BAB IV PENGUJIAN DAN ANALISIS

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB IV PENGUJIAN DAN ANALISIS"

Transkripsi

1 BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian Sistem Pada bagian ini akan dilakukan beberapa pengujian terhadap sistem. Pengujian yang akan dibahas pada bab ini meliputi pengujian pada tahap perancangan serta pengujian pada tahap simulasi sistem pengenalan wajah wajah secara keseluruhan. Secara garis besar, pengujian dan pengamatan yang akan dibahas pada bab ini adalah: Pengujian dan analisis database Pengujian dan analisis ekstraksi fitur Pengujian dan analisis sistem pengenalan wajah Tujuan dari pengujian terhadap sistem ini adalah untuk mengetahui keterbatasanketerbatasan yang dimiliki oleh sistem dan kesalahan-kesalahan yang dihasilkan oleh sistem. Database yang dibuat terdiri dari 240 citra yang terdiri dari 16 orang masingmasing 15 pose. Database terdiri dari berbagai citra wajah (jenis kelamin, jenis rambut, warna kulit). Perbedaan pose pada database terdiri dari sudut pengambilan dan ekspresi sederhana. Pada pemilihan database dan fitur diharapkan didapatkan suatu kombinasi yang akan menghasilkan kinerja yang maksimal. Dari kedua jenis database yang telah disiapkan akan dipilih yang memberikan hasil terbaik. Pada pengujian sistem pengenalan wajah, beberapa jenis data akan diproses oleh sistem. Keluaran dari sistem ini diamati untuk melihat kinerja sistem. Selain menguji kinerja masing-masing bagian sistem, pengamatan juga dilakukan terhadap kecepatan sistem

2 melakukan komputasi. Pada bagian akhir bab ini akan dijelaskan mengenai kinerja sistem pengenalan yang telah terintegrasi 4.2 Pengujian dan Analisis Database Citra wajah yang diambil sebagai masukkan sistem pengenalan wajah ini berasal dari 16 orang. Masing-masing diambil 15 citra dengan perbedaan pose dan di luar 15 citra tadi diambil citra dengan perbedaan ekspresi (citra ke 16 dst, semuanya berjumlah 41). Database yang dibuat terdiri dari 240 citra yang terdiri dari 16 orang masing-masing 15 pose. Database terdiri dari berbagai citra wajah (jenis kelamin, jenis rambut, warna kulit). Variasi citra pada database terdiri dari perbedaan pose dan ekspresi sederhana. Pada citra database tidak terdapat halangan seperti kaca mata. Pose dengan ekspresi yang ekstrim diambil dan diuji untuk mengetahui kemampuan sistem pengenalan. Terdapat dua jenis database yang dikembangkan, yang pertama yaitu citra wajah meliputi semua wajah dan rambut. Database kedua hanya terdiri dari citra yang hanya berisi wajah. Pembuatan database dilakukan dengan pemotongan (cropping) citra dan konversi format citra dari format jpg ke format pgm, normalisasi cahaya dan dimensi. Pengujian terhadap database : Penentuan nilai threshold citra dikenali sebagai wajah Digunakan database sebanyak 240 (16 individu masing-masing 15 pose) sebagai citra training. JST hasil training akan diuji terhadap citra yang memiliki perbedaan ekspresi (sebanyak 41 citra) Perhitungan rentang nilai dihitung dari nilai neuron output proses klasifikasi yang beragam. Treshold yang dipakai berupa output minimum dikurangi setengah rentang nilai output.

3 Gambar 4.1 Nilai output pada 41 citra uji. Dari data diperoleh nilai maksimum adalah sedangkan nilai lima minimumnya 0,3543, 0,7678, 0,8707, 0,8740, 0,9057. Nilai minimum yang dipilih sebagai rentang yaitu 0,8707. Hal ini didasari pada 2 citra yang memiliki nilai minimum memiliki ekspresi yang jauh dari database (cemberut dan tertawa lebar). Rentang output adalah 0,1233. Treshold yang digunakan 0, Nilai output dari JST yang lebih besar dari treshold akan dikenali sebagai subyek dalam database sedangkan citra dengan nilai threshold tidak dikenali sebagai subyek. Pengujian database pertama 1) Database dengan 3 citra pelatihan Dari database diambil citra dari muka arah hadap ke depan, ke arah paling kanan dan arah paling kiri. Citra uji yang digunakan yaitu 13 (12 pose sederhana selain citra latih dan citra ekspresi) dari masing-masing subyek dalam database. Performa JST yang digunakan adalah kriteria performa mse

4 Gambar 4.2 Performa JST database I dengan 3 citra. Hasil pengujian : Citra wajah yang menghasilkan error atau nilai outputnya dibawah threshold terdapat 71 citra dari 208 citra uji. Kinerja database ini 65,87% 2) Database dengan 8 citra pelatihan Dari 15 citra wajah yang ada di database diambil 8 citra wajah yaitu citra ke 1, 3, 5, 7, 9, 11, 13, 15. Citra ini digunakan untuk melatih JST yang telah di rancang. Citra wajah yang dijadikan citra uji adalah citra ke 2, 4, 6, 8, 10,12, 14, dan 16. Citra ke 16 merupakan citra dengan ekspresi yang berbeda (senyum,cemberut, menengadah). Performa JST yang digunakan mse Gambar 4.3 Performa JST database I dengan 8 citra

5 Hasil pengujian : pada citra uji ke 19 (orang ke 3 citra ke 6) gagal dikenali pada citra uji ke 113, 114, 117 nilai outputnya terbesar tapi tidak sesuai threshold. pada citra uji ke 120 ( orang ke 15 citra ke 16 ) yang merupakan pose ekspresi nilai output hanya 0,0821(maksimum) Citra wajah yang menghasilkan error atau nilai outputnya dibawah threshold terdapat 5 citra dari 128 citra uji.kinerja data base ini 96,09 % Data base kedua 1) Database dengan 3 citra pelatihan Pengambilan citra training dan citra uji sama dengan database pertama Performa JST yang diharapkan kriteria performa MSE Gambar 4.4 Performa JST database II dengan 3 citra. Hasil pengujian menunjukkan 62 citra uji gagal dikenali atau nilainya dibawah threshold dari 208 citra.kinerja jaringan ini 70,19%

6 2) Database dengan 8 citra pelatihan Pengambilan citra training dan citra uji sama dengan database pertama. Performa JST yang diharapkan kriteria performa MSE Gambar 4.5 Performa JST database II dengan 8 citra Citra uji ke 12 gagal dikenali. Kinerja database dengan 8 citra wajah menggunakan 128 citra uji menunjukkan keberhasilan 99,22%. Kelebihan Fisherfaces adalah kemampuan melihat variasi dalam kelas-kelas wajah. Dengan memilih 3 citra yang mewakili variasi pose yang ada dalam data base dihasilkan pengenalan di atas 65%. Jumlah citra training yang digunakan mempengaruhi kemampuan sistem pengenalan wajah ini. Semakin banyak jumlah citra maka sistem pengenalan akan memiliki akurasi yang lebih baik. Pada penggunaan 8 pose citra pada database kinerja pengenalan di atas 96%. Perbandingan kinerja PCA dan Fisherface adalah Pada database II dengan 3 citra pelatihan kinerja PCA terdapat 67 wajah yang salah (dari 208 citra uji) dengan keberhasilan 67,79% dan dengan 8 citra pelatihan terdapat 12 wajah yang salah (dari citra uji) dengan keberhasilan 90,63%. Sedangkan Fisherface dengan 3 citra pelatihan sebesar 70,19% dan dengan 8 citra pelatihan sebesar 99,22%. Dari perbandingan ini terlihat kinerja Fisherface lebih baik dari PCA. Database yang hanya terdiri dari wajah memiliki performa yang lebih baik dari data base yang terdiri dari wajah dan rambut. Pada pengujian database 3 pose citra training, database pertama menghasilkan nilai 65,87 % sedangkan database kedua menghasilkan

7 nilai 70,19%. Pada pengujian dengan 8 pose citra training, data base pertama menghasilkan nilai 96,09% sedangkan data base kedua menghasilkan 99,22% Pemilihan database didasarkan pada kemampuan database menghasilkan fitur yang dapat menggambarkan citra dari seluruh database. Pada database I terdapat pengaruh rambut sebagai salah satu fitur wajah yang menggambarkan wajah individu yang ada dalam database. Rambut memiliki region pada citra yang signifikan dan memiliki perbedaan yang cukup besar karena proses cropping pembentukan database, selain itu proses deteksi kulit tidak melewatkan rambut. Sedangkan pada database II bagian yang menggambarkan variansi database yang digunakan terletak pada mata, hidung dan mulut. 4.3 Pengujian dan Analisis Ekstraksi Fitur Fitur PCA hasil perhitungan menggambarkan variansi citra wajah pada database. Citra wajah berukuran 112 x 92 yang diubah menjadi x 1 akan menghasilkan kovarian akan berukuran x Algoritma Eigenface yang dikemukakan M. Turk and A. Pentland menghasilkan matrik kovarian berukuran 240 x 240. Pengambilan fitur dibatasi pada nilai PCA 99% varians dari database dan FLD sebesar 99%. Fitur PCA yang diperoleh sejumlah 179, sedangkan fitur FLD yang diperoleh sebanyak 14 fitur. Fitur akhir yang diambil sejumlah 14 fitur yang akan diubah menjadi bobot. Gambar 4.6 Nilai eigen dari PCA dan LDA

8 Metode fisherface yang digunakan berfungsi untuk melakukan reduksi data. Citra pada database berukuran 112 x 92 piksel. Jika kita menggunakan informasi dari masingmasing pikselnya maka kita akan memperoleh fitur dari setiap citra. Hal ini menyulitkan proses komputasi dan juga pembuatan pemilah (classifier). Langkah pertama reduksi data melalui PCA. PCA bermaksud mencari komponen prinsip yang menggambarkan variansi citra dalam database. Perhitungan PCA menggunakan matrik kovarian.. PCA menghasilkan matrik berukuran N x N dimensi matrik kovarian. Pada sistem ini dihasilkan matrik berukuran 240 x 240. Masing-masing vektor pada matrik ini menggambarkan variansi namun memiliki proporsi yang berbeda. Besarnya ditentukan nilai eigen. Dengan mengambil 53 fitur kita dapat memperoleh 90% gambaran variansi data. Vektor dengan nilai eigen yang besar disebut komponen prinsip. Pada sistem ini diambil nilai 99% PCA yaitu sejumlah 178 fitur. LDA juga menggambarkan variasi data yang memaksimalkan penyebaran pola di dalam kelas. Sistem mengambil 14 nilai eigen LDA yang terbesar (99% variansi database). Dengan demikian diperoleh 14 fitur yang mewakili setiap citra wajah baik dalam database maupun citra uji. Fitur Fisherace yang dihasilkan lebih baik digunakan dalam pengenalan pola dari fitur PCA. Dari pengujian terhadap database pada bab 4.2 terlihat bahwa Fitur Fisherface lebih baik dan jumlah fitur yang digunakan lebih sedikit dibanding metoda Eigenface. 4.4 Pengujian dan Analisis Sistem Pengenalan Wajah Terintegrasi Pengujian sistem pengenalan wajah secara terintegrasi terdiri dari empat pengujian. 1) Pengujian terhadap citra non-wajah 2) Pengujian terhadap citra wajah dengan pose yang ada dalam database 3) Pengujian terhadap citra wajah dengan pose yang tidak ada dalam database 4) Pengujian terhadap individu yang tidak terdapat dalam database

9 Pengujian terhadap citra non-wajah Dari 20 citra non-wajah yang diuji pada sistem pengenalan wajah didapatkan keberhasilan sebesar 95% [1]. Pengujian pada pose yang ada di database. Citra uji berupa cropping dari citra wajah pose yang terdapat dari database. Citra yang digunakan sebagai masukkan bertipe jpg. Citra ini memiliki ukuran beragam, citra akan massuk dalam modul deteksi wajah dan dikenali. Keluaran dari citra database ini merupakan hasil deteksi wajah. Jadi citra wajah keluaran modul deteksi wajah tidak identik, dimungkinkan ada pergeseran dengan citra pada database. Hasil pengujian sistem pengenalan wajah ditampilkan pada tabel 4.1 Nomor Citra Tabel 4.1 Hasil masukan citra dengan pose sama dengan database Pengolahan citra (detik) Klasifikasi SVM (detik) Klasifikasi JST (detik) Nilai Output S B S B B B B B B 10 Ket * B B B B * S B B B B S

10 Lanjutan tabel B B B B B * S m std Keterangan : m = rata-rata std=standar deviasi B=Benar S=Salah * =terdapat 2 citra keluaran citra deteksi wajah yang dibutuhkan modul pengolahan citra yang meliputi normalisasi cahaya, normalized cross correlation (NCC) dan normalisasi dimensi sebesar 30,814 detik, modul klasifikasi SVM (support vektor machine) sebesar 0,54 detik dan modul klasfikasi JST 0,091 detik. Hasil pengujian sistem pengenalan ini menunjukkan tingkat keberhasilan 80%. Dari 25 citra dengan pose sejenis dengan yang digunakan dalam database diperoleh hasil 20 citra berhasil dikenali dan 5 gagal. Pada citra ke 10 diperoleh dua citra yang dihasilkan oleh modul deteksi wajah. Citra wajah yang sebenarnya berhasil dideteksi dengan nilai 0,996. Pada citra ke-14 dan 25 diperoleh 2 citra dari deteksi wajah. Citra wajah sebenarnya dikenali 0,954 sedangkan citra salah yang berupa citra acak hasil deteksi wajah dikenali 0,99. Hal ini tidak termasuk dalam batasan masalah pengenalan wajah, dimana citra yang dibedakan adalah wajah. Pemilah JST didesain hanya untuk membedakan citra wajah saja. Untuk suatu citra acak dapat dimungkinkan terdapatnya nilai fitur yang identik dengan wajah.

11 Gambar 4.7 Citra acak hasil keluaran deteksi wajah pada citra ke 25 Pose tidak ada dalam database. Citra uji yang digunakan tidak terdapat dalam database. Citra yang digunakan adalah citra ke-16 dan berbagai variasi misalkan memakai kacamata. Tabel 4.2 Hasil masukan citra dengan pose tidak ada pada database No Pengolahan citra Klasifikasi SVM Klasifikasi JST Nilai output Keterangan B B B S * B B B S B S B B B S * B * S B B B

12 Lanjutan tabel B B S B 24 gagal gagal gagal gagal gagal B B B B B S B S B B B Keterangan : ** = didapat 2 hasil dari deteksi wajah (galat postif) yang dibutuhkan modul pengolahan citra yang meliputi normalisasi cahaya, normalized cross correlation (NCC) dan normalisasi dimensi sebesar 34,80 detik, modul klasifikasi SVM (support vektor machine) sebesar 0,58 detik dan modul klasfikasi JST 0,090 detik. Hasil pengujian sistem pengenalan ini menunjukkan tingkat keberhasilan 74.29%. Pada pose ke 4 dan 12 citra wajah berkacamata mengandung kulit dua region.demikian juga wajah ke-16 berminyak menghasilkan 2 region. Pada citra 30 ekspresi berbeda, JST salah mengenali sebagai wajah disebabkan pergeseran citra hasil deteksi wajah dibanding database dan ekspresi yang ekstrim. Nilai output pada neuron JST lebih mengenali sebagai subjek ke -7 namun tidak memenuhi treshold.

13 Nomor Citra Gambar 4.8 Citra yang salah dikenali sebagai orang lain Pengujian citra individu tidak ada di database Tabel 4.3 Hasil masukan citra dengan individu tidak ada pada database Pengolahan citra (detik) Klasifikasi SVM (detik) Klasifikasi JST (detik) Nilai output (maksimum) B B B B B B B B B B B B B B B B B B m std Ket

14 yang dibutuhkan modul pengolahan citra yang meliputi normalisasi cahaya, normalized cross correlation (NCC) dan normalisasi dimensi sebesar 33,56 detik, modul klasifikasi SVM (support vektor machine) sebesar 0,35 detik dan modul klasfikasi JST 0,086 detik.hasil pengujian citra yang subjek tidak berada dalam databaase menunjukkan keberhasilan 90 %. Kegagalan terjadi karena deteksi wajah tidak menghasilkan citra uji. Treshold yang digunakan 0,8065. Nilai yang berada di bawahnya akan diputuskan tidak dikenali. Sistem Pengenalan Wajah Terintegrasi Pada pengujian didapatkan hasil pada 20 citra uji non wajah sebesar 95%, pada 20 citra uji wajah individu tidak ada dalam database sebesar 90%,pada 35 citra uji berbeda pose 74,29% dan pada 25 citra dengan pose dalam database sebesar 80%.Secara keseluruhan tingkat keberhasilan sistem pengenalan wajah sebesar 83 % dari 100 citra uji. eksekusi yang dibutuhkan oleh sistem pengenalan wajah yaitu : Pada modul pengolahan citra sebesar 35,17 detik, pada modul klasifikasi SVM 0,48 detik dan modul klasifikasi JST sebesar 0,089 detik.

BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM

BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir

Lebih terperinci

PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK

PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam

Lebih terperinci

Principal Component Analysis

Principal Component Analysis Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D 30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam

Lebih terperinci

PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES

PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES Ni Wayan Marti Jurusan Manajemen Informatika, Fakultas Teknik dan Kejuruan,Universitas Pendidikan

Lebih terperinci

BAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-

BAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- 8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap

Lebih terperinci

PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE

PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer

Lebih terperinci

SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)

SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan

Lebih terperinci

BAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan

BAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan

Lebih terperinci

Calculati Alfi Jannati Mujiono Pembimbing : Dr. Singgih Jatmiko, SSi., MSc

Calculati Alfi Jannati Mujiono Pembimbing : Dr. Singgih Jatmiko, SSi., MSc ANALISIS PERBANDINGAN METODE EIGENFACE DENGAN FISHERFACE PADA PROSES PENGENALAN WAJAH Calculati Alfi Jannati Mujiono 51410506 Pembimbing : Dr. Singgih Jatmiko, SSi., MSc Latar Belakang Perkembangan Teknologi

Lebih terperinci

SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :

SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM : SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007

Lebih terperinci

BAB III PERANCANGAN SISTEM

BAB III PERANCANGAN SISTEM BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya

Lebih terperinci

BAB I PENDAHULUAN. Bab pertama ini terbagi menjadi enam bagian yang masing-masing akan

BAB I PENDAHULUAN. Bab pertama ini terbagi menjadi enam bagian yang masing-masing akan BAB I PENDAHULUAN Bab pertama ini terbagi menjadi enam bagian yang masing-masing akan menjelaskan rmengenai latar belakang, pendefinisian masalah, tujuan dari penelitian, ruang lingkup, metodologi penelitian

Lebih terperinci

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah

BAB I PENDAHULUAN 1.1. Latar Belakang Masalah BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari, antrean (queing) merupakan hal yang sering sekali kita jumpai, misalnya ketika membeli karcis, membayar tol, menaiki kendaraan

Lebih terperinci

Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)

Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111

Lebih terperinci

BAB IV DATA PENGAMATAN DAN ANALISIS

BAB IV DATA PENGAMATAN DAN ANALISIS BAB IV DATA PENGAMATAN DAN ANALISIS 4.1 Prosedur pengujian Setelah perancangan perangkat lunak dilakukan, maka selanjutnya dilakukan pengujian pengenalan wajah dan identifikasi. Tujuan dari pengujian ini

Lebih terperinci

TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR

TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra

Lebih terperinci

UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES

UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES 1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper

Lebih terperinci

Jurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE

Jurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE Nunu Kustian Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: kustiannunu@gmail.com Abstrak

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 4 HASIL DAN PEMBAHASAN 68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB 3 ANALISIS DAN PERANCANGAN SISTEM BAB 3 ANALISIS DAN PERANCANGAN SISTEM Bab ini akan menjelaskan mengenai analisis kebutuhan dari sistem yang akan digunakan untuk pengujian metode dan kemudian dilanjutkan dengan perancangan sistem yang

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Wajah sering digunakan sebagai sarana berekspresi dalam berkomunikasi interpersonal dalam kehidupan sehari hari. Dengan ekspresi wajah, seseorang dapat memahami emosi

Lebih terperinci

BAB I PENDAHULUAN. Sistem biometrik merupakan penerapan teknologi yang mempelajari

BAB I PENDAHULUAN. Sistem biometrik merupakan penerapan teknologi yang mempelajari 1 BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrik merupakan penerapan teknologi yang mempelajari karakteristik biologi yang menjadi keunikan tersendiri pada manusia. Salah satu bagian sistem biometrik

Lebih terperinci

Teknik pengenalan wajah berbasis fitur local binary pattern (LBP)

Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem

Lebih terperinci

PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS

PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.

Lebih terperinci

Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface

Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface (Studi Kasus pengenalan wajah pada manusia di teknik informatika universitas malikussaleh) Muthmainnah, Rahayu Dosen Teknik Informatika

Lebih terperinci

Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint

Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang 1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data

Lebih terperinci

BAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media

BAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat

Lebih terperinci

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang

Lebih terperinci

Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation

Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad

Lebih terperinci

HASIL DAN PEMBAHASAN

HASIL DAN PEMBAHASAN HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri

Lebih terperinci

BAB 3 PROSEDUR DAN METODOLOGI

BAB 3 PROSEDUR DAN METODOLOGI BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.

Lebih terperinci

Menurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:

Menurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut: BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra

Lebih terperinci

PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA

PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta

Lebih terperinci

PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR

PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir semua pengolahan data dan informasi telah dilakukan dengan komputer. Hal ini diakibatkan

Lebih terperinci

Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA)

Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA) JURNAL TEKNIK INFORMATIKA VOL 9 NO. 2, OKTOBER 2016 166 Pengenalan Citra Wajah Sebagai Identifier Menggunakan Metode Principal Component Analysis (PCA) Aris Budi S 1, Suma'inna 2, Hata Maulana 3 1,2 Matematika,

Lebih terperinci

ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO.

ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO. ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO Nurani Fitriyah 1),Dr. Ir. BambangHidayat 2),SuciAulia, ST,MT 3) 1 FakultasTeknikElektro, Telkom University

Lebih terperinci

BAB 3 PERANCANGAN SISTEM

BAB 3 PERANCANGAN SISTEM BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah

Lebih terperinci

BAB 1 PENDAHULUAN. termasuk dalam bidang Computer Vision. Computer Vision membuat komputer

BAB 1 PENDAHULUAN. termasuk dalam bidang Computer Vision. Computer Vision membuat komputer BAB 1 PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi komputer pada dewasa ini telah mengalami kemajuan, termasuk dalam bidang Computer Vision. Computer Vision membuat komputer dapat melihat dan

Lebih terperinci

BAB 1 PENDAHULUAN. 1. Sistem pengawasan atau surveillance system

BAB 1 PENDAHULUAN. 1. Sistem pengawasan atau surveillance system BAB 1 PENDAHULUAN Bab ini menjelaskan latar belakang, permasalahan, tujuan, dan ruang lingkup dari tugas akhir. Setelah itu dilanjutkan dengan sistematika penulisan laporan. 1.1. Latar Belakang Saat ini

Lebih terperinci

ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS

ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS Fetty Tri Anggraeny, Wahyu J.S Saputra Jurusan Teknik Informatika, Universitas

Lebih terperinci

BAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network

BAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total

Lebih terperinci

Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login

Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine

Lebih terperinci

RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM

RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM RULIAH Jurusan Sistem Informasi STMIK Banjarbaru Jl. Jend. Ahmad Yani Km. 33.3 Loktabat Banjarbaru twochandra@gmail.com

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.

Lebih terperinci

BAB 2 DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN INTERPOLASI SPLINE

BAB 2 DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN INTERPOLASI SPLINE 8 BAB 2 PENENTUAN SUDUT PANDANG BAB 2 WAJAH TIGA DIMENSI PENENTUAN DENGAN MENGGUNAKAN SUDUT PANDANG INTERPOLASI WAJAH TIGA LINIER DIMENSI DAN DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang. Identifikasi manusia dapat dilakukan secara otomatis dengan bantuan

BAB I PENDAHULUAN. 1.1 Latar Belakang. Identifikasi manusia dapat dilakukan secara otomatis dengan bantuan BAB I PENDAHULUAN 1.1 Latar Belakang Identifikasi manusia dapat dilakukan secara otomatis dengan bantuan perangkat elektronik. Identifikasi tersebut perlu dilakukan untuk menunjang sistem peresensi, keamanan,

Lebih terperinci

BAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,

BAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina, BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,

Lebih terperinci

BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN

BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum

Lebih terperinci

Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)

Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,

Lebih terperinci

PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)

PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman

BAB IV HASIL DAN PEMBAHASAN. Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman BAB IV HASIL DAN PEMBAHASAN 4.1 Implementasi Antar Muka Implementasi antar muka dalam tugas akhir ini terdiri dari form halaman judul perangkat lunak, form pelatihan jaringan saraf tiruan, form pengujian

Lebih terperinci

BAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK. Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen

BAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK. Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen BAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen Analysis (PCA) dan tentang algoritma propagasi balik serta kelemahan dari

Lebih terperinci

SISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH

SISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH SISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH I Nyoman Piarsa, Riza Hisamuddin Staff Pengajar Teknik Elektro, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361 Email: manpits@ee.unud.ac.id

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang

Lebih terperinci

ANALISIS DAN PERANCANGAN SISTEM

ANALISIS DAN PERANCANGAN SISTEM ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi

Lebih terperinci

Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah

Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan

Lebih terperinci

KLASIFIKASI TARAF SENYUMAN BERDASARKAN EKSTRAKSI FITUR 2DPCA DAN 2DLDA UNTUK AESTHETIC DENTISTRY

KLASIFIKASI TARAF SENYUMAN BERDASARKAN EKSTRAKSI FITUR 2DPCA DAN 2DLDA UNTUK AESTHETIC DENTISTRY KLASIFIKASI TARAF SENYUMAN BERDASARKAN EKSTRAKSI FITUR 2DPCA DAN 2DLDA UNTUK AESTHETIC DENTISTRY Oleh : Rima Tri Wahyuningrum 2208205003 I Dosen Pembimbing : Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng

Lebih terperinci

METODOLOGI PENELITIAN

METODOLOGI PENELITIAN 18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan

Lebih terperinci

BAB 5 HASIL DAN PEMBAHASAN

BAB 5 HASIL DAN PEMBAHASAN 4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri

Lebih terperinci

JURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI

JURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI JURNAL TEODOLITA VOL. 14 NO. 1, Juni 2013 ISSN 1411-1586 DAFTAR ISI Perpaduan Arsitektur Jawa dan Sunda Pada Permukiman Bonokeling Di Banyumas, Jawa Tengah...1-15 Wita Widyandini, Atik Suprapti, R. Siti

Lebih terperinci

Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM)

Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM) Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM) Yudhie Suherdani / 9922109 Jurusan Teknik Elektro, Fakultas Teknik, Univeristas Kristen Maranatha Jln. Prof. Drg. Suria Sumantri 65, Bandung

Lebih terperinci

BAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.

BAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer. 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan

Lebih terperinci

BAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat

BAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan

Lebih terperinci

Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature

Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan

Lebih terperinci

BAB 1 PENDAHULUAN. dalam bidang Teknologi Informasi sangat pesat. Hampir seluruh bidang-bidang dalam

BAB 1 PENDAHULUAN. dalam bidang Teknologi Informasi sangat pesat. Hampir seluruh bidang-bidang dalam 1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Dewasa ini perkembangan Ilmu Pengetahuan dan Teknologi (IPTEK) khususnya dalam bidang Teknologi Informasi sangat pesat. Hampir seluruh bidang-bidang dalam kehidupan

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset

Lebih terperinci

BAB 4 IMPLEMENTASI Implementasi

BAB 4 IMPLEMENTASI Implementasi BAB 4 IMPLEMENTASI Bab ini menuturkan penjelasan mengenai implementasi dari sistem pengujian yang dibangun berdasarkan hasil analisis dan perancangan sistem yang telah dibahas pada bab sebelumnya. Bab

Lebih terperinci

Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa Menggunakan Metode PCA Dan DTW

Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa Menggunakan Metode PCA Dan DTW The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN

BAB IV HASIL DAN PEMBAHASAN 60 BAB IV HASIL DAN PEMBAHASAN 41 Hasil Eksperimen E-nose terdiri dari 4 buah sensor gas dimana masing-masing dari sensor tersebut memiliki kepekaan yang berbeda pada saat pendeteksian aroma Jenis teh

Lebih terperinci

BAB 4 PENGUJIAN DAN ANALISIS SISTEM

BAB 4 PENGUJIAN DAN ANALISIS SISTEM BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk

Lebih terperinci

BAB IV IMPLEMENTASI DAN PENGUJIAN

BAB IV IMPLEMENTASI DAN PENGUJIAN 68 BAB IV IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang program yang telah dianalisis dan dirancang atau realisasi program yang telah dibuat. Pada bab ini juga akan dilakukan pengujian program. 4.1

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang

BAB 1 PENDAHULUAN 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Jenis kelainan pada tulang punggung manusia bermacam-macam, bergantung pada faktor umur, kebiasaan, dan kecelakaan/virusbakteri. Skoliosis adalah kelainan tulang belakang

Lebih terperinci

Jurnal MIPA 35 (2): 194-203 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm RANCANG BANGUN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN FISHERFACE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

Lebih terperinci

PENDAHULUAN Latar Belakang

PENDAHULUAN Latar Belakang PENDAHULUAN Latar Belakang Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain. Untuk menikmati layanan

Lebih terperinci

BAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi

BAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi wajah pada suatu citra merupakan bagian yang penting dalam perkembangan sistem pengenalan wajah (Face Recognition). Pengenalan wajah banyak digunakan untuk

Lebih terperinci

Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot

Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot Mara Nugraha Teknik Informatika Universitas Gunadarma Jl. Margonda Raya 100, Depok maranugraha@sta.gunadarma.ac.id Abstrak Pengenalan

Lebih terperinci

BAB 3 METODOLOGI PENELITIAN

BAB 3 METODOLOGI PENELITIAN BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai

Lebih terperinci

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun.

ADLN - PERPUSTAKAAN UNIVERSITAS AIRLANGGA BAB III METODE PENELITIAN. Penelitian ini dilakukan dalam kurung waktu setahun. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Pelaksanaan Penelitian dilaksanakan di Laboratorium Intrumentasi Medis Departemen Fisika, Fakultas Sains dan Teknologi Universitas Airlangga. Lokasi pengambilan

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Latar belakang

BAB I PENDAHULUAN. 1.1 Latar belakang BAB I PENDAHULUAN 1.1 Latar belakang Phalaenopsis atau yang biasa disebut dengan anggrek bulan mempunyai banyak jenis. Ada 26 jenis yang sudah dikenali di Indonesia. Anggrek dapat diklasifikasikan berdasarkan

Lebih terperinci

BAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem

BAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB 3 ANALISIS DAN PERANCANGAN SISTEM BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Permasalahan Tahapan analisis terhadap suatu sistem dilakukan sebelum masuk ke tahapan perancangan. Tujuan dilakukannya analisis terhadap suatu sistem

Lebih terperinci

PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)

PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,

Lebih terperinci

Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE

Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta

Lebih terperinci

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar

Lebih terperinci

BAB 1 PENDAHULUAN 1.1 Latar Belakang

BAB 1 PENDAHULUAN 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi informasi, kemajuan di bidang pengembangan aplikasi sedang mendapatkan perhatian penting bagi perkembangan teknologi informasi.

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah

Lebih terperinci

Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis

Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis Puspita Ayu Ningsih Putri. SY, Wirawan, Hendra Kusuma Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember

Lebih terperinci

Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)

Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh

Lebih terperinci