Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)

Resume Mata Kuliah Seminar

Kecerdasan Komputasional  Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)

Kemampuan otak manusia dalam memperoses persoalan yang berkaitan dengan panca indra dicoba untuk diimplementasikan dalam komputer, dengan mempelajari cara kerja jaringan neural memperoses biologis yang mendasarinya. Pendekatan yang dilakukan berkaitan dengan pengidentifikasian jejaring neural biologis ini dilakukan dengan menerapkan prinsip dasarnya pada sistem komputer dengan nama jaringan neural uatan (JNB).

Model sistem pengenalan wajah merupakan pengembangan dari model sistem yang telah dilakukan pada penelitian sebelumnya. Modifikasi yang dilakukan terdiri atas dua sisi yaitu modifikasi pada arsitektur jaring an neural dengan penambahan lapis neuron hidden, dan penambahan jumlah ciri dengan menghadirkan ciri geometri selain ciri geometri. Kedua modifikasi ini dapat meningkatkan kemampuan pengenalahan sekalipun dilatih dengan komposisi yang relatif rendah  yaitu  30%.  Dengan  pertimbangan  optimalisasi  komputasi  eksekusi  atau  waktu,  komposisi  pelatihan  50%  dapat digunakan sebagai pembelajaran yang optimal.

Komposisi 70% menghasilkan akurasi sangat baik namun biaya komputasi pelatihannya cukup mahal. Sampel data yang digunakan adalah citra wajah 7 orang masing -masing dengan 6 poses. Ekstraksi ciri dilakukan pada 12 bagian wajah dengan masing-masing diambil 3 variasi piksel ke segala arah sehingga menghasilkan 72 konfigutasi untuk setiap orang sampel dengan masing-masing 47 ciri. Arsitektur jaringan neural menjadi 47 neuron  input, 8 kali neuron hidden, dan 7 neuron output. Pembelajaran model sistem menggunakan algoritma pembelajaran supervisi propagasi balik Komposisi pelatihan 30% mengasilkan rerata tingkat akurasi 90% untuk data pelatihan, dan rerata 89% untuk data testing. Komposisi pelatihan 50% mengasilkan rerata tingkat akurasi 98% untuk data pelatihan, dan rerata 95% untuk data testing. Komposisi pelatihan 70% mengasilkan rerata tingkat akurasi 100% untuk data pelatihan, dan rerata 98% untuk data testing. Secara umum model sistem jaringan neural pengenal wajah yang diusulkan cukup handal untuk sistem pengenal wajah secara frontal. Untuk pengembangan penelitian selanjutnya dapat rancang untuk wajah tiga dimensi dengan variasi jarak pandang.

Sumber                 :

Dr. Wawan Setiawan, M.Si.

Universitas Pendidikan Indonesia ( UPI )

This entry was posted in Seminar. Bookmark the permalink.