Klasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan
| Main Author: | Hayatin, Nur |
|---|---|
| Format: | Article PeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
Fakultas Teknik Unipdu Kompleks Ponpes Darul 'Ulum Peterongan Jombang
, 2016
|
| Subjects: | |
| Online Access: |
http://eprints.umm.ac.id/36592/3/Peer%20review%20Hayatin%20-%20Klasifikasi%20Usia%20Citra%20Wajah%20Neural%20Network%20Face%20Entropometry%20Kerutan.pdf http://eprints.umm.ac.id/36592/2/Similarity%20-%20Hayatin%20-%20Klasifikasi%20Usia%20Citra%20Wajah%20Neural%20Network%20Face%20Entropometry%20Kerutan.pdf http://eprints.umm.ac.id/36592/1/Hayatin%20-%20Klasifikasi%20Usia%20Citra%20Wajah%20Neural%20Network%20Face%20Entropometry%20Kerutan.pdf http://eprints.umm.ac.id/36592/ http://journal.unipdu.ac.id/index.php/teknologi/article/view/577 |
Daftar Isi:
- Pengelompokan usia (age prediction) merupakan salah satu topik penelitian yang terkait dengan prediksi usia berdasarkan citra wajah. Permasalahan terkait dengan pengelompokan usia berdasarkan citra wajah adalah bagaimana memilih fitur wajah yang tepat, sehingga dapat mempengaruhi hasil akhir pengelompokan. Penelitian ini bertujuan untuk mengelompokan usia berdasarkan citra wajah dengan menggunakan fitur penting yaitu face anthropometry dan kerutan (wrinkle). Di mana fitur kerutan yang digunakan selain memperhitungkan lebar kerutan (wrinkle density) juga digunakan fitur kedalaman kerutan (the dept of wrinkle). Metode penelitian ini terdiri dari 4 tahapan yaitu: Praproses, identifikasi lokasi titik wajah, ekstraksi fitur dan klasifikasi. Lokasi titik wajah diidentifikasi berdasarkan bentuk simetri wajah dan perbedaan nilai intensitas piksel. Sedangkan kerutan didapatkan dari gabungan metode deteksi tepi menggunakan operator Sobel dan histogram equalization. Algoritma yang digunakan untuk proses klasifikasi adalah algoritma Neural Network (NN) yang akan mengelompokan data citra input menjadi 3 kelas yaitu anak, remaja dan tua. Hasil akhir pengujian menunjukkan bahwa metode yang diusulkan telah mampu mengelompokan usia berdasarkan citra wajah dengan cukup baik dengan hasil akurasi pengujian sebesar 65 % dengan epochs = 1000, dan error rate = 0.0095, sebanyak 100 kali iterasi.