Ahmad Arif, 080513308 (2010) Pengenalan Wajah Menggunakan Principal Component Analysis dan Jaringan Saraf Backpropagation. Skripsi thesis, UNIVERSITAS AIRLANGGA.

Preview	Text (ABSTRAK) gdlhub-gdl-s1-2011-arifahmad-15053-abstrak-p.pdf Download (369kB) | Preview
	Text (FULL TEXT) gdlhub-gdl-s1-2011-arifahmad-13070-kkckkm-p.pdf Restricted to Registered users only Download (1MB) | Request a copy

Abstract

Informasisi mengenai seseorang saat ini sangat penting dan sulit didapat jika data orang yang ada sangat banyak. Salah satu teknik untuk mendapat informasi mengenai seseorang adalah dari foto wajah. Dari foto wajah tersebut akan didapat identitas orang yang bersangkutan, kemudian akan didapat informasi orang tersebut pula. Pengenalan wajah manusia merupakan salah satu bidang penelitian yang penting dan dibutuhkan saat ini. Melalui pengembangan suatu teknik seperti Principal Components Analysis (PCA), komputer sekarang dapat melebihi kemampuan otak manusia dalam berbagai tugas pengenalan wajah, terutama tugas-tugas yang membutuhkan pencarian pada database wajah yang besar. Pada penelitian ini akan digunakan metode principal component analysis dan jaringan saraf backpropagation untuk pengenalan wajah. Principal components analysis digunakan untuk mereduksi dimensi gambar wajah sehingga menghasilkan variabel yang lebih sedikit yang akhirnya lebih mudah untuk diobservasi dan ditangani. Hasil yang diperoleh kemudian akan dimasukkan ke suatu jaringan saraf backpropagation. Jaringan saraf tiruan akan melakukan proses pelatihan sampai jaringan menghasilkan error yang minimum. Setelah dilakukan proses pelatihan, maka proses pengujian dengan memasukkan data citra wajah pelatihan dan uji validasi dengan memasukkan data citra wajah yang belum perna digunakan dalam pelatihan dapat dilakukan. Hasil uji coba program menunjukkan bahwa penggunaan PCA yang berbasis pada jaringan saraf tiruan untuk pengenalan wajah dapat memberikan tingkat akurasi yang cukup tinggi. Untuk semua gambar wajah yang digunakan dalam pelatihan dapat dikenali oleh program (100% benar). Dari beberapa pelatihan dengan variasi learning rate diperoleh hasil uji validasi untuk learning rate 0,8 dan error maksimum 0,001 merupakan pelatihan terbaik karena program dilatih dengan iterasi paling sedikit dan dapat mengenali 100% data citra uji validasi.

Actions (login required)

View Item