| dc.description.abstract | Pada beberapa kegiatan kehidupan, misalnya pertahanan, militer, perdagangan, ataupun kependudukan, atau yang lainnya diperlukan suatu proses validasi atau identifikasi personal. Dengan berkembangnya komputer, maka perlu dilakukan otomatisasi proses pengenalan personal tersebut. Untuk mengenali seseorang diperlukan bagian yang khas (unik) yaitu bagian yang mampu membedakan antara seorang dengan yang lainnya. Bagian yang khas dari manusia diantaranya adalah wajah, sidik jari, iris, retina, tanda tangan, dan suaranya. Penelitian ini menggunakan kekhasan wajah untuk mengenali seseorang.
Mengingat dimensi citra yang terlalu besar, maka dilakukan penciutan dimensi citra wajah dengan dua cara. Pertarna, mengambil bagian-bagian yang merupakan pembeda antar wajah, yaitu mata kiri, mata kanan, hidung, dan mulut. Kedua, melakukan transformasi wajah dengan analisis komponen utama (principal component analysis). Dengan metode ini, setiap wajah ditransformasi ke m komponen utama pertarna (dalam penelitian ini m yang digunakan adalah 8 dan 14) dan satu nilai yang mencerminkan panjang komponen acak.
Teknik pengenalan wajah yang digunakan adalah jaringan syaraf tiruan dengan pelatihan memakai metode propagasi balik. Arsitektur jaringan yang digunakan adalah layer jamak dengan satu layer hidden dan 30 neuron pada layer hidden tersebut.
Dalam penelitian ini digunakan 36 citra wajah sebagai data pelatihan jaringan. Citra ini didapat dari pemotretan 6 orang dengan posisi lurus, serong ke kiri, serong ke kanan, ditambah manipulasi citra dengan rotasi ke kiri, rotasi ke kanan, dan pencerminan dari posisi lurus. Untuk mengetahui kehandalan dari teknik yang digunakan, dipakai 36 citra dari hasil pemotretan ulang sebagai data uji pengenalan.
Percobaan dilakukan pada 8 dan 14 komponen utarna pertarna baik tanpa komponen acak maupun dengan komponen acak pada berbagai toleransi galat pelatihan (0.1, 0.01, 0.001, 0.0001). Hasil percobaan yang dicatat adalah waktu pelatihan, epoh, dan tingkat pengenalan.
Dari hasil percobaan yang telah dilakukan, terlihat bahwa penambahan komponen acak pada 8 komponen utama pertarna dan toleransi galat pelatihan 0,01 menghasilkan tingkat pengenalan yang lebih baik daripada tanpa menggunakan komponen acak, yaitu 91,67% dimana dari 36 citra wajah yang diuji hanya 33 citra wajah saja yang berhasil dikenali. Selain itu juga penggunaan komponen acak membuat waktu pelatihan dan epoh menjadi lebih lama dibanding tanpa menggunakan komponen acak. | id |
