ABSTRAKSI: Pengenalan wajah saat ini menjadi suatu topik bahasan yang termasuk ke dalam biometrics yang banyak dibicarakan. Wajah manusia memiliki ciri-ciri dan pola tertentu untuk dikenali. Dalam bidang keamanan, pengenalan wajah dapat membantu dalam mencirikan seseorang. Selain keamanan, pengenalan wajah juga dapat digunakan pada bidang kontrol. Sebagai contoh pembatasan usia dalam pembelian produk yang dibatasi oleh usia, misal rokok.
Klasifikasi adalah suatu proses pengelompokan data kedalam suatu kelas. Pada tugas akhir ini diimplementasikan algoritma jaringan syaraf tiruan cascade-Correlation. CC-NN memiliki 2 kunci ide, pertama adalah arsitketur cascade, dimana hidden unit ditambahkan satu kali pada satu waktu dan tidak berubah setelah ditambahkan. Kedua adalah algoritma learning, dimana membuat dan menginstall hidden unit baru. CC-NN memiliki kelebihan dimana dia membangun sendiri jaringannya. Edge detection digunakan dalam preprocessing untuk ekstraksi fitur dari wajah.
Metode Cascade Correlation dapat memberikan hasil yang baik untuk klasifikasi pada penelitian ini dengan tingkat akurasi total rata-rata bernilai 73,62%. Dan akurasi tertinggi yang pernah dicapai adalah 92,78%. Penggunaan teknik Cascade Correlation memberikan hasil akurasi yang cukup stabil dan baik dan memiliki kelebihan dalam memberikan solusi hidden unit yang minimal dengan sistem penambahan hidden unit yang bekerja secara otomatis.
Kata Kunci : Cascade-Correlation, ekstraksi fitur, klasifkasi usiaABSTRACT: Right now, face recognition become a subject that classified in biometric that many speak of. Human face has a character and pattern to recognized. In security, face recognition can help to characterize someone. Other than security, face recognition can be used in ―people control‖ area. For example, limitation consumen for product that based of age e.g cigarete.
Clasification is a proses to grouping some data into some class. In this research, Cascade-Correlation neural network is implemented. Cascade-Correlation has 2 idea, first cascade architecture, where hidden unit is added one by one in one time and do not change after been added. And second is learning algorithm where is creating and install a new hidden unit. Cascade-Correlation neural network has advantage of selfbuild its network architecture. Edge Detection is used in preprocessing to extract facial feature.
Cascade Correlation in classification at this research gives a good result with value of average total 73,26%. And the highest value that can be reach in this research is 92,78%. Cascade Correlation gives a stable result with giving a minimum hidden unit in the solution.
Keyword: Cascade-Correlation, feature extraction, age clasification