Laporkan Masalah

KLASIFIKASI CITRA WAJAH BERBASIS BLOK MENGGUNAKAN METODE DEEP EXTREME LEARNING MACHINE (DELM)

CATHRINE N. FOLAMAUK, Drs. Agus Harjoko, M.Sc, Ph.D dan Moh. Edi Wibowo, S.Kom, M.Kom, Ph.D

2018 | Tesis | S2 Ilmu Komputer

Pengenalan wajah (Face Recognition) memungkinkan sistem komputer memiliki kemampuan yang sama seperti manusia untuk mengenali seseorang berdasarkan pada citra wajah yang berhasil terdeteksi. Deep Extreme Learning Machine (DELM) menjadi salah satu metode klasifikasi pada sistem pengenalan wajah yang mampu melakukan pembelajaran dalam waktu 1.01 detik dan pengujian 0.06 detik per citra wajah dengan tingkat akurasi 75.31%. Pada penelitian terdahulu terdapat beberapa kekurangan yang mempengaruhi performa pada sistem yaitu tidak digunakannya metode ekstraksi fitur pada citra masukan sebelum dilakukan klasifikasi, sulitnya penentuan jumlah node pada semua hidden layer, fungsi aktivasi, dan parameter . Penelitian yang dilakukan bertujuan untuk meningkatkan persentase bobot akurasi identifikasi pada sistem pengenalan wajah klasifikasi DELM dengan menggunakan teknik blocking pada tahap preprocessing image untuk membagi citra wajah menjadi beberapa blok citra wajah dengan ukuran sama besar. Teknik blocking memungkinkan penggunaan fitur pada citra wajah menjadi lebih detail dan menyeluruh dengan menggunakan ukuran citra yang lebih kecil dibandingkan dengan ukuran citra aslinya. Pada sistem juga ditetapkan nilai parameter C positif adalah banyaknya jumlah class citra, dan jumlah node yang digunakan pada hidden layer adalah sama dengan jumlah hidden layer. Pengujian dilakukan menggunakan tiga dataset citra wajah secara offline yaitu Libor Spacek-Face94, Yale dan ORL dataset. Dari hasil pengujian menunjukkan penggunaan teknik blocking dan metode esktraksi ciri LBP pada sistem mampu menghasilkan tingkat akurasi lebih tinggi 29.593% yaitu dengan rata-rata persentase tingkat akurasi adalah 92.218%. Hasil perbandingan metode, Block-DELM mampu melakukan identifikasi dengan tingkat akurasi 96% menggunakan Libor Spacek-Face94 dataset, 100% pada ORL dataset dan 63.64% dan 72.12% pada Yale dataset untuk 5 dan 7 varian data latih yang digunakan.

Face recognition allow a computer system to have the same capabilities as humans to recognize a person based on successfully detected facial image. Deep Extreme Learning Machine (DELM) become one of classification method that can running the learning process within 1.01 seconds and testing process within 0.06 seconds for every face image with level of accuracy 75.31%. On other research which using DELM classification method have some deficiency that can decrease performance system are not using feature extraction method in input data, and difficult for set number of hidden layer node and value of parameter. The research purpose is for increase percentage of accuracy identification value on face recognition system with classification DELM using blocking technique in preprocessing image level for divide the face image into some block image with the same size. Blocking technique allow using face image feature with detail and comprehensive on smallest image size. On classification system also set value of C parameter is number of face image class and set number of hidden layer node is same with number of hidden layer. Experiment on image recognition system done using 3 face image dataset with offline are Libor Spacek-Face94, Yale and ORL dataset. Every dataset contains slight variations in illumination, rotation, expression and disquise. Experiment result obtained with block-DELM and LBP are 29.593% more highly with average of accuracy level 92.218%. Result of comparison some classification method show block-DELM method with Libor Spacek-Face94 is 96%, ORL dataset is 100%, and Yale Dataset are 63.64% and 72.12% with 5 and 7 various training data.

Kata Kunci : DELM, Teknik Blocking, Ekstraksi Fitur, Pengenalan Wajah, Klasifikasi citra wajah


    Tidak tersedia file untuk ditampilkan ke publik.