Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Backpropagation

Jurnal Teknik Informatika, Vol 1 September 2012

Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Backpropagation Tito Juliasmi1, Kartina Diah Kusuma W, S.T.2 & Erwin Setyo Nugroho, S.T, M.Eng.3 Program Studi Teknik Informatika Jurusan Komputer Politeknik Caltex Riau Jl. Umbansari No. 1 Rumbai Pekanbaru 28265 1 [email protected], [email protected], 3 [email protected]

Abstrak Manusia memiliki karakter yang sangat bervariasi dan unik satu sama lainnya. Ilmu Psikologi banyak membahas mengenai pengenalan karakter, salah satunya melalui bentuk bagian wajah. Dalam penelitian ini input data berupa citra bagian wajah yang akan dikenali karakternya. Citra bagian wajah yang akan diujikan pada aplikasi pengenalan karakter manusia berdasarkan bagian wajah ini melewati tahapan proses pengujian menggunakan metode Backpropagation Jaringan Saraf Tiruan. Bagian wajah yang akan di kenali adalah mata, alis, hidung dan bibir sebagai data input yang digunakan pada saat proses pengenalan karakter. Citra bagian wajah yang diinputkan pada aplikasi dimatchingkan dengan database sampel yang tersedia. Dari hasil pelatihan data sampel dan pengenalan citra input bagian wajah akan ditampilkan keterangan karakter berdasarkan data input yang sesuai dengan data sampel. Jika citra bagian wajah yang dinputkan tidak dikenali pada saat pengujian, maka akan dilakukan penyimpanan sampel terhadap citra tersebut untuk dijadikan tambahan database sampel bagian wajah. Kata Kunci : Jaringan saraf tiruan, Backpropagation, Citra, Karakter manusia. Abstract Humans have a very varied character and unique from each other. So many discussion about the character recognition in Psychological Science, one of them through the form of the face. In this study the data input of the facial citra to be recognizable character. Citra of the face that will be tested on human character recognition application based on the face of these pass through the testing process using the Backpropagation Neural Networks. The face that will be recognized are the eyes, eyebrows, nose and lips as input data used during the process of character recognition. Citra of the face that entered on the application are matched with the available sample database. From the training sample data and the introduction of the input face citra is displayed based on the character description of the input data corresponding to the sample data. If the data test citra that used as input to the face is not recognized at the time of testing, sample storage will be made to the citra database to be used as additional samples of the face. Keywords: Neural Network, Backpropagation, Citra, Human Character. 1

Pendahuluan

Setiap manusia memiliki bentuk bagian wajah yang berbeda satu dengan lainnya. Ada banyak karakter manusia yang dapat dikenali dari bentuk bagian wajah tersebut. Salah satu ilmu yang sering dikaji oleh para ilmuwan terutama di bidang kedokteran dan psikologi yaitu ilmu Fisiognomi, berasal dari kata Inggris Physiognomy. Fisiognomi adalah seni membaca wajah dengan mengamati bentuk mata, hidung, alis, bibir dan lainya. Ilmu ini memungkin kita untuk membaca bagian wajah yang dapat menyampaikan defenisi karakter dari manusia. Belakangan ini semakin tingginya tingkat populasi manusia, juga berdampak pada tingginya tingkat kebutuhan psikologi manusia dalam membaca karakter orang-orang yang ada dalam kehidupan

2 Tito Juliasmi 1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3

sehari-hari. Terbatasnya jumlah psikolog di bandingkan populasi manusia, tidak memungkinkan psikolog dapat membaca karakter setiap manusia. Seiring berkembangnya zaman teknologi komputasi juga semakin berkembang pesat yang memungkinkan kita untuk dapat memanfaatkan sebuah perhitungan jaringan saraf tiruan. Jaringan saraf tiruan dapat di manfaatkan pada aplikasi pengenalan karakter manusia melalui bentuk bagian wajah, sebagai solusi pengganti psikolog dalam membaca karakter manusia. Penulis melakukan penelitian ini dengan memanfaatkan Neural Network atau dalam bahasa Indonesia dikenal dengan Jaringan Saraf Tiruan (JST). Dalam penelitian ini penulis menggunakan metode Backpropagation, pemilihan metode Backpropagation didasarkan karena metode tersebut menggunakan multilayer dan memiliki kemampuan lebih. Multilayer dapat memecahkan masalah lebih rumit daripada jaringan single layer, dan untuk Untuk klasifikasi masalah yang lebih sulit, jaringan multilayer seperti yang dilatih oleh Backpropagation mungkin lebih baik [9]. 1.1

Tujuan

Adapun tujuan penelitian aplikasi pengenalan karakter manusia melalui bentuk bagian wajah ini adalah membangun suatu aplikasi yang dapat melakukan pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode Backpropagation. 1.2

Manfaat

Manfaat yang diperoleh dari proyek akhir ini adalah membantu proses pengenalan karakter manusia melalui masukan sistem yang berupa citra bagian wajah yang di proses menggunakan metode Backpropagation. Dan dapat dijadikan dasar bagi pengembangan aplikasi pengenalan lainnya yang menggunakan metode Backpropagation.. 2

Dasar Teori

2.1

Penelitian Sbelumnya

Berdasarkan beberapa skripsi yang membahas tentang pengenalan menggunakan metode Backpropagation seperti pengenalan tanda tangan, pengenalan bentuk bangun dan yang lainnya, dapat dilakukan sebuah penelitian baru sebagai bentuk pengembangan dari beberapa skripsi sebelumnya. Penelitian ini merupakan pengembangan penelitian berdasarkan skripsi mahasiswa Ilmu Komputer Universitas Pendidikan Indonesia yang bernama Dian Sa’adilah Malyawati yang membahas tentang pengenalan karakter manusia melalui bentuk wajah dengan metode Backpropagation. Adapun perbandingan penelitian sebelumnya dengan penelitian sekarang seperti pada table di bawah ini: Tabel 1 Perbandingan Penelitian

Pembanding Input

Proses Ekstraksi Output

Metode Bahasa Pemrograman

Penelitian Sebelumnya -Gambar bagian wajah yang di crop manual melalui tool di luar sistem -tidak semua bagian wajah, tergantung bagian mana yang ingin dikenali. Matlab dan excel Menampilkan karakter hanya perbagian input wajah. Backpropagation Matlab

Penelitian sekarang -Melakukan penentuan bagian wajah pada sistem. -pengenalan dilakukan pada empat bagian wajah yaitu, mata, alis, hidung, dan bibir. Java dan MySQL Menampilkan karakter dari 4 input bagian wajah. Backpropagation Java

Jurnal . ………….. Vol. XX …, No. X, Bulan 20XX, XX-XX

2.2

3

Karakter Manusi Bersasarkan Jenis Bagian Wajah.

Wajah manusia pada penelitian ini di bagi menjadi berapa bagian yang akan di kenali karakternya. Pembagian jenis karakter diperoleh dari tes grafis penilaian terhadap 50 responden mahasiswa psikologi dan dibantu oleh seorang psikolog yang membantu pengelompokan sampel. Semua jenis-jenis bagian wajah ini nantinya akan di jadikan sample untuk pengenalan sebagai data input. 2.3

Kecerdasan Buatan

Kecerdasan Buatan atau Artificial Intelligence (AI) merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia [8]. 2.4

Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan adalah merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan ini digunakan karena jaringan syaraf di implementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran.[8]. 1. Komponen Jaringan Syaraf Tiruan Ada beberapa tipe jaringan syaraf, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf juga terdiri dari beberapa neuron dan terdapat hubungan antara neuron tersebut. Neuron-neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuronneuron yang lain. Pada jaringan syaraf, hubungan ini dikenal dengan bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut.

Gambar 1 Susunan Neuron Jaringan syaraf

2.

Arsitektur Jaringan Umumnya, neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Pada setiap lapisan yang sama, neuron-neuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam suatu lapisan akan dihubungkan dengan neuron-neuron pada lapisan yang lain, maka setiap neuron pada lapisan tersebut juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya, ada beberapa arsitektur jaringan syaraf, antara lain: a. Jaringan dengan lapisan tunggal (single layer net). b. Jaringan dengan banyak lapisan (multilayer net). 3.

Algoritma Jaringan Saraf Tiruan a. Hebb Rule b. Percepton c. Adaline (Adaptive Linear Neuron) d. Madaline (Many adaptive linear Neurons) e. Hopfield f. Learning Vektor Quantization g. Backpropagation


2.5

Metode Back Progagation

Backpropagation merupakan algoritma pembelajaran yang terwarisi dan biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma backpropagation menggunakan error output untuk mengubah nilai-nilai bobotnya dalam arah mundur (backward). Tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu untuk mendapatkan nilai error tersebut. Saat perambatan maju neuron-neuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid biner yaitu: ………………..……….……(4.1) Arsitektur jaringan syaraf backpropagation seperti terlihat pada gambar 2.2 dibawah ini:

Gambar 2 Arsitektur Backpropagation

Keterangan

:

x1 s/d xn : input layer z1 s/d zp : hidden layer y1 s/d ym : output layer Algoritma backpropagation: 1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Kerjakan langkah-langkah berikut selama kondisi berhenti belum terpenuhi.: Feedforward: 1 Tiap unit input (xi, i=1,2,3,…n) menerima sinyal xi dan meneruskan sinyal tersebut pasa lapisan yang ada diatasnya (lapisan tersembunyi). 2 Tiap unit tersembunyi (zj, j=1,2,3,…,p) menjumlahkan sinyal-sinyal input terbobot: a. gunakan fungí aktivasi untuk menghitung sinyal outputnya: b. dan kirimkan sinyal tersebut ke semua unit dilapisan atasnya (unit-unit output). 3

Tiap unit output (yk, k=1,2,3,…,m) menjumlahkan sinyal-sinyal input terbobot a. gunakan fungsi aktivasi untuk menghitung sinyal outputnya. b. dan kirimkan sinyal tersebut kesemua unit dilapisan atasnya (unit-unit output).


5

Backpropagation : 1 Tiap-tiap unit output (yk, k=1,2,3,…,m) menerima target pola yang berhubungan dengan pola input pembelajaran. Hitung informasi errornya. a. kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki wjk) b. Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai w0k) : c. Kirimkan σk ini ke unit-unit yang ada dilapisan bawahnya. 2

Tiap-tiap unit tersembunyi (zj, j=1,2,3,…,p) menjumhlahkan delta inputnya (dari unit-unit yang berada pada lapisan diatasnya) : a. kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: b. kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij): c. Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0j): d. Tiap unit output (yk, k=1,2,3,…,m) memperbaiki bias dan bobotnya (j=0,1,2,3,…,p). e. Tiap-tiap unit tersembunyi (zj, j=1,2,3,…,p) memperbaiki bias dan bobotnya (i=0,1,2,3,…,n)

2.6

Fungsi Aktivasi

Fungsi aktivasi (activation function) diperlukan jaringan untuk membuat ketidaklinieran keluaran simpul sehingga simpul tidak hanya menghasilkan keluaran sebagaimana masukannya. Fungsi lainnya adalah untuk membatasi nilai keluaran pada rentang tertentu. Suatu fungsi aktivasi untuk backpropagation harus mempunyai karakteristik penting sebagai berikut : 1. Harus kontinyu dan dapat diturunkan. 2. Tidak linier dan asymtotis 3. Untuk efisiensi perhitungan, turunannya harus mudah dihitung. Fungsi yang umum diterapkan dalam JST backpropagation adalah fungsi sigmoid binary, yaitu : dengan turunan, . 2.7

Epoch

Epoch adalah Suatu jangka waktu, dapat diartikan satu set putaran vektor-vektor pelatihan. Beberapa epoch diperlukan untuk pelatihan sebuah JST backpropagation sehingga kesalahan mendekati nol. Pada sistem ini terlibat suatu proses analisa untuk memberi nilai epoch pada proses metode backpropagation yang mengacu pada akurasi dan waktu pembelajaran tercepat. 2.8

Learning Rate

Semakin besar learning rate maka rentang untuk menentukan perubahan bobot dalam neural network semakin besar dan berpengaruh dengan kedekatan fitur kepada kelas yang lain. Saat learning rate kecil maka perubahan bobot semakin kecil dan kedekatan pola ke kelas lain dari inisial target juga semakin jauh. Learning rate semakin kecil berpengaruh terhadap tingginya kedekatan dan lamanya proses pembelajaran, sebaliknya dengan learning rate besar target akan lebih cepat dikenali dan berpengaruh terhadap waktu pembelajaran yang semakin cepat.


2.9

Ekstraksi Nilai Citra

Proses ekstraksi berfungsi untuk mengubah suatu pola citra digital bagian wajah menjadi barisan nilai-nilai piksel yang berasal dari matrix piksel citra digital yang berukuran m x n, kemudian dari hasil ektraksi ini akan dijadikan input neuron yang mewakili nilai dari satu nilai input, baik itu berupa data yang akan dilatih maupun data yang akan dilakukan pengenalan. 2.10 Grayscale Disetiap piksel pada suatu citra bewarna mewakili nilai RGB yang menentukan warna pada piksel tersebut. Namun terdapat juga citra dengan skala grayscale yang tetap mewakili karakteristik dari piksel tersebut dengan berbagai macam algortima kecerahan. Grayscale atau skal abu-abu pada sebuah citra digital adalah citra yang pada setiap pixelnya hanya berisikan informasi intensitas warna putih dan hitam. Gray scale = ( r + g + b ) / 3 Untuk penelitian ini nantinya akan digunakan perhitungan grayscale untuk mewakili setiap piksel neuron. Perhitungan kecerahan grayscale yang digunakan adalah Arithmetic mean. Pemilihan Arithmetic mean didasarkan karena algoritma ini adalah alogoritma dengan perhitungan yang sederhana namun tidak mengurangi karakteristik dari piksel tersebut. Algoritma editing kecerahan paling popular didasarkan pada Arithmetic mean [1]. 3

Perancanan

3.1

Perancangan Sistem Perancangan sistem terdiri dari usecase diagram, class diagram, sequence diagram, flowchart sistem dan flowchart Backpropagation. 1. Use Case Diagram Pada perancangan use case diagram, sistem hanya memilki satu actor yaitu user. User dapat menentukan gambar bagian wajah dan menetukan posisi tiap-tiap bagian wajahnya sebagai data input, melatih dan melakukan pengenalan pola jenis bentuk dari bagian wajah menggunakan metode backpropagation, melihat form database yang berisi informasi keterangan karakter, melihat petunjuk dan menutup sistem. Seperti pada gambar use case diagram berikut:

Gambar 3 Usecase Diagram

2.

Class Diagram Sistem Berikut adalah gambar Class Diagram yang dirancang untuk membangun aplikasi pengenalan karakter manusia melalui bentuk bagian wajah:

Gambar 4 Class Diagram


7

3.

Sequence Diagram Dari class Diagram di atas dibuat sequence diagram yang menggambarkan urutan kejadian pada sistem. Sequence Diagram tersebut adalah sebagai berikut:

Gambar 5 Sequence Diagram

4

Hasil dan Pembahasan

Berikut ini akan dijelaskan mengenai hasil uji coba aplikasi pengenalan karakter Manusia melalui bentuk bagian Wajah menggunakan metode Backpropagation. Selain itu, dari hasil uji coba yang telah dilakukan akan dianalisa apakah rancangan ini dapat memenuhi tujuan yang akan dicapai seperti yang telah dipaparkan sebelumnya Pengujian sistem dilakukan untuk mengetahui apakah hasil yang diberikan sesuai dengan pengetahuan yang diberikan ke dalam sistem. Aplikasi pengenalan karakter Manusia melalui bentuk bagian Wajah yang dirancang dengan menggunakan metode Backpropagation ini membuktikan apakah bagian wajah yang dijadikan input oleh user bisa di kenali oleh aplikasi dengan threshold kemiripan tertentu terhadap foto sampel. 1.

Tampilan form pengenalan Saat aplikasi dijalankan, form pengenalan akan muncul. Form ini adalah form utama dari aplikasi untuk melakukan pengenalan karakter terhadap pas foto yang dijadikan input oleh user.

Gambar 6 Tampilan Form Pengenalan

2.

Tampilan Form Ubah parameter JST Form ubah parameter adalah form yang digunakan untuk mengubah nilai-nilai parameter jaringan saraf tiruan yang nantinya akan berguna sebagai ketetapan pada proses feedforward dan backpropagation. Setelah merubah parameter JST ini, pastikan aplikasi di tutup terlebih dahulu dan di jalankan lagi untuk dapat menggunakan parameter yang baru.

Gambar 7 Tampilan Form Ubah parameter.


5

Pengujuan dan Analisa

5.1

Pengujian Aplikasi.

Pengujian Aplikasi ini adalah pengujian yang di lakukan untuk menguji perhitungan Backpropagation dan menganalisa keakuratan backpropagation dalam mengklasifikasikan input bagian wajah pada aplikasi. Dalam proses ini yang di jadikan input adalah piksel dari empat bagian wajah yang sudah di ubah dalam grayscale dan akan di jadikan data tes untuk feedforward terhadap sampel. Untuk menganalisa parameter maka dilakukan percobaan terhadap semua perubahan parameter yaitu Epoch, hidden Layer, dan Learning rate. Adapun untuk merubah parameter itu dapat kita lakukan pada form Ubah parameter. Untuk keperluan pengujian dan analisa, maka dilakukan penambahan sampel untuk nantinya akan di latih. Penambahan sampel akan di lakukan terhadap satu foto sampel dengan menjadikan empat bagian wajah tersebut sebagai data sampel tambahan untuk alis, mata, bibir dan hidung. Untuk deskripsi Alis pada pengujian ini, jenis Alis naik di ujung luar. Karakter menenangkan dan cerdas.

Gambar 8 Tampilan Form simpan sampel saat menyimpan Alis.

Untuk deskripsi Mata pada pengujian ini, jenis Mata kecil. Karakter tertutup dan tidak konsisten.

Gambar 9 Tampilan Form simpan sampel saat menyimpan Mata. Untuk deskripsi Bibir pada pengujian ini, jenis Bibir lebar. Karakter Ekspresif, kasar

verbal.

Gambar 10 Tampilan Form simpan sampel saat menyimpan Bibir.

Untuk deskripsi Hidung pada pengujian ini, jenis Hidung lebar. Karakter ekspresif tapi kadang tidak peduli etika.

Gambar 11 Tampilan Form simpan sampel saat menyimpan Alis


9

Setelah menambahkan empat bagian wajah dari pas photo pengujian sebagai sampel baru, lakukan pengenalan terhadap pas photo tersebut pada ke empat bagian wajah. Berikut gambar form pengenalan di saat melaukan pengenalan pada foto yang di jadikan sampel sebelumnya.

Gambar 12 Tampilan Form pengenalan untuk membuktikan pengujian

Dari gambar diatas dapat kita amati bahwa bahwa aplikasi ini sudah dapat mengenali dengan benar data inputan terhadap data sampel yang sebelumnya sudah ditambahkan. Berikut pada gambar di bawah ini.

Gambar 13 Tampilan panel Keterangan dan Presentase

Terbukti pada gambar diatas keterangan karakter yang ditampilkan sesuai dengan keterangan karakter pada saat sampel di tambahkan dan di simpan. Dan presentase kemiripan yang di peroleh terhadap sampel yang di kenali berada di atas 80%. berikut di bawah ini tabel yang membandingkan keterangan karakter di saat penambahan sampel dan pengenalan. Tabel 2 Perbandingan keterangan karakter

Bagian wajah Alis Mata Bibir

Keterangan sampel Keterangan saat pengenalan Menenangkan dan cerdas Menenangkan dan cerdas Tertutup dan tidak konsisten Tertutup dan tidak konsisten Ekspresif, kasar verbal saat Ekspresif, kasar verbal saat tertekan tertekan Hidung Ekspresif, tapi kadang tidak Ekspresif, tapi kadang tidak peduli peduli etika etika Ke empat keterangan karakter yang di kenali terhadap gambar ini sesuai dengan keterangan karakter saat penambahan sampel sebelumnya. Dengan masing-masing presentase kemiripan Alis 85.6%, Mata 96.4%, Bibir 95.9% dan Hidung 95.5%. 5.2

Analisa

Dari Pengujian Aplikasi dapat dianalisa bahwa: 1. Aplikasi pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode backpropagation ini telah dapat bekerja sesuai dengan tujuan proyek akhir. Hal ini dapat dibuktikan dengan hasil output dari aplikasi telah sesuai dengan tujuan yang akan dicapai. 2. Bobot dari input ke hidden (WIH) dan bobot dari hidden ke output (WHO) akan terus berubah sesuai kesalahannya dan diperbaharui seiring dengan dilakukannya proses setiap epoch. 3. Semakin tinggi nilai epoch maka semakin kecil kesalahan sebuah jaringan saraf tiruan dalam mempelajari pola inputan dalam satu proses pelatihan yang meliputi feedforward dan backpropagation. Dan ini juga berpengaruh terhadap lamanya waktu proses yang dibutuhkan untuk perhitungan. 4. Semakin banyak jumlah hidden layer yang digunakan maka semakin tinggi kemampuan jaringan saraf tiruan dalam menyelesaikan masalah yang lebih rumit dengan ketepatan yang

10 Tito Juliasmi1, Kartina Diah Kusuma W, S.T2 & Erwin Setyo Nugroho, S.T, M.Eng.3

lebih tinggi untuk mengklasifikasikan pola. Dan ini juga berpengaruh terhadap lamanya waktu proses yang dibutuhkan untuk perhitungan. 5. Learning rate berbeda dengan epoch dan hidden layer. Learning rate tidak berpengaruh terhadap waktu proses yang dibutuhkan dalam perhitungan. Learning rate hanya berpengaruh terhadap nilai pembelajaran. Ketika learning rate 0.1 maka kesalahan perhitungan masih besar dan ketika semakin mendekati 0.9 kesalahan perhitungan semakin kecil sehingga mempengaruhi presentase kemiripan yang semakin besar. 6

Kesimpulan.

Setelah menyelesaikan aplikasi pengenalan karakter manusia melalui bentuk bagian wajah meggunakan backpropagation ini, maka dapat diambil beberapa kesimpulan. 1. Aplikasi ini dapat melakukan pengenalan terhadap karakter manusia melalui bentuk bagian wajah dari pas photo digital yang dijadikan sebagai input dengan menggunakan metode backpropagation. 2. Metode backpropagation dapat mengklasifikasikan pola dengan baik untuk aplikasi pengenalan karakter manusia melalui bentuk bagian wajah menggunakan metode backpropagation ini. 3. Output dari aplikasi ini adalah keterangan karakter dari bagian wajah yang menjadi input. 4. Untuk memperoleh hasil pengenalan dengan presentase kemiripan yang tinggi dan benarbenar sesuai dengan karakter sampel, maka dibutuhkan epoch dan hidden layer yang lebih tinggi meskipun membutuhkan waktu proses perhitungan yang lebih lama. 7

[1] [2] [3]

[4] [5] [6] [7]

[8]

[9] [10] [11] [12]

[13]

Daftar Pustaka Bezryadin, Sergey dkk. Brightness Calculation in Digital Citra Processing. 2007. Diambil 20 Desember 2012 dari : www.kweii.com/site/color_theory/ Desiani, Anita. Konsep kecerdasan buatan. Yogyakarta: Penerbit Andi. Freeman, James & Skapura, David. Neural Network algorithm. Application, and Programming Techniques. 1992. Fu, Limin. Neural Netwoks in Computer Intelligence. McGraw-Hill Inc. 1994. Gayatri, Pramita. Ilmu Membaca Wajah. Jakarta: Hi-fest Publishing. 2008. Hermawan, Arief. Jaringan syaraf Tiruan, Teori dan Aplikasi. Yogyakarta. 2008. Hidayanto, Ahmad dkk. Identifikasi Tanda Tangan menggunakan Jaringan Saraf Tiruan Peranbatan Balik (Backpropagation). Jurusan Teknik Elektro Fakultas Teknik Universitas Dipenogoro, Semarang. 2008. Kristanto, Andi. Jaringan syaraf Tiruan. Yogyakarta: Penerbit Andi. 2004. Kusumadewi, Sri. Artificial Intelligent (Teknik dan Aplikasinya). 2003. Laurence, Fausett. Fundamental of Neural Networks. Prentice Hall Englewood. 1994. Malyawati, Dian sa’adilah. Pengenalan Karakter Manusia Melalui bentuk Wajah dengan Metode Backpropagation Jaringan Saraf Tiruan. Journal Universitas Pendidikan Indonesia. 2010. Nugroho, Erwin setyo. Pengenalan Pola Sinyal Elektrokardiograf (EKG) dengan Jaringan Syaraf Tiruan Backpropagation untuk Diagnosa Kelainan Jantung Manusia. Diponegoro Uneversity repository. 2011. Samidi, Nina. Seni Membaca Wajah. Jakarta: Penerbit Erlangga.

Aplikasi Pengenalan Karakter Manusia Melalui Bentuk Bagian Wajah Menggunakan Metode Backpropagation

Recommend Documents