PENGENALAN WAJAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK-RESTRICTED BOLTZMANN MACHINE BERBASIS PRINCIPAL COMPONENT ANALYSIS

• Main Author: Ali Hasan Ash Shiddiq, - (Author)
• Format: Book
• Published: 2020-08-28.
• Subjects: Thesis; NonPeerReviewed
• Online Access: Link Metadata
• Notes: http://repository.upi.edu/51328/1/S_KOM_1608246_Title.pdf; http://repository.upi.edu/51328/2/S_KOM_1608246_Chapter1.pdf; http://repository.upi.edu/51328/3/S_KOM_1608246_Chapter2.pdf; http://repository.upi.edu/51328/4/S_KOM_1608246_Chapter3.pdf; http://repository.upi.edu/51328/5/S_KOM_1608246_Chapter4.pdf; http://repository.upi.edu/51328/6/S_KOM_1608246_Chapter5.pdf
• Keywords: L Education (General); QA76 Computer software

Teknologi pengenalan wajah berpotensi untuk diterapkan pada berbagai bidang dalam kehidupan sehari-hari. Penelitian ini melakukan pengembangan teknologi pengenalan wajah dengan mengusulkan metode Convolutional Neural Network-Restricted Boltzmann Machine (CNN-RBM) berbasis Principal Component Analysis (PCA) menggunakan set data Labeled Faces in the Wild (LFW). CNN-RBM berbasis PCA memanfaatkan PCA sebagai pereduksi dimensi pada input, kemudian menggunakan CNN sebagai ekstraksi fitur, dan menggunakan RBM pada tahap klasifikasi wajah. Hasil eksperimen membuktikan bahwa CNN-RBM berbasis PCA mampu mengungguli baseline dengan peningkatan akurasi sebesar 1,6%. Face recognition technology can be applied in various fields of in everyday life. This research develops face recognition technology using Convolutional Neural Network-Restricted Boltzmann Machine (CNN-RBM) based on Principal Component Analysis (PCA) using labeled Faces in the Wild (LFW) set data. PCN-based CNN-RBM uses PCA as a dimension reduction in input, then uses CNN as a feature extraction, and uses RBM in face classification. The experimental results prove that PCN-based CNN-RBM was able to outperform the baseline with 1,6% accuracy improvement.