Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan penelitian mengenai implementasi metode Jaringan Syaraf
Tiruan Learning Vector Quantization untuk pengenalan wajah pada citra wajah
dengan Gaussian Blur , maka dapat diambil beberapa kesimpulan untuk
menjawab rumusan masalah. Adapun kesimpulan dari penelitian ini adalah
sebagai berikut:
1. Implementasi metode Jaringan Syaraf Tiruan Learning Vector
Quantizationtelah berhasil menyelesaikan masalah pengenalan wajah pada
data citra wajah dengan tingkat Gaussian Blur yang bervariasi dengan hasil
yang akurat.
2. Proses yang dilakukan untuk melakukan pengenalan wajah pada data citra
wajah dengan tingkat Gaussian Bluryang bervariasi adalah dengan menerima
masukan berupa matriks dari hasil feature extraction, kemudian masukan
tersebut dijadikan sebagai data training pada proses training Jaringan Syaraf
Tiruan Learning Vector Quantization. Data training tersebut akan
menghasilkantarget keluaran. Kemudian sistem akan melakukan proses
testing, dengan memasukan citra wajah uji. Hasil keluaran citra wajah uji
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Sistem akan mencarihasil data uji yang mendekati target keluaran yang
94
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
3. Pengujian yang dilakukan untuk mengetahui akurasi pengenalan wajah
dilakukan 4 skenario pengujian sistem yaitu pengenalan berdasarkan
responden, tingkat blur, pose wajah, dan tingkat cahaya.
Persentase pengenalan tiap responden pada
pengujiansistempengenalancitrawajahdengantingkatGaussianBlur yang
bervariasimenghasilkan rata-rata pengenalansebesar 82%.Persentase
pengenalan berdasarkan tingkatGaussian Blur
menghasilkanakurasitertinggipadaGaussian Blur tingkat 1 (Bl-1)
denganakurasi 82%, karenaBlur tingkat 1 merupakantingkatGaussian Blur
yang paling kecildanmemilikitingkatkesamarancitrawajah yang
rendah.Pengujianberdasarkanposewajahmenghasilkanpersentasetingkatakuras
itertinggisebesar 92% padapose wajahke 2 (Po-2), karenapadaposewajahke 2
inimenunjukanpose wajah yang
cocokuntukpengenalanwajahdenganposisiwajahtegakmenghadapkamera.
Sedangkan hasil pengujian berdasarkan tingkat cahaya yang menghasilkan
akurasi tertinggi adalah tingkat cahaya ke -2 (C-2) dengan akurasi 76,80%,
karena cahaya tingkat 2 merupakan tingkat cahaya yang normal dibandingkan
dengan tingkat cahaya yang lain.
Melihathasilpersentaseakurasidiatas, dapatdisimpulkanbahwafaktor yang
mempengaruhi persentase pengenalan wajah adalah tingkat Gaussian Blur,
95
Ratih Pujihati , 2014
Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur
Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu
Learning Vector Quantizationsangat baik dalam kasus pengenalan wajah
dengan citra wajah Gaussian Blur yang bervariasi.
5.2 Saran
Beberapa saran yang diberikan untuk penelitian lebih lanjut adalah sebagai
berikut:
1. Penelitian selanjutnya diharapkan dapat membangun sistem untuk pengenalan
citra wajah dengan jenis blur yang berbeda seperti Motion Blur , Lensa Blur ,
Box Blur , dan lain-lain.
2. Pada penelitianselanjutnyadiharapkansistem ini dapatdikembangkan
padamobile application.