Pengenalan Ekspresi Raut Wajah Berbasis Jaringan Saraf Tiruan Backpropagation Dengan Metode Principal Component Analysis

Abstract

The development of artificial neural networks is related to statistical and biometric analysis which is one of the applications that can require artificial neural network models. Recognition of facial patterns is an important part of identifying a person. The face can be divided into areas such as the nose, eyes and mouth. Face pattern recognition is a research area that can be applied to the principal component analysis (PCA) method. The training process carried out by the eigenface calculation uses PCA and the results of this study show that facial pattern recognition based on the proportion of memorization and generalization for the use of the method without PCA is better than facial pattern recognition using PCA. Pattern recognition without using the PCA method, the level of memorization and generalization reaches 100% at the 40th iteration and 0.0099 error with a learning rate and momentum of 0.8, while facial pattern recognition using the PCA method, the memorization and generalization level reaches 100% in the iteration. to -1000 and error 0.00103 with learning rate and momentum 0.9.

Rekayasa Perangkat Lunak Aplikasi Presensi Mobile Menggunakan Metode Deep Learning

“…Penelitian pengenalan pola wajah manusia ialah salah satu bidang penelitian penting, dan penerapanya dapat diterapkan di berbagai metode dengan kelebihan dan kekurangan tertentu, hal tersebut dikarenakan wajah manusia merepresentasikan sesuatu yang kompleks (Harizahayu, 2021) Pencahayaan atau iluminasi, oklusi, dan ekspresi wajah juga merupakan faktor lain yang dapat mempengaruhi Face recognition atau pengenalan wajah (Wei & Li, 2013). Jaringan syaraf tiruan (JST) merupakan teknik yang dikenal dalam menangani masalah pengenalan wajah, dan juga dikenal memiliki kemampuan memorisasi yang merupakan kemampuan dalam memanggil kembali secara sempurna sebuah pola yang telah dipelajari sebelumnya, Generalisasi merupakan kemampuan dalam memberikan balasan yang dapat diterima terhadap pola-pola yang sebelumnya dipelajari serupa tapi tidak identik (Puspitaningrum, 2006).…”

Korelasi Pemahaman Mata Kuliah Logika Matematika Dengan Software Geogebra

“…Mahasiswa diberikan kesempatan untuk menggambar secara konvensional terlebih dahulu sebelum menggunakan aplikasi GeoGebra. Adapun urutan penelitian ini ditampilkan dalam bentuk flowchart seperti yang telah dilakukan oleh penelitian pada penelitian sebelumnya (Hariza hayu S, 2020) (Harizahayu, 2021) : dan Pembelajaran Matematika, Desember 2021, Vol. 3, No.…”

“…Awal dari penelitian ini diperoleh dari studi literatur dari berbagai referensi beberapa jurnal dan buku yang ada kaitannya dengan penelitian ini. Hal ini telah dilakukan oleh peneliti untuk beberapa penelitian sebelumnya (Hariza hayu S, 2020) (Harizahayu, 2021), studi literatur sangat mendukung keberhasilan ide research yang dilakukan di dalam penelitian ini. Tahap kedua peneliti melalukan tindakan perencanaan berupa persiapan baghan ajar dan pemeberian materi bahan ajar melalui SIPADI dan disampaikan melalui google meet seperti gambar berikut ini.…”

The Improvement of Artificial Neural Network Accuracy Using Principle Component Analysis Approach

“…So far, there are no studies about mushroom classification that are able to get the perfect accuracy result of 100%. Some techniques to increase the classification accuracy of Artificial Neural Network are the application of dimension reduction [15], one of which is Principal Component Analysis (PCA) [16][17][18]. Reducing the number of dimensions can make the classification process faster and more accurate.…”