S KOM 1001126 Abstract

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 i

ABSTRAK

PENERAPAN METODE JARINGAN SYARAF TIRUAN

LEARNING VECTOR QUANTIZATION

(LVQ)

UNTUK PENGENALAN WAJAH

DENGAN CITRA WAJAH

GAUSSIAN BLUR

Ratih Pujihati

1001126

Identifikasi biometrik dapat dijadikan sebagai suatu alternatif untuk sistem

keamanan. Identifikasi biometrik merupakan pengembangan dari metode dasa r

identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya ,

yaitu karakteristik fisiologis dan karakteristik perilaku. Karakteristik fisiologis

adalah ciri fisik yang relatif stabil seperti sidik jari, siluet tangan, ciri khas

wajah,

pola

gigi,

atau

retina

mata.

Sedangkankarakteristikperilaku,

sepertitandatangan, polaucapan, atauritmemengetik. Pengenalan wajah (face

recognition) adalah salah satu teknik identifikasi biometrik dengan menggunaka n

wajah individu yang bersangkutan sebaga i parameter utamanya.Pada

perkembangan teknologi saat ini, banyak sistem aplikasi yang berbasis pada

pengenalan wajah, namun hanya untuk pengenalan wajah normal (tanpa blur).

Sedangkan pada kenyataannya, data citra waja h yang didapatkan tidak selalu

merupakan data citra wajah normal (tanpa blur).Berdasarkanhaltersebut,

makapenelitianinidilakukanuntukpengenalanwaja hpada citra wajahdengantingkat

blur yang bervaria si yaitu tingkat 1 sampai 5. Salah satujenis blur yang

digunakanyaitu Gaussian Blur.

Saatini,

metode

yang

dianggapakuratdalampengenalanwajahadalahJaringan Syaraf Tiruan Learning

Vector Quantization. Pada penelitian ini, metode tersebut akan diterapkan pada

tahap recognition (pengecekan dan pengkategorian inputan). Adapun urutan

proses pengenalannya adalah Masukan

–

Pra Proses

–

Feature Extra ction

–

Pengenalan

–

Hasil.

Sistem yang dikembangkan telah berhasil mengenali wajah pada citra

wajah Gaussian Blur yang bervaria si dengan menghasilkan persentase akurasi

terbaik yaitu 93,33%. Dengan persentase tersebut, dapat disimpulkan bahwa

sistem dapat menghasilkan pengenalan wajah yang akurat.

Ratih Pujihati , 2014

Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur

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 iii

ABSTRACT

THE APPLICATION OF NEURAL NETWORK

LEARNING VECTOR QUANTIZATION (LVQ) METHOD

IN FACE RECOGNITION

WITH GAUSSIAN BLURFACE IMAGE

Ratih Pujihati

1001126

Biometric identification can be used as an alternative for security system.

Biometric identification is the development of identification basic methodby using

the natural characteristics human as its base, those are physiological

characteristicsand behavioral characteristics. Physiological chara cteristic is

physical characteristics which a re relatively sta ble such as fingerprints , hand

silhouettes, characteristic facial , dental patterns, or retina of the eye. While the

behavioral characteristics, such a s signature, speech patterns, or typing rhythm.

Face recognition is one of the biometric identification by using the individuals

concerned face as the main parameter. In the current technological developments,

many application systems based on face recognition, but only for normal face

recognition ( no blur ). While in fact, the face image data obtained is not only a

normal face image data ( no blur ). Based on that phenomenon, the research is

done for face recognition on a face image with the varation levels of blur. One

type of blurs that is used is Gaussian Blur.

Nowadays, the method that is concerned accurate in face recognition is

Artificial Neural Network Learning Vector Quantization. In this research, the

method will be applied to the recognition step (checking and categorizing input).

The steps of this recognition are Input - Pre Process - Feature Extraction -

Recognition - Output.

The system developed has been recognizing faces successfully in a face

image with varying Gaussian Blur produces the best accuracy percentage is

93.33%. With these percentages, it can be concluded that the system can produce

accurate face recognition.