PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION PADA PENGENALAN WAJAH

Dessy Wuryandari, Maharani and Irawan Afrianto (2013) PERBANDINGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN LEARNING VECTOR QUANTIZATION PADA PENGENALAN WAJAH. KOMPUTA - Jurnal Komputer & Informatika, 1 (1).

UNSPECIFIED komputa-1-1-perbandingan-metode-jaringan-irawan-7.pdf Download (513kB)

Abstract

Pengenalan wajah merupakan suatu bidang yang masih terus diteliti dan dikembangkan untuk berbagai keperluan seperti absensi, pendataan penduduk, sistem keamanan dan lain-lain. Metode kecerdasan buatan khususnya jaringan syaraf tiruan (JST) backpropagation dan learning vector quantization adalah dua metode yang sering digunakan untuk aplikasi pengenalan wajah. Kedua metode tersebut merupakan metode pembelajaran terawasi yang biasa dipakai untuk pengenalan pola secara tipikal, yaitu mengelompokkan pola-pola ke dalam kelas-kelas pola, sehingga tepat untuk digunakan dalam aplikasi pengenalan wajah. Dalam aplikasi ini, dilakukan preprocessing citra terhadap citra masukan sebelum citra tersebut diolah dalam dalam JST, diantaranya proses scalling, grayscale, edgedetection dengan metode sobel dan thresholding. Sedangkan metode JST yang digunakan untuk mengenali wajah antara lain metode backpropagation dan learning vector quantization. Hasil penelitian ini adalah Perbandingan metode jaringan syaraf tiruan backpropagation dan learning vector quantization pada pengenalan wajah yang digunakan untuk dapat mengetahui perbedaan, kekurangan, kelebihan dan hasil optimal dari kedua metode tersebut untuk digunakan pada sistem pengenalan wajah.

Item Type:	Article
Subjects:	Jurnal Tercetak > KOMPUTA - Jurnal Ilmiah Komputer dan Informatika
Divisions:	Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer > Teknik Informatika (S1)
Depositing User:	Admin Repository
Date Deposited:	28 Nov 2016 07:53
Last Modified:	28 Nov 2016 07:53
URI:	http://repository.unikom.ac.id/id/eprint/30242

Actions (login required)

View Item