Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Wajah (Face Recognition)

Transkripsi

1 No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional Kecerdasan Komputasional Berbasis Jaringan Neural Buatan (JNB) Pada Sistem Pengenalan Waah (Face Recognition) Wawan Setiawan (Universitas Pendidian Indonesia) Abstra Model sistem pengenalan waah yang diusulan dalam penelitian ini merupaan pengembangan dari model sistem yang telah dilauan pada penelitian sebelumnya. Modifiasi yang dilauan terdiri atas dua sisi yaitu modifiasi pada arsitetur aringan neural dengan penambahan lapis neuron hidden, dan penambahan umlah ciri dengan menghadiran ciri geometri selain ciri geometri. Kedua modifiasi ini dapat meningatan emampuan pengenalahan sealipun dilatih dengan omposisi yang relatif rendah yaitu 30%. Dengan pertimbangan optimalisasi omputasi eseusi atau watu, omposisi pelatihan 50% dapat digunaan sebagai pembelaaran yang optimal. Komposisi 70% menghasilan aurasi sangat bai namun biaya omputasi pelatihannya cuup mahal. Sampel data yang digunaan adalah citra waah 7 orang masing-masing dengan 6 poses. Estrasi ciri dilauan pada 12 bagian waah dengan masing-masing diambil 3 variasi pisel e segala arah sehingga menghasilan 72 onfigutasi untu setiap orang sampel dengan masing-masing 47 ciri. Arsitetur aringan neural menadi 47 neuron input, 8 ali neuron hidden, dan 7 neuron output. Pembelaaran model sistem menggunaan algoritma pembelaaran supervisi propagasi bali Komposisi pelatihan 30% mengasilan rerata tingat aurasi 90% untu data pelatihan, dan rerata 89% untu data testing. Komposisi pelatihan 50% mengasilan rerata tingat aurasi 98% untu data pelatihan, dan rerata 95% untu data testing. Komposisi pelatihan 70% mengasilan rerata tingat aurasi 100% untu data pelatihan, dan rerata 98% untu data testing. Secara umum model sistem aringan neural pengenal waah yang diusulan cuup handal untu sistem pengenal waah secara frontal. Untu pengembangan penelitian selanutnya dapat rancang untu waah tiga dimensi dengan variasi ara pandang. Kata unci : model sistem pengenal waah, aringan neural buatan, dan propagasi bali. Pendahuluan K emampuan ota manusia dalam memproses persoalan yang beraitan dengan panca indera dicoba untu diimplementasian dalam omputer, dengan mempelaari cara era aringan neural biologis yang mendasarinya. Pendeatan yang dilauan dalam penelitian yang beraitan dengan pengidentian aringan neural bilologis ini dilauan dengan menerapan prinsip dasarnya pada sistem omputer dengan nama aringan neural buatan (JNB). Salah satu hal yang sangat rumit untu dietahui dan emudian dicoba untu ditiru adalah emampuan ota manusia untu belaar dari pengalaman. Kemampuan belaar dari pengalaman ini merupaan cara yang sudah dilauan oleh seorang ana sea ecil untu dapat berbicara, membaca, menulis, maan, dan minum, menentuan ara aman bagi eselamatannya dan bahan dalam menentuan nilai-nilai moral yang dianutnya. Beraitan dengan elemahan bidang ecerdasan buatan untu menyelesaian problem indera manusia, maa pada tahun lahir onsep baru yang dinamaan Computational Intelligence (Kecerdasan Komputasional). Dalam bidang ecerdasan omputasional ini, diantaranya metodologi omputasi seperti aringan neural buatan diembangan dan digabung menadi satu untu mampu memberian onsep fundamental bagi pengembangan sistem cerdas (Intelligent System). Sistem Indera Buatan merupaan sistem yang sangat diperluan dalam ehidupan manusia. Hal ini disebaban arena manusia mempunyai 35

2 Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 beberapa eterbatasan dalam melauan atifitasnya. Manusia aan selalu berupaya untu mengahindari daerah era yang berbahaya. Apabila manusia berada dalam eadaan yang urang sehat, bai fisi ataupun eiwaan, maa emampuan sistem inderanya aan menurun. Untu dapat mengatasi hal tersebut, maa beberapa paar mengembangan metodologi untu sistem indera buatan berdasaran cara era manusia itu sendiri. Jaringan neural buatan merupaan salah satu metode untu dapat membuat sebuah mesin omputer bereasi dengan sensor yang diserupaan eranya dengan aringan neural manusia. Penggunaan model aringan neural buatan dalam ecerdasan omputasional terus diembangan untu meningatan sistem indera buatan. Sistem pengenalan waah merupaan sistem indera penglihatan banya diterapan terutama untu ontrol. Sebuah perusahaan atau institusi besar dapat mengontrol aryawannya melalui amera yang dipasang di tempat-tempat yang dilalui aryawan tersebut. Orang asing yang mencoba menyelinap aan segera dietahui dan diambil tindaan dengan cepat pula. Di negara mau sistem ontrol dengan indera penglihatan buatan telah banya digunaan terutama untu wilayahwilayah tertentu. Kepolisian dapat menggunaan sistem pengenalan waah untu mengenali para penahat terutama yang ambuhan. Sistem pengenal waah dapat pula digunaan untu absensi aryawan dan mahasiswa. Sistem absensi dengan fingerprint telah banya digunaan namun ada elemahan arena harus mengantri menempelan arinya pada sensor yang belaangan dapat membuat eengelan. Sistem pengenalan waah dapat mengatasi masalah antrian dan eengelan. Laboratorium Kecerdasan Komputasional Universitas Indonesia telah mengembang model pengenalan waah sampai aurasi 86%. Dalam penelitian ini diembangan model aringan neural buatan multihidden layer. Sistem Indera Buatan Untu Penglihatan Indera buatan untu sistem penglihatan yang beberapa tahun terahir menari perhatian banya orang adalah Sistem Pengenal Waah/Obye secara otomatis (Automated Face/Obect Recognition AFR). Pengembangan sistem ini didorong oleh penggunaan apliasi ini di banya bidang. Identifiasi waah merupaan masalah yang penting dalam bidang penegaan huum dan forensi, otensiasi pengasesan gedung atau mesin transasi otomatis. Bagaimanapun uga sistem AFR mempunyai eurangan, arena waah yang berbeda mungin tampa mirip sehingga membutuhan emampuan pembedaan yang tinggi dari sistem tersebut. Masalah lain misalnya beberapa citra waah mungin tampa aga berbeda arena batasan-batasan dari citra itu sendiri seperti perubahan titi pencahayaan, epsresi waah, dan penggunaan asesoris seperti acamata dan yang lainnya. Sistem pengenal waah telah mengalami emauan ahir-ahir ini, hususnya untu mengenal citra waah dengan tingat ontrol yang tinggi pada pencahayaan dan sala. Hasil yang bai telah didapatan untu pengenalan citra 2-D bagian depan (frontal), dengan menggunaan penyesuaian pola terhadap basis data yang besar, atau dengan mengombinasiannya dengan penyesuaian ciri dan pola. Penyesuaian pola menggunaan Transformasi Karhunen-Loeve pada seumpulan citra yang besar. Penelitian awal menunuan bahwa penggunaan aringan neural buatan dengan metode pembelaaran propagasibali cuup mampu untu dapat menentuan citra waah yang telah dilatih melalui ciri opti. Untu dapat menggunaan sistem indera buatan penglihatan dengan emampuan yang lebih tinggi, dapat dilauan dengan dengan merubah sistem arsitetur aringan neural yang digunaan. Perubahan arsitetur ini dengan mengganti setiap neuron pada layer tersembunyi onvensional dengan seumpulan neuron yang membentu beberapa layer. Dengan menggunaan informasi tambahan berupa ciri geometri sederhana, maa aringan neural buatan ini diharapan dapat mengenal citra waah dengan emampuan yang lebih bai. Citra 36

3 No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional waah yang digunaan sebagai masuan sistem ini diambil dari pelbagai pose yang menggambaran senang, netral, sedih, dan marah. Metodologi Penelitian Metode yang diembangan dalam peneltian ini mengiuti langah-langah sebagai beriut : 1. Pengambilan citra waah seumlah orang pada berbagai variasi pose (mimi). 2. Pemrosesan awal untu mendapatan citra yang berualitas agar mudah dalam mengestrasi fitur waah. 3. Mendisain arsitetur aringan neural buatan yang optimal. 4. Rancangan algoritma pembelaaran dan redisain arsitetur. 5. Melauan pelatihan dan ui coba aringan neural. 6. Melauan integrasi dan ui coba sistem. 7. Melauan reonstrusi citra waah. Data dalam penelitian ada dua pandangan, pertama data masuan yang berupa citra waah yang mengalami proses transformasi matemati yang merupaan input model yang diembangan. Kedua data eluran yang merupaan hasil proses model sistem yang embangan. Berhasaran data eluaran, selanutnya diinterprtasi ualifiasi model sistem pengenal waah. Untu mendapatan ualifiasi model sistem yang diembangan, dilauan penguuran terhadap beberapa parameter penelitian. Yang menadi parameter dalam penelitian ini adalah : omplesitas model yang diembangan, dan inera model yang diembangan. Model yang diembangan adalah sebuah model software apliasi. Untu mengui tingat omplesitas software sistem, digunaan ui watu eseusi terutama watu pelatihan. Watu eseusi biasanya dinyataan dalam putaran yang dienal dengan epoch. Model yang diembangan adalah sarana pengenalan yang bertuuan untu mengenali dengan bai. Untu mengui inera model yang diembangan, dilauan ui tingat auarsi yang terdiri atas : 1. User s accuracy yaitu tingat aurasi tiap elas yang merupaan perbandingan antara pengenalan yang benar terhadap umlah yang harus dienali. 2. Producer s accuracy yaitu tingat aurasi tiap elas yang merupaan perbandingan antara pengenalan yang benar terhadap umlah elas yang teradi. 3. Overall accuracy yaitu tingat aurasi untu seluruh elas yang merupaan perbandingan antara pengenalan yang benar semua elas terhadap umlah seluruh data. Berdasaran hasil ui tingat auarsi, dapat didefinisian inerga model yang diembangan. Subye dalam penelitian ini adalah citra waah 7 orang pada berbagai pose yang bervariasi. Variasi pose dilauan dengan ating arena sulit mengodisian pose yang sesungguhnya. Pose ating dengan pose sesungguhnya tentu aan menghasilan onfigurasi yang berbeda. Pose yang sesungguhnya dibangun oleh dorongan iwa dan hati sedangan pose ating lebh mengandalan perasaan. Namun demiian melalui upaya ating ini diharapan tida terlalu auh perbedaannya terutama dengan memperhatian raut waah. Pendeatan ini merupaan teni yang paling optimal untu dilauan arena esulitan untu mendapatan yang sesungguhnya. Hasil dan Pembahasan Pengambilan citra waah menggunaan perangat yang didisain secara husus di bengel FPMIPA dengan menggunaan amera digital dengan ualifiasi yang cuup optimal. Citra waah diambil dari seumlah orang secara frontal pada beberapa variasi pose (mimi) yang terdiri atas ; netral, senyum, gembira, sedih, bengis, dan marah sehingga untu setiap orang terdapat 6 (enam) pose. Pemrosesan Awal (Praproses) 37

4 Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 Praproses dilauan untu mendapatan citra yang berualitas dengan tuuan untu minimalisir gangguan (noise) dan agar mudah dalam mengestrasi fitur waah. Langahlangah praproses meliputi : a. Filtering Filtering merupaan upaya memperelas batas-batas dari setiap bagian yang terdapat pada waah, dan menghilangan noise atau informasi yang tida diperluan bahan mengganggu. Teni filtering yang biasa digunaan adalah mean filtering yang merupaan nilai tengah dari informasi yang ada. Berdasaran arateristinya, noise tida berada pada daerah mean maa aan tereliminasi. Hasil dari filtering adalah citra waah yang lebih elas terutama bagian-bagiannya dengan tetap mempertahanan euniannya. b. Estrasi Ciri Eastrasi ciri merupaan upaya untu mengambil ciri yang uni dari citra dari sebuah obe. Pada penelitian sebelumnya estrasi ciri didasran pada ciri opti saa. Dalam penelitian ini ciri uni didasaran pada gabungan ciri opti dan ciri geometri. Ciri opti terdiri atas : rerata, median, masimum, minimum, dan santar deviasi dari setiap bagian. Sedangan ciri geometri adalah ara antar bagian yang menurut ahli forensi bisa diadian ciri terdiri atas : ara mata irianan, ara mata anan-hidung, ara mata irihidung, ara hidung-mulut, ara mulut-dagu, dan ara pangal-dagu. Bagian-bagian waah yang diestra menadi ciri terdiri atas mata, alis, hidung, pangal, bibir, dan dagu (memilii eunian). Total ciri yang diambil 8 bagian ali 5 ciri opti ditambah 7 ciri geometri yaitu 47 ciri. Setiap bagian diambil ciri opti masingmasing 12 daerah seitar melalui sebaran 3 pisel dengan 4 arah. Sehingga untu setiap orang menghasilan 6 pose ali 12 daerah menadi 72 (tuuh puluh dua) onfigurasi opti. Sedangan untu ciri geometrinya menggunaan ciri yang sama yaitu berdasran ara antar pusat setiap bagian untu setiap pose. Dengan demiian pada penelitian ini digunaan 7 orang ali 72 menadi 504 onfigurasi yang merupaan data pengamatan. Disain Arsitetur dan Algoritma Pembelaaran Jaringan Neural Buatan (JNB) Arsitetur aringan neural buatan yang digunaan, didisain terlebih dahulu agar didapatan arsitetur yang memadai. Untu melauan proses pengenalan atau identifiasi, 38

5 No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional digunaan algoritma pembelaaran bacpropagation yang dimodifiasi pada strutur neuron hidden menggunaan multi hidden. X 1 V 11 V 11 W 11 Z 1 Z 1 Y 1 X i Z Z Y X n V np Z p V Z m W mo Y o Arsitetur Jaringan Neural Buatan x : neuron input = 47 buah z : neruon hidden = 8 x 47 buah y : neuraon output = 7 buah Algoritma Pembelaaran Jaringan sebagai beriut : Langah 0 : Inisialisasi bobot Langah 1 : Jia ondisi henti tida terpenuhi, lauan langah 2-9 Langah 2 : Untu setiap pola input, lauan step 3 8 Feedforward: Pembelaaran pada layer 1 Langah 3 : Setiap neuron masuan (X i i= 1 n) menerima sinyal masuan x i dan menyebarannya e semua neuron pada lapis tersembunyi. Langah 4 : Setiap neuron pada lapis tersembunyi-1 (Z, =1 p) menumlahan bobot-bobot sinyal masuan, n z _ in x v i 1 dan menerapannya pada fungsi ativasi untu menghitung sinyal eluarannya, z f z _ in ) i i ( dan mengirim sinyal ini e semua neuron pada lapis eluaran 39

6 Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 Setiap neuron pada lapis tersembunyi-2 (Z, =1 m) menumlahan bobot-bobot sinyal masuan, n z ' _ in x v i 1 dan menerapannya pada fungsi ativasi untu menghitung sinyal eluarannya, z' f (z _ in ) dan mengirim sinyal ini e semua neuron pada lapis eluaran Langah 5 : Setiap neuron eluaran (Y, =1 o) menumlahan bobot sinyal yang masu, y _ in p 1 z' w dan mengapliasian fungsi ativasinya untu menghitung sinyal yang aan dieluarannya y f y _ in ) ( i i mengalian dengan turunan fungsi ativasinya untu menghitung esalahan informasinya, _ in f '(z' _ in ) menghitung oresi bobotnya (yang digunaan untu memperbaii v i nanti) v x i Perbaii bobot untu proses selanutnya Langah 8 : Setiap neuron eluaran (Y, =1 o) memperbaii bobotnya (=0 m) w ( new) w ( old ) w Setiap neuron tersembunyi-1 (Z, =1 p) memperbaii bobotnya v ( new) v ( old ) v i i Setiap neuron tersembunyi-2 (Z, =1 m) memperbaii bobotnya v ' (new) v' (old) v i i i i i Bacpropagasi error Langah 9 : Lauan penguian ondisi henti. Langah 6 : Setiap neuron eluaran (Y, =1 o) menerima sebuah pola target yang berhubungan dengan pola masuan pelatihan dan menghitung esalahan informasi ( t y ) f '( y _ in ) (2.19) menghitung oresi bobot (yang digunaan untu memperbaii w nanti), w z dan mengirim e neuron lapis tersembunyi. Langah 7 : Setiap neuron tersembunyi-2 (Z, =1 m) menumlahan bobot setiap neuron yang yang telah diali dengan esalahan informasinya, m _ in w 1 Ui Coba Ui coba ini dilauan untu mendapatan umlah neuron hidden yang optimal. Ui coba ini menggunaan metode trial and error arena tida ada etentuan yang pasti untu menentuan umlah neuron hidden. Hal ini disebaban bahwa umlah neuron hidden dipegaruhi oleh tingat omplesitas atau arateristi informasi (masuan). Ui coba neuron hidden didasaran pada umlah neuron input menggunaan perbandingan data input fifty-fifty. Beriut ini hasil ui coba umlah neuron hidden : Tabel-1 : Penentuan Jumlah Neuron Hidden No. Jumlah Neuron Hidden ( x Neuron Input) Tingat Aurasi 1 0,5 78 (%) (%) 3 1,5 92 (%) 40

7 No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional (%) 5 2,5 92 (%) (%) 7 3,5 93 (%) (%) 9 4,5 95 (%) (%) 11 5,5 96 (%) (%) 13 6,5 96 (%) (%) 15 7,5 96 (%) (%) 17 8,5 98 (%) (%) 19 9,5 95 (%) (%) Tingat aurasi pengenalan sebanding dengan umlah neuron hidden. Semain besar umlah neuraon hidden, model sistem pengenal semain tinggi aurasi pengenalannya namun ada batas optimalnya. Jumlah neuron hidden yang optimal sebanding dengan 8 dan 8,5 ali neuron input. Selanutnya yang digunaan untu ui coba data testing adalah 8 ali atau yang lebih ecil arena aan terait dengan watu eseusi program. Ui coba pelatihan model sistem dilauan untu mengetahui proses pembelaaran aringan neural dengan 3 omposisi data pelatihan. Beriut ini hasil ui coba pelatihan : Tabel-2 : Hasil Ui Data Pelatihan No. Data Pelatihan Jumlah Epoch Rerata Aurasi 1 30% % 2 50% % 3 70% % Berdasaran ui pelatihan, secara linier tingat aurasi semain bai seiring umlah data pelatihan. Hal ini analogi dengan pembelaaran pada umumnya bahwa semain sering mempelaari sesuatu maa tingat pengenalannya semain bai. Namun demiian onseuensinya watu pembelaaran aan bertambah dan hal ini analoginya semain lama mempelaari sesuatu maa semain bai pula pengenalannya. Dengan mempertibangan watu dan aurasi, maa cuup beralasan menggunaan omposisi 50% pelatihan aan menghasilan tingat aurasi pengenalan yang bai mesipun buan paling bai. Ui coba tingat pengenalan model sistem dilauan untu menentuan onfigurasi mana yang optimal untu mendapatan hasil yang bai. Beriut ini hasil ui coba pengenalan : Tabel-3 : Hasil Pelatihan data ui 30% data testing 70% Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7 Producer s C ,74 C ,86 C ,46 C ,95 C ,35 C ,93 C ,10 Overall User s 89,29 90,48 88,69 91,27 89,09 89,48 88,29 - OA =89,51 PA =89,63 41

8 Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 UA=89,51 Dengan omposisi pelatihan yang relatif ecil, masih teramati banyanya esalahan dalam pengenalan dan esalatan tersebar pada seluruh elas yang ada. Dalam ontes pengenalan waah, omposisi ini tida dianuran untu digunaan mesipun aurasinya lebih besar dari 80% diarenaan teradi onfli dengan seluruh elas. Tabel-4 : Hasil Pelatihan data ui 50% data testing 50% Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7 Producer s C ,38 C ,21 C ,38 C ,08 C ,92 C ,64 C ,60 User s 95,24 96,63 94,25 96,03 95,04 94,84 95,24 Overall - OA =95.12 PA =95.17 UA=95.12 Dengan omposisi pelatihan yang seimbang, termati bahwa esalahan pengenalan tida pada seluruh elas, namun masih teradi onfli dengan rata-rata esalahan teradi pada 3 elas, dan omposisi ini bisa direomendasi. Tabel-5 : Hasil Pelatihan dan data ui 70% data testing 30% Kelas C-1 C-2 C-3 C-4 C-5 C-6 C-7 Producer s C ,00 C ,01 C ,39 C ,06 C ,61 C ,31 C ,39 User s 97,82 99,21 96,63 99,21 97,22 98,41 97,02 Overall - OA =97,93 PA =97,97 UA=97,93 Komposisi pelatihan yang lebih besar, tingat aurasi pengenalan uga meningat namun masih teradi esalahan rata-rata dengan dua elas. Komposisi ini aan beresio biaya pelatihan yang besar seperti pada tabel 2, namun aurasinya meningat mesipun tida terlalu besar, maa omposisi ini arang digunaan. Kesimpulan dan Reomendasi Kesimpulan Berdasaran data dan hasil pengolahannya dapat ditari beberapa esimpulan mengenai 42

9 No. 1/XXVI/2007 Wawan Setiawan, Kecerdasan Komputasional model sistem pengenalan waah yang diembangan antara lain : 1. Model sistem pengenalan waah aringan neural buatan dengan pembelaaran propagasi bali yang diusulan dapat meningatan aurasi pengenalan dari sistem yang telah ada sebelumnya (propagasi bali standar). 2. Peningatan aurasi pengenalan dapat dilauan melalui redesain arsitetur yaitu penambahan umlah lapis tersembunyi, dan penambahan umlah ciri yaitu ciri geometri. 3. Model sistem pengenalan waah dapat mengenali elas waah dengan omposisi pelatihan 30%, dengan tingat aurasi yang sudah cuup bai namun buan yang terbai. 4. Tingat pengenalan semain bai dengan semain besarnya omposisi pelatihan dengan onseuensi watu pelatihan yang semain besar pula. Reomendasi Berdasaran data dan hasil pengolahannya dapat dipertimbangan beberapa reomendasi untu mendapatan model sistem pengenalan waah yang optimal antara lain : 1. Hendanya untu menggunaan pelatihan dengan omposisi yang tida terlalu ecil dan uga tida terlalu besar. 2. Model sistem pengenalan waah yang telah dihasilan dapat diembangan untu berbagai sudut pandang dan uga ara pengambilan citra (tida hanya frontal). VII. DAFTAR PUSTAKA Alessandro, S., et. al., 1993, Speed Up Learning and Networ Optimization With Extended Bacpropagation, Proc. Neural Networs Vol. 6, pp Dempster A. P., N. M. Laird, and D. B. Rubin, 1997,Maximum Lielihood from Incomplete Data via the EM Algorithm, J. R. Stat. Soc., Vol. 39, No. 1, pp Donald F.S., et al.,1991, Generalization of Probabilistic Neural Networs Compare with Bac- Propagation Networs, IEEE Transaction on Neural Networ. G. Lohmann, 1994, Co-occurrence-based Analysis and Synthesis of Textures, Proc. 12 th Int. Conference on Pattern Recognition, Jerusalem, pp Hayin Simon, 1994, Neural Networ: A Comprehensive Foundation, Prentice-Hall, New Jersey. W. Setiawan, A. Murni, and B. Kusumoputro, 2003, Probabilistic Neural Networ Based on Multinomial Model for Remote Sensing Image Classification, Proceedings Computer, Communication and Control Technologies : II, Vol. V ISBN : pp , Orlando. W. Setiawan, A. Murni, dan B. Kusumoputro, 2000, Klasifiasi Parameter Konstrain Kawasan Andalan Menggunaan Jaringan Neural Buatan (JNB) Berbasis Pembelaaran Adaptif, Proceeding SITIA2000, Surabaya. W. Setiawan, and B. Kusumoputro, 2003, Propagasi Bali Termodifiasi Untu Pengenalan Image Waah Menggunaan Jaringan Neural Buatan Berbasis Eigenfaces, Prosiding SNKK I, Jaarta. W. Setiawan, and B. Kusumoputro, 1998, Shape and color analysis of Malignant Sin Cansers Using Artificial Neural Networ Approach, Proc. 5 th Asian Symp. On Visualization, with B. Kusumoputro, Jaarta. W. Setiawan, dan B. Kusumoputro, 2001, Pengembangan Algoritma Propagasi Bali Untu Pengenalan Image Waah Berbasis Eigenfaces, Jurnal ICIS, Jaarta. W. Setiawan, A. Murni, and B. Kusumoputro, 2002, Multitemporal Optical-Sensor Image Classification Based on A. Cascade of Neural Networ, EM Algorithm and Compound Classifier, Proceeding The 2002 International Conference On Opto- Electronic and Laser Applications ISBN : pp. C48-C53, Program Opto- Eletroteni and Laser Appication, Universitas Indonesia, Jaarta. W. Setiawan, A. Murni, dan B. Kusumoputro, 2005, Model Jaringan Neural Buatan dalam Kontes Keputusan Komputasional. Prosiding Seminar Nasional IPA, Bandung. W. Setiawan, A. Murni, dan B. Kusumoputro, 2001, Pendeatan Neural Networ berbasis Algoritma EM untu masalah Klasifiasi Campuran, Prosiding SNKK II, Jaarta. W. Setiawan,, A. Murni, dan B. Kusumoputro, 2005, Pengembangan Jaringan Neural Buatan Model Multinomial untu Klasifiasi Citra Inderaa, Prosiding Seminar Nasional Matematia, Bandung. W. Setiawan, A. Murni, B. Kusumoputro, and Selly Feranie, 2005, Probabilistic Neural Networ Based on Multinomial Model for Remote Sensing Image Classification, Jurnal Ilmu Komputer, IPB, Bogor. Penulis: 43

10 Wawan Setiawan, Kecerdasan Komputasional No. 1/XXVI/2007 Dr. Wawan Setiawan, M.Si. adalah Dosen Pendidian Fisian FPMIPA UPI dan sebagai Ketua Program Studi Ilmu Komputer FPMIPA UPI 44