implementasi algoritma backpropagation neural …
TRANSCRIPT
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
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 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
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
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.
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
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
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
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
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
ix
DAFTAR TABEL
Tabel 4.1 Hasil Pelatihan Data .............................................................................. 55 Tabel 4.2Perbandingan Hasil Penelitian ............................................................... 56
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
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
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
xi
Implementasi Algoritma Backpropagation..., Jonathan, FTI UMN, 2018
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..., Jonathan, FTI UMN, 2018