Dosen Pembimbing :
Disusun oleh :
EVA NUROCHIM
C431170081
Latar Belakang Penelitian
1 2 3 4
Sistem absensi berdasarkan akses fisik 1. “Sistem Pengenalan Wajah dengan Metode Eigenface dan
Jaringan Syaraf Tiruan” oleh Tri Mulyono, Kusworo Adi, dan
Rahmat Gernowo (84,6% ).
2. “Pengenalan Wajah Manusia Menggunakan Principal
Component Analysis dan Jaringan Syaraf Tiruan Adaptive
Resonance Theory Two (ART-2)” oleh Fendi Setia Budi
(90% ).
3. Penelitian terkait oleh Sigit Kusmaryanto “Jaringan Syaraf
Tiruan Backpropagation untuk Pengenalan Wajah Metode
Ekstraksi Fitur Berbasis Histogram” (95%).
4. Nahdi Saubari, Rizal Isnanto, dan Kusworo Adi melakukan
penelitian serupa dengan judul “Jaringan Syaraf Tiruan
Peramban Balik Untuk Pengenalan Wajah” (80,8% ).
Rumusan Masalah
Apakah perbandingan data uji-data latih
Berapa nilai akurasi klasifikasi dari sistem mempengaruhi akurasi klasifikasi dari sistem
jaringan syaraf tiruan backpropagation jaringan syaraf tiruan backpropagation pada
pada pengenalan citra wajah manusia pengenalan citra wajah manusia berbasis fitur
berbasis fitur geometri? geometri?
6
Proses klasifikasi citra wajah manusia
menggunakan jaringan syaraf tiruan
backpropagation.
Citra wajah berukuran 3456 x 4608 piksel diambil
menggunakan kamera HP Realme 3 Pro dengan jarak
pengambilan citra sejauh 1 meter, sudut pengambilan
citra dari arah depan objek, dan kondisi pencahayaan
relatif bervariasi.
Pre-Processing 2
b Value Objek
c Deteksi Objek Perhitungan Z,Y, Bobot W Baru dan Bobot V
4 Baru
b Hasil Normalisasi
No 1 2 3 4 5 6 7 Identitas Citra
1 0,00 0,00 0,00 0,00 0,00 0,29 0,00 Dita Suci 1
2 0,34 0,28 0,28 0,20 0,28 0,31 0,00 Dita Suci 2
3 0,20 0,18 0,28 0,27 0,33 0,71 0,00 Dita Suci 3
4 0,87 1,00 0,97 0,90 0,84 0,43 1,00 Yatini 1
5 1,00 0,99 1,00 1,00 1,00 1,00 1,00 Yatini 2
6 0,94 0,97 0,75 0,90 0,73 0,71 1,00 Yatini 3
7 0,66 0,27 0,56 0,33 0,53 0,71 0,00 Dita Suci 4
Bobot V Bobot W
8 0,13 0,18 0,31 0,09 0,23 0,00 0,00 Dita Suci 5 J\K 1 2 3 4 5 J\K 1
9 0,20 0,07 0,37 0,11 0,22 0,15 0,00 Dita Suci 6 0 0,10 0,10 0,10 0,10 0,10
0 0,10
10 0,73 0,88 0,88 0,82 0,76 0,44 1,00 Yatini 4 1 0,65 0,12 0,26 0,15 0,35
1 0,59
11 0,02 0,73 0,47 0,63 0,54 0,37 1,00 Yatini 5 2 0,71 0,50 0,51 0,26 0,20
3
2 0,55
12 0,50 0,87 0,62 0,71 0,68 0,48 1,00 Yatini 6 0,75 0,96 0,70 0,84 0,25
4 0,28 0,34 0,89 0,25 0,62 3 0,92
5 0,68 0,59 0,96 0,81 0,47 4 0,29
6 0,66 0,22 0,55 0,24 0,35 5 0,76
7 0,16 0,75 0,14 0,93 0,83
Bias pada neuron Bias pada neuron lapisan
d Perhitungan Nilai Z lapisan tersembunyi e Perhitungan Nilai Y
keluaran (Bias W)
(Bias V)
Apabila selisih nilai Y dengan target keluaran toleransinya masih melebihi dari nilai
Pehitungan nilai Z sampai dengan Z5, karena pada arsitektur yang ditetapkan jumlah neuron toleransi error perhitungan, maka dilakukan iterasi perulangan Kembali. Iterasi perulangan
lapisan tersembunyinya = 5. akan berhenti ketikan nilai toleransi error kurang dari atau sama dengan nilai toleransi error
yang ditetapkan walaupun belum mencapai batas iterasi perulangan yang ditetapkan.
Target keluaran pada neuron
f Perhitungan Bobot W Baru keluaran – neuron keluaran g Perhitungan Bobot V Baru
Perhitungan bobot V baru dilakukan sampai membentuk matrik 8x5 (Bobot V Baru). Proses
perhitungan dilakukan sesuai dengan arsitektur yang telah ditetapkan.
Pehitungan nilai w sampai dengan w , karena pada arsitektur yang ditetapkan jumlah
06
Bobot W = 5 + 1 (Bias). Begitupun dengan wjk (baru), sehingga akan membentuk
matrik berukuran 6x1 (Bobot W Baru).
Hasil Perhitungan Manual dan Program
# Hasil Perhitungan Nilai Y
Neuron Lapisan
Tersembunyi
Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data
Tersembunyi
50:50 60:40 70:30 50:50 60:40 70:30
Akurasi Akurasi Akurasi Akurasi Akurasi Akurasi
Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi
(%) (%) (%) (%) (%) (%)
5 0 94,53 0 95,04 0 94,86 5 64 86,88 52 86,51 37 86,24
10 0 94,63 0 94,71 0 95,14 10 62 86,58 52 86,14 38 86,17
15 0 94,66 0 94,71 0 95,11 15 58 85,95 47 85,85 34 85,42
Klasifikasi Citra dengan Iterasi 15.000 dan TE = 0,00001 Klasifikasi Citra dengan Iterasi 15.000 dan TE = 0,01
Neuron Lapisan
Neuron Lapisan
Tersembunyi
Tersembunyi
Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data
50:50 60:40 70:30 50:50 60:40 70:30
Akurasi Akurasi Akurasi Akurasi Akurasi Akurasi
Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi
(%) (%) (%) (%) (%) (%)
5 0 94,92 0 95,44 0 95,63 5 62 87,43 52 87,09 38 86,84
10 0 94,89 0 95,04 0 95,41 10 48 86,31 41 86,32 31 86,11
15 0 94,74 0 94,98 0 95,25 15 60 86,01 31 85,89 36 85,57
Klasifikasi Citra dengan Iterasi 20.000 dan TE = 0,00001 Klasifikasi Citra dengan Iterasi 20.000 dan TE = 0,01
Neuron Lapisan
Neuron Lapisan
Tersembunyi
Tersembunyi
Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data Perbandingan Data
50:50 60:40 70:30 50:50 60:40 70:30
Akurasi Akurasi Akurasi Akurasi Akurasi Akurasi
Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi Kesalahan Deteksi
(%) (%) (%) (%) (%) (%)
5 0 94,90 0 95,23 0 96,25 5 64 87,35 52 86,70 36 86,11
10 0 94,92 0 95,14 0 95,60 10 64 86,50 52 86,52 35 85,52
15 0 95,04 0 95,09 0 95,35 15 57 85,73 46 85,62 24 85,63
Akurasi tertinggi (%) 96,25 Akurasi tertinggi (%) 87,43
Akurasi terendah (%) 94,53 Akurasi terendah (%) 85,42
Rata-rata akurasi lapisan tersembunyi = 5 (%) 95,20 Rata-rata akurasi lapisan tersembunyi = 5 (%) 86,79
Rata-rata akurasi lapisan tersembunyi = 10 (%) 95,05 Rata-rata akurasi lapisan tersembunyi = 10 (%) 86,24
Rata-rata akurasi lapisan tersembunyi = 15 (%) 94,99 Rata-rata akurasi lapisan tersembunyi = 15 (%) 85,74
Rata-rata akurasi TE = 0,00001 (%) 95,08 Rata-rata akurasi TE = 0,01 (%) 86,26
Rata-rata akurasi 50:50 (%) 94,80 Rata-rata akurasi 50:50 (%) 86,53
Rata-rata akurasi 60:40 (%) 95,04 Rata-rata akurasi 60:40 (%) 86,29
Rata-rata akurasi 70:30 (%) 95,40 Rata-rata akurasi 70:30 (%) 85,96
Rata-rata akurasi iterasi 10000 (%) 90,51 Rata-rata akurasi iterasi 10000 (%) 86,19
Rata-rata akurasi iterasi 15000 (%) 90,77 Rata-rata akurasi iterasi 15000 (%) 86,40
Rata-rata akurasi iterasi 20000 (%) 90,73 Rata-rata akurasi iterasi 20000 (%) 86,19
KESIMPULAN
Pada saat dilakukan variasi toleransi error = 0,00001
akurasi klasifikasi berbanding lurus terhadap data uji-
data latih yang ditetapkan sedangkan pada saat
Semakin kecil toleransi error yang ditetapkan pada dilakukan variasi toleransi error = 0,01 akurasi
penelitian ini maka nilai akurasi klasifikasi yang klasifikasi berbanding terbalik terhadap data uji-data
dihasilkan semakin besar atau berbanding terbalik. latih yang ditetapkan.