Exploresemantic Pixel Sets Based Local Pattern dengan Informasi Entropi untuk Pengenalan Wajah Serta Penerapan di Backpropagation

Abstract

In this paper, a combination of the Local Binary Pattern method with a semantic pixel set of entropy information is used on back propagation networks for face recognition. This method divides the sample data into NxM zones and calculates the feature value of each zone. In this paper the sample data is divided into 6x9 zones, ie 54 zones with the size of each zone is 10x10 pixels. The LBP method is a uniform pattern of each zone and makes comparisons to zones that have the most number of active pixels. Then from the LBP method the semantic method is used to extract the entropy information from each image. From the feature extraction, there are 107 feature values, 54 of LBP and 53 methods of semantic method. The value of the feature is used as input for classification using back propagation networks. 100 sample data were used for training and 60 different sample data were used for recognition level test. From the test conducted got the recognition rate using a combination of two methods of this extraction feature is 98%.

Pada penelitian ini, kombinasi metode Local Binary Pattern dengan semantic pixel set informasi entropi digunakan pada jaringan propagasi balik untuk pengenalan wajah. Metode ini membagi data sampel menjadi NxM zona dan menghitung nilai fitur dari setiap zona tersebut. Pada penelitian ini data sampel dibagi menjadi 6x9 zona, yaitu 54 zona dengan ukuran masing-masing zona adalah 10x10 piksel. Metode LBPadalah pola yang seragam setiap zona dan melakukan perbandingan terhadap zona yang memiliki jumlah piksel aktif paling banyak. Kemudian dari metode LBPdigunakan metode semantic untuk mengambil informasi entropi dari tiap gambar. Dari ekstraksi fitur tersebut didapatkan 107 nilai fitur, yaitu 54 dari metode LBP dan 53 dari metode semantic. Nilai fitur tersebut dijadikan masukan untuk klasifikasi menggunakan jaringan propagasi balik. 100 data sampel digunakan untuk pelatihan dan 60 data sampel berbeda digunakan untuk uji tingkat pengenalan. Dari pengujian yang dilakukan didapatkan tingkat pengenalan menggunakan kombinasi dua metode fitur ekstraksi ini adalah 98%.