Implementasi algoritma backpropagation neural networks untuk pengenalan wajah 3 dimensi

⭐ Julio, Daud (2016) Implementasi algoritma backpropagation neural networks untuk pengenalan wajah 3 dimensi. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

Preview

Text
HALAMAN AWAL.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (1MB) | Preview

Preview

Text
BAB I.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (808kB) | Preview

Preview

Text
BAB II.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (1MB) | Preview

Preview

Text
BAB III.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (1MB) | Preview

Text
BAB IV.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (1MB)

Preview

Text
BAB V.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (912kB) | Preview

Preview

Text
DAFTAR PUSTAKA.pdf
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (1MB) | Preview

Text
LAMPIRAN.pdf
Restricted to Registered users only
Available under License Creative Commons Attribution Non-commercial Share Alike.
Download (1MB)

Abstract

Sistem pengenalan wajah 3 dimensi adalah sistem yang melakukan proses pengenalan wajah dengan menggunakan data kedalaman wajah. Data kedalaman wajah didapatkan dengan menggunakan perangkat Kinect Xbox One. Aplikasi ini digunakan untuk melakukan penelitian terhadap kinerja pattern recognition pada jaringan saraf tiruan dalam melakukan pengenalan suatu pola tertentu. Aplikas i dibangun dengan menggunakan bahasa pemrograman C# dan menggunakan Visual Studio Community 2015. Aplikasi dibangun untuk testing yang dilakukan pada platform Windows. Data terdiri atas sepuluh orang dengan setiap orang diambil sepuluh wajah sebagai sample. Data training menggunakan delapan dari sepuluh wajah untuk setiap orang. Data testing menggunakan dua puluh data kedalaman wajah untuk menghitung akurasi. Sistem berhasil diimplementasikan dengan waktu pelatihan tercepat 1902 detik dan menghasilkan akurasi 90% dengan menggunak a n hidden node sebanyak 10 dan learning rate sebesar 0,01. Kecepatan pengenala n wajah yang dapat dicapai adalah 42,1445 milidetik.

Item Type:

Thesis (Bachelor Thesis)

Creators: