PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR

• Main Author: Pujihati, Ratih (Author)
• Format: Book
• Published: 2014-06-02.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata

Summary

Identifikasi biometrik dapat dijadikan sebagai suatu alternatif untuk sistem keamanan. Identifikasi biometrik merupakan pengembangan dari metode dasar identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya, yaitu karakteristik fisiologis dan karakteristik perilaku. Karakteristik fisiologis adalah ciri fisik yang relatif stabil seperti sidik jari, siluet tangan, ciri khas wajah, pola gigi, atau retina mata. Sedangkankarakteristikperilaku, sepertitandatangan, polaucapan, atauritmemengetik. Pengenalan wajah (face recognition) adalah salah satu teknik identifikasi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya.Pada perkembangan teknologi saat ini, banyak sistem aplikasi yang berbasis pada pengenalan wajah, namun hanya untuk pengenalan wajah normal (tanpa blur). Sedangkan pada kenyataannya, data citra wajah yang didapatkan tidak selalu merupakan data citra wajah normal (tanpa blur).Berdasarkanhaltersebut, makapenelitianinidilakukanuntukpengenalanwajahpada citrawajahdengantingkat blur yang bervariasi yaitu tingkat 1 sampai 5. Salah satujenis blur yang digunakanyaitu Gaussian Blur. Saatini, metode yang dianggapakuratdalampengenalanwajahadalahJaringan Syaraf Tiruan Learning Vector Quantization. Pada penelitian ini, metode tersebut akan diterapkan pada tahap recognition (pengecekan dan pengkategorian inputan). Adapun urutan proses pengenalannya adalah Masukan - Pra Proses - Feature Extraction - Pengenalan - Hasil. Sistem yang dikembangkan telah berhasil mengenali wajah pada citra wajah Gaussian Blur yang bervariasi dengan menghasilkan persentase akurasi terbaik yaitu 93,33%. Dengan persentase tersebut, dapat disimpulkan bahwa sistem dapat menghasilkan pengenalan wajah yang akurat. Biometric identification can be used as an alternative for security system. Biometric identification is the development of identification basic methodby using the natural characteristics human as its base, those are physiological characteristicsand behavioral characteristics. Physiological characteristic is physical characteristics which are relatively stable such as fingerprints , hand silhouettes, characteristic facial , dental patterns, or retina of the eye. While the behavioral characteristics, such as signature, speech patterns, or typing rhythm. Face recognition is one of the biometric identification by using the individuals concerned face as the main parameter. In the current technological developments, many application systems based on face recognition, but only for normal face recognition ( no blur ). While in fact, the face image data obtained is not only a normal face image data ( no blur ). Based on that phenomenon, the research is done for face recognition on a face image with the varation levels of blur. One type of blurs that is used is Gaussian Blur. Nowadays, the method that is concerned accurate in face recognition is Artificial Neural Network Learning Vector Quantization. In this research, the method will be applied to the recognition step (checking and categorizing input). The steps of this recognition are Input - Pre Process - Feature Extraction - Recognition - Output. The system developed has been recognizing faces successfully in a face image with varying Gaussian Blur produces the best accuracy percentage is 93.33%. With these percentages, it can be concluded that the system can produce accurate face recognition. Keyword:Biometrics, Facial Recognition, Learning Vector Quantization, Gaussian Blur Faces Image, Method of Neural Network.

Item Description

http://repository.upi.edu/13503/1/S_KOM_1001126_Title.pdf
http://repository.upi.edu/13503/2/S_KOM_1001126_Table_of_content.pdf
http://repository.upi.edu/13503/3/S_KOM_1001126_Abstract.pdf
http://repository.upi.edu/13503/4/S_KOM_1001126_Chapter1.pdf
http://repository.upi.edu/13503/5/S_KOM_1001126_Chapter2.pdf
http://repository.upi.edu/13503/6/S_KOM_1001126_Chapter3.pdf
http://repository.upi.edu/13503/7/S_KOM_1001126_Chapter4.pdf
http://repository.upi.edu/13503/8/S_KOM_1001126_Chapter5.pdf
http://repository.upi.edu/13503/9/S_KOM_1001126_Bibliography.pdf
http://repository.upi.edu/13503/10/S_KOM_1001126_Appendix.pdf