Modifikasi Jaringan Syaraf Tiruan Learning Vector Quantization Pada Pengenalan Wajah

10
ix

ABSTRAK

Penelitian ini bertujuan untuk mengembangkan jaringan syaraf tiruan Learning Vector
Quantization (LVQ) pada pengenalan wajah dengan cara memasukkan karakteristik
Backpropagation yaitu hidden layer dan bobot acak yang dinamakan Modified LVQ
(MLVQ). Hasil penelitian ini adalah perbandingan antara algoritma Backpropagation,
LVQ dan MLVQ pada pengenalan wajah. Data training diambil dari gambar 10 orang
sebagai dataset yang disimpan dalam database. Proses training menggunakan
arsitektur dengan 3 layer untuk Backpropagation, single layer untuk LVQ serta 2
layer untuk MLVQ. Parameter pembelajaran yang digunakan adalah maksimum epoch
yaitu 10, 50 dan 100, learning rate yang digunakan bervariasi antara 0.1, 0,5 dan 1
serta minimum error dengan 0.1, 0.01 dan 0.001. Dari hasil pengenalan diperoleh
algoritma LVQ lebih cepat dalam melakukan pelatihan dibandingkan dengan
Backpropagation dan MLVQ dengan waktu rata-rata 3.28 detik. Algoritma MLVQ
memiliki tingkat akurasi lebih baik dibandingkan dengan algoritma Backpropagation
dan LVQ dengan tingkat akurasi untuk algoritma Backpropagation sebesar 49.25 %,
algoritma LVQ sebesar 48.14 % sedangkan algoritma MLVQ sebesar 50.37 %.

Kata Kunci: Jaringan Syaraf Tiruan, Backpropagation, Learning Vector Quantization,
Pengenalan Wajah.

Universitas Sumatera Utara

11x

MODIFIED NEURAL NETWORK LEARNING VECTOR QUANTIZATION
IN FACE RECOGNITION

ABSTRACT

This research aims to develop a neural network Learning Vector Quantization (LVQ)
on face recognition by entering the Backpropagation characteristics are hidden layers
and random weights called Modified LVQ (MLVQ). The results of this study is the
comparison between the algorithm Backpropagation, LVQ and MLVQ on face
recognition. Training data taken from image 10 as a dataset that is stored in the
database. The training process uses an architecture with three layers of
Backpropagation, LVQ and single layer for layer 2 to MLVQ. The parameters used
are the maximum learning epoch, namely 10, 50 and 100, learning rate used vary

between 0.1, 0.5 and 1 and the minimum error with 0.1, 0:01 and 0001. From the
results

obtained

recognition

LVQ

algorithm

faster

in training than the

Backpropagation and MLVQ with an average time of 3:28 seconds. MLVQ algorithm
has better accuracy rate than the Backpropagation and LVQ algorithms with the
accuracy of the algorithm Backpropagation by 49.25%, amounting to 48.14% LVQ
algorithm, while the algorithm MLVQ of 50.37%.

Keywords: Neural Network, Backpropagation, Learning Vector Quantization, Face
Recognition.

Universitas Sumatera Utara