Abstract

Manusia memiliki kecerdasan multi intelligence yang sangat kompleks sehingga secara otomatis mampu mengenali seseorang yang pernah ditemui. Saat ini banyak sekali sistem pengenalan wajah yang sedang dikembangkan baik secara supervised maupun unsupervised. Jaringan Syaraf Tiruan (JST) merupakan salah satu metode supervised, dimana salah satu metode pembelajarannya disebut dengan Multi-Layer Perceptron (MLP). Penentuan banyaknya node pada hidden layer secara tepat mempengaruhi kinerja dari MLP pada sistem pengenalan wajah. Penelitian ini menggunakan 12 citra wajah sebagai data latih yang diekstraksi menjadi covarian matriks lalu diambil nilai eigen dari setiap data citra menggunakan metode principal component analysis (PCA) dan linear discriminant analysis (LDA). Setiap data menghasilkan 4 nilai eigen yang menjadi masukan pada algoritma pelatihan MLP yang menghasilkan nilai bobot optimal yang menjadi acuan untuk mengenali citra wajah. Berdasarkan hasil pengujian dan perbandingan variasi nilai parameter yang digunakan untuk mengenali citra wajah telah didapatkan nilai akurasi optimal sebesar 77,77%. Aristektur dari MLP tersebut terdiri atas : 4 node di input layer, 8 node di hidden layer dan 3 node di output layer dengan nilai epoch pelatihan sebesar 60x104.