Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah
| Main Author: | Dessy Wuryandari, Maharani |
|---|---|
| Format: | Thesis PeerReviewed |
| Terbitan: |
Universitas Komputer Indonesia
, 2011
|
| Subjects: | |
| Online Access: |
http://repository.unikom.ac.id/19957/ http://elib.unikom.ac.id/gdl.php?mod=browse&op=read&id=jbptunikompp-gdl-maharanide-26058 |
Daftar Isi:
- Pengenalan wajah merupakan suatu bidang yang masih terus diteliti danbr / dikembangkan untuk berbagai keperluan seperti absensi, pendataan penduduk,br / sistem keamanan dan lain-lain. Metode kecerdasan buatan khususnya jaringanbr / syaraf tiruan backpropagation dan learning vector quantization adalah 2 metodebr / yang sering digunakan untuk aplikasi pengenalan wajah. Kedua metode tersebutbr / merupakan metode pembelajaran terawasi yang biasa dipakai untuk pengenalanbr / pola secara tipikal, yaitu mengelompokkan pola-pola ke dalam kelas-kelas pola,br / sehingga tepat untuk digunakan dalam aplikasi pengenalan wajah. Perbandinganbr / metode jaringan syaraf tiruan backpropagation dan learning vector quantizationbr / pada pengenalan wajah digunakan untuk dapat mengetahui perbedaan,br / kekurangan, kelebihan dan hasil optimal dari kedua metode tersebut untukbr / digunakan pada pengenalan wajah.br / Pembangunan aplikasi perbandingan metode jaringan syaraf tiruanbr / backpropagation dan learning vector quantization pada pengenalan wajahbr / menggunakan paradigma waterfall dan pemrograman berbasis objek dengan UMLbr / diagram. Dalam aplikasi ini digunakan proses pengolahan citra terhadap citrabr / masukan sebelum citra tersebut dimasukkan ke dalam JST, diantaranya prosesbr / scalling, grayscale, edgedetection dengan metode sobel dan thresholding.br / Sedangkan metode JST yang digunakan untuk mengenali wajah antara lainbr / metode backpropagation dan learning vector quantization.br / Hasil penelitian ini adalah kombinasi parameter terbaik dari learningbr / vector quantization yaitu maksimal perulangan 10, rasio pembelajaran 0,1 danbr / minimal error 0,1. Sedangkan backpropagation yaitu maksimal perulangan 50,br / rasio pembelajaran 0,5 dan minimal error 0,001. Dari segi akurasi dan waktu,br / metode learning vector quantization lebih baik dibandingkan dengan metodebr / backpropagation. Dengan tingkat akurasi pengenalan 37,63 % dan rata-rata waktubr / pengenalan 32 milisecond dari 675 kali pengenalan terhadap 25 citra wajahbr / dengan 27 kombinasi parameter pembelajaran.