Path: Top > S1-Final_Project > Fakultas_Teknik_dan_Ilmu_Komputer > Teknik_Informatika > 2011

Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Pengenalan Wajah

Undergraduate Theses from JBPTUNIKOMPP / 2011-10-21 13:37:08
By : Maharani Dessy Wuryandari; Nim 10107113, Perpustakaan UNIKOM
Created : 2011-10-21, with 11 files

Keyword : Pengenalan wajah, Artificial Intelligence, Jaringan Syaraf Tiruan, Backpropagation, Learning Vector Quantization.
Url : http://alumni.unikom.ac.id

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.

Description Alternative :

Face recognition is an area that is still studied and developed for variousbr /
purposes such as attendance, population data collection, security systems andbr /
others. Methods of artificial intelligence in particular artificial neural networksbr /
backpropagation and learning vector quantization are two methods that oftenbr /
used for facial recognition applications. Both methods are supervised learningbr /
methods that usually used for a typical pattern recognition, classifying patternsbr /
into classes of patterns, making it perfect for use in facial recognitionbr /
applications. Comparison of artificial neural network methods backpropagationbr /
and learning vector quantization used in face recognition to be able to know thebr /
difference, deficiency, excess and optimal results from both methods to be used inbr /
face recognition.br /
Development of comparison of artificial neural network methodsbr /
backpropagation and learning vector quantization using waterfall paradigm andbr /
object-based programming with UML diagrams. In these applications use imagebr /
processing to process the input image before the image inserted into the ANN,br /
including the process of scaling, grayscale, edgedetection with sobel method andbr /
thresholding. While the ANN methods are used to recognize faces arebr /
backpropagation and learning vector quantization method.br /
The results of this research is the best parameter combination of learningbr /
vector quantization is the maximum iteration is 10, the learning ratio is 0.1 and abr /
minimum of errors is 0.1. While backpropagation is the maximum iteration is 50,br /
the ratio is 0.5 and a minimal learning error is 0.001. In terms of accuracy andbr /
timing, learning vector quantization method is better than the backpropagationbr /
method. With this level of recognition accuracy 37.63% and the average time ofbr /
32 milliseconds, at 675 times of face recognition on 25 facial images with 27br /
combinations of learning parameters.

Give Comment ?#(0) | Bookmark

PropertyValue
Publisher IDJBPTUNIKOMPP
OrganizationP
Contact Namedyah@unikom.ac.id
AddressJl. Dipati Ukur No.116 Lt.7
CityBandung
RegionWest Java
CountryIndonesia
Phone022-2533825 ext.112
Fax022-2533754
Administrator E-mailperpus@unikom.ac.id
CKO E-mailperpus@unikom.ac.id