Ujian Tengah Semester : Jaringan Saraf TIruan untuk Identifikasi Wajah

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Pengenalan
2. Langkah-Langkah

[Langkah 1]
[Langkah 2]
[Langkah 3]
[Langkah 4]

3. Link Download
4. Referensi

*klik teks untuk menuju 

Ujian Tengah Semester 

Jaringan Saraf TIruan untuk Identifikasi Wajah

1. Pengenalan [kembali]

Berikut ini merupakan contoh aplikasi pemrograman Jaringan Syaraf Tiruan Backpropagation sederhana untuk identifikasi wajah seseorang berdasarkan ciri mata, hidung, mulut, dan telinga.

2. Langkah-Langkah [kembali]

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 sbb:

   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	0.4

   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 :
1. Coding untuk menuliskan data latih dan target latih pada matlab.

   1 2 3 4 5 6 7

   % 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);

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

   1 2 3 4 5 6

   % 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. Membuat coding untuk memberikan parameter-parameter yang mempengaruhi proses pelatihan jst seperti parameter jumlah epoch, target error, learning rate, momentum.

   1 2 3 4 5 6 7

   % 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;

4. Membuat coding untuk melakukan pelatihan jaringan
   

   1 2

   % Proses training [net_keluaran,tr,Y,E] = train(net,data_latih,target_latih);

   Sehingga muncul tampilan berikut ini : 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.

5. Untuk melihat nilai-nilai hasil pelatihan, kita dapat menuliskan coding sbb:

   1 2 3 4 5 6 7 8 9

   % 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
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

2. Dalam matlab kita dapat menuliskan coding sbb:

   1 2 3 4 5 6

   % 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.

3. Link Download [kembali]
Berikut link download : KLIK DISINI

4. Referensi [kembali]

• 
  
• Neural Networks In Computer Intelligence, Fu, LiMin, Mc.Graw-Hill International Editions, 1994
• Pengenalan Wajah Manusia Menggunakan Analisis Komponen Utama (Pca)Dan Jaringan Syaraf Tiruan Perambatan-Balik. Zayuman Hidayat, Isnanto Rizal, Santoso Imam. 2011. Research Gate
• Neural Network Toolbox : for use with MATLAB, Demuth, Howard and Mark Belle, Mathworks, 2002
• Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Wajah Metode Ekstraksi Fitur Berbasis Histogram, Kusmayanto Sigit,  2014.