PEMBELAJARAN POLA CIRI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN (JST) BACKPROPAGATION BERDASARKAN CIRI TEKSTUR GRAY LEVEL COOCURENCE MATRIX (GLCM) --Ed. 1

ABSTRAK
Dahulu untuk mengetahui identitas manusia hanya dengan melihat
wajahnya saja, bahkan setelah melakukan interaksi yang berulang-ulang dengan
manusia dan mampu mengenali puluhan bahsan ratusan orang disepanjang
hidupnya. Kemampuan manusia ini berkembang dengan adaptasinya pada sistem
pengenalan manusia. Yaitu salah satunya melalui pengenalan wajah. Wajah
memiliki banyak informasi karena setiap individu memiliki fisik yang berbeda antar
individu satu dengan individu lainnya.
Pada pengujian GLCM ini dilakukan dengan 15 sample citra menggunakan
metode Gray Level Coocurence Matrix (GLCM) meliputi contrast, correlation,
energy, dan homogeneity kemudian diproses menggunakan metode Jaringan Syaraf
Tiruan Backpropagation untuk klasifikasinya. Tujuan dari penelitian ini adalah
untuk mengetahui data ciri wajah dengan menggunakan ekstraksi ciri berdasarkan
Gray Level Coocurence Matrix dan untuk melakukan pembelajaran data ciri tekstur
ini menggunakan Jaringan Syaraf Tiruan Backpropagation.
Diketahui ada 60 prototype ciri pada data ciri ini diketahui 60 data input
latih dan 1 data output data target, diambil dari rata-rata data ciri dengan
menghasilkan nilai performance 1.26e-12 dan Gradient 1.74e-08 dan diselesaikan
dengan time 0 : 00 : 02 dan epoch 4 iterations.
Kata Kunci: Wajah, GLCM, JST BackpropagationABSTRACT
In the past, it was only to know the identity of a human by looking at his
face, even after having repeated interactions with humans and being able to
recognize tens of languages from hundreds of people throughout his life. This
human ability develops with its adaptation to the human recognition system.
Namely one of them through facial recognition. The face has a lot of information
because each individual has a different physique from one individual to another.
This GLCM test was carried out with 15 image samples using the Gray
Level Coocurence Matrix (GLCM) method including contrast, correlation, energy,
and homogeneity, then processed using the Backpropagation Neural Network
method for classification. The purpose of this study was to determine facial feature
data using feature extraction based on the Gray Level Coocurence Matrix and to
study the texture feature data using the Backpropagation Neural Network.
It is known that there are 60 prototype features in this feature data, it is
known that 60 training input data and 1 target data output data are taken from the
average feature data by producing a performance value of 1.26e-12 and Gradient
1.74e-08 and resolved with a time of 0: 00: 02 and epoch 4 iterations.
Keywords: Face, GLCM, ANN Backpropagation