implementasi algoritma backpropagation neural networks dengan optimasi pca untuk pengenalan wajah 3 dimensi
| Main Author: | Jonathan, Jonathan |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2018
|
| Subjects: | |
| Online Access: |
http://kc.umn.ac.id/5055/1/BAB%20I.pdf http://kc.umn.ac.id/5055/2/BAB%20IV.pdf http://kc.umn.ac.id/5055/3/BAB%20II.pdf http://kc.umn.ac.id/5055/4/BAB%20III.pdf http://kc.umn.ac.id/5055/5/DAFTAR%20PUSTAKA.pdf http://kc.umn.ac.id/5055/6/BAB%20V.pdf http://kc.umn.ac.id/5055/7/LAMPIRAN.pdf http://kc.umn.ac.id/5055/8/HALAMAN%20AWAL.pdf http://kc.umn.ac.id/5055/ |
Daftar Isi:
- Metode yang digunakan untuk membantu memenuhi keaslian jaminan informasi adalah otentikasi berbasis biometric, antara lain, sistem pengenalan wajah dua dimensi, namun masih dapat melakukan kesalahan dalam pengenalan. Kekurangan tersebut bisa diatasi dengan menggunakan sistem pengenalan wajah tiga dimensi (3D) berbasis backpropagationneural network, namun proses pelatihan dan pengenalan wajah memakan waktu yang lama karena jumlah data yang harus diproses memiliki dimensi yang sangat besar.MetodePCA (Principal Component Analysis) digunakan untuk mengoptimasi algoritma backpropagation neural network untuk melakukan pengenalan suatu pola tertentu, dan mengurangi dimensi data yang perlu diproses oleh sistem. Aplikasi ini dibangun dengan menggunakan bahasa pemrograman C# dan menggunakan Visual Studio Community 2017. Aplikasi dibangun untuk testing yang dilakukan pada platform Windows. Data terdiri atas sepuluh orang dengan setiap orang diambil sepuluh wajah sebagai sample. Data training menggunakan delapan dari sepuluh wajah untuk setiap orang. Data testing menggunakan dua puluh data kedalaman wajah untuk menghitung akurasi. Sistem berhasil diimplementasikan dengan waktu pelatihan tercepat 62,1808 detik dan menghasilkan akurasi 80% dengan menggunakan hidden node sebanyak 100 dan learning rate sebesar 0,005. Kecepatan pengenalan wajah yang dapat dicapai adalah 65,3427 milidetik.