PEMODELAN PENGENALAN CITRA WAJAH MENGGUNAKAN TRANSFORMASI WAVELET DAUBECHIES 1 DAN JARINGAN SARAF TIRUAN (JST) BACKPROPAGATION
Main Article Content
Abstract
The current use of traditional house keys is still considered very less secure so that other methods are needed to improve the level of security. Humans have their own unique characteristics to distinguish one human from another. One of them is the face. This study aims to create an automatic modelling system that can detect a person's face. This modelling system is expected to be able to make a decision whether the person who will enter the house is a occupants of the house or someone else. This automated modelling system uses digital image processing. Feature extraction in this modelling system uses the Wavelet Dauechies 1 Transformation and for its classification uses the Backpropagation Neural Network method. This modelling system experimented 30 times for occupants with 28 successes and 2 failures. Meanwhile, for non-occupants, 30 trials were carried out with a result that 30 times successfully refused entry. This modelling system has an accuracy of 97.33% with an error of 0.38, the Mean Absolute Percentage of 26.23% and the Mean Square Error of 0.38
ABSTRAK:
Penggunaan kunci rumah saat ini yang masih tradisional dirasa masih sangat kurang keamanannya sehingga dibutuhkan metode lain untuk memperbaiki tingkat keamanannya. Manusia memiliki ciri khas masing masing untuk membedakan manusia yang satu dengan yang lainnya. Salah satu ciri khas pada manusia adalah wajah. Penelitian ini mempunyai tujuan untuk membuat sistem pemodelan otomatis yang bisa mendeteksi wajah seseorang. Sistem pemodelan ini diharapkan bisa mengambil sebuah keputusan apakah orang yang akan masuk ke dalam rumah merupakan penghuni rumah atau orang lain. Sistem pemodelan otomatis ini menggunakan pengolahan citra digital. Ekstraksi ciri pada sistem pemodelan ini menggunakan Transformasi Wavelet Dauechies 1 dan untuk klasifikasinya menggunakan metode Jaringan Saraf Tiruan Backpropagation. Sistem pemodelan ini melakukan percobaan sebanyak 30 kali untuk penghuni dengan hasil 28 kali berhasil dan 2 kali gagal. Sedangkan untuk yang bukan penghuni dilakukan percobaan sebanyak 30 kali percobaan dengan hasil 30 kali berhasil ditolak masuk. Sistem pemodelan ini mempunyai akurasi 97,33% dengan Error sebesar 0,38, Mean Absolute Percentage nya sebesar 26,23% dan Mean Square Error nya sebesar 0,38
Article Details
This work is licensed under a TESLA: Jurnal Teknik Elektro Creative Commons Attribution-ShareAlike 4.0 International License.
How to Cite
References
A. R. Syakhala, D. Puspitaningrum, and E. P. Purwandari, “Perbandingan Metode Principal Component Analysis (PCA) dengan Metode Hidden Markov Model (HMM) dalam Pengenalan Identitas,” J. Inform., vol. 3, no. 2, pp. 68–79, 2015.
I. Sharif and S. Khare, “Comparative Analysis of Haar And Daubechies Wavelet for Hyper Spectral Image Classification,” Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci., vol. XL–8, pp. 937–941, 2014.
M.Razak, “Peramalan Jumlah Produksi Ikan Dengan menggunakan Backpropagation Neural Network,”Tugas Akhir, Institut Teknologi Sepuluh Nopember , Surabaya, 2017.
.A. Atiliani, “Pelatihan Jaringan Saraf Tiruan Multi Layer Perceptron Menggunakan Genetic Algorithm Levenberg Marquardt,” Tugas Akhir, Universitas Sebelas Maret, Surakarta, 2013.
H. Simaremare dan A. Kurniawan, “Perbandingan Akurasi Pengenalan Wajah Menggunakan Metode LBPH dan Eigenface dalam Mengenali Tiga Wajah Sekaligus secara Real-Time,” J. Sains, Teknol. dan Ind., vol. 14, no. 1, pp. 66–71, 2016.
H. Candra, M. Yuwono, R. Chai, H. Nguyen, and S. Su, “Classification of Facial-Emotion Expression in the Application of Psychotherapy using Viola-Jones and Edge-Histogram of Oriented Gradient,” IEEE, pp. 423–424, 2016.
Z. Hua and M. N. Chong, “Wavelet-denoising approach for removing background noise in medical images,” in Proceedings of the International Conference on Information, Communications and Signal Processing, ICICS, 1997.
Sriani, Triase, dan Khairuna, “Pendekomposisian Citra Digital Dengan Algoritma DWT,” J. Ilmu Komput. dan Inform., vol. 1, no. 1, pp. 35–39, 2017.
C. Reza, “Teknik Potensi Diferensial pada Transformator Daya Tiga Fasa dengan Menggunakan Transformasi Wavelet,”Tugas Akhir, Universitas Pendidikan Indonesia, Bandung, 2013.
.S. N. Wibowo, B. Hidayat, dan J. Arif, “Identifikasi Jenis Batuan Beku Melihat Bentuk Pola Batuan Menggunakan Metode Discrete Wavelet Transform (DWT) dan K-Nearest Neighbor (KNN),” e-Proceeding Eng., vol. 4, no. 2, pp. 1677–1684, 2017.
M. Felyana, “Watermarking Video Menggunakan Transformasi Wavelet Diskrit,” J. GENERIC, vol. 8, no. 1, pp. 198–208, 2013.
.S. Agoes, Reduksi Noise pada Citra Menggunakan Transformasi Wavelet. Tesis, Universitas Indonesia, Depok, 1998.
E. Siti, A. Hayat, P. Widanti, S. Yulinda, dan H. Iskandar, “Analisis Kemiripan Pola Citra Digital Menggunakan Metode Euclidean,” Semin. Nas. Teknol. Inf. dan Multimed., vol. 5, no. 4, pp. 13–18, 2015.
M. Rin Rin, “Analisis Mean Square Error (MSE) Proses Pelatihan Menggunakan Metode Backpropagation dengan Self Organizing Maps dan Nguyen-Withdrow,” Tesis, Universitas Sumatera Utara, Medan, 2015