rumus Penghitung Nilai Eigen .................................................................... 16


IMPLEMENTASI ALGORITMA BACKPROPAGATION NEURAL …

Documents

Transcript of IMPLEMENTASI ALGORITMA BACKPROPAGATION NEURAL …