Laporkan Masalah

METODE CONVOLUTIONAL NEURAL NETWORK UNTUK PENGENALAN CITRA WAJAH

NUR FADHILLAH RAMADHANI NST, Prof. Dr. Sri Haryatmi Kartiko, M.Sc.

2018 | Skripsi | S1 STATISTIKA

Dunia tengah berada pada era digital, kecanggihan teknologi yang diciptakan oleh manusia untuk memudahkan berbagai tugas manusia sehari-hari terus mengalami perkembangan. Salah satu kecanggihan teknologi di era digital ini adalah pengenalan citra oleh mesin (komputer). Banyak peneliti dan perusahaan teknologi yang mengembangkan teknik-teknik statistika untuk data citra. Deep learning yang merupakan salah satu metode pembelajaran statistika, mengenalkan metode Convolutional Neural Network (CNN) yang memiliki kinerja sangat baik dalam melakukan pengenalan citra. CNN dirancang menyerupai fungsi otak manusia dan memiliki kedalaman jaringan yang tinggi. Para peneliti telah membuktikan kinerja CNN dalam menafsirkan dunia visual dan mengenali berbagai jenis objek pada citra. Oleh karena itu, skripsi ini melakukan penelitian pengenalan citra terhadap 1000 citra wajah dari 10 orang dengan menggunakan tiga metode, yaitu CNN dengan menerapkan metode regularisasi dropout, CNN, dan Multilayer perceptron (MLP). Pengenalan citra wajah ini bertujuan untuk mengklasifikasikan data citra berdasarkan identitas, jenis kelamin, dan pekerjaan. Hasil penelitian menunjukkan bahwa metode CNN yang menerapkan dropout ke dalam jaringannya memiliki kinerja model yang paling baik jika dibandingkan dengan metode CNN dan MLP, karena memiliki akurasi pengenalan citra wajah paling tinggi. Namun, metode CNN tanpa dropout pun memiliki kinerja model yang baik untuk pengenalan citra wajah karena akurasinya juga cukup tinggi. Jadi, metode CNN sangat efektif untuk pengenalan citra. Selain itu, menerapkan dropout ke dalam CNN dapat meningkatkan kinerja model dalam melakukan tugas pengenalan citra.

The world has now in the digitalized era with many advanced technologies created by human in purpose to facilitate their works in daily basis. Image recognition by computers is one of the examples. Many researchers and technology companies developed statistical techniques for image data. Deep learning which is one of statistical learning methods, introducing Convolutional Neural Network (CNN) method which has very good performance in doing image recognition. CNN is designed to have the function similar to human brain and has a high network depth. The researchers have proven the performance of CNN in interpreting the visual world and recognizing many different objects in the image. Therefore, this undergraduate thesis is focusing on the research on image recognition for 1000 face images from 10 people by using three methods, i.e. CNN by implementing dropout regularization method, CNN, and Multilayer perceptron (MLP). The purpose of this face image recognition is to classify the image data based on the identity, gender, and occupation. The results show that CNN method which implemented dropout into its network has the best model performance compared to CNN and MLP methods because it has the highest accuracy of face image recognition. However, CNN method without dropout also has a good model performance for face image recognition as it has a quite high accuracy. Thus, CNN method is proved as very effective for image recognition, and implementing dropout into CNN could increase the model performance in doing image recognition task.

Kata Kunci : Convolutional Neural Network, citra wajah, dropout, klasifikasi, pengenalan citra


    Tidak tersedia file untuk ditampilkan ke publik.