Hasil Pencarian  ::  Simpan CSV :: Kembali

"Backpropagation (BP) memiliki performa yang baik dalam mengklasifikasi citracitra wajah bertingkat iluminasi seragam. Namun untuk citra wajah yang bertingkat iluminasi beragam seperti pada aplikasi kamera pengintai maka BP akan kesulitan dalam mempelajari dan mengenalinya. Skripsi ini menggunakan metode Probabilistic Neural Network Teroptimasi (OPNN) sebagai Sistem Pengenal Wajah untuk spektrum gabungan infra merah dan cahaya tampak dengan intensitas yang berubah-ubah. Skripsi ini juga menggunakan metode Normalisasi dan Kompensasi Iluminasi untuk mengurangi dampak variasi iluminasi pada citra. Hasil penelitian menunjukkan bahwa performa OPNN untuk mengenali wajah akan meningkat jika Data Train yang digunakan berisi citra dengan tingkat iluminasi yang beragam, dimana Tingkat Rekognisi rata-rata OPNN 18.36% lebih tinggi dari BP.

---

Backpropagation (BP) has a good performance in classifying face images with uniform illumination level. But Backpropagation have difficulty in learning and recognizing face images with varied ilumination level such in surveillance camera. This thesis uses Optimized Probabilistic Neural Network (OPNN) method as Face Recognition System for the joint spectrum of infrared and visible light with varying intensity.

This thesis also uses uses Illumination Normalization and Compensation method to reduce the impact of illumination variance on the image. The research shows that OPNN performance to recognize face will increase if Train Data used contains images with varying levels of illumination, which recognition rate of OPNN is 18.36% higher than BP."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."