Dewi, A.A. Kusuma (2004) Implementasi Sistem Pengenalan Wajah Dengan Penerapan Metode Adaptive Neuro-Fuzzy Inference Systems. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
5199100027-Undergraduate Thesis.pdf - Published Version Download (14MB) | Preview |
Abstract
ANFIS adalah metode yang merupakan penggabungan mekanisme Sistem Inferensi
Fuzzy yang direpresentasikan dalam arsitektur jaringan syaraf tiruan. Umumnya
ANFIS diterapkan sebagai metode pembelajaran pada sistem kendali, dengan
karakteristik ANFIS terse but dapat dilihat adanya peluang untuk menerapkan ANFIS
sebagai metode pembelajaran pada klasifikasi.
Diperlukan fitur ekstraktor yang tepat dalam penerapan ANFIS pada sistem
pengenalan wajah. Fitur ekstrator yang dibutuhkan ada dua, yaitu metode untuk
mengekstrak fitur global dan fitur lokal. Metode yang tepat untuk mengekstraksi fitur
global adalah Analisa Komponen Utama (PCA - Principal Component Analysis)
karena mampu mendapatkan basis proyeksi optimal dimana metode ini dimodifikasi
dengan transformasi whitening dan untuk mengekstraksi fitur lokal digunakan
metode Analisa Paket Wavelet yang akan mendekomposisi citra wajah sehingga
menghasilkan informasi lokal wajah. Di dalam ANFIS terdapat dua metode
pembelajaran, yaitu backpropagation dengan metode gradient descent untuk arah
mundur dan metode Reqursive Least Square Estimator untuk arah majunya. Pada
metode pembelajaran arah mundur inilah yang nantinya akan merubah parameter
premis sedangkan pembelajaran arah maju akan merubah parameter konsekuen.
Sebagai ujicoba utama, perangkat lunak diimplementasikan pada Basis Data baku,
yaitu Basis Data 0/livetti, YALE dan BERN. Ujicoba dilakukan terhadap data yang
di-whitening dan data yang tidak di-whitening. Untuk data yang tidak di-whitening,
hasil akurasi data pembelajaran terhadap Basis Data Ollivetti berkisar antara 501Yo-
53% sedangkan untuk data uji-nya berkisar antara 26%-35% . Ujicoba data
pembelajaran terhadap Basis Data YALE berkisar antara 831Yo- 89% dan untuk data
uji berkisar antara 50%- 72. Hasil akurasi data pembelajaran pada percobaan
terhadap Basis Data BERN berkisar antara 68%-79% dan akurasi pada data ujinya
berkisar antara 44%-57%.
Sedangkan untuk data yang di-whitening, karena melibatkan basis nonorthogonalnya
maka hasil akurasinya lebih baik, yaitu hasil akurasi data
pembelajaran terhadap Basis Data Ollivetti berkisar antara 981Yo- 100% dan untuk
data uji-nya berkisar antara 71 IYo-80% . Ujicoba data pembelajaran terhadap Basis
Data YALE berkisar antara 991Yo- 100% dan untuk data uji berkisar antara 75.51Yo-
97. 7%. Sementara itu, hasil akurasi data pembelajaran pada percobaan terhadap
Basis Data BERN berkisar antara 991Yo- 100% dan akurasi pada data ujinya berkisar
antara 80% -100%.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSIf 006.32 Dew i |
| Subjects: | Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) |
| Divisions: | Faculty of Information Technology > Informatics Engineering |
| Depositing User: | ansi aflacha |
| Date Deposited: | 13 Nov 2019 08:50 |
| Last Modified: | 13 Nov 2019 08:50 |
| URI: | http://repository.its.ac.id/id/eprint/71766 |
Actions (login required)
 |
View Item |