curahan 3

 awal bersama mu !!!

 saat itu senja pagi di batas kota

 senja itu di batas kota(2)

siang itu,...

 saat pagi bersama mu !!

si pengagum yang telah memiliki

 KELUD
saat itu

 Kamu  saat ngajar

 ulang tahun kamu(mskipun terlambat)

KAMU,

KAMU<
dan KAMU










(ardian)

curahan 2

evievievievi      evi                              evi           ev
ev                     evi                          evi              ev
ev                      evi                       evi                ev
evievievi               evi                   evi                  ev
ev                          evi               evi                    ev
ev                           evi            evi                      ev
evi                            evi       evi                         ev
evievievievi                 evievievi                          ev

hanya kamu dan kamu dan kamu !!!
kenapa harus ribut soal sepele ??
blm capek kah ribut soal begini,.soal dy ?
semua yg pernah q janjikan ke kam bkal tak penuhi..
tp bukan begini cara mu

curahan

ada 2 pilihan....
q tetap maju, ato aq harus mundur dengan melihatnya dengan orang lain !!
hanya kerena sebuah keinginan yg terpenuhi dengan cara memberi yang slah !!
aaaaaaaarrrrgh !!! ingin mrah perasaaan ini,
dia,dia,dan dia lagi..capek !!!! capek dengar Namanya...

Mario teguh Hak untuk berbahagia

buat agan2 yang pengen liat pak mario...ini gan link nyaVIDEO MARIO TEGUH
salam super dari saya ! wkwkwkwkw

 Me,...jlan2 di candi penataran, blitar !!! ma si dia !!

di makam bung karno !!
ma si dia juga,...hbs ni ku upload kan foto nya !!


















EVI kusuma Rahayu

artificial intelegence (IMPLEMENTASI SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL)

IMPLEMENTASI SISTEM PENDETEKSI

WAJAH MANUSIA PADA CITRA DIGITAL

(PROPOSAL TESIS )

Program Studi Magister Ilmu Komputer

Jurusan Ilmu-Ilmu Matematika dan Ilmu Pengetahuan Alam

                                       

 

Usulan Penelitian

IMPLEMENTASI SISTEM PENDETEKSI

WAJAH MANUSIA PADA CITRA DIGITAL

IMPLEMENTASI SISTEM PENDETEKSI

WAJAH MANUSIA PADA CITRA DIGITAL

1. LATAR BELAKANG

Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan, antara lain untuk sistem pengenalan biometrik (yang dapat juga dikombinasikan dengan fitur biometrik yang lain seperti sidik jari dan suara), sistem pencarian dan pengindeksan pada database citra digital dan database video digital, sistem keamanan kontrol akses area terbatas, konferensi video, dan interaksi manusia dengan komputer.

Dalam bidang penelitian pemrosesan wajah (face processing), pendeteksian wajah manusia (face detection) adalah salah satu tahap awal yang sangat penting di dalam proses pengenalan wajah (face recognition). Sistem pengenalan wajah digunakan untuk membandingkan satu citra wajah masukan dengan suatu database wajah dan menghasilkan wajah yang paling cocok dengan citra tersebut jika ada. Sedangkan autentikasi wajah (face authentication) digunakan untuk menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah diinputkan sebelumnya. Bidang penelitian yang juga berkaitan dengan pemrosesan wajah adalah lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra, penjejakan wajah (face tracking) untuk memperkirakan lokasi suatu wajah dalam video secara real time, dan pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia (Yang, 2002).

Gambar 1. Contoh hasil pendeteksian wajah

yang dilakukan oleh Rowley (Rowley, 1998)

Pada kasus tertentu seperti pemotretan untuk pembuatan KTP, SIM, dan kartu kredit, citra yang didapatkan umumnya hanya berisi satu wajah dan memiliki latar belakang seragam dan kondisi pencahayaan yang telah diatur sebelumnya sehingga deteksi wajah dapat dilakukan dengan lebih mudah. Namun pada kasus lain sering didapatkan citra yang berisi lebih dari satu wajah, memiliki latar belakang yang bervariasi, kondisi pencahayaan yang tidak tentu, dan ukuran wajah yang bervariasi di dalam citra. Contohnya adalah citra yang diperoleh di bandara, terminal, pintu masuk gedung, dan pusat perbelanjaan. Selain itu juga pada citra yang didapatkan dari foto di media massa atau hasil rekaman video. Pada kasus tersebut pada umumnya wajah yang ada di dalam citra memiliki bentuk latar belakang yang sangat bervariasi. Gambar 1 menunjukkan contoh hasil pendeteksian wajah yang dilakukan oleh Rowley (Rowley, 1998).

Penelitian ini akan difokuskan pada masalah pendeteksian wajah. Dengan sistem pendeteksi wajah yang akurat, maka proses selanjutnya yaitu pengenalan wajah dapat dilakukan dengan lebih mudah.

2. PERUMUSAN MASALAH

Masalah deteksi wajah dapat dirumuskan sebagai berikut: dengan masukan berupa sebuah citra digital sembarang, sistem akan mendeteksi apakah ada wajah manusia di dalam citra tersebut, dan jika ada maka sistem akan memberitahu berapa wajah yang ditemukan dan di mana saja lokasi wajah tersebut di dalam citra. Keluaran dari sistem adalah posisi dari subcitra yang berisi wajah yang berhasil dideteksi.

3. PEMBATASAN MASALAH

Pada sistem deteksi wajah ini diberikan pembatasan masalah sebagai berikut:

·               Citra masukan yang digunakan adalah hitam putih dengan 256 tingkat keabuan (grayscale).

·               Wajah yang akan dideteksi adalah wajah yang menghadap ke depan (frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain.

·               Metode yang dipakai adalah jaringan syaraf tiruan multi-layer perceptron dengan algoritma pelatihan back-propagation.

4. KEASLIAN PENELITIAN

Penelitian tentang deteksi wajah dan pengenalan wajah telah dilakukan sebelumnya, antara lain dengan menggunakan metode Eigenface (Turk dan Pentland, 1991), dengan distribusi Gaussian dan clustering (Sung dan Poggio, 1994), dengan jaringan syaraf tiruan dan arbitrasi (Rowley et al., 1998), dengan support vector machine (Osuna et al., 1997), dan dengan metode statistik  dan wavelet (Schneiderman, 2000).

Pada tesis ini penulis akan mencoba mengimplementasikan sistem pengenalan wajah dengan jaringan syaraf tiruan multi-layer perceptron dengan algoritma pelatihan back-propagation. Kemudian akan dilakukan penelitian pada pengaruh berbagai parameter yang digunakan terhadap unjuk kerja dari sistem. Parameter-parameter yang digunakan misalnya jumlah unit dan bobot koneksi pada hidden layer, pemakaian momentum, besarnya learning rate, banyaknya data pelatihan, dan susunan dari jaringan syaraf tersebut. Untuk itu kami akan membuat suatu program aplikasi sistem pendeteksi wajah yang dapat dijalankan pada personal komputer, kemudian melakukan pelatihan pada sistem tersebut, dan melakukan evaluasi terhadap unjuk kerjanya.

5. MANFAAT PENELITIAN

Hasil penelitian ini diharapkan dapat digunakan sebagai langkah awal untuk membangun sistem pemrosesan wajah yang menyeluruh, yang bisa diaplikasikan pada sistem pengenalan wajah atau verifikasi wajah. Program aplikasi yang dibuat juga dapat dijadikan bahan untuk penelitian lebih lanjut di bidang yang berkaitan.

Dengan penyesuaian tertentu, metode yang digunakan mungkin dapat juga dimanfaatkan untuk sistem deteksi objek secara umum yang tidak hanya terbatas pada wajah, misalnya deteksi kendaraan, pejalan kaki, bahan produksi, dan sebagainya.

Dari hasil penelitian ini juga diharapkan dapat diperoleh pemahaman yang lebih baik terhadap jaringan syaraf tiruan, dan pengaruh berbagai parameter yang digunakan terhadap unjuk kerja pengklasifikasi jaringan syaraf tiruan.

6.  TUJUAN PENELITIAN

Penelitian bertujuan untuk membuat suatu desain dan implementasi sistem deteksi wajah dengan masukan berupa citra digital sembarang. Sistem ini akan menghasilkan subcitra yang berisi wajah-wajah yang berhasil dideteksi.

7.  TINJAUAN PUSTAKA

Citra didefinisikan sebagai fungsi intensitas cahaya dua-dimensi f(x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y) sebanding dengan tingkat kecerahan (gray level) dari citra di titik tersebut. Citra digital adalah citra dengan f(x,y) yang nilainya di-digitalisasi-kan (dibuat diskrit) baik dalam koordinat spasialnya maupun dalam gray levelnya. Digitalisasi dari koordinat spasial citra disebut dengan image sampling, sedangkan digitalisasi dari gray level citra disebut dengan gray-level quantization. Citra digital dapat dibayangkan sebagai suatu matriks dimana baris dan kolomnya merepresentasikan suatu titik di dalam citra, dan nilai elemen matriks tersebut menunjukkan gray level di titik tersebut (Gonzalez, 1992).

Jaringan syaraf tiruan adalah suatu sistem pemrosesan informasi yang cara kerjanya memiliki kesamaan tertentu dengan jaringan syaraf biologis. Jaringan syaraf tiruan dikembangkan sebagai model matematis dari syaraf biologis dengan berdasarkan asumsi bahwa:

(1)   Pemrosesan terjadi pada elemen-elemen sederhana yang disebut neuron.

(2)   Sinyal dilewatkan antar neuron melalui penghubung.

(3)   Setiap penghubung memiliki bobot yang akan mengalikan sinyal yang lewat.

(4)   Setiap neuron memiliki fungsi aktivasi yang akan menentukan nilai sinyal output.

Jaringan syaraf digolongkan menjadi berbagai jenis berdasarkan pada:

(1)   Arsitektur, yaitu pola hubungan antara neuron-neuron.

(2)   Algoritma training, yaitucara penentuan nilai bobot pada penghubung.

(3)   Fungsi aktivasi pada neuron.

Gambar 2 menunjukkan contoh jaringan syaraf sederhana dengan 2 input unit, 2 hidden unit, dan 1 output unit.

 

Gambar 2. Contoh jaringan syaraf tiruan

dengan 2 input unit, 2 hidden unit, dan 1 output unit.

Salah satu algoritma jaringan syaraf tiruan yang banyak dimanfaatkan dalam bidang pengenalan pola adalah backpropagation. Algoritma pelatihan backpropagation pada dasarnya terdiri dari tiga tahapan, yaitu:

(1)   Input nilai data pelatihan sehingga diperoleh nilai output

(2)   Propagasi balik dari nilai error yang diperoleh

(3)   Penyesuaian bobot koneksi untuk meminimalkan nilai error

Ketiga tahapan tersebut diulangi terus-menerus sampai mendapatkan nilai error yang diinginkan. Setelah training selesai dilakukan, hanya tahap pertama yang diperlukan untuk menggunakan jaringan syaraf tiruan yang dihasilkan. (Fausett, 1994).

Deteksi objek dapat dipandang sebagai masalah klasifikasi pola dimana dari input yang berupa citra masukan akan ditentukan output berupa label kelas dari input tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan non-wajah (Sung, 1996).

8. METODE PENELITIAN

Metode yang akan digunakan dalam penelitian ini terdiri dari langkah-langkah berikut:

·         Melakukan studi kepustakaan terhadap berbagai referensi yang berkaitan dengan penelitian yang dilakukan. Topik-topik yang akan dikaji antara lain meliputi: pengenalan pola, pengolahan citra digital, pendeteksian objek secara umum, pendeteksian wajah, dan jaringan syaraf tiruan.

·         Menyiapkan training data set yang akan digunakan untuk proses pembelajaran dari sistem. Data wajah yang digunakan akan melalui praproses berupa resizing menjadi 20x20 pixel, masking, dan histogram equalization (Sung, 1996).

·         Merancang sistem pendeteksi wajah dengan jaringan syaraf tiruan, kemudian membuat program aplikasinya.

·         Melakukan pelatihan pada sistem dengan training data set yang telah disiapkan sebelumnya.

·         Melakukan pengujian unjuk kerja sistem. Unjuk kerja pada sistem pendeteksi wajah diukur dengan menghitung detection rate dan false positif rate.

9.  JADWAL PENELITIAN

No.	Kegiatan	Bulan / tahun
		Okt 03	Nop 03	Des 03	Jan 04	Fep 04	Mar 04	Apr 04
1	Pengumpulan Referensi
2	Studi Kepustakaan
3	Penulisan Proposal
4	Persiapan Data
5	Pembuatan Sistem/Program
6	Pengujian Sistem
7	Penulisan Laporan Tesis

10.  DAFTAR PUSTAKA

L. Fausett, 1994, Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, Prentice-Hall Inc., USA.

R.C. Gonzalez, R.E. Woods, 1992, Digital Image Processing, Addison-Wesley Publishing Company, USA.

S. Haykin, 1994, Neural Networks: A Comprehensive Foundation, Macmillan College Publishing Company, USA.

E. Hjelmas, B.K. Low, 2001, “Face Detection: A Survey”, Computer Vision and Image Understanding. 83, pp. 236-274.

Y. LeCun, L. Bottou, G.B. Orr, K.R. Muller, 1998, “Efficient BackProp”, Neural Networks: tricks of the trade, Springer.

M. Moreira, E. Fiesler, 1995, Neural Networks with Adaptive Learning Rate and Momentum Terms, IDIAP Technical Report.

E. Osuna, R. Freund, F. Girosi, 1997, “Training Support Vector Machines: An Application to Face Detection”, Proc. IEEE Conf. Computer Vision and Pattern Recognition 1997.

H. Rowley, S. Baluja, T. Kanade, 1998, “Neural Network-Based Face Detection”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 20, no. 1.

W.S. Sarle, ed., 2002, Neural Network FAQ, URL: ftp://ftp.sas.com/pub/neural/

FAQ.html

R. Schalkoff, 1992, Pattern Recognition: Statistical, Structural and Neural Approach, John Wiley & Sons, USA.

H. Schneiderman, 2000, “A Statistical Approach to 3D Object Detection Applied to Faces and Cars”, CMU-RI-TR-00-06, Robotics Institute Carnegie Mellon University.

H. Schneiderman, T. Kanade, 2000, “A Statistical Approach to 3D Object Detection Applied to Faces and Cars”, Proc. IEEE Conf. Computer Vision and Pattern Recognition vol. 1.

K.K. Sung, 1996, “Learning and Example Selection for Object and Pattern Detection”, AITR 1572,  Massachusetts Institute of Technology AI Lab.

K.K. Sung, T. Poggio, 1994, “Example-Based Learning for View-Based Human Face Detection”, Technical Report AI Memo 1521, Massachusetts Institute of Technology AI Lab.

M. Turk, A. Pentland, 1991, “Eigenfaces for Recognition”, J. Cognitive Neuroscience, vol. 3, no.1.

M.H. Yang, D. Kriegman, N. Ahuja, 2002, “Detecting Faces in Images: A Survey”, IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1.