Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA)
|
|
- Yuliani Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Nimas Setya Yaniar Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya Abstract Pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini. Aplikasi ini dapat diterapkan dalam bidang keamanan khususnya pada aplikasi PC login, keamanan basis data, atau system kendali akses. Pengenalan wajah merupakan sebuah permasalahan klasifikasi generic yang didasarkan pada obyek berupa wajah manusia. Pada tugas akhir ini dilakukan proses pengenalan wajah yang berbasis Principal Component Analysis (PCA), merupakan algoritma reduksi dimensi yang mampu menghasilkan komponen-komponen wajah (eigenface) yang digunakan sebagai pemroyeksi citra-citra wajah baru yang akan dikenali. Proyeksi ini bertujuan untuk mereduksi dimensi dari semua citra wajah baik sampel yang digunakan untuk pembelajaran maupun citra tes akan diwakili oleh titik-titik pada ruang berdimensi tinggi. Proses pengenalan akan dilakukan degan ukuran jarak antara titik-titik tersebut menggunakan metode pengukuran jarak antara lain Euclidean, Manhattan, Mahalanobis, Correlation, Angle-based, SSE dan MSE dengan menggunakan database Yale-B dan Att-face. Hasil yang diperoleh adalah jarak yang paling bagus untuk dilakukan pengenalan wajah dalam kondisi citra pencahayaan adalah jarak Correlation dengan persentase 88%, sedangkan untuk headpose SSE dan MSE memiliki keakuratan sebesar 81%, dan untuk penggabungan database Correlation dan MSE tingkat pengenalannya sebesar 92%. Jarak paling rendah tingkat pengenalannya adalah jarak Angle-based. Tingkat akurasi pengenalan yang paling bagus adalah menggunakan penggabungan database. Kata kunci: PCA, Pengukuran Jarak, Eigenface. I. PENDAHULUAN Pengenalan wajah (face recognition) merupakan salah satu kemampuan penting dalam kehidupan sosial manusia. Seseorang dapat mengingat ratusan bahkan ribuan wajah dalam hidupnya, dan mampu mengenali wajah tersebut dalam berbagai kondisi dan perspektif yang berbeda[1]. Pengenalan wajah merupakan sebuah permasalahan klasifikasi generik yang didasarkan pada obyek berupa wajah manusia. Proses pengenalan dilakukan dengan membandingkan citra wajah seseorang dan template wajah banyak orang yang tersimpan dalam database atau dikenal dengan proses satu ke banyak (one to many). Proses ini dipengaruhi oleh faktor-faktor variabilitas intrapersonal diantaranya: posisi wajah, keberadaan komponen structural, ekspresi wajah, oklusi, orientasi citra, dan kondisi pencitraan[2][3][4], yang memiliki dimensi tinggi sehingga harus melalui proses kompresi terlebih dahulu sebelum diolah datanya dengan metode pengukuran jarak. Terdapat beberapa algoritma tentang pengenalan wajah, salah satunya algoritma yang berdasarkan appearance based yang banyak digunakan dalam sistem pengenalan wajah, dan juga dikenal dengan metode eigenface. Pada metode ini setiap citra wajah dianggap sebagai suatu vektor tunggal dengan cara menderetkan kolom-kolom pada citra wajah menjadi satu vektor yang panjang. Untuk mendapatkan eigenface yang akan berfungsi sebagai fitur, digunakan analisa komponen utama yaitu PCA (Principal Component Analysis). PCA digunakan untuk mendapatkan vektor-vektor atau disebut juga sebagai principal component yang dapat memberikan informasi tentang varian maksimum database wajah[2]. Pemakaian algoritma PCA ini proses pengenalannya menggunakan metode pengukuran jarak, diantaranya : Euclidean, Manhattan, Mahalanobis, Correlation, Angle based, Mean Squared Error(MSE), dan Sum Squarre error(sse) yang membandingkan cara manakah yang memiliki akurasi paling bagus [5][6][7][8]. II. TEORI PENUNJANG 2.1 Pengenalan Wajah Dalam pengenalan wajah terdapat dua masalah penting diantaranya pemodelan citra wajah (face representation) yang terdiri dari feature based dan holistic based, dan proses pencocokan (matching). Kedua masalah ini dalam pengenalan wajah juga dipengaruhi oleh kendala PIE (Pose, Illumination, Expression) yang menyebabkan algoritma pengenalan wajah tidak bekerja secara optimal. Spesifikasi sistem pengenalan wajah[9] diantaranya Identifikasi, Recognition, dan Categorization. Berdasarkan kesepakatan pada masing-masing algoritma yang ada, wajah akan diproses untuk mengurangi variasi citra seperti iluminasi dan pengenalan nama citra tersebut. Proses normalisasi dilakukan untuk menambah atau memperbaiki akurasi dari sebuah citra. Pengaruh pencahayaan dibagi menjadi tiga yaitu model pantulan, colour constancy, dan histogram equalization. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 1
2 2.2 Principal Component Analysis (PCA) Principal Component Analysis (PCA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemrosesan citra. PCA adalah suatu ekstraksi fitur dan teknik reduksi dimensi yang optimal jika dipandang dari sudut pandang teori informasi. Ide dasarnya adalah menentukan komponen utama dari serangkaian citra yang mengumpul membentuk suatu arah menurut varian maksimumnya. Maka dimensidimensi yang berkontribusi tersebutlah yang dipertahankan dan sisanya disingkirkan untuk tahap pemrosesan berikutnya[10] Eigenvector dan Eigenvalue Eigenvector dari matrik persegi adalah vektor bukan nol yang dimana setelah dikalikan dengan matrik nilainya tetap sebanding dengan vektor asli. Untuk setiap eigenvector, maka nilai eigen yang sesuai adalah faktor yang terjadi perubahan eigenvector ketika dikalikan dengan matrik. Diberikan d anggota matrik M, Untuk scalar, dapat ditulis kembali, Suatu vektor x matrik merupakan vektor itu sendiri namun skalanya yang berubah. Karena vektor tersebut dikalikan dengan dirinya sendiri. Dimana I merupakan matrik identitas dan 0 adalah vektor zero. Solusinya vektor x = dan scalar yang bersesuaian yang kemudian disebut eigenvector dan masing-masing terkait eigenvaluenya Ekspektasi, Vektor rata-rata and Matrik Kovarian jika f(x) adalah sebuah fungsi dari n dimensi, maka vektor fungsi bernilai dari vektor acak d-dimensi x, Kemudian diharapkan nilai f didenisikan sebagai Dalam keadaan tertentu, d-dimensi vektor mean didefinisikan sebagai, Serupa dengan mencari vektor mean, matrik kovarian didefinisikan sebagai matrik kuadrat dari elemen ij merupakan kovarian dari dan, Didapatkan, adalah simetri, elemen diagonalnya adalah nilai varian dari elemen tunggal x, yang tidak pernah bernilai negatif. Elemen diagonal merupakan covarian, yang bisa bernilai positif atau negatif. Jika varian bernilai statis dan berdiri sendiri, maka kovarian bernilai nol, dan matrik kovarian merupakan diagonal Algoritma PCA Penggunaan algoritma PCA pada Tugas Akhir ini digunakan untuk mereduksi dimensi dari titik yang berdimensi tinggi menuju titik yang berdimensi lebih rendah sehingga dapat lebih mudah dalam proses penghitungannya. Algoritma PCA ini diawali dengan proses proyeksi PCA yang terdapat proses penghitungan zeromean dengan tujuan mencari mean dari semua citra wajah kemudian mengurangkannya dan juga penghitungan matrik kovarian untuk himpunan citra latihnya. Setelah didapatkan matrik kovarian akan melalui tahap reduksi dimensi, yang mana citra latih akan ditransformasikan ke dimensi yang lebih rendah sebelum masuk ketahap pengklasifikasian. Dalam tahap klasifikasi ini akan terjadi proses penghitungan untuk mendapatkan hasil yang berupa tingkat akurasi Pengukuran Jarak (Distance Measure) Penggunaan algoritma PCA untuk mereduksi dimensi yang tinggi ke dimensi yang lebih rendah sehingga lebih mudah dalam penghitungannya. Pengenalan wajah pada intinya adalah pencocokan dua wajah dimana wajah yang satu merupakan wajah yang telah dilatih dan ditempatkan didalam database kemudian dibandingkan dengan citra wajah tes atau citra wajah baru. Pencocokan tersebut salah satunya dengan menggunakan metode pengukuran jarak. Pada dasarnya pengukuran jarak digunakan untuk menghitung perbedaan antara dua vector citra dalam eigenspace. Setelah citra wajah diproyeksikan ke dalam space wajah, tugas selanjutnya adalah menentukan citra wajah yang mana yang paling mirip dengan citra dalam database. Ada banyak cara dalam mengukur tingkat kesamaan dan jarak. Diantaranya jarak Euclidean, Manhattan, Mahalanobis, Correlation, Angle-based, Squarred Euclidean. Dan pada akhirnya akan dibandingkan jarak manakah yang memiliki tingkat kecocokan paling tinggi Euclidean Distance Ruang Euclidean merupakan ruang dengan dimensi terbatas yang bernilai riil.. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku[11]. Dimana x adalah citra training, dan y adalah citra input test. Jika dan merupakan dua titik dalam Euclidean ruang n, maka jarak Euclidean x ke y adalah: Kita dapat mengguunakan perkalian vektor untuk menghitung matrik kovarian, Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 2
3 Nilai vektor pada jarak Euclidean dikatakan mirip jika jarak A mendekati 0, dan jarak B > 0 bergantung batas thresholdnya. Seperti tampak pada Gambar Manhattan Distance Merupakan salah satu pengukuran yang paling banyak digunakan meliputi penggantian perbedaan kuadrat dengan menjumlahkan perbedaan absolute dari variable-variable. Prosedur ini disebut blok absolute atau lebih dikenal dengan city block distance. Pada jarak Manhattan dikatakan mirip jika vektor citra tersebut A mendekati 0 sedangkan jarak B > 0. Seperti ilustrasi pada Gambar Mahalanobis Distance Penghitungan jarak Mahalanobis ini didasarkan pada korelasi antara variable dan dengan pola yang berbeda dapat diidentifikasi dan dianalisa berdasarkan titik referensinya. Dimana nilai bergantung pada besarnya eigenvalues. Pada jarak Mahalanobis, suatu citra dikatakan mirip jika eigenvektor A > 0 (bernilai semakin besar), sedangkan B mendekati 0. Seperti ilustrasi pada Gambar 1. Gambar 1. Ilustrasi Jarak Euclidean, Manhattan, Mahalanobis, Correlation, Squared Euclidean A A1 A1 Gambar 2. Ilustrasi jarak Angle-based Jarak Angle-based dapat dihitung dari persamaan berikut ini: Squared Euclidean Distance Pengukuran jarak Squared Euclidean menggunakan persamaan yang hampir sama dengan pengukuran jarak Euclidean, namun tidak menggunakan akar kuadrat (dengan demikian clustering jarak Squared Euclidean lebih cepat daripada jarak Euclidean)[11] Correlation coefficient-based Distance Korelasi mengukur kecepatan perubahan diantara piksel dari dua citra. Dari Gambar 1, korelasi menghasilkan nilai berkisar antara -1 ke 1, dimana nilai -1 mengindikasikan citra saling berlawanan satu sama lain (jarak B) dan nilai 1 mengindikasikan citracitra yang sama (jarak A). Korelasi antara citra x dan y adalah: Angle-based Distance Ilustrasi di atas memiliki maksud bahwa jika suatu citra dikatakan mirip jika sudut yang dibentuk kedua vektor A dan A1 adalah, dan dikatakan tidak mirip jika sudut yang dibentuk adalah. Range tingkat akurasi pada jarak Angle-based ini antara 0. III. PERANCANGAN SIMULASI 3.1. Perancangan Perangkat Lunak Perancangan perangkat lunak pada proses pengenalan wajah menggunakan metode pengukuran jarak akan diimplementasikan melalui program MATLAB versi (R2008a) serta pembuatan tampilan menggunakan GUI (Graphic User Interface) seperti tampak pada Gambar Perancangan Algoritma Diagram blok gambaran system secara umum pada proses pengenalan wajah ini seperti terlihat pada Gambar 4. Perancangan algoritma pada proses pengenalan wajah ini terdapat beberapa tahap, diantaranya, Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 3
4 (a) (b) Gambar 6. Mean dari 20 citra (a) pencahayaan, (b) headpose Gambar 3. Tampilan awal GUI pengenalan wajah Gambar 4. Blok Diagram Sistem Pengenalan Wajah Tahap Pemrosesan Awal Pada tahap ini terdapat proses untuk mendapatkan zeromean yang merupakan proses normalisasi citra dan menghitung matrik kovarian dari himpunan citra latih. Citra piksel Suatu matrik citra T memiliki ukuran. Matrik ini kemudian akan dikonversikan ke suatu vektor citra dengan ukuran dimana. Training Set Merupakan satu set vektor-vektor citra yang berukuran. Nt merupakan jumlah dari citra-citra latih. Mean Face Merupakan rata-rata aritmetika dari vektor-vektor citra latih pada setiap piksel yang berukuran. Mean substracted image (a) (b) Gambar 7. Eigenface 20 wajah (a) Pencahayaan, (b) Headpose Covariance matrix Merupakan matrik kovarian dari vektor-vektor citra latih. Dengan ukuran matrik piksel. Dari matrik kovarian ini terdapat nilai eigenvector dan eigenvalue. Eigenface dapat dilihat dari Gambar Tahap Reduksi Dimensi Hal yang paling penting dalam metode eigenface adalah mendapatkan eigenvektoreigenvektor dari matrik kovarian. Untuk citra dengan ukuran piksel, dan matrik kovarian dengan ukuran dimana adalah maka dimensinya sangat besar, dan sangat sulit dikerjakan. Oleh karena itu pada metode eigenface perhitungan eigenvektor tidak didapat secara langsung dari matrik melainkan melalui matrik. Nt merupakan jumlah dari citra wajah yang pada percobaan ini sebanyak 20 citra. Eigenvektor dari matrik kemudian diperoleh melalui eigenvektor-eigenvektor matrik tersebut. Langkah pertama adalah mendefinisikan suatu matrik Z sebagai, Merupakan pengurangan citra latih terhadap mean face yang berukuran. Difference matrix Kemudian Z disubstitusi dengan, Dengan mengalikan kedua sisi dengan didapat,, maka Merupakan matrik zeromean yang berasal dari semua vektor citra latih, berukuran. Untuk mempermudah penghitungan, maka diatur dahulu menurut ukuran matriknya menjadi, Pengaturan susunan tersebut diatas karena merupakan scalar., merupakan matrik kovarian, maka, (a) (b) Gambar 5. Sebagian database wajah (a)pencahayaan, (b) Headpose Kemudian dengan mengganti menjadi, yaitu maka, Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 4
5 Merupakan eigenvektor dari dimana ukurannya. Dari beberapa persamaan diatas terlihat bahwa eigenvektor dari dapat diperoleh melalui eigenvektor dari Z, oleh karena itu daripada menggunakan matrik dengan ukuran maka lebih sederhana jika menggunakan matrik berukuran. Cara yang seperti ini memberikan efek penghitungan yang sangat besar. Gambar di bawah ini merupakan karakteristik eigenface yang didapat dari citra-citra latih wajah. Eigenface merupakan vektor yang berukuran jika dilihat dari segi penghitungan Tahap Klasifikasi Berdasarkan algoritma PCA, jumlah eigenface yang akan dijadikan classifier sebanyak Nt tidak digunakan seluruhnya, melainkan hanya mengambil eigenface yang terbesar dengan mengurangi sebanyak 30% eigenface terkecil yang kemudian dilambangkan sebagai, dimana yang selanjutnya akan digunakan sebagai proyeksi eigenface. Gambar 8 merupakan jumlah eigenvalue dari 20 citra latih yang telah diurutkan dari terbesar hingga terkecil. Langkah selanjutnya citra-citra latih tersebut diproyeksikan pada ruang eigenface, sehingga kemudian akan ditentukan bobot (weight) dari setiap eigenvektor. Proyeksi Persamaan di atas merupakan proyeksi suatu citra yang telah dilatih pada setiap eigenvektor dimana k = 1, 2, 3,. N. Matrik bobot Matrik bobot merupakan representasi citra latih pada ruang eigenface yang berukuran. Pada tahap ini citra dibentuk oleh bobot-bobot pada ruang eigenface dan secara sederhana citra-citra tersebut seperti memiliki harga piksel pada ruang citra. Setiap citra yang direpresentasikan oleh suatu citra berukuran pada ruang citra dimana setelah dilakukan pemrosesan maka citra tersebut diwakili oleh suatu vektor berukuran pada ruang eigenface. Gambar 8. Spektrum Eigenvalue mulai Image ( ) Mean Substracted Image Test Proyeksi Matrik bobot Rekonstruksi Citra selesai Gambar 9. Diagram alir untuk mendapatkan matrik bobot citra tes Dari Gambar 10 dapat diketahui perbandingan persentase akurasi ketiga kondisi pencitraan yang digunakan dalam percobaan beserta ketujuh jarak yang dilakukan. Bahwa jarak Mahalanobis dan Anglebased memiliki akurasi lebih rendah dibanding jarak yang lain. Sedangkan yang memiliki akurasi paling bagus. Berikut ini merupakan grafik hasil persentase benar masing-masing jarak untuk ketiga kondisi pencitraan. Citra Tes Gambar 9 merupakan diagram alir dari algoritma penghitungan matrik bobot citra tes. IV. ANALISA DAN PEMBAHASAN Citra latih yang digunakan dalam percobaan pengenalan wajah ini sebanyak 20 wajah dengan kondisi pencitraan pencahayaan dan headpose. Citra latih pencahayaan ini diambil dari database Yale-B, sedangkan citra latih headpose diambil dari database att_face dengan ukuran 150 x 135 dan 150 x 135 piksel. Gambar 10. Grafik Perbandingan persentase akurasi pengenalan wajah Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 5
6 4.1. Pencahayaan Dari Gambar 10 dapat diketahui jarak yang memiliki tingkat akurasi paling bagus pada kondisi pencitraan adalah Correlation sebesar 88%. Sedangkan untuk Mahalanobis dan Angle-based memiliki persentase paling rendah sebesar 63% Headpose Untuk kondisi pencitraan headpose, persentase jarak yang memiliki tingkat akurasi paling bagus adalah jarak SSE dan MSE sebesar 81%. Sedangkan untuk Euclidean serta Angle-based tingkat akurasinya rendah sebesar 64% 4.3. Gabungan Pada kondisi pencitraan gabungan (pencahayaan dan headpose) jarak yang memiliki akurasi paling bagus adalah Correlation dan MSE sebesar 92% sedangkan yang paling rendah adalah jarak Mahalanobis. V. PENUTUP 5.1. Kesimpulan Berdasarkan hasil pengujian yang dilakukan pada Tugas Akhir perbandingan ukuran jarak pada proses pengenalan wajah berbasis Perincipal Component Analysis (PCA), dapat disimpulkan bahwa: 1. Persentase pengenalan wajah paling akurat dalam kondisi citra pencahayaan adalah menggunakan jarak Correlation dengan persentase sebesar 88%, sedangkan untuk kondisi pencitraan headpose menggunakan jarak SSE dan MSE dengan persentase 81%, dan untuk kondisi penggabungan menggunakan jarak Correlation dan MSE dengan persentase sebesar 92%. 2. Jarak Angle-based memiliki tingkat pengenalan paling rendah sebesar 63%. 3. Kondisi citra pencahayaan +000E+20 dan +005E+10 memiliki tingkat akurasi pengenalan paling tinggi sebesar 100%, sedangkan citra pencahayaan +025E+00 memiliki tingkat akurasi pengenalan paling rendah sebesar 50%. 4. Jenis kesalahan yang sering terjadi adalah kesalahan mengenali wajah dengan database citra latih lain. 5. Tingkat akurasi pengenalan yang paling bagus adalah menggunakan penggabungan database (Yale-B dan Att-face). 5.2 Saran Beberapa saran yang berguna untuk pengembangan Tugas Akhir ini antara lain: 1. Untuk penelitian selanjutnya system dapat dikembangkan dengan menggunakan penghitungan jarak yang lainnya [11] seperti Minkowski distance, Weighted Manhattan distance, dll. 2. Pengujian dapat dikembangkan dengan menggunakan database selain Yale-B dan headpose atau penggabungan keduanya. DAFTAR PUSTAKA [1] Lambert, D.M., Armitage, H.M., Management Distribution Cost for Better Profit Performance, Business Mags 30 No , [2] Ming-Hsuan Yang, David J. Kriegman, Narendra Ahuja. Detecting Faces in Images: A Survey. IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1, pp.34 58, Jan [3] Ming-Hsuan Yang. Recent Advances in Face Detection. ICIP 2003 Tutorial: Advance in Face Processing, [4] WenYi Zhao and Rama Chellappa. Image-based Face Recognition: Issues and Methods. Sarnoff Corporation and Univ of Maryland, [5] Grudin, M. A., A compact multi-level model for the recognition of facial images. Ph.D. thesis, Liverpool John Moores University. [6] Yambor, W.S., Draper, B.A., Beverige, J.R., Analyzing PCA-based face recognition algorithm: Eigenvector selection and distance measures. In: Christensen, H., Philiphs, J. (Eds.), Empirical Evaluation Methods in Computer Vision World Scientific Press, Singapore. [7] Philiphs, P.J., Moon, P., Rizvi, S.A., H., Rauss, P.J., The FERET evaluation methodology for face recognition algorithms. PAMI 22 (10), [8] Cekanavicius, V., Murauskas, G., Statistics and its applications. Part 2. TEV, Vilnius. P. 272 (in Lithuanian). [9] Kyungnam Kim, face recognition using Principal Component Analysis, Department of computer Science, university of Maryland, College Park. [10] Hendra Kusuma dan Wirawan., Appearance-based face recognition dengan menggunakan Principal Component analysis (PCA) dan Nearest Mean Classifier. [11] Vytautas Perbalikas Distance Measure for PCA-based Face Recognition. Kaunas University of Technologies. RIWAYAT PENULIS Nimas Setya Yaniar dilahirkan di Lumajang, 15 Januari 1987, merupakan putri pertama dari pasangan Bapak Yayok Affandi dan Ibu Suti ah. Setelah lulus dari SMA Negeri 02 Lumajang tahun 2005, kemudian melanjutkan studi Diploma 3 Jurusan Teknik Elektro Politeknik Negeri Malang pada tahun yang sama. Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS bidang studi telekomunikasi Multimedia Pada tahun Selama studi penulis aktif menjadi asisten praktikum Komunikasi Data dan Pengolahan Sinyal Digital di Laboratorium Multimedia yang diadakan oleh bidang studi Telekomunikasi Multimedia. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 6
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 terperinciPengenalan 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 terperinciTEKNIK 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 terperinciPengembangan 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 terperinciANALISA 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 terperinciPerbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square
PAPER ID : 102 Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square Eko Wahyudi 1), Hendra Kusuma 2), Wirawan 3) 1,2,3) Jurusan Teknik Elektro
Lebih terperinciPenerapan 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 terperinciPENGENALAN 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 terperinciBAB 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 terperinciTeknik 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 terperinciTeknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector
eknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector Dwi Achti Noviatur Rahmah Jurusan eknik Elektro FI, Institut eknologi Sepuluh Nopember Kampus IS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciTEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP)
TEKNIK ENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY ATTERN (LB) Eko Wahyudi, Wirawan dan Hendra Kusuma Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPengenalan 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 terperinciBAB 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 terperinciBAB 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 terperinciBAB 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 terperinciHasil 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 terperinciPENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)
ISSN: 1693-6930 177 PENGENALAN WAJAH MANUSIA DENGAN MEODE PRINCIPLE COMPONEN ANALYSIS (PCA) Murinto Program Studi eknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus III UAD Jl Prof Dr. Supomo,
Lebih terperinciMETODE NILAI JARAK GUNA KESAMAAN ATAU KEMIRIPAN CIRI SUATU CITRA (KASUS DETEKSI AWAN CUMULONIMBUS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS)
Metode Nilai Jarak Guna Kesamaan Atau Kemiripan Ciri Suatu Citra METODE NILAI JARAK GUNA KESAMAAN ATAU KEMIRIPAN CIRI SUATU CITRA (KASUS DETEKSI AWAN CUMULONIMBUS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS)
Lebih terperinciMenurut 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 terperinciAplikasi Principle Component Analysis (PCA) Untuk Mempercepat Proses Pendeteksian Obyek Pada Sebuah Image
Aplikasi Principle Component Analysis (PCA) Untuk Mempercepat Proses Pendeteksian Obyek Pada Sebuah Image Liliana Jurusan Teknik Informatika, Fakultas Teknologi Industri Universitas Kristen Petra, Surabaya
Lebih terperinciBAB 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 terperinciBAB 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 terperinciUJI 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 terperinciJURNAL 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 terperinciImplementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)
46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman
Lebih terperinciIMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION
IMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION Garibaldy W Mukti 13506004 Teknik Informatika ITB alamat : Srigading 29, Bandung 40132 email: subghost1802000@yahoo.com ABSTRAK
Lebih terperinciFACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK
FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) Kurnia Novita Mutu (0722029) Jurusan Teknik Elektro email: mutunia@gmail.com ABSTRAK Perkembangan biometrik pada
Lebih terperinciBAB 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 terperinciBAB 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 terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB 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 terperinciJurnal 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 terperinciBAB 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 terperinciPEMANFAATAN 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 terperinciPEMANFAATAAN 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 terperinciPENGEMBANGAN SISTEM PENCATAT PEMAKAIAN KOMPUTER LAB DENGAN BIOMETRIKA PENGENAL WAJAH EIGENFACE. Oleh
PENGEMBANGAN SISTEM PENCATAT PEMAKAIAN KOMPUTER LAB DENGAN BIOMETRIKA PENGENAL WAJAH EIGENFACE Oleh Kadek Ananta Satriadi 1, Made Windu Antara Kesiman,S.T.,M.Sc., I Gede Mahendra Darmawiguna,S.Kom.,M.Sc.
Lebih terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB 3. ANALISIS dan RANCANGAN. eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses
BAB 3 ANALISIS dan RANCANGAN 3.1 Analisa metode Secara garis besar, tahap pada pengenalan wajah dengan metode eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses yang dilakukan
Lebih terperinciKorelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 7 Korelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera Edy Winarno *), Wiwien
Lebih terperinciPENGAMAN 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 terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN 1.1. Latar Belakang Pengenalan wajah (face recognition) merupakan salah satu teknologi biometric yang sangat dibutuhkan dalam berbagai aplikasi, seperti keamanan, verifikasi (pembuktian)
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciPENGENALAN 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 terperinciBAB 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 terperinciBAB 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 terperinciPENGENALAN 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 terperinciBAB 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 terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Artificial Intelligence Artificial intelligence menurut U.S. National Library of Medicine adalah ilmu dan implementasi teknik dan metode untuk merancang sistem komputer yang dapat
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB 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 terperinciSISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE
SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE Agus Budi Dharmawan 1), Lina 2) 1), 2) Teknik Informatika FTI - UNTARJakarta Jl S. Parman No.1, Jakarta 11440
Lebih terperinciABSTRAK. Kata kunci: Citra wajah manusia, Principal Component Analysis (PCA), Eigenfaces, Euclidean Distance. ABSTRACT
16 Dielektrika, ISSN 2086-9487 Vol. 1, No. 1 : 16-23 Pebruai, 2014 EKSTRAKSI CIRI WAJAH MANUSIA MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK SISTEM PENGENALAN WAJAH [Feature Extraction
Lebih terperinciKombinasi 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
Lebih terperinciTINJAUAN PUSTAKA Analisis Biplot Biasa
TINJAUAN PUSTAKA Analisis Biplot Biasa Analisis biplot merupakan suatu upaya untuk memberikan peragaan grafik dari matriks data dalam suatu plot dengan menumpangtindihkan vektor-vektor dalam ruang berdimensi
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
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
Lebih terperinciPENGARUH PROSES DOWNSAMPLE PADA KINERJA PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION
PENGARUH PROSES DOWNSAMPLE PADA KINERJA PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION Budi Nugroho 1), Intan Yuniar Purbasari 2) 1) Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciPENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION YANG MENGGUNAKAN HISTOGRAM REMAPPING DENGAN DISTRIBUSI NON-UNIFORM
PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION YANG MENGGUNAKAN HISTOGRAM REMAPPING DENGAN DISTRIBUSI NON-UNIFORM Budi Nugroho 1, Febriliyan Samopa 2 1 Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciJournal of Control and Network Systems
JCONES Vol 3, No 1 (14) 29-36 Journal of Control and Network Systems Situs Jurnal : http://jurnalstikomedu/indexphp/jcone APLIKASI PENGENALAN WAJAH PADA MOBILE ROBOT OMNIDIRECTIONAL MENGGUNAKAN METODE
Lebih terperinciImplementasi 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 terperinciBAB 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 terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
Lebih terperinciIDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET ABSTRAK
IDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET Disusun oleh : Moriska Beslar 0422101 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH no.65,
Lebih terperinciEKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH. Oleh: Kholistianingsih
EKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH Oleh: Kholistianingsih Abstract Face recognition is a non-contact biometric identification that tries to verify individuals automatically based
Lebih terperinciPENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Riza Firdaus Ardiansyah NIM : A11.2009.05106 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciSISTEM 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 terperinciPERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA
PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA Naser Jawas STMIK STIKOM Bali Jl Raya Puputan no.86, Renon, Denpasar 80226 Email : naser.jawas@stikom-bali.ac.id1)
Lebih terperinciVerifikasi 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 terperinciPERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI
ISSN 1858-4667 JURNAL LINK Vol 16/No. 1/Februari 212 PERBANDINGAN KINERJA BEBERAPA METODE KLASIFIKASI HASIL REDUKSI DATA BERDIMENSI TINGGI Ronny Susetyoko 1, Elly Purwantini 2 1,2 Departemen Teknik Elektro,
Lebih terperinciJURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS)
JURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) SIGNATURE RECOGNITION USING 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) Oleh:
Lebih terperinciBAB 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 terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR
ANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR Shinta Puspasari MDP Computer and Informatics Management Institute Jl. Rajawali 14, Palembang, 30113, Indonesia e-mail : shinta@stmik-mdp.net ABSTRAKSI
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciDAFTAR ISI v. ABSTRACT ii KATA PENGANTAR iii. DAFTAR GAMBAR.vii DAFTAR TABEL...ix
ABSTRAK Dalam laporan tugas akhir ini dijelaskan mengenai suatu sistem pengenal identitas manusia dengan menggunakan wajah sebagai pengenalnya, atau yang lebih dikenal dengan Face Recognition. Tujuan dari
Lebih terperinciElisabeth Patricia Chandra 1, Astri Novianty 2, Agung Nugroho Jati 3. Abstrak
IMPLEMENTASI ALGORITMA PRINCIPAL COMPONENT ANALYSIS PADA SISTEM KEAMANAN PARKIR BERBASIS RASPBERRY PI PRINCIPAL COMPONENT ANALYSIS ALGORITHM IMPLEMENTATION IN PARKING SECURITY SYSTEM BASED RASPBERRY PI
Lebih terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
Lebih terperinciPengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta
Pengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta Abstraksi Pengenalan wajah (face recognition) yang merupakan salah satu penerapan image processing, kini telah dipakai untuk banyak aplikasi.
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menjelaskan mengenai Latar Belakang, Identifikasi Masalah, Tujuan Tugas Akhir, Lingkup Tugas Akhir, Metodologi Tugas Akhir dan Sistematika Penulisan Tugas Akhir. 1.1 Latar Belakang
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciIDENTIFIKASI WAJAH PADA SISTEM KEAMANAN BRANKAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS
IDENTIFIKASI WAJAH PADA SISTEM KEAMANAN BRANKAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS Dadang Ardiansyah #1, Edi Satriyanto, S.Si, M.Si, #2, Eru Puspita, ST, M.Kom, #3, Budi Nur Iman, S.Si, M.Kom #4
Lebih terperinciNormalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace
Normalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace Rita Dwi Handayani Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih terperinciKLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
Lebih terperinciPengenalan Image Wajah Dengan Menggunakan Metode Template Matching. Abstraksi
Pengenalan Image Wajah Dengan Menggunakan Metode Template Matching Moh. Khayat Subkhan 1, Yuliana Melita Pranoto 2 1 Mahasiswa Magister Teknologi Informasi, Sekolah Tinggi Teknik Surabaya 2 Dosen Magister
Lebih terperinciANALISIS 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 terperinciSISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS DISKRIMINATOR SEMINAR HASIL TUGAS AKHIR
SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS DISKRIMINATOR SEMINAR HASIL TUGAS AKHIR Oleh: Ahmad Sirojuddin Luthfi - 1210100052 Dosen Pembimbing : Drs. Nurul
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS. Skripsi
PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS Skripsi Di susun oleh : M. RIDHO MAJIDI (0934010056) PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVESITAS PEMBANGUNAN
Lebih terperinci