OPTIMALISASI KINERJA SISTEM SEKURITAS RUMAH MODERN BERBASIS JARINGAN SARAF TIRUAN (JST)
PERFORMANCE OPTIMIZATION OF MODERN HOUSE SECURITY SYSTEM BASED BACKPROPAGATION NEURAL NETWORK (BNN)
Anthoinete P.Y 1, Elyas Palentei 2, Adnan 2 1Jurusan
2Jurusan
Elektro, Politeknik Negeri Manado Elektro, Prodi Informatika, Fakultas Teknik, Universitas Hasanuddin
Alamat Korespondensi: Anthoinete P.Y Waroh Jurusan Teknik Elektro Politeknik Negeri Manado Manado. Sulawesi Utara. HP: 081356721203 Email:
[email protected]
ABSTRAK Perkembangan yang pesat dibidang teknologi komputer, elektronik, telekomunikasi maupun mekanik telah menghasilkan berbagai aplikasi canggih . Tujuan penelitian ini untuk membuat sistem sekuritas masuk rumah modern yang cerdas dengan memanfaatkan pola pencitraaan wajah, menganalisis akses pencitraan yang cerdas dan membuat prototype dari sistem agar teroptimalisasi kinerjanya. Metode yang digunakan adalah analisis akuisisi. Sistem pengenalan wajah menggunakan citra wajah yang diambil dari 7 wajah manusia dengan 5 posisi wajah yang berbeda-beda, yaitu posisi biasa, tersenyum, serong ke kiri, serong ke kanan, dan mulut terbuka. Dalam prakteknya, algoritma backpropagation capturing (perekaman) wajah dengan jarak konstan dikumpulkan melalui proses mengakses data terhadap citra wajah dengan jarak konstan 30 cm ( dekat kamera webcame) dengan kondisi pencahayaan yang relatif sama. Selanjutnya diadakan pengujian dan pengukuran kepada 7 wajah manusia yang tidak dikenal (tidak diteliti). Hasil penelitian menunjukkan bahwa dari 35 citra wajah yang diteliti dan 35 citra wajah yang tidak diteliti memiliki ukuran yang bervariasi, yaitu mulai dari 300 sampai dengan 500 piksel. Dapat disimpulkan bahwa klasifikasi yang menunjukkan angka keberhasilannya adalah ketika diaplikasikan pada wajah yang dikenal oleh sistem maka sinyal lampu akan menyala (pintu terbuka) dan ketika wajah tak dikenalnya lampu akan mati (pintu tertutup). Data pengujian keberhasilan pengenalan pola wajah 96% dan yang tidak sesuai pengenalan pola wajah 98 %.Sistem yang dibuat adalah sebuah sekuritas rumah modern berbasis jaringan saraf tiruan (JST) yang diuji pada software matlab R2009a dengan pengenalan pola citra wajah face parttern recognition.
Kata kunci : algoritma backpropagation, pengenalan pola wajah.
ABSTRACT Security is staying home to be a depressing thing coveted by everyone, at the time of leaving the house to do a trip. The face recognizing system used the cage image taken from 7 human faces with 5 different face positions i.e.the normal face position, smiling face, left tilt face, right tilt face and face with open mouth. In practice, the back propagation capturing algorithm (recording) of the faces with the constant distance was collected through the data accessing process on the face image with the constant distance of 30 cm (near to webcame camera),with relatively similar lightning condition, the examination and measurement were then carried out of the 7 human faces determined and 7 human faces who were not known by the program because they were entered into the image taking data through the research proscess, this was proven that the system recognize 35 face images determined and 35 face which were not entered into data system. The image measurements could be various starting from 300 to 500 pixel. It can be concluded the classification indicated the success figures, the application when the faces were recognized, the light signal was on (the door opened), and if the faces were not recognized the light would be off ( the door opened).The success examination data of the face pattern recognition was 96 % and which was not suitable with the face pattern recognition was 98%. The research result indicates that the system made is the artificial nerve network based a modern house security which is examined on the software matlab R2009a with the face pattern recognition.
Key-words : Back propagation Algorithm, face pattern recognition
PENDAHULUAN Perkembangan yang pesat dibidang teknologi komputer, elektronik, telekomunikasi maupun mekanik telah menghasilkan berbagai aplikasi canggih dan cerdas yang merubah kehidupan manusia. Ketidak amanan rumah saat ditinggal pergi, menjadi aman karena teroptimalisasi oleh kinerja sistem berbasis jaringan saraf tiruan (Kusumadewi, 2004). Beberapa peneitian sebelumnya Sistem deteksi dan verifikasi wajah pada sistem pembuka pintu. Penelitian ini dikembangkan teknik deteksi dan verifikasi wajah sebagai variasi dalam sistem pengamanan untuk pembuka pintu. Pada proyek akhir ini, akan dibahas mengenai deteksi wajah menggunakan metode segmentasi warna kulit, pencarian nilai bobot untuk data referensi menggunakan LVQ (Learning Vector Quantization) dan algoritma verifikasi (pengenalan pola wajah) wajah atau bukan wajah menggunakan metode Euclidian distance dan titik kritis distribusi (Kamajaya,2009). Penelitian lain yang terkait sistem pengenalan wajah manusia real-time menggunakan algoritma jaringan saraf tiruan. Hasil dari penelitian ini yaitu sistem dapat mengenal wajah dengan metode jaringan saraf tiruan (JST) mengenal wajah tampak depannya saja ketika tampak samping kiri dan samping kanan wajah program tidak dapat mengenal, saya akan membuat sistem dengan metode yang sama,dan di kembangkan lagi yaitu dapat mengenal wajah sesuai dengan yang di akses yaitu wajah biasa,wajah tersenyum,wajah serong kiri,wajah serong kanan,wajah dengan mulut terbuka aplikasinya lampu akan menyalah jika wajah dikenal dan pintu akan tertutup jika wajah tidak dikenal dan pintu akan tertutup (Fadlil dkk,2008). Berdasarkan pemikiran diatas,maka dapat dikembangkan Pencitraan wajah dengan pencahayaan yang konstan pada sistem sekuriti akses masuk rumah moderen. Pendeteksian wajah pada ke lima posisi dengan jarak konstan 30 cm.Konsep dasar pengenalan pola berbasis jaringan saraf tiruan dengan algoritma backpropagation (Fausett, 1994). Pemanfaatan sistem ini untuk mendeteksi citra wajah sama dengan set point dan tidak mengenal citra waja dan Menciptakan sistem sekuriti yang cerdas dan aman, mendesain Teknik akuisisi data digital secara programmable, dapat mengoptimalisasi kerja sistem sekuritas rumah modern (Purwanto, 2003). Adapun rumusan masalah dari penelitian ini yaitu : Bagaimana Pencitraan wajah dengan pencahayaan yang konstan pada sistem sekuriti akses masuk rumah moderen dan Pendeteksian wajah pada ke lima posisi dengan jarak konstan 30 cm. Bagaimana pengenalan pola berbasis Jaringan Saraf Tiruan dengan algoritma backpropagation. Tujuan dari penelitian ini adalah membuat suatu sistem sekuritas masuk rumah modern yang cerdas dengan
memanfaatkan pola pencitraan wajah, menganalisis teknik
akuisisi data untuk suatu sistem akses pencitraan yang cerdas, dan membuatan prototype dari sistem agar dapat teroptimalisasi kinerja sistem.
METODE PENELITIAN Lokasi dan Desain Penelitian Lokasi penelitian dilakukan di Laboratorium Mikroprosesor Politeknik Negeri Manado. Adapun desain penelitian ini menggunakan metode prototyping untuk mengontrol buka tutup pintu berdasarkan pendeteksian wajah. Teknik pengumpulan data yang dilakukan yaitu dengan cara melakukan pengambilan data yang berupa foto-foto melalui kamera dan nantinya foto-foto tersebut akan dijadikan pokok pengujian. Analisa data dilakukan dengan cara membandingkan data foto yang tersimpan sebagai set point dengan data foto yang diambil. Deskripsi Sistem Sistem yang akan dibangun adalah sebuah sistem yang dapat mengenal bentuk wajah dan jenis kelamin laki-laki dan perempuan. Sistem ini dapat mengenal ke 7 citra wajah manusia dengan posisi wajah yang didata set point dan mengenal ke 7 citra wajah yang tidak dimasukan pada data set point. Secara umum proses pengambilan citra input citra wajah pada wabcame. Metode Jaringan saraf tiruan akan memproses nilai citra pada histogram dengan metode pattern matching atau pencocokan pola, metode pendeteksi wajah dapat membedakan bagian wajah dan bagian bukan wajah pada citra digital sehingga sistem dengan mudah memproses hasil pengenalan wajah dengan membandingkan wajah pada setpoin dan citra wajah yang tidak masuk pada data basenya dengan metode JST pada wajah terdeteksi lampu indikator menyalah menggerakan motor draiver untuk membuka pintu terbuka. Proses yang sama wajah tidak dikenal atau tidak terdeteksi lampu indikator mati pintu tertutup. Pengenalan wajah dan mendeteksi wajah kerja sistem saat pintu terbuka dan pintu tertutup yang akan dirancang. Dari desain sistem menggunakan webcam sebagai input di kirim ke PC dengan program matlab menerima, memproses dan menguji program dengan JST ( Kendall , 2005). Tampilan aplikasi matlab digunakan dalam penerapan sistem yang berfungsi mengaktifkan keseluruhan program, mengambil gambar pada video webcam ke PC dan mendokumenkan pada m-file. Proses selanjutnya pemasukan citra wajah sebagai input wajah dan siap diuji apakah gambar sesuai dengan data yang diset point, yang artinya membandingkan gambar citra yang sudah ada, kemudian diproses oleh jaringan saraf tiruan
untuk mengenali gambar disetiap user, apakah terdeteksi pintu terbuka atau tidak terdeteksi pintu tertutup. (Oetomo, 2006)
HASIL Hasil dari Proses pengujian keakuratan citra wajah menggunakan metode neural network (algoritma JST) membuktikan keberhasilan sistem dengan nilai keakurantan 96 %, dilakukan dengan cara menguji satu persatu dari kelima citra wajah dari dua 7 wajah menghasilkan 35 gambar yang didokumenkan pada M-file , output yang di hasilkan benarbernar teruji ketika citra wajah terdeteksi maka lampu akan menyala dan jika waja tidak terdeteksi maka lampu akan mati,sesuai dengan data. Hasil
pengujian
diatas, dapat
diketahui bahwa keakuratan sistem untuk citra wajah yang sesuai input wajah, di mana hasil ekstrasksi cirinya sebagai pola data referensi Pengujiannya diawali dari
menguji data wajah jika wajah terdeteksi ada dalam
database system maka system akan membandingkan. Kondisi pengujian ini adalah objek wajah yang tidak terdeteksi dengan database sistem. Percobaan diawali dari pengujian dengan mendeteksi objek wajah kemudian membandingkan dengan data citra wajah pada data base sistem memperlihatkan pintu terbuka saat wajah terdeteksi. Kemudian motor akan bekerja untuk menggerakan pintu diperlihatkan pada Gambar 5. Selanjutnya melakukan 10 kali percobaan dari ke 7 wajah dengan 5 posisi wajah, menjadi 35 gambar citra wajah sesuai data base yang tersimpan. Kedua tabel 1 dan tabel 2 mewakili ke 7 wajah yang menjadi target penelitian. Hasil pelatihan data training JST pada tabel 3 dan bobot akhir lapisan output pada tabel 4. menghasilkan nilai optimum -0.0138 dan matriks bobot koreksi dari lapisan output tabel 5.
PEMBAHASAN Pada sistem akan dilakukan proses pendeteksi wajah terlebih dahulu , sebelum preprocessing pada sistem pengenalan wajah ada sebuah sistem lain yakni sistem pendeteksi wajah dengan metode pattern matching atau pencocokan pola. Pendeteksi wajah ini yang membedakan bagian wajah dan bagian bukan wajah pada citra digital sehingga mempercepat proses pengenalan wajah, karena tidak perlu memperhitungkan komponen citra digital yang bukan wajah. Proses ini diawali dengan mengisi input wajah pembanding sebanyak 5 citra wajah dengan cara menekan capture inisial wajah. Proses inisial dan input wajah, metode yang digunakan adalah metode jaringan saraf tiruan atau neural network. Karena perbedaan metode ini maka uji coba yang dilakukan juga berbeda-beda. Pada proses pengujian sistem
ini akan diuji sejauh mana kehandalan proses pengenalan wajah menggunakan neural network yang parameternya telah diujicoba, terlebih dahulu. Untuk proses jaringan saraf tiruan langkah awal yang di lakukan setelah proses Imange Processing adalah mengisi input training yaitu variable MaxEpoh = 1500, Target error = 1e-3, Learningrate = 0.1, dan EpohShow adalah 200. Setelah dilakukan pengisian parameter pelatihan JST maka akan dimasukan nilai target yaitu nilai pencitraan dari tiap-tiap citra wajah yang menjadi objek proses. Hasil pengujian data training Jaringan Saraf Tiruan dengan maksimum Epoch 1500 iterasi, waktu tempuh iterasi 10 detik untuk proses program untuk mengenali wajah sampai indicator lampu menyala. Performance sebesar 5.31x107. nilai ini diperoleh 70% dari nilai maksimum performance, dengan nilai gradian 2,27x10-10 Mengacu pada penelitian terdahulu dengan menguji citra wajah, hasil yang diperoleh adalah dari nilai citra wajah yang menjadi target adalah 10295 Sedangkan nilai hasil pelatihan adalah 11503 ini mendapat capaian presentasi hasil pelatihan adalah 89.49% (Palit, 2011). Penelitian lain mengenai deteksi wajah menggunakan metode segmentasi warna kulit, pencarian nilai bobot untuk data referensi menggunakan LVQ (Learning Vector Quantization) dan algoritma verifikasi (pengenalan pola wajah) wajah atau bukan wajah menggunakan metode Euclidian distance dan titik kritis distribusi Prosentase keberhasilan pada proyek akhir ini adalah 80% dikenali sebagai wajah dengan data pengujian sebanyak 35 sampel dan 75% dikenali sebagai bukan wajah dengan data pengujian sebanyak 40 sampel, kecepatan rata-rata adalah 10,21 fps dan pada intensitas cahaya rata-rata sebesar 400 lux (Kamajaya,2009).
KESIMPULAN DAN SARAN Berdasarkan hasil penelitian yang sudah dilakukan, maka dapat disimpulkan bahwa sistem sekuritas rumah modern berbasis jaringan saraf tiruan (JST) dengan output berupa isyarat lampu indikator, dengan program yang dapat mendeteksi citra wajah manusia pada saat memasuki rumah modern.Pengenalan wajah melalui webcam dengan algoritma back propagation menggunakan program matlab ternyata dapat mengakses data citra dan dapat mengoptimalkan kerja sistem sekuritas akses masuk rumah modern. Hasil keakuratan sistem untuk citra wajah yang sesuai dengan input wajah, diperoleh hasil keakuratan data sebesar 96% , dimana kondisi ini diperoleh dengan kesalahan pengujian data sebanyak 1 kali untuk 50 kali pengujian. Untuk citra wajah yang tidak sesuai, hasil pengujian yang diperoleh
menunjukan bahwa keakuratan data sebesar 96% untuk 50 kali pengujian. Dari penelitian ini hendaknya dapat dikembangkan dan dibuat suatu sistem keamanan dengan metode jaringan saraf tiruan yang aplikasinya dapat mendeteksi pola wajah yang sama (kembar yang identik) dan mendeteksi pola wajah kembar dengan jenis kelamin berbeda. Sebaiknya menggunakan kamera digital ISO 200 dan ISO 400 tergantung situasi desekitar kamera.
DAFTAR PUSTAKA Buono,A.,Ridha,A.Batian,H.(2005). Sistem pengenalan wajah real-time ruang eigen dengan segmentasi berdasarkan warna kulit. Budi,Alan. (2007). Pengolahan Citra (on line)(elib,unikom.ac.id/files/disk 1/ 126/jbtunikom pp-gdl-SL-2007-alanbudiha-babii-pdf). Booch,G.,Rumbaugh,J.,Jacobson,I. (1999). The Unified Modeling Language - User Guide. Addison Wesley. Fadlil,A.,Hidayat,I.,Sunardi.(2008). Sistem pengenalan wajah manusia real-time menggunakan algoritma jaringan saraf tiruan. Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI 2008) ISSN: 1907-5022. Yogyakarta. Fausett,L.(1994).Fundamental of Neural Network.Archtectures,Algorithm, and Application.New jersey :Prentice_Hall. Kamajaya, Leonardo. (2009). Sistem Deteksi dan Verifikasi Wajah Pada Sistem Pembuka Pintu (software). Jurnal Poiteknik Elektronika Surabaya. Kendall, K.(2005). Systems Analysis and Design, 6th Ed. Prentice Hall. Kusumadewi,S.(2004). Membangun Jaringan Saraf Tiruan Menggunakan Matlab & Exel link.Yogyakarta Garah Imu. Nugroho, A. (2010). Rekayasa Perangkat Lunak Berorientasi Objek dan USDP. ANDI. Oetomo, Budi. (2006).Perencanaan dan Pembangunan Sistem Informasi,ANDI, Yogyakarta. Palit, Brenda (2011). Pendeteksi wajah dengan pengaruh cahaya.Skripsi UNSRAT.Manado. Purwanto,JM. (2003). Prototype mengenal wajah melalui webcam dengan menggunakan algoritma principal component analysis (PCA) dan Linier discriminant analisis (LDA), Journal Fakultas Teknik dan Ilmu Komputer, Jurusan Teknik Informatika Universitas Komputer Indonesia. Sobottka,K.,Piters,I.(1996). Looking for face and facial features in color Image.http://citescer.lcs.mit edu/sobottka96looking.html.(19 meri 2013).
Tabel 1 hasil pengujian citra wajah pertama Keadaan Wajah
Posisi Wajah
Lampu
Hasil Pengujian
Biasa
Menyela
Terdeteksi
Tersenyum
Menyela
Terdeteksi
Serong kiri
Menyela
Terdeteksi
Serong kanan
Menyela
Terdeteksi
Mulut terbuka
Menyela
Terdeteksi
Tabel 2. Hasil Pengujian Citra Wajah Ke 2 Yang Tidak Terdeteksi
Wajah
Posisi Wajah
Keadaan
Hasil Pengujian
Lampu
Biasa
Mati
Tidak Terdeteksi
Tersenyum
Mati
Tidak Terdeteksi
Serong kiri
Mati
Tidak Terdeteksi
Serong kanan
Mati
Tidak Terdeteksi
Mulut terbuka
Mati
Tidak Terdeteksi
Tabel .3 Hasil Pelatihan data training Maksimum Target Eror Epok show Epoch 1500 0.001 100
Learning Rate 0.1
Tabel.4 Bobot akhir koneksi dari lapisan input Input Z1 Z2 Z3 Z4 Z5 X1 0.0075 0.0008
0.0008
0.0622
0.0065
X2
-0.0085
0.0020
0.0018
0.0017
0.0025
X3
0.0057
0.0013
0.0032
0.0013
0.0011
X4
0.0023
0.0016
0.0042
0.0031
0.0021
X5
0.0065
-
-
-
-
0.0051
0.0041
0.0045
0.0064
X6
0.0032
0.0028
0.0028
0.0029
0.0028
X7
0.0024
0.0019
0.0015
0.0019
0.0017
X8
0.0045
0.0035
0.0035
0.0035
0.0035
X9
0.0024
0.0052
0.0052
0.0052
0.0052
X10
0.0032
0.0029
0.0007
0.0010
0.0065
Xn
…
…
…
…
…
Tabel. 5 Matriks Bobot koreksi dari lapisan output Bobot
Y1
Y2
Y3
Z1
-0.2008
-0.1911
-0,1749
Z2
-0,0138
-0.0511
-0.0128
Z3
0.1852
-0.0959
-0.1586
Z4
-0.0611
-0.009
-0.0243
Z5
0.1581
0.1086
0.3112
Erorr performansi 0.000789
