Klasifikasi Pola Pergerakan Bola Mata Menggunakan Metode Multilayer Backpropagation

Abstract

Salah satu organ terpenting yang ada pada tubuh manusia yaitu indera penglihatan. Manusia dapat memperoleh informasi sebanyak 80% hanya dengan melihat. Pada bagian mata, terutama iris, terdapat wilayah-wilayah yang merepresentasikan tiap bagian dari tubuh. Dengan adanya jaringan syaraf yang ada pada iris, dapat diketahui respons terhadap semua perubahan yang ada di dalam tubuh termasuk perubahan semangat hidup hingga karakter atau sifat seseorang. Pada penelitian ini dibuat sebuah sistem untuk mengenali pola pergerakan mata. Salah satu caranya yaitu melalui pendeteksian pupil. Data citra yang digunakan pada penelitian ini berjumlah 65 citra wajah berukuran 1280 x 720 pixel yang akan diklasifikasikan menjadi 5 label yaitu, mata menghadap atas, bawah, depan, kanan, dan kiri. Data citra akan disegmentasi menggunakan framework Deep-VOG untuk kemudian didapatkan 107 hasil dari ekstraksi fitur pupil menggunakan metode Sector Line Distance. Dari hasil ekstraksi tersebut, selanjutnya akan diklasifikasikan menggunakan metode Backpropagation. Arsitektur Backpropagation yang digunakan yaitu menggunakan 1 hidden layer dengan 11 neuron pada hidden layer. Sedangkan untuk parameter-parameter yang digunakan yaitu learning rate sebesar 0,7 dan iterasi sebanyak 100 iterasi. Hasil dari klasifikasi pola pergerakan mata memperoleh tingkat akurasi sebesar 88,24% pada saat pelatihan dan 80,95% pada saat pengujian. Abstract Eye is one of the most important organs in the human body. By using the eye, humans can get as much as 80% of information just by looking. There are several regions that represent each part of the body in the iris of the eye. The presence of a neural network in the iris, helps humans to be able to find out the response to all changes in the body including changes in the spirit of life, character or even a person's nature. In this study, a system to recognize eye movement patterns will be created through pupil detection. A total of 65 facial image data used in this study measuring 1280 x 720 pixels which will be classified into 5 labels, those are eyes facing up, down, front, right, and left. The facial image will be segmented using the Deep-VOG framework and the pupil features will be extracted using the Sector Line Distance method. The results of the 107 pupil extraction data will be classified using the Backpropagation method and obtain an accuracy level of 88,24% in training and 80.95% in testing using 1 hidden layer with 11 hidden neurons, 0,7 of a learning rate, and 100 of the number of iterations.