Grafik training neural network dengan menggunakan 10 data wajah dan 10 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 10 data wajah dan 10 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 10 data wajah dan 30 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 10 data wajah dan 30 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 10 data wajah dan 40 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 10 data wajah dan 30 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 10 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 10 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 20 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 20 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 30 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 30 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 40 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 40 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 50 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 50 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 69 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 69 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 79 data wajah dan 55 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 79 data wajah dan 55 data non wajah sebagai data training.
Grafik training neural network dengan menggunakan 108 data wajah dan 65 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 108 data wajah dan 65 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 108 data wajah dan 122 data non wajah sebagai data training.
Gambar hasil deteksi dengan menggunakan 108 data wajah dan 122 data non wajah sebagai data training.
BAB I PENDAHULUAN
I.1 Latar Belakang
Sejalan dengan semakin tingginya kemampuan komputer untuk memproses data dalam jumlah besar dengan kecepatan yang tinggi, sistem biometrik semakin banyak diaplikasikan dalam kehidupan manusia. Sthepen Coob (1996) mendefinisikan biometrik sebagai berikut: “The term biometrics refers to a
range of authentication systems. Its definition is a measureable characteristic or personal trait used to recognize the identity or verify the claimed identity, of a person through the automated means”. Secara umum, sistem biometrik adalah
sistem untuk melakukan identifikasi dengan cara menggunakan ciri-ciri fisik atau anggota tubuh manusia, seperti wajah, sidik jari, retina mata, suara.
Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan, antara lain untuk sistem pengenalan biometrik. Secara umum untuk manusia, wajah merupakan ukuran yang paling mudah dan sederhana untuk membedakan identitas individu yang satu dengan yang lainnya. Sistem pengenalan wajah bertujuan untuk mengidentifikasi wajah seseorang dengan cara membandingkan wajah tersebut dengan database wajah yang sudah ada.
Pendeteksian gambar wajah merupakan persoalan menentukan posisi wajah dalam suatu citra dan merupakan masalah klasifikasi pola dengan input adalah suatu citra dan outputnya adalah label kelas dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan non wajah [1]. Pendeteksian gambar wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition) yang digunakan dalam identifikasi biometrik. Metode pada penentuan daerah wajah ini adalah dengan memisahkan wilayah kulit (skin region) dengan wilayah bukan kulit (non-skin
region).
Masalah pendeteksian gambar wajah dapat dirumuskan sebagai berikut: diberikan masukan sebuah citra digital sembarang, maka sistem akan mendeteksi apakah ada wajah manusia di dalam citra tersebut. Keluaran dari sistem adalah posisi subcitra berisi wajah manusia yang berhasil dideteksi.
2
I.2 Identifikasi Masalah.
1. Bagaimana mendeteksi lokasi wajah manusia dari gambar masukan yang diberikan?
2. Bagaimana kinerja proses pendeteksian gambar wajah dengan menggunakan jaringan saraf tiruan berarsitektur multilayer perceptron ? 3. Bagaiman merealisasikan suatu program yang dapat mensimulasikan
pendeteksian gambar wajah dengan menggunakan jaringan saraf tiruan
multilayer perceptron?
I.3 Tujuan.
Tujuan Tugas Akhir ini adalah untuk mempelajari cara kerja sistem pendeteksian wajah menggunakan metode jaringan saraf tiruan multilayer
perceptron.
I.4 Pembatasan Masalah.
1. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan
(frontal), dan tidak terhalangi sebagian oleh objek lain.
2. Input yang dideteksi menggunakan format JPEG.
3. Metode pelatihan dan pengujian yang digunakan adalah jaringan saraf tiruan multilayer perceptron.
I.5 Sistematika Penulisan.
Penulisan Tugas Akhir ini terdiri dari lima bab dengan susunan sebagai berikut:
1. BAB I PENDAHULUAN
Bab ini akan menjelaskan mengenai apa saja yang melatarbelakangi penulisan laporan tugas akhir, mengidentifikasi masalah yang akan diselesaikan dalam tugas akhir dan apa saja yang menjadi tujuan penyusunan laporan Tugas Akhir, pembatasan masalah sehingga ruang lingkup permasalahan yang akan diselesaikan menjadi lebih fokus, dan sistematika penulisan laporan Tugas Akhir ini.
3
2. BAB II DASAR TEORI
Bab ini berisi materi-materi sebagai referensi dalam perancangan sistem pendeteksian gambar wajah menggunakan jaringan saraf tiruan berarsitektur multilayer perceptron.
3. BAB III PERANCANGAN
Pada bab ini akan dibahas mengenai perancangan tiap-tiap modul dari program pendeteksian wajah yang akan dibuat.
4. BAB IV SIMULASI DAN ANALISA
Bab ini akan menampilkan dan menganalisa hasil pengujian terhadap program pendeteksian wajah yang telah dirancang.
5. BAB V KESIMPULAN DAN SARAN
Bab ini menyimpulkan hasil perancangan, disertai saran-saran untuk pengembangan lebih lanjut.
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Kesimpulan yang didapat dari penyusunan tugas akhir ini adalah sebagai berikut:
1. Pada sistem pendeteksi wajah yang berbasis contoh, hasil yang diperoleh sangat dipengaruhi oleh banyaknya contoh dan kualitas data yang digunakan.
2. Pendefenisian kotak wajah yang berlebih pada proses deteksi wajah disebabkan oleh penyesuaian terhadap dimensi gambar.
V.1 Saran
Berdasarkan hasil percobaan yang telah dilakukan, maka dapat dirumuskan beberapa saran sebagai berikut, yaitu:
1. Untuk meningkatkan unjuk kerja sistem pendeteksi wajah, dapat diberikan pelatihan dengan tambahan data training.
2. Untuk percobaan lebih lanjut, sistem pendeteksi gambar wajah dapat dikombinasikan dengan pendeteksi warna kulit.