KK 207038009 Reading1
KK 207038009 Reading1
• Metode
Pada prinsip utamanya metode yang digunakan untuk melakukan identifikasi atau
pengenalan yaitu melakukan deteksi, ekstraksi, seleksi, dan klasifikasi terhadap pola.
Tahap pertama merepresentasikan objek dengan cara mendeteksi serta mengukur dan
mempertimbangkan keadaan permulaan objek atau keadaan netral. Setelah gambar
disempurnakan untuk meningkatkan kualitasnya, gambar tersebut akan diekstraksi di mana
fitur ekstensif berbeda seperti Area, holo entropy, SURF dan fitur SIFT diekstraksi. Tahap
Ekstraksi merupakan tahapan utama dalam pemrosesan citra atau pola karena menyediakan
parameter untuk mengevaluasi pola untuk tujuan klasifikasi. Dalam proses klasifikasi
jaringan syaraf tiruan bekerja memanfaatkan dua tahap, yaitu tahap pelatihan dan tahap
lainnya adalah tahap pengujian.
Salah satu dari algoritma yang dapat digunakan dalam tahap klasifikasi yaitu
algoritma back propagation. Algoritma ini pada dasarnya menandakan kebijakan
pembelajaran yang dikelola dan tambahan dapat membedakan runtuhnya regulasi delta.
Untuk prinsip eksekusi kompilasi, itu memerlukan kumpulan data efisiensi dasar untuk
input yang beragam dan bervariasi. Dalam proses latihan (training), gambar input
diekstraksi dari fitur dan vektor fitur ini disediakan sebagai masukan ke jaringan saraf.
Awalnya, node menerima bobot acak. Seperti keluarannya sudah diketahui. Pada tahap
pelatihan, keluaran yang diperoleh dari jaringan saraf dibandingkan dengan yang asli dan
bobot bervariasi untuk mengurangi kesalahan. Proses ini dilakukan untuk data yang besar
agar menghasilkan sistem yang stabil dengan bobot yang ditetapkan di node. Strukturnya
direpresentasikan pada Gambar 1.
• Daftar Pustaka
[1] F. Z. Salmam, A. Madani, and M. Kissi, “Emotion recognition from facial expression
based on fiducial points detection and using neural network,” Int. J. Electr. Comput.
Eng., vol. 8, no. 1, pp. 52–59, 2018, doi: 10.11591/ijece.v8i1.pp52-59.
[2] S. R. Borra, G. J. Reddy, and E. S. Reddy, “An efficient fingerprint identification
using neural network and BAT algorithm,” Int. J. Electr. Comput. Eng., vol. 8, no. 2,
pp. 1194–1213, 2018, doi: 10.11591/ijece.v8i2.pp1194-1213.