BAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector

BAB III METODOLOGI PENELITIAN

3.1

Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector

Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian, yaitu studi literatur, pengembangan perangkat lunak, uji coba, dan eksperimen. 3.1.1 Studi Literatur Studi literatur bertujuan untuk mempelajari teori-teori yang berhubungan dengan pengenalan wajah dengan Jaringan Syaraf TiruanLearning Vector Quantization (LVQ) dengancitra wajah Gaussian Blurseperti image processing, pattern recognition, face recognition, mempelajari penggunaan Gaussian Blur pada citra wajah, dan metode LVQ untuk pengenalan wajah. Bahan-bahan studi literatur diperoleh dari buku-buku baik lokal maupun terjemahan buku internasional, artikel-artikel, jurnal, dan ebook dari internet. 3.1.2 Pengembangan Sistem Dalam tahap pengembangan sistem menggunakan metode pendekatan terstruktur dengan menggunakan model sekuensial linear. Dimana tahapan – tahapan model ini adalah analisis, desain, codingdan testing. a.

Analisis

Ratih Pujihati , 2014 Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

Tahap analisis adalah tahap pengumpulan informasi yang berkaitan dengan pembangunan sistem pengenalan wajah, baik kebutuhan data,


39

perangkat keras, maupun perangkat lunak. Pada tahap analisis dilakukan pula cara-cara perhitungan metode LVQ untuk pengenalan wajah dengan citra wajah Gaussian Blur. b.

Desain Setelah tahap analisis selesai dilakukan, selanjutnya adalah tahap desain. Tahap ini merancang model dan alur pembangunan sistem pengenalan wajah sesuai dengan analisis yang telah dilakukan.

c.

Coding Setelah desain

dan alur

dirancang,

selanjutnya

adalah

proses

implementasi coding. Tahap ini merupakan tahap utama karena pada tahap inilah proses pembangunan sistem yang dapat menyelesaikan masalah dan mengolah data-data yang telah terkumpul. Pada tahap ini pula proses hasil desain yang telah dibuat diimplementasikan. d.

Testing Setelah perangkat lunak berhasil dibuat selanjutnya adalah pengujian terhadap sistem pengenalan wajah menggunakan metode LVQ. Pengujian dilakukan dengan menguji tingkat akurasi pengenalan wajah dengan variasi blur pada sistem yang dibangun.


40

Gambar 3.1 merupakan model pengembangan perangkat lunak dengan menggunakan model sekuensial linear.

Pemodelan Sistem Informasi Analisis Desain

Coding

Testing

Gambar 3.1 Model Pengembangan Perangkat Lunak (Pressman, 2001)

3.1.3 Uji Coba Sistem Tahap ini merupakan tahap pengujian sistem dengan menggunakan data dummy sebagai masukannya. Proses ini dilakukan sampai sistem berjalan dengan baik atau sampai sistem tidak mengalami error. 3.1.4 Eksperimen Setelah sistem berjalan dengan baik, maka tahap selanjutnya adalah tahap eksperimen terhadap data training dan data testingcitra wajah dengan tingkat Gaussian Bluryang bervariasi sebagai masukan untuk melakukan pembuktian bahwa proses pengenalan wajah dengan penerapan metode Jaringan Syaraf Tiruan LVQ dapat menghasilkan keluaran yang sesuai dengan target.

3.2

Desain Penelitian


41

Gambar 3.2 menggambarkan desain penelitianpenerapan metode Jaringan Syaraf Tiruan (Learning Vector Quantization) LVQ untuk pengenalan wajah pada citra wajah Gaussian Blur.

Gambar 3.2 Desain Penelitian Penjelasan dari desain penelitian diatas adalah sebagai berikut: a.

Studi Literatur


42

Studi Literatur merupakan tahan awal dalam pembuatan penelitian dengan mengumpulkan data berupa buku, artikel, jurnal ataupun bahan-bahan lainnya yang menunjang dalam penelitian. Selain itu memahami juga teori tentang penerapan metode LVQ untuk pengenalan wajah. b.

Mengumpulkan Data Penelitian Citra Wajah Data penelitian yang digunakan dalam penelitian ini diambil dari http://www.milbo.org/muct/. Data yang digunakan sebanyak10 responden yang masing-masing diambil citra wajahnya sebanyak 15citra. Kemudian pada masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai 5.Sehingga jumlah data citra wajah tiap responden menjadi 90 citra, dan total citra wajah seluruh responden sebanyak 900 citra.

c.

Segmentasi Segmentasi bertujuan untuk memilih dan memisahkan suatu objek dari keseluruhan citra. Pada penelitian ini ukuran masukan citra wajah pada sistem pengenalan tidak ditentukan, oleh karena itu dibutuhkan tahap segmentasi. Proses segmentasi yang dilakukan adalah scalling, dimana pada proses scalling dilakukan pemotongan citra wajah masukan dari background citra, sehingga ukuran citra wajah yang akan diproses difokuskan pada citra wajah saja.

d.

Grayscalling Grayscale adalah proses konversi citra berwarna RGB ke warna abu-abu (gray) yang berfungsi untuk menyederhanakan citra. Pada awalnya citra


43

terdapat 3 layer matriks yaitu R-layer, G-layer, B-layer, dengan mengubahnya ke grayscale menjadikan citra tersebut memiliki 1 layer yaitu matriks grayscale. e.

Thresholding Proses Threshold merupakan proses konversi citra grayscale menjadi citra biner (binary image) dengan nilai 1 dan 0. Citra grayscale memiliki nilai intensitas warna antara 0 – 255 sehingga pada untuk memberikan nilai binary image pada citra ditentukan terlebih dahulu batas ambang yang akan membagi 2 daerah pada citra. Pada penelitian ini, dalam menentukan batas ambang nilai threshold menggunakan metode Otsu. Metode Otsu adalah suatu metode yang menghitung nilai ambang secara otomatisberdasarkan citra masukan. Pendekatan

yang digunakan oleh metode Otsu adalah dengan

melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih daerah yang muncul secara alami. f.

Feature Extraction Feature Extractionmerupakan proses yang bertujuan untuk memperoleh karakteristik suatu karakter citra yang membedakan suatu karakter atau pola dari pola yang lainnya, yang disebut dengan fitur. Fitur ini digunakan untuk mengambil informasi yang relevan dari citra wajah yang menjadi masukan agar dapat dimengerti oleh sistem. Pada penelitian ini teknik Feature Extractionyang dipilih adalah teknik zoning.Teknik zoningini dilakukan dengan mengubah masukan citra wajah menjadi N x M wilayah. Pada


44

penelitian ini, dimensi masukan citra wajah akan diubah menjadi 5 x 7 wilayah. g.

Metode Learning Vector Quantization Pada metode LVQ terdapat beberapa langkah seperti berikut : 1) Training data Tahapan ini bertujuan untuk menghasilkan pola keluaran yang sesuai dengan target yang diharapkan. Data citra wajah yang telah didapat akan dimasukan ke dalam metode LVQ dan selanjutnya data tersebut dilatih dan ditentukan pola keluarannya. 2) Testingdata Setelah melakukan pelatihan, maka dilakukan test data untuk mengetahui hasil dari penelitian, dimana parameter-parameter yang digunakan diperoleh pada proses training.

h.

Pengujian Sistem Pengujian sistem dilakukan untuk mengetahui akurasi pengenalan wajah yang dihasilkan oleh sistem. Pengujian sistem dalam penelitian ini menggunakan beberapa skenario pengujian, yaitu

i.

1)

Pengujian berdasarkan responden

2)

Pengujian berdasarkan tingkat blur

3)

Pengujian berdasarkan pose wajah

4)

Pengujian berdasarkan tingkat cahaya

Analisis Hasil Penelitian dan Kesimpulan


45

Setelah hasil dari penelitian atau objek sudah didapatkan melalui proses training dan testing selanjutnya akan dianalisa berdasarkan beberapa parameter berikut : a.

Waktu Training Waktu yang dihabiskan pada saat proses training.

b.

Tingkat Akurasi Mengukur tingkat akurasi perhitungan kemiripan.

c.

Jumlah Data Training Jumlah data training yang digunakan pada jaringan untuk mencapai tingkat akurasi yang sudah ditentukan.

j.

Dokumentasi Hasil Penelitian Setelah

proses

dan

tahapan

sudah

dilewati

kemudian

akan

didokumentasikan menjadi sebuah hasil penelitian.

3.3

Alat dan Bahan Penelitian Dalam pembangunan perangkat lunak penerapan metode LVQ pada

pengenalan wajah membutuhkan seperangkat alat komputer yang disertai dengan perangkat lunak pendukung. Sedangkan bahan yang digunakan berupa citra wajahtanpa Gaussian Blur dan citra wajah dengan tingkat Gaussian Blur. 3.3.1 Alat Penelitian a)

Kebutuhan Perangkat Keras Perangkat keras pendukung yang digunakan dalam penelitian ini adalah:


46

 Processor Core i3-2100 3.10 GHz  RAM 2 GHz  Harddisk 500 GB  Monitor Resolusi 1366 x 768, 32 bit colour quality  Mouse dan Keyboard b) Kebutuhan Perangkat Lunak Perangkat lunak yang dibutuhkan adalah sebagai berikut:  Windows 8 Profesional  MATLAB Version8.1.0.6 04 (R2013a)  Microsoft Office Word 2013  Adobe Photoshop CS5  Power Designer v5.3 3.3.2 Bahan Penelitian Data penelitian yang digunakan dalam penelitian ini diambil dari http://www.milbo.org/muct/. Data yang digunakan sebanyak 10 responden yang masing-masing diambil citra wajahnya sebanyak 15 citra. Kemudian pada masingmasing citra wajah diberi Gaussian Blur tingkat 1 sampai 5. Sehingga jumlah data citra wajah tiap responden menjadi 90 buah terdiri dari 75 citra wajah dengan Gaussian Blur dan 15 citra wajah tanpa Gaussian Blur. Total citra wajah seluruh responden sebanyak 900 buah. Ukuran citra wajah tidak ditentukan karena sistem akan otomatis melakukan pemotongan citra yang menjadi masukan.


47

3.4

Implementasi Penelitian

3.4.1 Prosedur Pengerjaan Penelitian Penelitian ini memerlukan tahapan-tahapan yang harus dilakukan seperti pengumpulan data berupa dokumen, data sampel berupa citra wajah dengan tingkat Gaussian Blurdan citra tanpa Gaussian Blur, eksplorasi mengenai metode LVQ untuk pengenalan wajah, perancangan dan pembangunan perangkat lunak, dan pengujian kualitas sistem yang telah dibangun untuk mengetahui tingkat akurasi pengenalan wajah pada citra dengan tingkat Gaussian Blur. Prosedur pengerjaan penelitian yang dilakukan adalah sebagai berikut: a.

Pengumpulan data berupa dokumen dan informasi mengenai proses pengolahan citra digital, dan teknik pengenalan wajah dengan metode LVQ.

b.

Pengumpulan data sampel citra wajah dari 10 responden, masing-masing responden memiliki 15 citra wajah. Kemudian citra wajah akan diproses manual untuk memberikan Gaussian Blurtingkat 1 sampai 5. Sehingga citra wajah yang terkumpul adalah citra wajah yang memiliki tingkat Gaussian Blursebanyak 75 dan citra wajah tanpa Gaussian Blursebanyak 15 untuk masing-masing responden.

c.

Perancangan dan pembangunan perangkat lunak yang telah disesuaikan dengan proses-proses yang telah didefinisikan pada kebutuhan fungsional sistem.

3.4.2

Pengumpulan Data


48

Pengumpulan data untuk kebutuhan penelitian ini meliputi teori-teori yang dapat menunjang penelitian penerapan metode LVQ untuk pengenalan wajah, diantaranya image processing dan feature extraction. Selain itu dikumpulkan juga teori yang berkaitan dengan teknik penggunaan metode LVQ untuk pengenalan wajah, dan mempelajari macam-macam bluryang terdapat pada citra wajah. Untuk memenuhi kebutuhan pembangunan sistem, dibutuhkan data latih berupa data citra wajah denganGaussian Blurdan citra tanpa Gaussian Blur. Jumlah data yg dikumpulkan adalah 900 citra wajah, kemudian citra wajah akan diolah secara manual untuk menambahkan tingkat Gaussian Blur. Ukuran citra tidak ditentukan karena sistem akan melakukan pemotongan otomatis pada citra yang akan menjadi masukan pada sistem. Setelah mendapatkan data citra untuk proses pelatihan, maka kebutuhan selanjutnya adalah data uji. Data uji didapatkan dari sampel yang telah dikumpulkan. Data uji ini bertujuan untuk mengetahui tingkat akurasi yang dihasilkan dari sistem penerapan metode LVQ untuk pengenalan wajah dengan citra wajah Gaussian Blur.


BAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector

Recommend Documents