Pengenalan Wajah Menggunakan Implementasi T-shape Mask pada Two Dimentional Linear Discriminant Analysis dan Support Vector Machine
|
|
- Devi Tedjo
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 1 Pengenalan Wajah Menggunakan Implementas -shape Mask pada wo Dmentonal Lnear Dscrmnant Analyss dan Support Vector Machne Ahmad Reza Musthafa 1, Alf Akbar Ftrawan, Supra 3 Program Stud Pasca Sarjana, Fakultas eknk Informatka, Insttut eknolog Sepuluh November Jl. Raya IS, Kampus IS, Sukollo, Surabaya E-mal: 1 reza14@mhs.f.ts.ac.d, alf14@mhs.f.ts.ac.d, 3 supra14@mhs.f.ts.ac.d Masuk: 3 Jun 015; Drevs: 1 Jul Jul 015; Dterma: 3 Jul 015 Abstract. Face recognton s the dentfcaton process to recognze a person's face. Many studes have been developng face recognton methods, one of whch s the wo Dmensonal Lnear Dscrmnant Analyss (DLDA) whch has pretty good accuracy results wth the method of classfcaton Support Vector Machne (SVM). Wth more tranng data can add computatonal tme. DLDA usng all the pksel mage as nput to be processed for feature extracton. hough not all the objects n the area of the face s a sgnfcant feature n face recognton. In ths study, the proposed use of the -shape wth only use a sgnfcant part s the eyes, nose, and mouth are ntegrated wth DLDA and SVM. he result could reduce computng tme on face recognton 1.56% faster than DLDA method. he accuracy of the results n ths study was 91% -96% whch s close to the level of accuracy wthout usng a mask on the face. Keyword: face recognton, -shape, DLDA, Support vector machne. Abstrak. Pengenalan wajah merupakan proses dentfkas untuk mengenal wajah seseorang. elah Banyak peneltan yang mengembangkan metode pengenalan wajah, salah satunya adalah wo Dmensonal Lnear Dscrmnant Analyss (DLDA) yang memlk hasl akuras yang cukup bak dengan metode klasfkas Support Vector Machne (SVM). Dengan semakn banyak data tranng dapat menambah waktu komputasnya. DLDA menggunakan semua pksel ctra sebaga masukan yang akan dproses untuk ekstras ftur. Padahal tdak semua objek pada area wajah merupakan ftur yang sgnfkan dalam pengenalan wajah. Dalam peneltan n dusulkan penggunaan - shape dengan hanya menympan bagan yang sgnfkan yatu mata, hdung, dan mulut yang dntegraskan dengan DLDA dan SVM. Haslnya dapat mengurang waktu komputas pada pengenalan wajah 1,56% lebh cepat darpada metode DLDA. Hasl akuras pada peneltan n adalah 91%-96% yang mendekat tngkat akuras tanpa menggunakan mask pada wajah. Kata Kunc: pengenalan wajah, -shape, DLDA, Support vector machne. 1. Pendahuluan Selama hdupnya manusa memlk kemampuan mengenal wajah puluhan bahkan ratusan. Sekalpun jarang bertemu, seseorang dapat mengenal wajah walaupun telah mengalam perubahan wajah pada orang yang dkenalnya. Dar hal nlah banyak dkembangkan teknk bometrk yang mampu mendeteks dan mengdentfkas wajah dengan memanfaatkan masukan berupa ctra wajah. Saat n, pengenalan wajah melalu aplkas komputer dbutuhkan untuk mengatas berbaga masalah, antara lan dalam dentfkas pelaku kejahatan, pengembangan sstem keamanan, pemrosesan ctra maupun flm, dan nteraks manusa komputer. Para pakar pattern recognton telah banyak melakukan peneltan terhadap teknk pengenalan wajah n, mengajukan teknk baru yang lebh bak dar teknk yang lama. Akan tetap teknk-teknk baru yang dajukan tersebut mash belum bsa mendapatkan hasl akuras yang optmal. Dua hal yang menjad masalah utama pada dentfkas wajah adalah proses ekstraks ftur dar sampel wajah yang ada dan juga teknk klasfkas yang dgunakan untuk mengklasfkaskan wajah yang ngn dkenal berdasarkan ftur-ftur yang telah dplh
2 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 (Damayant, 010). Ekstraks ftur adalah proses untuk mendapatkan cr-cr pembeda yang membedakan suatu sampel wajah dar sampel wajah yang lan, bag sebagan besar aplkas pattern recognton, teknk ekstraks ftur yang handal merupakan kunc utama dalam penyelesaan masalah pattern recognton. Metode wo Dmensonal Lnear Dscrmnant Analyss (DLDA) adalah salah satu teknk ekstraks ftur. Metode n menla secara langsung matrk wthn-class scatter dar matrk ctra tanpa transformas ctra ke vektor, dan hal tu mengatas sngular problem dalam matrk wthn-class scatter (Gao, 008). DLDA menggunakan fsher crteron untuk menemukan proyeks dskrmnatf yang optmal (Kong, 005). Metode DLDA dengan klasfkas Support Vector Machne (SVM) memlk hasl yang optmal dbandngkan DLDA KNN, DPCA, dan Fsherface (Damayant, 010). Setap pksel pada ctra wajah adalah sebuah ftur tersendr, semakn besar dmens ctra maka ftur yang akan dproses untuk pengenalan wajah semakn banyak dan waktu komputasnya semakn tngg. Semakn banyak jumlah data tranng juga akan semakn menambah waktu komputasnya (Zheng, 008). Metode DLDA menggunakan semua area ctra wajah sebaga data nputan, padahal tdak semua area wajah merupakan bagan yang sgnfkan dalam pengenalan wajah (Koc, 014). Pada peneltan n dusulkan metode pengenalan wajah dengan mengntegraskan - shape terhadap DLDA dan support vector machne sebaga klasfkas pengenalan wajah, sehngga dharapkan dengan ntegras -shape Mask pada DLDA tersebut mampu mengurang waktu komputas pada proses pengenalan wajah, dengan hasl akuras pengenalan wajah yang hampr mendekat metode ekstras ftur DLDA. Penggunaan masker -shape pada wajah dgunakan untuk menentukan Regon of Interest (ROI) pada wajah. Ftur pada area wajah sepert mata, als, hdung dan bbr adalah bagan yang palng sgnfkan pada wajah perlu dsmpan dan menghlangkan pksel yang tdak sgnfkan sepert d bagan dah, dagu, dan pp.. Pendekatan dan njauan Pustaka.1. Pengenalan Wajah Pengenalan wajah merupakan sebuah cara bagamana mengenal wajah seseorang. Pengenalan wajah manusa tdak hanya dapat dlakukan oleh manusa saja, namun sekarang n pengenalan wajah dapat dlakukan oleh aplkas komputer. elah banyak orang yang menggunakan aplkas pengenalan wajah, yang dgunakan sebaga keamanan, pengawasan dan nteraks cerdas antara manusa dan komputer (Gao, 008). Ftur-ftur pada area wajah pada setap orang memlk perbedaan, sehngga dengan ftur-ftur tulah komputer dapat membedakan wajah antara manusa satu dengan yang lannya... Haar-Lke Feature Haar-lke features merupakan rectangular (perseg) features, yang memberkan ndkas secara spesfk pada sebuah gambar atau mage. Ide dar Haar-lke features adalah untuk mengenal obyek berdasarkan nla sederhana dar ftur tetap bukan merupakan nla pksel dar mage obyek tersebut. Metode n memlk kelebhan yatu komputasnya sangat cepat, karena hanya bergantung pada jumlah pksel dalam perseg bukan setap nla pksel dar sebuah ctra (Chung, 013). Pada peneltan n Metode Haar-lke features dgunakan untuk mendeteks mata dan mulut pada ctra wajah sepert yang terlhat pada Gambar shape Mask Pada wajah manusa terdapat bagan-bagan yang pentng yang djadkan acuan dalam proses pengenalan wajah yatu mata, als, hdung, dan mulut (Snha, 006). Sehngga dar bagan terpentng pada wajah tersebut djadkan mask yang membentuk sepert huruf sehngga dnamakan -shape Mask yang dgunakan sebaga ROI (Regon of Interest) pada wajah. Bagan wajah yang lan sepert rambut dan dah danggap sebaga bagan yang tdak terlalu pentng dalam proses pengenalan wajah seseorang (Koc, 014). Sehngga untuk mengurang komplekstas komputas pada saat tranng mengunakan -shape Mask dengan menghlangkan
3 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 3 pksel-pksel yang danggap tdak terlalu pentng. Penggunaan -shape Mask pada wajah dapat dlhat pada Gambar. Gambar 1. Penggunaan Haar-Lke Feature Gambar. Penggunaan -shape Mask pada Wajah.4. wo Dmensonal Drect Lnear Dscrmnant Analyss (DLDA) Lnear Dscrmnant Analyss telah dgunakan secara luas dalam pola lner pengenalan terhadap ftur ekstraks dan pengurangan dmens. Hal n dmaksudkan untuk membuat seperangkat vektor proyeks yang sangat berbeda untuk dpadatkan sepadat mungkn pada jens yang sama. Projecton vector bekerja dalam htungan jens Sw dan antara jens Sb matrx scatter. Umumnya pada aplkas pengenalan wajah jumlah dmens data lebh besar dbandngkan jumlah sampelnya, hal n menyebabkan tunggalnya s jens scatter matrx Sw, sehngga ftur wajah tdak terekstraks dengan bak. Dalam peneltan n dgunakan metode wo Dmensonal Lner Dscrmnaton Analyss (DLDA) untuk ekstraks ftur, yang menla secara langsung s jens scatter matrx tanpa penctraan terhadap transformas vektor, sehngga mengurang masalah tunggal dalam s jens scatter matrx (L, 005)..5. Support Vector Machne Pengklasfkasan wajah manusa menggunakan konsep Support Vector Machne (SVM) yang memlk hasl pengenalan wajah yang cukup bak dengan tngkat kebenaran yang lebh bak (Damayant, 010). Konsep SVM dapat djelaskan secara sederhana sebaga usaha mencar hyperplane terbak yang berfungs sebaga pemsah dua buah class pada nput space dapat dlhat pada Gambar 3 (Lenc, 015). Gambar 3. Hyperlne SVM Hyperplane pemsah terbak antara kedua class dapat dtemukan dengan mengukur margn hyperplane tersebut dan mencar ttk maksmalnya. Margn adalah jarak antara hyperplane tersebut dengan pattern terdekat dar masng-masng class. Pattern yang palng dekat n dsebut sebaga support vector. SVM dapat melakukan klasfkas data yang terpsah secara
4 4 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 lner (Lnearly separable) dan non-lner (nonlnear separable) (Burges, 1998). Lnearly separable data merupakan data yang dapat dpsahkan secara lner. SVM pertama kal dkembangkan oleh Vapnks untuk klasfkas bner, namun selanjutnya dkembangkan untuk klasfkas multclass (banyak kelas). Pendekatannya adalah dengan membangun multclass classfer, yatu dengan cara menggabungkan beberapa SVM bner. Pendekatan n terdr dar metode satu lawan semua (One Aganst All) dan metode satu lawan satu (One Aganst One) (Hsu, 00). 3. Metodolog Proses pengenalan wajah terbag pada tga bagan tahapan utama sepert dtunjukkan pada Gambar 4. Pada tahap pertama dlakukan mplementas -shape pada ctra nput, kemudan tahap kedua dlakukan ekstraks ftur, dan tahap selanjutnya dlakukan klasfkas dengan menggunakan SVM. Pertama kal data setelah proses DLDA akan menghaslkan ftur yang dgunakan sebaga data tranng. Selanjutnya setelah beberapa data dlakukan proses tranng ssanya dgunakan sebaga data testng. Ctra Input -Shape Ekstraks Ftur DLDA Klasfkas Support Vector Machne Gambar 4. Desan Peneltan Pengenalan Wajah shape Proses -shape n dlakukan untuk mengambl objek yang danggap pentng pada bagan wajah, yatu mata, hdung, dan mulut. Bagan yang tdak pentng sepert pp, dagu, dan dah akan dhlangkan. Proses mengamblan shape n dengan cara nteraktf n membuat shape pada ctra tanpa mendeteks terlebh dahulu objek pada area wajah. Untuk membuat -shape yang berbentuk huruf, langkah-langkahnya sebaga berkut: (1) Membaca ukuran panjang dan lebar ctra. Pada peneltan n dataset wajah yang dgunakan berasal dar ORL dengan ukuran ctra 9 x 11 pksel. () Membuat shape horzontal warna puth dengan ttk koordnat [0 0] dengan ukuran panjang dan lebar [9 6] Sepert yang dtunjukkan pada Gambar 5b. (3) Setelah terbentuk shape horzontal langkah selanjutnya membentuk shape vertcal warna puth dengan ttk koordnat [0 0] dengan ukuran panjang dan lebar [7 11] sepert yang dtunjukkan pada gambar 5b. (4) Kemudan scan ulang semua pksel pada ctra ketka bertemu pksel berwarna puth maka smpan pksel aslnya, jka tdak maka pksel bernla nol. Sehngga terbentuklah enhance -shape yang berbentuk plus pada ctra wajah sepert yang dtunjukkan gambar 5c. (a) (b) (c) Gambar 5. Proses Enhance -shape Secara Interaktf 3.. Ekstraks Ftur Ekstraks ftur pada proses pelathan dlakukan dengan menggunakan metode DLDA. ahap n bertujuan untuk mendapatkan ftur-ftur yang terplh dar masukan data-data pelathan. Ftur-ftur yang terplh nantnya dgunakan untuk proses klasfkas pelathan dan dgunakan untuk ekstraks ftur data pengujan. Ctra wajah setelah dlakukan proses -shape maka selanjutkan akan djadkan sebaga bass data proses ekstraks ftur menggunakan metode DLDA.
5 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 5 Langkah-langkah ekstraks ftur tersebut (Damayant, 010) adalah sebaga berkut: (1) Bass data ctra merupakan hmpunan ctra wajah sebanyak n ctra pelathan A =[A 1,A,,A n] (=1,,,n) dengan dmens ctra (r x c). Menghtung rata-rata ctra pelathan dar kelas ke I, selanjutnya menghtung rata-rata semua ctra pelathan dengan Persamaan (1) dan Persamaan (). () Menetapkan matrks transformas R ukuran (c, ) yang dperoleh dar gabungan antara matrks denttas ukuran (, ) dengan matrks nol ukuran (c-, ). (3) Menghtung matrks between class scatter R sesua dengan persamaan (3), selanjutnya menghtung matrks wthn class scatter R sesua dengan persamaan (4). (4) Htung generalzed egenvalue ( ) dar S R dan S R sesua dengan persamaan (5). (5) Ambl sebanyak b W 1 egenvector terbesar dar langkah 5 sebaga matrks transformas bars (L), ukuran matrksnya (r x 1 ). (6) Menghtung matrks between class scatter L sesua dengan persamaan (6). (7) Menghtung matrks wthn class scatter L sesua dengan persamaan (7). (8) Htung generalzed egenvalue ( ) dar S L b dan S L sesua dengan persamaan (8) menggunakan SVD. (9) Ambl sebanyak W egenvector terbesar dar langkah 9 sebaga matrks transformas kolom (R), ukuran matrksnya (c x ). (10) Htung matrks cr ekstraks adalah B =L A R, ukuran matrksnya ( 1 x ). (11) Output: matrks cr ektraks B, matrks transformas bars L, dan matrks transformas kolom R. M 1 n X M= 1 k n X 1 X X (1) () S R b = S R W = k n ( M M ) RR ( M M ) 1 k 1 x ( X M ) RR ( X M ) J 4(L)=maxtrace((L S R W L)-1 (L S R b L) (5) k S L = ( ) ( ) b n M M LL M M 1 k S L = ( ) ( ) W X M LL X M 1 x J 5(R)=maxtrace((R S L W R)-1 (R S L b R)), (8) 3.3. Klasfkas Pengklasfkasan dengan metode SVM dbag menjad dua proses, yatu proses pelathan dan pengujan sepert yang terlhat pada Gambar 6. Pada proses pelathan SVM menggunakan matrks cr yang dhaslkan pada proses ekstraks cr pelathan sebaga nput. Sedangkan pada pengujan SVM memanfaatkan matrks cr yang dhaslkan pada proses ekstraks cr pengujan sebaga nput. Algortma pelathan untuk masng-masng pengklasfkas SVM bner dapat dtulskan sebaga berkut: nput berupa matrks B (matrks hasl ektraks cr pelathan) dan vektor Y sebaga pasangan nput-target dan outputnya adalah w, x, b (varabel-varabel persamaan hyperplane). Langkah-langkahnya (Damayant, 010) djelaskan sebaga berkut: (1) entukan Input (Z=B) dan arget (Y) sebaga pasangan pelathan dar dua kelas. () Htung Kernel (3) (4) (6) (7)
6 6 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 Gaussan K(Z,Z )=exp Z Z ( ) (3) Htung Matrks Hessan H=K(Z,Z * Y * Y. (4) ( ). etapkan c dan epslon. (5) etapkan vektor e sebaga vektor satuan yang memlk dmens sama dengan dmens Y. (6) Htung solus quadratc programmng: mn 1 L( ) H e, dmana y 0 dan 0 c. Proses Pelathan Proses Pengujan Data pengujan Data Pelathan Ekstraks Ftur DLDA Klasfkas Support Vector Machne -Shape -Shape Data Hyperplane Hasl Pengenalan Gambar 6. Alur Klasfkas Pengenalan Wajah Pengklasfkasan SVM untuk multclass One Aganst All akan membangun sejumlah k SVM bner (k adalah jumlah kelas). Data pelathan yang sudah dproyekskan oleh DLDA, selanjutnya menjad data pelathan SVM. Jka sebaran data yang dhaslkan pada proses DLDA mempunya dstrbus yang tdak lner, maka salah satu metode yang dgunakan SVM untuk mengklasfkaskan data tersebut adalah dengan mentransformaskan data ke dalam dmens ruang cr (feature space). Untuk menghndar kemungknan feature space yang tdak terhngga maka pada SVM dgunakan kernel trck. Fungs kernel yang dgunakan pada peneltan n adalah Gaussan (Persamaan 9). Sejumlah support vector pada setap data pelathan harus dcar untuk mendapatkan solus bdang pemsah terbak. Solus bdang pemsah ddapatkan dengan rumus w=σα y x ; b=y k- w x k untuk setap x k, dengan α k 0. Proses pengujan atau klasfkas dlakukan juga pada setap SVM bner menggunakan nla w, b, dan x yang dhaslkan pada proses pelathan d setap SVM bner. Fungs yang dhaslkan untuk proses pengujan adalah Persamaan 10,
7 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 7 dmana: =1 sampa k; x =support vector; x d=data pengujan. Output-nya adalah berupa ndeks dengan f terbesar yang merupakan kelas dar data pengujan. K(x,y)=exp x y ( ) ( ) f K( x, x ) w b d (9) (10) 4. Hasl dan Pembahasan Data yang dgunakan pada ekspermen terdr dar 400 ctra wajah manusa yang berasal dar Olvett Research Laboratorum (ORL) yang terdr dar 40 kelas. Hasl ekspermen untuk mengetahu perbandngan hasl akuras pengenalan wajah. Metode yang dusulkan yatu mplementas -shape nteraktf pada DLDA dbandngkan dengan model pengenalan wajah dengan DLDA dan mplementas -shape otomats pada DLDA. Pada proses ekspermen n dgunakan jumlah data tranng yang berbeda-beda yatu pertama dlakukan dengan jumlah lma data tranng dengan lma data testng, kemudan enam data tranng dengan empat data testng dan tujuh data tranng dengan tga data testng. Nla akuras pada pengenalan wajah n dhtung dengan menentukan nla dar Precsson, Recall, F-Measure dan waktu komputas pada saat proses tranng. Pada model pengenalan wajah dengan DLDA dlakukan pengenalan wajah menggunakan semua pksel-pksel pada area wajah. Jad pada model n ctra wajah langsung dproses menggunakan DLDA. Hasl akuras pada model DLDA n dapat dlhat pada abel 1. Pada model pengenalan wajah dengan -shape pada DLDA n dlakukan dengan mengambl pksel-pksel secara otomats pada area wajah yang pentng yatu mata, hdung dan mulut sehngga membentuk sepert huruf (-shape) dapat dlhat pada Gambar. Hasl akuras pengenalan wajah pada model -shape otomats pada DLDA n dapat dlhat pada abel, sedangkan hasl akuras pengenalan wajah pada model -shape nteraktf pada DLDA n dapat dlhat pada abel 3. abel 1. Hasl Ekspermen Ctra Wajah dengan DLDA Jumlah data tranng Precsson Recall F-Measure Waktu Komputas (s) 5 0,93 1,00 0,97 8,87 6 0,96 1,00 0,98 31,96 7 0,98 1,00 0,99 36,16 abel. Hasl Pengenalan Ctra Wajah dengan -shape Otomats pada DLDA Jumlah data tranng Precsson Recall F-Measure Waktu Komputas (s) 5 0,79 1,00 0,88 5,66 6 0,86 1,00 0,9 9,68 7 0,91 1,00 0,95 3,93 abel 3. Hasl Pengenalan Ctra Wajah dengan -shape Interaktf pada DLDA Jumlah data tranng Precsson Recall F-Measure Waktu Komputas (s) 5 0,91 1,00 0,95,67 6 0,95 1,00 0,97 4,70 7 0,96 1,00 0,98 8,76 Hasl akuras tngkat keberhaslan dlakukan dengan mambandngkan metode yang dusulkan pengenalan wajah dengan mplementas -shape nteraktf pada DLDA dengan dua model metode pengenalan wajah yatu DLDA dan mplementas -shape otomats pada DLDA. Metode yang dusulkan memlk waktu tranng yang palng rendah dengan,67 detk jka dbandngkan dengan metode DLDA tanpa -shape dan -shape secara otomats. Hal n dkarenakan pada DLDA dengan -shape nteraktf, tdak semua pksel dolah untuk menjadkan ftur ctra nput-an. Gambar 7 menunjukkan metode mplementas -shape dengan otomats memlk waktu lebh lama darpada -shape secara nteraktf. Karena dengan -shape otomats terlebh dahulu melalu tahap pengenalan objek pada mata dan mulut dengan menggunaan Haar lke-feature, hal n yang menambahkan waktu tranng-nya. Akan tetap,
8 8 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 mplementas -shape otomats memlk waktu yang lebh bak darpada DLDA tanpa menggunakan mask pada ctra. Implementas -shape Mask secara nteraktf pada DLDA memlk tngkat akuras atau precsson yang mendekat DLDA tanpa penggunaan maskng. Hal n dtunjukkan dengan pada jumlah data tranng sebanyak enam hanya selsh tngat akuras 1% yatu -shape dengan tngkat akuras 95% sedangkan DLDA dengan akuras 96%. Hal n cukup efektf mengngat tdak semua pksel pada ctra dgunakan pada -shape Mask. Implementas -shape Mask dengan otomats memlk tngkat akuras palng rendah jka dbandngkan dengan dua metode lannya sepert yang dgambarkan pada Gambar 8. Hal n karena dengan penentuan shape secara otomats terlebh dahulu mencar area mata dan mulut, sehngga ketka data ctra wajah mrng sepert Gambar 9, terlhat semakn sedkt area pksel yang dproses pada ekstras ftur dengan menggunakan DLDA. Gambar 7. Grafk Perbandngan Waktu Komputas Gambar 8. Grafk Perbandngan Precsson (a) (b) Gambar 9. Hasl -shape Mask (a) Otomats (b) Interaktf
9 Musthafa, Pengenalan Wajah Menggunakan Implementas -shape Mask Pada wo Dmentonal Lnear Dscrmnant Analyss dan... 9 Dar hasl pembahasan datas jelas bahwa dar aspek akuras keberhaslan dan komplekstas waktu pada pengenalan wajah dar tga model yang dbandngkan mplementas - shape Mask dengan menggunakan SVM memberkan hasl yang cukup efektf dalam pengenalan wajah dengan komplekstas waktu yang lebh cepat serta hasl akuras yang mendekat dengan metode DLDA. 5. Kesmpulan Pengenalan wajah menggunakan mplementas -shape Mask secara nteraktf pada wo Dmentonal Drect Lner Analyss (DLDA) dan Support Vector Machne (SVM) pada peneltan n mampu menurunkan waktu komputas saat tranng dar pada tdak menggunakan -shape. Dar tga kal ujcoba dengan jumlah data tranng yang berbeda-beda DLDA dengan menggunakan -shape nteraktf lebh cepat 1,56% dbandngkan DLDA tanpa menggunakan -shape, dengan tngkat akuras 91%-96% yang hampr mendekat tngkat akuras tanpa menggunakan mask pada wajah. Penurunan komplekstas perhtungan pada saat tranng n dkarenakan dengan mplementas -shape nteraktf tdak semua pksel pada ctra wajah dgunakan, melankan hanya pksel yang terdapat pada area -shape saja yang dgunakan. 6. Saran Implementas Penggunaan -shape dan metode DLDA pada pengenalan wajah dharapkan dapat dkembangkan untuk pengenalan wajah secara real tme yang membutuhkan tngkat waktu perhtungan yang cepat. Referens Belhumeur, P. N., & Hespanha, J. P., & Kregman, D. J Egenfaces vs Fsherface: Recognton Usng Class Specfc Lnear Projecton. IEEE ransacton On Pattern Analyss And Machne Intellgence, 19, Burges, C. J. C A otural on Support Vector Machnes for Pattern Recognton. Data Mnng and Knowledge Dscovery, (), Chung, B. W., Park, K. Y., & Hwang, S. Y A Fast and Effcent Haar-Lke Feature Selecton Algorthm For Object Detecton. he Journal of Korean Insttute of Communcatons and Informaton Scences, 38(6), Damayant, F., & Arfn, A. Z Pengenalan Ctra Wajah Menggunakan Metode wo- Dmensonal Lnear Dscrmnant Analyss dan Support Vector Machne. Jurnal Ilmah Kursor, 5(3), Gao, Q., & Zhang, L., & Zhang, D Face Recognton Usng FLDA wth Sngle ranng Image Per Person. ScenceDrect, 05(), Gu, X., & Lu, C., & Wang, S., & Zhao, C Feature Extracton Usng Adaptve Slow Feature Dscrmnant Analyss. ScenceDrect, 154, Hsu, C. W. 00. A Comparson of Methods for Mult-class Support Vector Machnes. IEEE ransactons on Neural network, 13(), Koc, M. & Barkana, A Dscrmnatve Common Vector Approach Based Feature Selecton In Face Recognton. ScenceDrect, 40(8), Kong, H., & Wang, L., & eoh, E. K., & L, X., & Wang, J. G., & Venkateswarlu, R Generalzed D Prncpal Component Analyss For Face Image Representaton and Recognton. ScenceDrect, 18(5), Lenc, L., & Kral, P Automatc Face Recognton System Based On he Sft Features. ScenceDrect. L, M., & Yuan, B D-LDA: A Statstcal Lnear Dscrmnant Analyss For Image Matrx. ScenceDrect, 6(5), Ma, C., & Jung, J., & Km, S., & Ko, S Random Projecton-Based Partal Feature Extracton For Robust Face Recognton. ScenceDrect, 149, Snha, P., & Balas, B Face Recognton By Humans: Nneteen Results All Computer Vson Researchers Should Know About. Proc of the IEEE, 94(11),
10 10 Jurnal Buana Informatka, Volume 7, Nomor 1, Januar 016: 1-10 Zhao, Y., & Lu, Y., & Zhong, S., & Hua, K. A Face Recognton From A Sngle Regstered Image For Conference Socalzng. ScenceDrect, 4, Zheng, W. S D-LDA vs D-LDA: When s Vector-Based Lnear Dscrmnant Analyss Better han Matrx-Base. ScenceDrect, Zh, R., & Quq, R wo-dmensonal Drect And Weghted Lnear Dscrmnant Analyss For Face Recognton. ScenceDrect, 71,
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 DAFTAR REVIEWER
Konferens Nasonal Sstem & Informatka 2015 STMIK STIKOM Bal, 9 10 Oktober 2015 DAFTAR REVIEWER Dr. Agus Harjoko Prof. Dr. Sr Hartat Dr.-Ing. Reza Pulungan Dr. Djoko Soetarno, DEA Dr. Ir. Rla Mandala, M.Eng
Lebih terperinciPENERAPAN METODE LINIEAR DISCRIMINANT ANALYSIS PADA PENGENALAN WAJAH BERBASIS KAMERA
PENERAPAN MEODE LINIEAR DISCRIMINAN ANALYSIS PADA PENGENALAN AJAH ERASIS KAMERA Asep Sholahuddn 1, Rustam E. Sregar 2,Ipng Suprana 3,Setawan Had 4 1 Mahasswa S3 FMIPA Unverstas Padjadjaran e-mal: asep_sholahuddn@yahoo.com
Lebih terperinciPENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS
PENGENALAN WAJAH BERBASIS MEODE WO-DIMENSIONAL LINEAR DISCRIMINAN ANALYSIS Ftr Damayant, Agus Zanal Arfn, Rully Soelaman Program Magster en Informata, Insttut enolog Sepuluh Nopember (IS) - Surabaya Kampus
Lebih terperinciMatematika Eigenface Menggunakan Metrik Euclidean
Matematka Egenface Menggunakan Metrk Eucldean 6 Ben Utomo Sekolah ngg eknolog Bontang, Indonesa Abstract Salah satu sstem pengenalan wajah (face recognton) adalah metode egenface. Metode n bekerja dengan
Lebih terperinciVol. 5, No. 3, Januari 2010 ISSN DAFTAR ISI
Vol. 5, No. 3, Januar 200 ISSN 026-0544 DAFTAR ISI ALGORITMA PEMUTUSAN SIKLUS ITERATIF PADA 37-46 ESTIMASI ROTASI CITRA DENGAN MENGGUNAKAN PSEUDO-POLAR FOURIER TRANSFORM Arya Yudh Wjaya, Agus Zanal Arfn,
Lebih terperinciPENGARUH EKSPRESI WAJAH TERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS PCA-LDA
Pengaruh Ekspres Wajah terhadap Gender Berbass - (Agus Seta Bud N.) PENGARUH EKSPRESI WAJAH ERHADAP KEBERHASILAN KLASIFIKASI GENDER BERBASIS - Agus Seta Bud N. (1) (1) Staf Pengajar Jurusan eknk Elektro
Lebih terperinciPengenalan Karakter Tulisan Tangan Angka dan Operator Matematika Berdasarkan Zernike Moments Menggunakan Support Vector Machine
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Prnt) 1 Pengenalan Karakter Tulsan Tangan Angka dan Operator Matematka Berdasarkan Zernke Moments Menggunakan Support Vector Machne
Lebih terperinciANALISIS KEMIRIPAN POLA CITRA DIGITAL MENGGUNAKAN METODE EUCLIDEAN
AALISIS KEMIRIPA POLA CITRA DIGITAL MEGGUAKA METODE EUCLIDEA Eus St ur Asyah1), Abdul Hayat2), Puspa Wdant3), Shnta Yulnda Prasetya4), Helm Iskandar5) 1), 2 ), 3) Komputersas Akuntans AMIK Raharja Informatka
Lebih terperinciKrisantus Sembiring. Selasa, 11 September /1/2008 1
Penerapan Teknk Support Vector Machne untuk Pendeteksan Intrus pada Jarngan Sdang IF40Z2-Tugas Akhr II Krsantus Sembrng 13503121 Selasa, 11 September 2007 2/1/2008 1 Latar Belakang Pentngnya pendeteksan
Lebih terperinciSEGMENTASI BERBASIS REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU
EGMENTAI BERBAI REGION PADA CITRA BERWARNA UNTUK KEPERLUAN TEMU KEMBALI CITRA PADA EVENT OLAH RAGA LAPANGAN HIJAU Arf Basof,.Kom, Moch. Harad, T, M.c, Ph.D. Program Magster Bdang Keahlan Jarngan Cerdas
Lebih terperinciBAB 2 LANDASAN TEORI. fungsi f(x,y), dimana x dan y merupakan spatial koordinat, dan tingkatan aplitude
BAB 2 LANDASAN TEORI 2.1 Ctra Menurut Gonzales (2004, p1) Ctra bsa djelaskan sebaga 2 dmens dar fungs f(x,y), dmana x dan y merupakan spatal koordnat, dan tngkatan apltude pada poss n dsebut dengan ntenstas
Lebih terperinciBAB V ANALISA PEMECAHAN MASALAH
BAB V ANALISA PEMECAHAN MASALAH 5.1 Analsa Pemlhan Model Tme Seres Forecastng Pemlhan model forecastng terbak dlakukan secara statstk, dmana alat statstk yang dgunakan adalah MAD, MAPE dan TS. Perbandngan
Lebih terperinciSISTEM DETEKSI RETINOPATI DIABETIK MENGGUNAKAN SUPPORT VECTOR MACHINE
SISEM DEEKSI REINOPAI DIABEIK MENGGUNAKAN SUPPOR VECOR MACHINE ess untuk memenuh sebagan persyaratan mencapa deraat Sarana S- Program Stud Magster Sstem Informas Oleh: Wahyud Setawan 40040400060 PROGRAM
Lebih terperinciImplementasi Adaptive Support Vector Machine untuk Membantu Identifikasi Kanker Payudara
1 Implementas Adaptve Support Vector Machne untuk Membantu Identfkas Kanker Payudara Baktar Karsma, Dana Purwtasar, Anny Yunart Teknk Informatka, Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Tnjauan Emprs Pada peneltan n, penelt menggunakan beberapa peneltan terkat yang pernah dlakukan oleh penelt lan sebaga tnjauan stud, yatu sebaga berkut : a. Pornography Detecton
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Dalam pembuatan tugas akhr n, penulsan mendapat referens dar pustaka serta lteratur lan yang berhubungan dengan pokok masalah yang penuls ajukan. Langkah-langkah yang akan
Lebih terperinciBAB I PENDAHULUAN I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Kendaraan bermotor merupakan alat yang palng dbutuhkan sebaga meda transportas. Kendaraan dbag menjad dua macam, yatu kendaraan umum dan prbad. Kendaraan umum
Lebih terperinciSEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG
SEGMENTASI CITRA BERWARNA MENGGUNAKAN ALGORITMA JSEG Rully Soelaman 1), Darls Herumurt ), Dyah Wardhan Kusuma. 3) Fakultas Teknolog Informas, Insttut Teknolog Sepuluh Nopember (ITS), Surabaya, 6111, Indonesa
Lebih terperinciPengenalan Wajah Menggunakan Pseudo-2D Hidden Markov Model
Pengenalan Wajah Menggunakan Pseudo-2D Hdden Markov Model Anak Agung Gde Agung 1, Fazmah Arf Yulanto 2, Warh Maharan 3 1 Program Stud Komputersas Akuntans Polteknk Telkom, Bandung 2,3 Fakultas Teknk Informatka,
Lebih terperinciPERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM
PERTEMUAN I PENGENALAN STATISTIKA TUJUAN PRAKTIKUM 1) Membuat dstrbus frekuens. 2) Mengetahu apa yang dmaksud dengan Medan, Modus dan Mean. 3) Mengetahu cara mencar Nla rata-rata (Mean). TEORI PENUNJANG
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciBAB X RUANG HASIL KALI DALAM
BAB X RUANG HASIL KALI DALAM 0. Hasl Kal Dalam Defns. Hasl kal dalam adalah fungs yang mengatkan setap pasangan vektor d ruang vektor V (msalkan pasangan u dan v, dnotaskan dengan u, v ) dengan blangan
Lebih terperinciANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE
ANALISIS SENTIMEN PENGGUNA JEJARING SOSIAL MENGGUNAKAN METODE SUPPORT VECTOR MACHINE M. Fachrurroz, M.T. 1, Nov Yuslan, M.T. 2 1,2 Jurusan Teknk Informatka Fakultas Ilmu Komputer, Unverstas Srwjaya 1 obetsobets@gmal.com,
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciPreferensi untuk alternatif A i diberikan
Bahan Kulah : Topk Khusus Metode Weghted Product (WP) menggunakan perkalan untuk menghubungkan ratng atrbut, dmana ratng setap atrbut harus dpangkatkan dulu dengan bobot atrbut yang bersangkutan. Proses
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilakukan di MTs Negeri 2 Bandar Lampung dengan populasi siswa
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlakukan d MTs Neger Bandar Lampung dengan populas sswa kelas VII yang terdr dar 0 kelas yatu kelas unggulan, unggulan, dan kelas A sampa dengan
Lebih terperinciIMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING
IMAGE CLUSTER BERDASARKAN WARNA UNTUK IDENTIFIKASI KEMATANGAN BUAH TOMAT DENGAN METODE VALLEY TRACING M. Helmy Noor 1, Moh. Harad 2 Program Pasasarjana, Jurusan Teknk Elektro, Program Stud Jarngan Cerdas
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi
Daftar Is Daftar Is... Kata pengantar... BAB I...1 PENDAHULUAN...1 1.1 Latar Belakang...1 1.2 Rumusan Masalah...2 1.3 Tujuan...2 BAB II...3 TINJAUAN TEORITIS...3 2.1 Landasan Teor...4 BAB III...5 PEMBAHASAN...5
Lebih terperinciAnalisis Pengaruh Kernel Support Vector Machine (SVM) pada Klasifikasi Data Microarray untuk Deteksi Kanker
OPEN ACCESS ISSN 460-9056 socj.telkomunversty.ac.d/ndojc Ind. Journal on Computng Vol., Issue. 1, Maret 017. pp. 109-118 do:10.1108/ndojc.017.1.169 Analss Pengaruh Kernel Support Vector Machne (SVM) pada
Lebih terperinciALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA
Vol. 2, No. 2 Desember 2011 ISSN 2088-2130 ALGORITMA THRESHOLDING ADAPTIF UNTUK BINERISASI CITRA DOKUMEN BERWARNA Eka Mala Sar Rochman 1), Ratna Nur Tara Shanty 2), Dyah S Rahayu 3) Unverstas Trunojoyo
Lebih terperinciPEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS)
PEMBUATAN GRAFIK PENGENDALI BERDASARKAN ANALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENT ANALYSIS) Wrayant ), Ad Setawan ), Bambang Susanto ) ) Mahasswa Program Stud Matematka FSM UKSW Jl. Dponegoro 5-6 Salatga,
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA
III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciPengenalan Pola Senyum Menggunakan Backpropagation Berbasis Ekstraksi Fitur Principal Component Analysis (PCA)
Pengenalan Pola Senyum Menggunakan Backpropagaton Berbass Ekstraks Ftur Prncpal Component Analyss (PCA) Rma Tr Wahyunngrum 1, Rza Mashta Wat 2, Aer Rachmad 3 Program Stud Teknk Informatka, Unverstas Trunojoyo
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 INJAUAN PUSAKA 2.1 Ctra Dgtal Ctra (mage) adalah gambar pada bdang dua dmens. Dtnjau dar sudut pandang matemats, ctra merupakan fungs menerus (contnue) dar ntenstas cahaya pada bdang dua dmens. Ctra
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN. Sampel yang digunakan dalam penelitian ini adalah data pengujian pada
BAB 5 ASIL DAN PEMBAASAN 5. asl Peneltan asl peneltan akan membahas secara lebh lengkap mengena penyajan data peneltan dan analss data. 5.. Penyajan Data Peneltan Sampel yang dgunakan dalam peneltan n
Lebih terperinciBAB III METODE PENELITIAN. Metode penelitian yang digunakan dalam penelitian ini adalah metode
BAB III METODE PENELITIAN Desan Peneltan Metode peneltan yang dgunakan dalam peneltan n adalah metode deskrptf analts dengan jens pendekatan stud kasus yatu dengan melhat fenomena permasalahan yang ada
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Negeri 13 Bandar Lampung. Populasi dalam
III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Neger 3 Bandar Lampung. Populas dalam peneltan n yatu seluruh sswa kelas VIII SMP Neger 3 Bandar Lampung Tahun Pelajaran 0/03 yang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Metode yang digunakan dalam penelitian ini adalah metode eksperimen
3 BAB III METODOLOGI PENELITIAN A. Metode dan Desan Peneltan Metode yang dgunakan dalam peneltan n adalah metode ekspermen karena sesua dengan tujuan peneltan yatu melhat hubungan antara varabelvarabel
Lebih terperinciBAB IV PEMBAHASAN MODEL
BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup
Lebih terperinciISSN Evaluasi Kinerja Metode PCA/LPP Pada Sistem Pengenalan Citra Wajah Manusia
ISSN0216-3241 25 Evaluas Knera Metode PCA/LPP Pada Sstem Pengenalan Ctra Waah Manusa Oleh N Wayan Mart Jurusan Manaemen Informatka, FK - Undksha Abstrak Sstem dentfkas personal yang berbass pengenalan
Lebih terperinciInvestigasi Hubungan antara Jumlah Dimensi Parameter Extraksi Terhadap Keakurasian Pengenalan Tanda Tangan Secara Offline
Semnar Nasonal eknolog Informas & Komunkas erapan 2012 (Semantk 2012) ISBN 979-26 - 0255-0 Investgas Hubungan antara Jumlah Dmens Parameter Extraks erhadap Keakurasan Pengenalan anda angan Secara Offlne
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini merupakan penelitian yang bertujuan untuk mendeskripsikan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan yang bertujuan untuk mendeskrpskan langkah-langkah pengembangan perangkat pembelajaran matematka berbass teor varas berupa Rencana
Lebih terperinciIV. PERANCANGAN DAN IMPLEMENTASI SISTEM
IV. PERANCANGAN DAN IMPLEMENTASI SISTEM Perancangan Sstem Sstem yang akan dkembangkan adalah berupa sstem yang dapat membantu keputusan pemodal untuk menentukan portofolo saham yang dperdagangkan d Bursa
Lebih terperinciBAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap
5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciAPLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Studi Kasus Pengenalan Karakter Tulisan Tangan)
APLIKASI KORELASI PEARSON DALAM MEMBANGUN MODEL TREE-AUGMENTED NETWORK (TAN) (Stud Kasus Pengenalan Karakter Tulsan Tangan) Irwan Bud Santoso Jurusan Teknk Informatka, Sans dan Teknolog Unverstas Islam
Lebih terperinciPENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS
Volume 04, No.01 Februar 2016 PENERAPAN METODE SUPPORT VECTOR MACHINE PADA DIAGNOSA HEPATITIS Raudlatul Munawarah 1, On Soesanto 2, M. Reza Fasal 3 1,3 Prod Ilmu Komputer FMIPA UNLAM, 2 Prod Matematka
Lebih terperinciPENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA
MAKALAH SEMINAR TUGAS AKHIR PENGENALAN JENIS-JENIS IKAN MENGGUNAKAN METODE ANALISIS KOMPONEN UTAMA Suharto Jat Santoso *, Bud Setyono **, R. Rzal Isnanto ** Abstrak - Selama n pengenalan jens kan pada
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN Data terdr dar dua data utama, yatu data denyut jantung pada saat kalbras dan denyut jantung pada saat bekerja. Semuanya akan dbahas pada sub bab-sub bab berkut. A. Denyut Jantung
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini dilaksanakan di SMPN 8 Bandar Lampung. Populasi dalam
1 III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMPN 8 Bandar Lampung. Populas dalam peneltan n adalah seluruh sswa kelas VII SMPN 8 Bandar Lampung Tahun Pelajaran 01/013 yang terdr
Lebih terperinciPENDETEKSIAN KANKER PARU PARU DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DAN METODE LINEAR DISCRIMINANT ANALYSIS
PENDETEKSIAN KANKER PARU PARU DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DAN METODE LINEAR DISCRIMINANT ANALYSIS Hanung Tyas Saksono, Achmad Rzal., Koredanto Usman Fakultas Elektro dan Komunkas Insttut Teknolog
Lebih terperinciBAB I PENDAHULUAN. suatu komputer digital [12]. Citra digital tersusun atas sejumlah elemen.
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Ctra dgtal merupakan ctra hasl dgtalsas yang dapat dolah pada suatu komputer dgtal [12]. Ctra dgtal tersusun atas sejumlah elemen. Elemen-elemen yang menyusun ctra
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN
ALGORITMA UMUM PENCARIAN INFORMASI DALAM SISTEM TEMU KEMBALI INFORMASI BERBASIS METODE VEKTORISASI KATA DAN DOKUMEN Hendra Bunyamn Jurusan Teknk Informatka Fakultas Teknolog Informas Unverstas Krsten Maranatha
Lebih terperinciBAB III METODE PENELITIAN. sebuah fenomena atau suatu kejadian yang diteliti. Ciri-ciri metode deskriptif menurut Surakhmad W (1998:140) adalah
BAB III METODE PENELITIAN 3.1 Metode Peneltan Metode yang dgunakan dalam peneltan n adalah metode deskrptf. Peneltan deskrptf merupakan peneltan yang dlakukan untuk menggambarkan sebuah fenomena atau suatu
Lebih terperinciTinjauan Algoritma Genetika Pada Permasalahan Himpunan Hitting Minimal
157 Vol. 13, No. 2, 157-161, Januar 2017 Tnjauan Algortma Genetka Pada Permasalahan Hmpunan Httng Mnmal Jusmawat Massalesse, Bud Nurwahyu Abstrak Beberapa persoalan menark dapat dformulaskan sebaga permasalahan
Lebih terperinciBAB III HIPOTESIS DAN METODOLOGI PENELITIAN
BAB III HIPOTESIS DAN METODOLOGI PENELITIAN III.1 Hpotess Berdasarkan kerangka pemkran sebelumnya, maka dapat drumuskan hpotess sebaga berkut : H1 : ada beda sgnfkan antara sebelum dan setelah penerbtan
Lebih terperinciPengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis
Konferens Nasonal Sstem & Informata 05 STMIK STIKOM Bal, 9-0 Otober 05 Pengenalan Jens Kelamn Berdasaran Ctra Wajah Menggunaan Metode Two-Dmensonal Lnear Dscrmnant Analyss Ftr Damayant Prod Manajemen Informata,
Lebih terperinciBAB III METODE PENELITIAN. menghasilkan Lembar Kegiatan Siswa (LKS) pada materi Geometri dengan
BAB III METODE PENELITIAN A. Jens Peneltan Peneltan n merupakan peneltan pengembangan yang bertujuan untuk menghaslkan Lembar Kegatan Sswa (LKS) pada mater Geometr dengan pendekatan pembelajaran berbass
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB 1 PENDAHULUAN 1.1 Latar belakang Dalam memlh sesuatu, mula yang memlh yang sederhana sampa ke hal yang sangat rumt yang dbutuhkan bukanlah berpkr yang rumt, tetap bagaman berpkr secara sederhana. AHP
Lebih terperinciSistem Pendeteksian Kerusakan Mesin Sepeda Motor 4-Langkah Berbasis Suara Menggunakan Support Vector Machine (SVM)
52 JURNAL ILMIAH SEMESTA TEKNIKA Vol. 4, No., 52-57, Me 2 Sstem Pendeteksan Kerusakan Mesn Sepeda Motor 4-Langkah Berbass Suara Menggunakan Support Vector Machne (SVM) (Sound Based Detecton System on 4-
Lebih terperinciBAB 4 METODOLOGI PENELITIAN DAN ANALISIS
28 BAB 4 METODOLOGI PENELITIAN DAN ANALISIS 4.1 Kerangka Pemkran dan Hpotess Dalam proses peneltan n, akan duj beberapa varabel software yang telah dsebutkan pada bab sebelumnya. Sesua dengan tahapan-tahapan
Lebih terperinciBAB III METODE PENELITIAN. berjumlah empat kelas terdiri dari 131 siswa. Sampel penelitian ini terdiri dari satu kelas yang diambil dengan
7 BAB III METODE PENELITIAN A. Populas dan Sampel 1. Populas Populas dalam peneltan n adalah seluruh sswa kelas XI SMA Yadka Bandar Lampung semester genap tahun pelajaran 014/ 015 yang berjumlah empat
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas
9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan penelitian pengembangan (Research and
III. METODE PENELITIAN A. Desan Peneltan Peneltan n merupakan peneltan pengembangan (Research and Development). Peneltan pengembangan yang dlakukan adalah untuk mengembangkan penuntun praktkum menjad LKS
Lebih terperinciSEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA 2010 ANALISIS DISKRIMINAN DISKRIT UNTUK MENGELOMPOKKAN KOMPONEN
AALISIS DISKRIMIA DISKRIT UTUK MEGELOMPOKKA KOMPOE Bernk Maskun Jurusan Statstka FMIPA UPAD jay_komang@yahoo.com Abstrak Untuk mengelompokkan hasl pengukuran yang dukur dengan p buah varabel dmana penlaan
Lebih terperinciPeramalan Produksi Sayuran Di Kota Pekanbaru Menggunakan Metode Forcasting
Peramalan Produks Sayuran D Kota Pekanbaru Menggunakan Metode Forcastng Esrska 1 dan M. M. Nzam 2 1,2 Jurusan Matematka, Fakultas Sans dan Teknolog, UIN Sultan Syarf Kasm Rau Jl. HR. Soebrantas No. 155
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 1, No. 1, (Sept. 2012) ISSN: X D-324
JURNAL SAINS DAN SENI IS Vol. 1, No. 1, (Sept. ) ISSN: 3-98X D-3 Analss Statstk entang Faktor-Faktor yang Mempengaruh Waktu unggu Kerja Fresh Graduate d Jurusan Statstka Insttut eknolog Sepuluh Nopemper
Lebih terperinciPembentukan Prototype Data Dengan Metode K-Means Untuk Klasifikasi dalam Metode K- Nearest Neighbor (K-NN)
Pembentukan Prototype Data Dengan Metode K-Means Untuk Klasfkas dalam Metode K- Nearest Neghbor () Kharul Umam Syalman Magster Teknk Informatka Faslkom - TI USU kharul.q14@gmal.com Adl Abdllah Nababan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciIII.METODE PENELITIAN. Pada penelitian ini subyek yang digunakan adalah siswa VII A SMPN 5
33 III.METODE PENELITIAN A Jens Dan Desan Peneltan. Jens peneltan yang dgunakan dalam peneltan n adalah peneltan kuanttatf. Peneltan n merupakan peneltan korelas yang bertujuan untuk mengetahu hubungan
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciIMPLEMENTASI SEGMENTASI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING BERBASIS SIMILARITAS MAKSIMAL
MAKALA EMINAR TUGA AKIR PERIODE JULI 00 IMPLEMENTAI EGMENTAI CITRA INTERAKTIF MENGGUNAKAN REGION MERGING ERAI IMILARITA MAKIMAL Ayu Arta Paramta Relga, andayan Tjandrasa, Anny Yunart 3 Teknk Informatka,
Lebih terperinciNama : Crishadi Juliantoro NPM :
ANALISIS INVESTASI PADA PERUSAHAAN YANG MASUK DALAM PERHITUNGAN INDEX LQ-45 MENGGUNAKAN PORTOFOLIO DENGAN METODE SINGLE INDEX MODEL. Nama : Crshad Julantoro NPM : 110630 Latar Belakang Pemlhan saham yang
Lebih terperinciPENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING
Meda Informatka, Vol. 2, No. 2, Desember 2004, 57-64 ISSN: 0854-4743 PENENTUAN LOKASI PEMANCAR TELEVISI MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING Sr Kusumadew Jurusan Teknk Informatka, Fakultas
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen dengan populasi penelitian yaitu
4 III. METODE PENELITIAN A. Populas Peneltan Peneltan n merupakan stud ekspermen dengan populas peneltan yatu seluruh sswa kelas VIII C SMP Neger Bukt Kemunng pada semester genap tahun pelajaran 01/013
Lebih terperinciAnalitik Data Tingkat Lanjut (Regresi)
0 Oktober 206 Analtk Data Tngkat Lanut (Regres) Imam Cholssodn mam.cholssodn@gmal.com Pokok Bahasan. Konsep Regres 2. Analss Teknkal dan Fundamental 3. Regres Lnear & Regres Logstc (Optonal) 4. Regres
Lebih terperinciPengenalan Tanda Tangan Dengan Metode Principal Component Analysis (PCA) Dan Jaringan Syaraf Tiruan (JST)
1 Pengenalan Tanda Tangan Dengan Metode Prncpal Component Analyss (PCA) Dan Jarngan Syaraf Truan (JST) Hann Prastka 1, Rahmat Suhatman 2, Warna Nengsh 3 Program Stud Teknk Informatka dan Multmeda, Polteknk
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinciANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC)
ANALISIS ALGORITMA BAYESIAN TERHADAP BASIS KASUS UNTUK KERUSAKAN PERSONAL COMPUTER (PC) Dna Maulna Sstem Informas STMIK AMIKOM Yogyakarta emal : dna.m@amkom.ac.d Abstract Personal Computer ( PC ) s a set
Lebih terperinciMETODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID
METODE THRESHOLDING UNTUK SEGMENTASI CITRA TELUR BERBASIS ANDROID Fersa Setyanngrum 1, Kartka Frdausy 2 Program Stud Teknk Elektro, Fakultas Teknolog Industr, Unverstas Ahmad Dahlan Jl. Prof. Dr. Soepomo,
Lebih terperinciBAB IV PENGUJIAN DAN ANALISA
BAB IV PENGUJIAN DAN ANALISA 4. PENGUJIAN PENGUKURAN KECEPATAN PUTAR BERBASIS REAL TIME LINUX Dalam membuktkan kelayakan dan kehandalan pengukuran kecepatan putar berbass RTLnux n, dlakukan pengujan dalam
Lebih terperinciPENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL
Arad Retno TH, Pengembangan Metode Algortma Gen, Hal 93-0 PENGEMBANGAN METODE ALGORITMA GENETIKA DAN DARWINIAN PARTICLE SWARM OPTIMIZATION UNTUK FUNGSI MULTIMODAL Arad Retno Tr Hayat Abstrak Metode optmas
Lebih terperinciPENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN
PENENTUAN KELAS DENGAN NEAREST NEIGHBOR CLUSTERING DAN PENGGUNAAN METODE NAÏVE BAYES UNTUK KLASIFIKASI DOKUMEN Handry Wardoyo 1 Jeanny Pragantha Vny Chrstant M. 3 1 3 Teknk Informatka Unverstas Tarumanagara
Lebih terperinciBAB 4 METODOLOGI PENELITIAN. data, dan teknik analisis data. Kerangka pemikiran hipotesis membahas hipotesis
BAB 4 METODOLOGI PENELITIAN Pada bab n akan durakan kerangka pemkran hpotess, teknk pengumpulan data, dan teknk analss data. Kerangka pemkran hpotess membahas hpotess pengujan pada peneltan, teknk pengumpulan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciPenerapan Metode Runge-Kutta Orde 4 dalam Analisis Rangkaian RLC
Penerapan Metode Runge-Kutta Orde 4 dalam Analss Rangkaan RLC Rka Favora Gusa JurusanTeknk Elektro,Fakultas Teknk,Unverstas Bangka Beltung rka_favora@yahoo.com ABSTRACT The exstence of nductor and capactor
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciMODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 29 MODEL KLASIFIKASI RUMAHTANGGA MISKIN DENGAN PENDEKATAN METODE MARS Stud Kasus : Kota Surabaya Rokhana DB 1, Sutkno 2, Agnes Tut
Lebih terperinci