SUSUNAN DEWAN REDAKSI JELIKU - Repositori
Transcript of SUSUNAN DEWAN REDAKSI JELIKU - Repositori
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
i
SUSUNAN DEWAN REDAKSI JELIKU
KETUA
AGUS MULIANTARA, S.KOM, M.KOM
PENYUNTING
DRA. LUH GEDE ASTUTI, M.KOM
NGURAH AGUS SANJAYA E.R., S.KOM, M.KOM
IDA BAGUS MAHENDRA, S.KOM, M.KOM
IDA BAGUS GEDE DWIDASMARA, S.KOM, M.CS
PELAKSANA
I KETUT GEDE SUHARTANA, S.KOM., M.KOM
I GEDE SANTI ASTAWA, S.T., M.CS
I MADE WIDIARTHA, S.SI., M.KOM
ALAMAT REDAKSI
JURUSAN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS UDAYANA
KAMPUS BUKIT JIMBARAN – BADUNG
TELEPON : 0361 – 701805
EMAIL : [email protected]
WEBSITE : WWW.CS.UNUD.AC.ID
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
ii
[halaman ini sengaja dikosongkan]
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
iii
DAFTAR ISI
SUSUNAN DEWAN REDAKSI JELIKU ............................................................................................ i
DAFTAR ISI ....................................................................................................................................... iii
IMPLEMENTASI GAMMU SEBAGAI MESIN SMS GATEWAY DI IPHONE BALI
Putu Suma Arthajaya, Agus Muliantara, Ngurah Agus Sanjaya ER ............................................. 1
PERANCANGAN DAN IMPLEMENTASI SISTEM PENDETEKSIAN PLAGIARISME PADA
DOKUMEN DIGITAL DENGAN MENGGUNAKAN ALGORITMA WINNOWING
Ade Harya Satriya .............................................................................................................................. 6
PERANCANGAN DAN IMPLEMENTASI SISTEM INTERAKTIF JURNAL PADA SISTEM
AKUNTASI (AISO) DENGAN KONSEP OBJECT ORIENTED PROGRAMING (OOP)
Anak Agung Gde Surya Bhuwana ................................................................................................... 13
IMPLEMENTASI SISTEM INTEGRASI MESIN ABSENSI (FINGER PRINT) DENGAN
HARISMA (HUMAN RESOURCE MANAGEMENT SYSTEM) PT. DIMATA SORA JAYATE
Obie Rahman .................................................................................................................................... 19
SISTEM PENGENALAN EKSPRESI WAJAH TERSENYUM DENGAN ALGORITMA
JARINGAN SYARAF TIRUAN LEVENBERG-MARQUARDT
Tikha Prasatya Nugraha, I Made Widiartha, I Gede Santi Astawa ............................................. 25
PENGIRIMAN REPORT OTOMATIS KE EMAIL MENGGUNAKAN IMPLEMENTASI MUTT
DAN CRONTAB DI FAKULTAS HUKUM UNIVERSITAS UDAYANA
I Gede Hardi Surya Budiana, Cokorda Rai Adi Pramartha ......................................................... 31
PERANCANGAN DAN IMPLEMENTASI TEXT MINING MENGGUNAKAN ALGORITMA
RABIN-KARP PADA APLIKASI PENCARIAN DOKUMEN REFERENSI TUGAS AKHIR
I Gusti Ngurah Lanang Septiadi Putra, Ngurah Agus Sanjaya ER, I B Made Mahendra
............................................................................................................................................................ 35
PERANCANGAN SISTEM REGISTRASI KONFERENSI DENGAN MS. VISUAL BASIC PT.
OPTIONS - DENPASAR
Fachrosi Firdaus ............................................................................................................................... 43
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
iv
SISTEM INFORMASI ADMINISTRASI SURAT
Ida Bagus Ngurah Indraswara, Agus Muliantara, Ngurah Agus Sanjaya ER ............................ 49
PENYISIPAN CITRA RAHASIA MENGGUNAKAN ALGORITMA GIFSHUFFLE
I Gede Ngurah Aryawan .................................................................................................................. 56
IMPLEMENTASI ALGORITMA GENETIK DALAM PENYELESAIAN PERMAINAN SUDOKU
Gede Dita Aditya Elanda .................................................................................................................. 61
PEMODELAN DAN SIMULASI SISTEM ANTRIAN DENGAN METODE PRIORITAS STUDI
KASUS : STUDIO FOTO
Sahmanbanta.S. ................................................................................................................................ 65
SISTEM INFORMASI GEOGRAFIS KEAMANAN PARIWISATA PANTAI
Ida Bagus Gede Arsa Wedhana ....................................................................................................... 71
ANALISIS PERBANDINGAN KINERJA ANTARA NETWORK FILE SYSTEM (NFS) DAN
PRIMARY DOMAIN CONTROLLER (PDC) SAMBA
Gede Wahyudi, Trisna Hanggara .................................................................................................... 77
ANALISIS PADA IKEE.B IPHONE BOTNET
I Putu Arich Arthawan, I Dewa Made Bayu Atmaja Darmawan ................................................. 84
IMPLEMENTASI BANDWIDTH MANAGEMENT DI DISCOVERY KARTIKA PLAZA HOTEL
Ida Bagus Putu Wirajaya Kusuma .................................................................................................. 91
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
25
SISTEM PENGENALAN EKSPRESI WAJAH TERSENYUM DENGAN ALGORITMA
JARINGAN SYARAF TIRUAN LEVENBERG-MARQUARDT
Tikha Prasatya Nugraha, I Made Widiartha, I Gede Santi Astawa
Program Studi Teknik Informatika, Jurusan Ilmu Komputer,
Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana
ABSTRAK
Facial recognition adalah aplikasi komputer yang dirancang untuk mengidentifikasi wajah
manusia dari gambar digital. deteksi senyum memang sudah ada pada kamera digital canggih saat ini,
namun disini kami ingin membuatnya dengan algoritma yang berbeda dengan harapan dapat lebih
cepat mengenali, dan mempunyai tingkat akurasi yang baik. Dalam sitem yang dibuat disi
menggunakan haar wavelet sebagai proses ekstrasi fitur dan algoritma pelatihan menggunakan JST
Levenberg-Marquardt. Penelitian dilakukan untuk mengenali ekpresi wajah senyum dan tidak senyum
dengan sudut pengambilan citra wajah 300, 60
0, 90
0, 120
0, dan 150
0 dengan menggunakan metode
Haar Wavelet dan Algoritma Levenberg-Marquardt. Dengan menggunakan 200 dataset dan 140
diantaranya dgunakan sebagai pelatihan dan untuk pengujian sistem digunakan 60 citra ekspresi
wajah, diperoleh akurasi data sebesar 76,67%.
Kata kunci: Deteksi wajah, Haar Wavelet, Levenberg-Marquardt, Jaringan Saraf Tiruan
ABSTRACT
Facial recognition is a computer application designed to identify the human face of digital
images. smile detection already exist in today's advanced digital camera, but here we want to make it
with a different algorithm in hopes of more quickly recognized, and has a good degree of accuracy. In
a system was created as a condition using haar wavelet feature extraction process and a training
algorithm uses the Levenberg-Marquardt ANN. The study was conducted to identify the facial
expression smile and smile with the angle of the face images of 300, 600, 900, 1200, and 1500 by using
the Haar wavelet method and Levenberg-Marquardt algorithm. By using 200 data sets and 140 of
them are used as training and testing system to use 60 images of facial expressions, the data obtained
at 76.67% accuracy.
Keywords: Face Detection, Haar Wavelet, Levenberg-Marquardt, Neural Network
I. PENDAHULUAN
Di dalam dunia Teknologi Informasi
dan Komunikasi ( Information and
Communication Technology ) atau yang lebih
dikenal dengan sebutan IT. Seperti sekarang
ini teknologi komputer sudah tidak hanya
sangat dibutuhkan lagi melaikan sudah
menjadi kebutuhan sehari-hari bagi
masyarakat dan kalangan tertentu yang
membutuhkannya. Sistem biometrika
merupakan teknologi pengenalan diri dengan
menggunakan bagian tubuh atau perilaku
manusia. Sidik jari dan tanda tangan, masing-
masing merupakan contoh biometrika
berdasarkan bagian tubuh dan tingkah laku
manusia.
Facial recognition adalah aplikasi
komputer yang dirancang untuk
mengidentifikasi wajah manusia dari gambar
digital, pada Facial recognition sistem akan
mencari dan mengenali apakah di sana
ditemukan struktur dan kontur wajah atau
tidak. Sedangkan pada smile detection sistem
akan mencari objek yang memiliki bibir
tersenyum. Pada smile detection (deteksi
senyum) memang sudah ada pada kamera
digital canggih saat ini, namun disini kami
ingin membuatnya dengan algoritma yang
berbeda dengan harapan dapat lebih cepat
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
26
mengenali, dan mempunyai tingkat akurasi
yang baik. Penelitian penggunaan biometrika
sudah banyak digunakan, seperti algoritma
JST (Jaringan Syaraf Tiruan)
BackPropagation, LVQ (Learing Vector
Quantization) dll, sudah banyak dilakukan
oleh berbagai pihak. Disimpulkan bahwa
metode Leveberg – marquardt mampu
meningkatkan performa Jaringan Syaraf
Tiruan secara cukup signifikan
(Rahmat,2006). Sehingga dalam penelitian ini
penulis akan menerapkan Algoritma
Levenberg – Marquardt pada sistem
pengenalan ekspresi wajah tersenyum.
Diharapkan dengan sistem ini permasalahan
yang terjadi dapat diatasi dengan baik dan
dapat sangat berguna kedepannya.
II. TINJAUAN PUSTAKA
2.1 Citra digital
Citra digital dapat dilihat sebagai
fungsi kontinyu f(x,y) yang berada pada ruang
dua dimensi Nilai (x,y) adalah titik koordinat
sepasial sedangkan nilai f merupakan
intensitas cahaya, tingkat kecerahan, derajat
keabuan dari setiap titik (x,y). Citra digital
dapat diperoleh dari proses pencuplikan objek
tiga dimensi dan membentuk suatu matriks
dimana setiap elemennya menyatakan
intensitas cahaya 1 (Dharma Putra,2009).
2.1.1 Warna RGB
Setiap titik pada layar berisi angka yang
bukan menunjukkan intensitas warna dari titik
tersebut, melainkan menunjukkan nomor dari
warna yang dipilih, dimana pada tiap titik kita
dapat memilih sebanyak 256 warna. Jika suatu
citra memiliki 256 warna, maka fungsi-fungsi
yang dimiliki oleh pengolahan citra tidak
dapat mengolah tidak dapat mengolah atau
memanipulasinya secara langsung.
Gambar 2.1 Warna RGB
2.1.2 Grayscale
Citra grayscale adalah citra yang
merepresentasikan warna kedalam tingkat
keabuan. Untuk mendapatkan citra grayscale
(keabuan) digunakan rumus: I(x,y) = α.R +
β.G + γ.B
dengan I(x,y) adalahlevel keabuan pada
suatu koordinat yang diperoleh dengan
mengatur komposisi warna R (merah), G
(hijau), B (biru) yang ditunjukan oleh nilai
parameter α , β dan γ. Secara umum nilai α , β
dan γ adalah 0.33. Nilai yang lain juga dapat
diberikan untuk ketiga parameter tersebut
asalkan total keseluruhan nilainya adalah 1
Gambar 2.2 Warna Tingkat Keabuan
2.2 Proses Pembelajaran
Target utama dari proses
pembelajaaran adalah untuk menentukan nilai
bobot yang diperoleh berdasarkan masukan
yang diberikan. pada saat pembelajaran
diberikan data masukan yang berbeda, maka
nilai bobot akan berubah secara dinamis
hingga mencapai suatu nilai yang cukup
seimbang.
Ada dua tipe pembelajaran yang
dikenal yaitu:
Metode Pembelajaran Supervised
Metode pembelajaran Unsupervised
2.3 Transformasi Wavelet
Salah satu jenis transformasi wavelet
adalah Haar. Haar adalah wavelet paling tua
dan paling sederhana, diperkenalkan oleh
Alfred Haar pada tahun 1909. Konsep
transformasi Haar wavelet pada suatu citra
adalah membagi (dekomposisi) suatu citra
menjadi empat sub-image. Pertama kali
dilakukan dekomposisi secara horizontal
terhadap baris. Kemudian dilakukan
dekomposisi secara vertikal terhadap kolom.
Pada setiap level, proses dekomposisi hanya
dilakukan pada bagian hasil proses perataan
dan hasil proses dekomposisi adalah gabungan
dari proses perataan dengan seluruh hasil
proses pengurangan.
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
27
Dalam transformasi wavelet, terdapat
koefisien transformasi yang berpasangan yakni
dan . Pasangan koefisien ini disebut
lowpass filter dan highpass filter. Koefisien
berkaitan dengan proses perataan. Sedangkan
berkaitan dengan proses pengurangan.
Koefisien dan pada transformasi Haar
wavelet adalah sebagai berikut (Darma Putra,
2010).
( ( ) ( )) ( ⁄ ⁄ )
( ( ) ( )) ( ⁄ ⁄ )
Hasil transformasi terdiri dari sub-image
yang telah dilalui high pass filter pada arah
horizontal dan vertikal (HH), sub-image yang
telah dilalui high pass filter pada arah
horizontal dan low pass filter pada arah
vertikal (HL), sub-image yang telah dilalui low
pass filter pada arah horizontal dan high pass
filter pada arah vertikal (LH), serta sub-image
yang telah dilalui low pass filter pada arah
horizontal dan vertikal (LL).
Gambar 2.3 Skema Hasil Transformasi
Wavelet 2D 1 level
2.4 Jaringan Syaraf Tiruan
Jaringan Syaraf Tiruan adalah paradigma
pemrosesan suatu informasi yang terinspirasi
oleh sistem sel syaraf biologi, sama seperti
otak yang memproses suatu informasi. Elemen
mendasar dari paradigma tersebut adalah
struktur yang baru dari sistem pemrosesan
informasi. . Jaringan Syaraf Tiruan dibentuk
untuk memecahkan suatu masalah tertentu
seperti pengenalan pola atau klasifikasi karena
proses pembelajaran. Jaringan Syaraf Tiruan
berkembang secara pesat pada beberapa tahun
terakhir (Eli Yani,2005).
2.4.1 Struktur Feedforward
Tipe jaringan feedforward mempunyai sel
syaraf yang tersusun dari beberapa lapisan.
Lapisan input bukan merupakan sel syaraf.
Lapisan ini hanya member pelayanan dengan
mengenalkan suatu nilai dari suatu variabel.
Lapisan tersembunyi dan lapisan output sel
syaraf terhubung satu sama lain dengan
lapisan sebelumnya. Kemungkinan yang
timbul adalah adanya hubungan dengan
beberapa unit dari lapisan sebelumnya atau
terhubung semuanya (lebih baik) (Eli
Yani,2005).
Gambar 2.4 feed forward (JST)
2.4.2 Struktur Feedback
Jika suatu jaringan berulang (mempunyai
koneksi kembali dari output ke input) akan
menimbulkan ketidakstabilan dan akan
menghasilkan dinamika yang sangat
kompleks. Jaringan yang berulang sangat
menarik untuk diteliti dalam Jaringan Syaraf
Tiruan, namun sejauh ini structure
feedforward sangat berguna untuk
memecahkan masalah.
2.5 Algoritma Levenberg-Marquardt
Algoritma Levenberg-Marquardt
merupakan pengembangan algoritma
BackPropagation standar. Pada algoritma
BackPropagation, proses update bobot dan
bias menggunakan negative gradient descent
secara langsung, sedangkan algoritma
Levenberg-Marquardt menggunakan
pendekatan matrik Hesian (H) (rahmat,2006).
Langkah dasar algoritma
Levenberg_Marquardt adalah penentuan
matriks Hessian untuk mencari bobot-bobot
dan bias koneksi yang digunakan. Matriks
Hessian merupakan turunan kedua dari fungsi
kinerja terhadap masing-masing komponen
bobot dan bias. Untuk memudahkan proses
komputasi, matriks Hessian diubah dengan
pendekatan secara iteratif pada masing-masing
epoch selama algoritma pelatihan berjalan.
Proses perubahannya dilakukan dengan
menggunakan fungsi gradien. Jika fungsi
kinerja yang digunakan berbentuk jumlah
kuadrat error (SSE)
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
28
H = JT
J I
2.6 Root Mean Square Eror (RMSE)
Perhitungan kesalahan merupakan
bagaimana jaringan dapat belajar dengan baik
sehingga jika dibandingkan dengan pola yang
baru akan mudah dikenali. Kesalahan pada
keluaran jaringan merupakan selisih antara
keluaran sebenarnya (current output) dan
keluaran yang diinginkan (desired output).
Selisih yang dihasilkan antara keduanya
biasanya ditentukan dengan cara dihitung
menggunakan suatu persamaan.
Pelatihan jaringan syaraf tiruan
dilakukan berulang-ulang sehingga dihasilkan
jaringan yang memberikan tanggapan yang
benar terhadap semua masukkannya. Nilai
„benar‟ disini ditunjukkan dengan nilai
RMSE/SSE galatnya yang biasanya
mempunyai nilai dibawah 0,1. Dengan nilai
RMSE/SSE dibawah 0,1 maka jaringan
Sudahboleh dikatakan terlatih (Arif
Hermawan,2006).
III. Hasil dan Pembahasan
3.1 Tahap Implementasi
Pada tahap ini akan dibahas mengenai
implementasi terhadap Sistem Pengenalan
Ekspresi Wajah Tersenyum dengan Algoritma
Jaringan Syaraf Tiruan Levenberq –
Marquardt.
3.2 Ekstrasi fitur Haar Wavelet
Pada Sistem pengenalan ekspresi
wajah proses pertama yang akan dilakukan
adalah dengan proses ekstrasi citra wajah yang
akan digunakan sebabagai pelatihan maupun
sebagai pengenalan dengan menggunakan
Metode Haar Wavelet. . Pada saat pengguna
menjalankan aplikasi akan dilakukan proses
segmentasi dan ekstrasi citra sebelumnya
kemudian dilanjutkan pada proses
pembelajaran yang dilakukan dengan Metode
Levenberg - Marquardt.
Sebelum proses ekstrasi fitur
dilakukan tahap pertama adalah proses
segmentasi dimana image yang di imputkan
akan diambil pada posisi bibir saja.
Gambar 3.1 Proses Ektraksi Haar Wavelet
Setelah proses segmentasi selesai,
maka akan dilakukan kembali proses ekstrasi
fitur. Dimana pada sistem ini proses ekstrasi
fitur menggunakan ekstrasi fitur haar wavelet,
citra yang dihitung adalah citra dengan ukuran
64x64 pixel, citra tersebut hasil dari proses
ektrasi fitur dengan empat (4) level proses
dekomposisi baris dan kolom, yang
menghasilkan 4 nilai bobot yang dijadikan
inputan pada proses pembelajaran dengan
levenberg marquardt.
3.3 Proses klasifikasi wajah Wajah
Pada klasifikasi image dimulai dari
proses memasukkan image wajah selanjutnya
image akan dilakukan proses segmentasi untuk
mengnentukan dan menghitung daerah bibir
saja, kemudian dilakukan proses ekstrasi fitur
dengan haar wavelet hingga menghasilkan
nilai yang nantinya akan digunakan sebagai
imputan pelatihan oleh algoritma JST
Levenberg-Marquardt. Berikut adalah
interface dari sistem deteksi wajah.
Gambar 3.2 interface sistem deteksi wajah
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
29
IV. PENGUJIAN SISTEM
4.1 Pengujian white box
Merupakan metode perancangan test
case yang menggunakan struktur kontrol dari
perancangan prosedural untuk mendapatkan
test case. Dengan menggunakan metode
whitebox akan dilakukan pengujian terhadap
alur logika sistem pengenalan ekspresi wajah.
Pada sistem pengenalan ekspresi
wajah dengan algoritma Jaringan Syaraf
Tiruan Levenberg-Marquardt citra mengalami
proses pelatihan dan tahap dan tahap
pengujian, yang sebelumnya citra wajah akan
mengalami proses segmentasi untuk penentuan
letak posisi bibir yang nantinya akan diproses
lagi dengan menggunakan ekstrasi fitur
dengan haar wavelet hingga mendapatkan nilai
bobot sebagai imputan pada Jaringan Syaraf
Tiruan Levenberg-Marquardt. Pengujian dari
proses sistem akan dilakukan dengan membuat
sekenario pengujian dan menggunakana
pendekatan basis path pada metode white box
untuk memastikan alur logika program sudah
berjalan dengan benar.
Table 4.1 Hasil Akurasi citra wajah
Sudut Image
Citra yang
dapat di
deteksi
Akurasi
(%)
300
12 7 58,30
600
12 10 830
900
12 10 830
1200 12 10 83
0
1500
12 9 750
4.2 Pengujian blackbox
Pada proses pengujian sistem dengan
black box dapat ditentukan dengan
mempelajari input dan output. Pada pengujian
ini akan difokuskan terhadap pengujian dari
citra wajah tersenyum apakah sudah sesuai
dengan hasil yang diharapkan berdasarkan
dengan perancangan sistem serta kesesuaian
pada antarmuka sistem. merupakan beberapa
data yang digunakan dalam menguji sistem
menggunakan metode black box. Serta
dilakukan pengujian akrasi untuk menentukan
seberapa besar sistem dapat mengenali wajah
dengan baik
Akurasi =
4.3 Hasil Pengujian Black Box
Dari tabel 4.1 didapatkan perhitungan sebagai
berikut:
Nilai rata-rata =
Nilai rata-rata = 76,67%.
Dari hasil penghitungan, didapatkan jumlah
rata-rata nilai presisi sebesar 76,67%.
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Sistem pengenalan wajah tersenyum
dengan menggunakan Algoritma Jaringan
syaraf tiruan Levenberg-Marquardt dengan
Haar Wavelet sebagai ekstrasi fiturnya, maka
didapat tingkat akurasi secara keseluruhan
sebesar 76,67%.
Citra yang digunakan sebanyak 200 data
citra dari berbagai sudut, dimana 140 citra
digunakan sebagai data latih (traning) dan 60
citra digunakan pada proses testing. Tingkat
akurasi tertinggi dan terrendah juga
dipengaruhi terhadap sudut, dimana persentase
kebenaran tertinggi dari sudut ini adalah 900
sebesar 83% dan terendah adalah 300
sebesar
58,3%.
5.2 Saran
Untuk pengembangan sistem
pengenalan ekspresi wajah tersenyum , penulis
ingin menyampaikan beberapa saran sebagai
berikut:
1. Dalam sistem ini masih menggunakan
cara manual untuk memasukkan
image wajah pada sistem pengenalan
wajah tersenyum. Diharapkan
kedepannya sistem ini dapat langsung
mengambil gambar wajah secara
langsung atau real-time.
2. Serta dapat menggunakan algoritma
lainnya dalam pelatihan sehingga anda
Jurnal Elektronik Ilmu Komputer - Universitas Udayana JELIKU Vol 2 No. 1 Pebruari 2013
30
mengetahui mana algoritma yang
lebih tepat digunakan dalam membuat
sistem ekspresi wajah tersenyum ini.
DAFTAR PUSTAKA
[1] Hermawan, Arief. 2006. Jaringan Saraf
Tiruan (Teori dan Aplikasi).Yogyakarta:
: C.V ANDI OFFSET (Penerbit Andi).
[2] Hidayatno, A., Isnanto, R.R.,
Kurniawan, D. 2006. Penentuan
Wilayah Wajah Manusia Pada Citra
Berwarna Berdasarkan Warna Kulit
Dengan Metode Template Matching.
Staf Pengajar Teknik Elektro Fakultas
Teknik Universitas Diponegoro.
Surabaya.
[3] Nugroho, F.H. 2005. Pengenalan Wajah
dengan Menggunakan Jaringan Syaraf
Tiruan BackPropagation. Seminar
Nasional Aplikasi Teknologi Informasi
2005 (SNATI 2005). Yogyakarta.
[4] Putra, D. 2009. Sistem Biometrika. Staf
Pengajar Di Jurusan Teknik Elektro
Universitas Udayana. Bali.
[5] Setiawan, R., Purnomo, M.H. 2006.
Perbandingan Algoritma Levenberg –
Marquardt dengan Metode
BackPropagation pada Proses Learning
Jaringan Syaraf Tiruan untuk
Pengenalan Pola Sinyal
Elektrokardiograf. Seminar Nasional
Aplikasi Teknologi Informasi 2006
(SNATI 2006).Jurusan Teknik Elektro
ITS. Surabaya.
[6] Warsito, B.,Sumiyati, S. 2007. Prediksi
Curah Hujan Kota Semarang Dengan
Feedforward Neural Network
Menggunakan Algoritma Quansi
Newton BFGS dan Levenberg-
Marquardt. Jurnal Presipitasi Vol. 3 no.
2 September 2007. ISSN 1907-187x.
[7] Yani, E. 2005. Pengantar Jaringan
Syaraf Tiruan. MateriKuliah.com
Copyright © 2005 MateriKuliah.Com.
[8] Zayuman, H., Santoso, I., Isnanto, R.R.
2011. Pengenalan Wajah Manusia
Menggunakan Analisis Komponen
Utama (PCA) dan Jarigan Syaraf
Tiruan Perambatan Balik. Makalah
Seminar Tugas Akhir. Jurusan Teknik
Elektro, Fakultas Teknik, Universitas
Diponegoro. Semarang.