Implementasi Deep Learning berbasis Keras untuk Pengenalan Wajah

Abstract

Sistem pengenalan wajah merupakan aspek penting dalam bidang computer vision yang mendukung terhadap perkembangan teknologi yang serba canggih seperti era sekarang ini. Penggunaan wajah sendiri digunakan karena wajah memiiki keunikan dan merupakan identitas bagi setiap manusia. Dalam pengembangannya, sistem pengenalan wajah masih memiliki permasalahan dalam faktor pencahayaan, ekpresi wajah dan perubahan atribut pada wajah. Sehingga, dalam penelitian ini penulis menggunakan Convoutional Neural Network(CNN) untuk mencoba mengatasi hal tersebut. CNN merupakan bagian dari deep learning yang digunakanuntuk melakukan proses pembelajaran pada komputer untuk mencari reprentasi terbaik. CNN terdiri 3 tahapan, yaitu Input data , Feature Learning, dan Classification. Setiap data masukan akan melaui ketiga tahapan tersebut dengan proses filtering. Pengimplementasian CNN pada penelitian ini menggunakan library keras yang menggunakan bahasa pemrograman python . Keras merupakan framework yang dibuat untuk mempermudah pembelajaran terhadap komputer.Dataset yang digunakan pada penelitian ini adalah face94 dengan mengambil 10 subject face pria. Proses pelatihan CNN dengan menggunakan data ukuran 28x28 px dengan 7 lapisan menghasilkan akurasi yang lebih baik dibandingkan dengan menggunakan 5 lapisan dengan selisih hasil 8,0 % pada saat pengujian. penggunaan 7 lapisan pada saat pengujian terhadap data testing memperoleh hasil yang baik dengan tingkat akurasi mencapai 98.57%

Klasifikasi Pola Kain Tenun Melayu Menggunakan Faster R-CNN

“…Prosesnya disebut dengan proses training. Pada proses training terdapat 3 tahapan yaitu Convolutional layer, Pooling layer, dan Fully connected layer [22]. Ilustrasi arsitektur CNN dapat dilihat pada Gambar 3.…”

“…Ilustrasi arsitektur CNN dapat dilihat pada Gambar 3. [22] Proses konvolusi Pada Convolutional layer adalah proses dimana matriks kernel yang memiiki fungsi melakukan filter pada matriks citra [23]. Pooling atau subsampling adalah pengurangan ukuran matriks dengan menggunakan operasi pooling.…”

“…Hasil implementasi dari proses pelatihan pada proses training merupakan sebuah model. Terdapat 3 tahapan yaitu Convolutional layer, Pooling layer, dan Fully connected layer [22]. Hasil akhir dari proses pembelajaran atau pelatihan Faster R-CNN adalah terbentuknya sebuah model dan record yang siap pakai untuk pendeteksian lebih lanjut atau dengan kata lain disebut dengan testing.…”

Sistem Deteksi Hama Pada Kolam Budidaya Ikan Berbasis Audio dan Video

“…Salah satu metode dari deep learning yaitu Convolutional Neural Network. Jaringan ini menggunakan masukan berupa gambar, kemudian akan melewati lapisan konvolusi dan diolah berdasarkan filter yang telah ditentukan, setiap lapisan ini menghasilkan pola dari beberapa bagian citra yang memudahkan proses klasifikasi [7].…”

“…Misalnya lapisan terdiri dari 500 neuron, maka akan diterapkan softmax yang mengembalikan daftar probabilitas terbesar untuk masing-masing 10 label kelas sebagai klasifikasi akhir dari jaringan [11]. Gambar 5 menunjukkan proses yang ada dalam fully connected layer [7]…”