Analisis Perbandingan Metode Klasifikasi Menggunakan Jaringan Saraf Tiruan Backpropagation Dan Learning Vector Quantization Pada Sistem Pengenalan Wajah

ABSTRAKSI: Perkembangan teknologi di bidang biometrik khususnya pengenalan wajah memacu para peneliti untuk menemukan metode-metode baik untuk proses ektraksi ciri maupun klasifikasi. Salah satu metode klasifikasi yang sering digunakan adalah Jaringan Saraf Tiruan (JST). JST yaitu sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan saraf biologi. Berdasarkan sifat belajarnya JST dibagi menjadi dua yaitu supervised learning (pembelajaran terawasi) dan unsupervised learning (pembelajaran tak terawasi). JST yang digunakan untuk perbandingan klasifikasi pada tugas akhir ini merupakan jenis supervised learning yaitu JST backpropagation dan Learning Vector Quantization (LVQ). Sedangkan ekstraksi ciri yang digunakan yaitu Principal Component Analysis (PCA). Hasil pengujian menunjukkan akurasi tertinggi pada backpropagation dengan PCA yaitu 99.5%, dicapai pada saat menggunakan 150 PC, jumlah hidden neuron 250, dan nilai learning rate 0.1. Sedangkan akurasi tertinggi pada LVQ yaitu 90.75%, dicapai pada saat menggunakan 50 PC, jumlah hidden neuron 250, dan nilai learning rate 0.0075.Kata Kunci : Biometrik, Jaringan Saraf Tiruan, Supervised Learning, Unsupervised Learning, Backpropagation, Learning Vector Quantization, Principal Component Analysis.ABSTRACT: Technological development of biometrics especially face recognition is developed by the researchers to find better methods for feature extraction and classification. One classification method that commonly used is Artificial Neural Network (ANN). ANN is information processing system that has characteristic similiar to biological neural networks. Based on learning method, ANN is devided into Supervised learning and Unsupervised learning. In this research, ANN that being used are Backpropagation ANN and Learning Vector Quantization (LVQ). While the feature extraction used Principal Component Analysis (PCA). The test result showed the highest acuraccy on backpropagation with PCA is 99.5%, achieved when using 150 PC, and the number of hidden neuron 250, and learning rate value 0.1,. While the highest accuracy on LVQ is 90.75%, achieved when using 50 PC, the number of hidden neuron 250, and learning rate value 0.0075.Keyword: Biometric, Artificial Neural Network, Supervised Learning, Unsupervised Learning, Backpropagtion, Learning Vector Quantization, Principal Component Analysi