Perbandingan beberapa wajah eigen sebagai pra-proses pada pengenalan wajah menggunakan jaringan syaraf tiruan propagasi balik standar

Abstract

Proses pengenalan wajah secara garis besar dibagi tiga tahap utama, yakni fase input data, fase pra- proses, dan fase jaringan syaraf tiruan. Pada penelitian akan difokuskan pada pengaruh penggunaan beberapa metode Eigen khususnya Principle Component Analysis (PCA) dan metode ukuran jarak pada fase pra-proses. PCA yang akan digunakan adalah PCA pada proporsi 80% dan 90%. Sedangkan pada metode ukuran jarak akan digunakan Euclidean dan Angle. Jaringan syaraf tiruan yang akan digunakan adalah jaringan syaraf tiruan propagasi balik standar. Jumlah neuron hidden yang akan digunakan 300 dengan toleransi galat 0.01. Pada fase pra-proses metode ukuran jarak memerlukan waktu lebih cepat jika dibandingkan dengan metode PCA. Euclidean memerlukan waktu pra-proses selama 0.55 detik, Angle selama 1.48 detik, PCA 80% dengan komponen acak selama 87.60 detik, dan PCA 90% dengan komponen acak selama 90.58 detik, PCA 80% tanpa komponen acak selama 68.459 detik, dan PCA 90% tanpa komponen acak selama 69.57 detik. Sedangkan tingkat konvergensi PCA lebih baik jika dibanding dengan metode ukuran jarak. PCA 80% dengan komponen acak hanya memerlukan waktu 8. 19 detik dan epoh sebanyak 70. PCA 90% dengan komponen acak memerlukan waktu 8.57 detik, dan epoh sebanyak 71. PCA 80% tanpa komponen acak memerlukan waktu 7.501 detik, dan epoh sebanyak 71. PCA 90% tanpa komponen acak memerlukan waktu 7.391 detik, dan epoh sebanyak 71. Euclidean selama 52.73 detik dan epoh sebanyak 461, sedangkan Angle selama 15.05 dan epoh sebanyak 118. Generalisasi terbaik dicapai jaringan syaraf tiruan menggunakan PCA 80% tanpa komponen acak, Angle, dan Euclidean dengan generalisasi 94%, PCA 90% dengan dan tanpa komponen acak sebesar 92% dan PCA 80% dengan komponen acak sebesar 90%. Tingkat konvergensi dipengaruhi variasi dan besarnya dimensi input ke jaringan. Variasi percobaan dilakukan dengan menggunakan jumlah neuron hidden sebanyak 300, 310, 320, 330, 340, dan 350. Jumlah epoh rata-rata pelatihan tiap metode menunjukkan kecederungan stabil. Sedangkan generalisasi rata-rata pada JST PCA 80% dan 90% tanpa komponen acak, Euclidean, dan Angle menunjukkan kecenderungan stabil.