PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN SELF ORGANIZING MAPS
|
|
- Leony Setiabudi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN SELF ORGANIZING MAPS Anggina Primanita, Dian Retno Anggraini 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya Perum. Bukit Sejahtera, blok DJ0, Bukit Besar, Palembang Telp. (07) Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya Perum. Bukit Sejahtera, blok AQ20, Bukit Besar, Palembang Telp. (07) Anggina.primanita@gmail.com, dianretno27@gmail.com ABSTRAKS Wajah merupakan elemen biometrik yang dinamik. Pengenalan wajah menggunakan komputer memerlukan metode khusus karena komputer tidak dibekali cara berfikir seperti hal nya manusia dapat mengenali wajah dengan cara mengingat kembali wajah manusia yang pernah ditemui meskipun wajah manusia tersebut telah mengalami perubahan. Penelitian ini menerapkan Principal Component Analysis (PCA) dan Self Organizing Maps (SOM). Principal Component Analysis digunakan untuk melakukan reduksi terhadap elemen elemen gambar wajah. Sementara Self Organizing Maps digunakan sebagai alat untuk mengenali atau mengklasifikasi. Hasil percobaan terhadap sistem dengan 300 data gambar wajah yang berukuran 80x80 mendapatkan akurasi sebesar 86%, hasil akurasi tergolong sangat baik, sehingga dapat disimpulkan bahwa Principal Component Analysis dapat digunakan untuk memodelkan input Self Organizing Maps. Kata Kunci: Pengenalan Wajah, Principal Component Analysis, Self Organizing Maps, YaleFace Database ABSTACTS Human face is a dynamic biometric element. Face recognition using a computer require a special method because a computer doesn t have ability like human being. Humans can recognize a person even though they re not meet each other for a very long time. This study applies Principal Component Analysis (PCA) and Self Organizing Maps (SOM). Principal Component Analysis is used to perform the reduction of the face image elements. While Self Organizing Maps is used as a tool to identify or classify. The experimental results of the system with 300 face image data with size 80x80 obtain an accuracy of 86%, The result is pretty good, so it can be concluded that the Principal Component Analysis can make to Self Organizing Maps model. Key Words: Face Recognition, Principal Component Analysis, Self Organizing Maps, YaleFace Database.. PENDAHULUAN. Latar Belakang Pengenalan pola adalah disiplin ilmu yang tujuannya untuk mengklasifikasikan obyek menjadi beberapa kategori atau kelas. aplikasi pengenalan pola antara lain: pengenalan karakter, pengenalan suara, pengenalan wajah, dan bioinformatika. Dengan bantuan teknologi, pengenalan wajah dapat diaplikasikan untuk menyelesaikan masalah yang bervariasi seperti identifikasi pelaku kriminal, investigasi kejahatan, dan sistem keamanan. Salah satu pengenalan pola adalah pengenalan wajah, yaitu proses identifikasi manusia dengan menggunakan gambaran wajah seseorang. Pengenalan wajah dapat dilakukan oleh komputer dengan adanya bantuan aplikasi secara real time dan non real time. Pada pengenalan wajah secara non real time, data masukkan berupa gambar wajah dengan format tertentu, seperti JPEG, GIF, PNG, BMP, dan TIFF. Sebuah gambar wajah yang memiliki ukuran tertentu, jika panjang dan lebar dari gambar tersebut adalah w dan h piksel maka jumlah informasi yang akan diolah adalah sebanyak w*h (Rahman, 200). Hal ini dapat menyebabkan kinerja sistem menjadi lambat karena banyaknya informasi yang akan diolah. PCA (Principal Component Analysis) adalah suatu perhitungan yang digunakan untuk analisis data pada multi dimensi sekumpulan data (dataset) khususnya pada bidang grafik. Metode PCA digunakan untuk mereduksi informasi tanpa harus menghilangkan informasi utamanya. informasi yang direduksi tersebut di hilangkan dengan maksud agar kinerja sistem lebih cepat dan akurat. Permasalahan dalam PCA adalah bagaimana menemukan nilai eigen dan vector eigen untuk mendapatkan nilai kovariansi dan korelasi antar dimensi pada suatu data. Jaringan syaraf tiruan atau umumnya disebut neural network, adalah sistem pembelajaran berbentuk jaringan yang terinspirasi berdasarkan jaringan syaraf manusia. SOM (Self Organizing 463
2 Maps) sebagai metode pengenalan atau klasifikasi termasuk salah satu metode jaringan syaraf tiruan. Metode ini termasuk unsupervised learning, yaitu tidak memiliki target atau ditentukannya hasil output. Metode ini juga telah banyak dilakukan untuk pengenalan pola baik berupa citra maupun data. Pengenalan wajah menjadi penting dalam beberapa bidang seperti sistem keamanan, sistem login dan lain sebagainya. Proses pengenalan wajah ada 2 yaitu Training dan Testing, pada tahap awal wajah Training dan Testing akan dimasukkan ke tahap pre-processing. Setelah itu akan dicari ciri pada wajah training dan testing dengan menggunakan metode Principal Component Analysis (PCA), sedangkan untuk klasifikasi menggunakan Self-Organizing Map (SOM)..2 Rumusan Masalah Pengenalan wajah merupakan masalah yang sulit karena intensitas pencahayaan, ekspresi wajah, penuaan dan lain sebagainya. Untuk itu diperlukan metode ekstraksi ciri yang baik agar hasil pengenalan lebih optimal. Metode ekstraksi ciri PCA serta klasifikasi dengan jaringan syaraf tiruan SOM akan digunakan untuk menghasilkan pengenalan wajah yang memiliki tingkat akurasi lebih optimal..3 Tujuan Tujuan Penelitian ini adalah mengembangkan perangkat lunak pengenalan wajah dengan metode Principal Component Analysis sebagai ekstrasi fitur serta algoritma clustering Self Organizing Maps untuk mengenali citra wajah dan mengetahui tingkat akurasi yang didapat dari perangkat lunak pengenalan wajah menggunakan metode yang dipilih. 2. PEMBAHASAN Gambar. Proses pengenalan wajah 464 Dapat dilihat pada Gambar. Proses pengenalan wajah ada 2 tahap, yaitu pelatihan (Training), dan pengujian (Testing). Pada pelatihan wajah terdapat 3 tahapan, yaitu pra-pengolahan, ekstrasi ciri dan klasifikasi. Pra-pengolahan berfungsi untuk membersihkan citra serta mempersiapkan citra agar dapat menghasilkan fitur yang lebih baik pada tahap ekstrasi ciri. Setelah citra dibersihkan tahap selanjutnya adalah melakukan perhitungan PCA dengan tujuan untuk mendapatkan nilai ciri. Setelah ciri didapat maka langkah selanjutnya adalah nilai ciri yang didapat diolah dengan perhitungan SOM. Pada tahap pengujian wajah nilai dari citra yang akan dikenali akan diproyeksikan terhadap nilai bobot yang telah di dapat pada tahap pelatihan wajah sebelumnya dengan mencari jarak yang paling maksimal dengan dot product, dari hasil perhitungan tersebut maka akan didapatkan citra yang paling mendekati wajah yang akan dikenali. Pengenalan wajah dari komputer sulit dilakukan tidak seperti halnya manusia, komputer harus melalui beberapa proses dan harus mempunyai perangkat lunak khusus untuk mengenali wajah manusia. 2. Analisis Data Wajah Citra digital merupakan suatu matriks yang terdiri dari baris dan kolom, dimana setiap pasangan indeks baris dan kolom menyatakan suatu titik pada citra. Nilai matriksnya menyatakan nilai kecerahan titik tersebut. Titik-titik tersebut dinamakan sebagai elemen citra, atau pixel (picture elemen) (Stallings, 995). Pada umumnya piksel piksel tersebut mengandung berbagai variasi nilai RGB yaitu komponen warna merah/red, hijau/green, biru/blue. Cira RGB akan diubah ke bentuk citra derajat keabuan karena citra dalam bentuk skala keabuan lebih mudah untuk dianalisa dibandingkan dengan citra berwarna. Data wajah yang digunakan sebanyak 300 gambar dari YaleFace database, 300 gambar tersebut terdiri dari 30 orang, masingmasing orang mempunyai 0 gambar wajah yang berbeda dengan ekstensi JPEG. 2.2 Prapengolahan Pra-pengolahan merupakan tahap awal dalam pengenalan objek yang merupakan proses penelitian dengan menggabungkan konsep citra digital, pengenalan pola, matematika dan statistik. Seperti yang telah dijelaskan sebelumnya citra yang akan dilakukan proses deteksi harus diubah terlebih dahulu kedalam bentuk citra derajat keabuan. Hal ini perlu dilakukan karena proses pengolahan citra warna lebih sulit dilakukan dan kompleks dikarenakan citra warna memiliki tiga komponen warna utama yaitu merah, hijau dan biru (Purnomo, 200). Berikut adalah cara untuk mengubah citra berwarna ke citra derajat keabuan: Gray ( 0.3* r) (0.5* g) (0.2 * b) () Tahap kedua dalam pra-pengolahan yaitu resize, resize adalah merubah ukuran gambar dengan tujuan
3 membuat semua ukuran gambar menjadi sama. Dalam penelitian ini, resize gambar dilakukan dengan bantuan aplikasi lain. 2.3 Principal Component Analysis Principal Component Analysis adalah alat matematika untuk mengekstrak fitur fitur khas yang disebut eigenfaces dari data gambar asli (smith, 2002). Setiap principal component merupakan representasi dari suatu kombinasi linier dari semua citra-citra wajah training yang sudah dikurangi dengan mean citra, gabungan dari citra wajah inilah yang dinamakan eigenface. Pelatihan dan pengujian dengan PCA yang dapat dijelaskan sebagai berikut:. Merepresentasikan nilai-nilai piksel kedalam vector dengan cara membaca nilai piksel citra dari kiri atas sampai kanan bawah. Vektor ini disebut sebagai vektor data asli. Vektor data asli (original data vector) X mempresentasikan nilai sebenarnya dari citra wajah yang telah diakuisisi. 2. Menghitung rata-rata vector dengan mengurangi rata-rata image (µ) dari setiap image vector (φ i). Mencari rata-rata image dapat dilakukan dengan membagi setiap nilai gambar dengan jumlah seluruh gambar. µ = M i Xi M (2) lalu pengurangan rata-rata image dari setiap image vector dilakukan sebagi berikut: i i (3) 3. Menghitung matrik kovarian PCA dengan mengalikan matriks data dengan matriks data yang telah di transpose dan dibagi jumlah wajah. T C = M i ( i )( i ) (4) n 4. Menentukan eigen value (λ i) dan eigen vector (ν i) karena dimensi matrik kovarian yang besar, maka dibutuhkan sebuah metode numerik untuk melakukan dekomposisi eigen vector dan eigen value. φ adalah matriks yang terdiri dari vektorvektor kolom φ i yang ditempatkan berdampingan. Ukuran matrik kovarian (C) adalah N N yang memiliki nilai sangat besar. Misalnya, gambar ukuran piksel membuat matriks kovarians ukuran Hal ini tidak praktis untuk memecahkan vektor eigen dari C secara langsung. Sebuah teorema yang umum di aljabar linear menerangkan bahwa v i vektor dan skalar λ i dapat diperoleh dengan memecahkan untuk eigen vector dan eigen value dari matrik kovarian. 5. Menentukan komponen dan membentuk fitur vector, Langkah ini mengambil eigenvector yang diinginkan dari list eigenvector, dan membentuk sebuah matrik dengan eigenvector didalam kolom. Penurunan data set baru ini adalah langkah terakhir dalam proses ektrak fitur dengan PCA sebelum data tersebut menjadi input dari JST. classifier dalam penelitian ini adalah jaringan saraf tiruan, maka matriks PCA harus memiliki rentang antara - sampai dengan. Hal ini dapat dilakukan dengan cara normalisasi, yaitu mengkonversi nilai PCA dari hasil ektraksi kedalam nilai bipolar antara - sampai dengan. 2.4 Self Organizing Map (SOM) / Kohonen Self Organizing Map (SOM) adalah jenis jaringan syaraf tiruan yang dilatih menggunakan pembelajaran tanpa pengawasan. Jaringan syaraf tiruan Kohonen memiliki perbedaan yang cukup signifikan dengan algoritma JST propagasi balik, perbedaan terletak di cara bagaimana jaringan ini melakukan pelatihan dan cara memanggil kembali pola. Jaringan syaraf tiruan Kohonen tidak menggunakan fungsi aktivasi. Lebih jauh lagi, JST Kohonen tidak memiliki bobot bias (Heaton, 2007). Kaidah dari JST ini adalah generalisasi dari proyeksi topografi langsung antara 2 struktur yang berlapislapis yang dikenal sebagai retinotectal mapping (Kohonen, 982). Output dari SOM bukan merupakan gabungan atau jumlah dari beberapa neuron, saat suatu pola dimasukkan ke dalam jaringan SOM salah satu neuron akan dipilih sebagai pemenang (winner), neuron pemenang ini adalah output akhir dari jaringan SOM, neuron-neuron pemenang ini akan mewakili suatu kumpulan data yang akan dikenali oleh jaringan SOM. (II-3) Gambar 2. Struktur Jaringan Kohonen 465
4 Seperti yang ditunjukkan pada Gambar 2. struktur jaringan SOM hanya memiliki dua layer, input layer dan output layer biasa dikenal Kohonen layer, tidak memiliki hidden layer di dalam JST Kohonen, masukan untuk sebuah jaringan saraf tiruan Kohonen diberikan kepada jaringan melalui neuron input, input neuron tersebut akan diisi dengan angka yang akan membangun suatu pola input yang akan dikenali jaringan, input yang akan dimasukkan harus dinormalisasi hingga memenuhi batas pengenalan input dari JST Kohonen yaitu berada di antara nilai - dan, bila pola input ini telah terbangun di jaringan, akan memancing reaksi dari neuron output. Di jaringan ini hanya satu neuron output yang akan benar-benar menghasilkan suatu nilai, nilai tunggal ini merupakan nilai benar atau salah, saat pola input dimasukkan kepada jaringan maka satu neuron output akan dipilih sebagai pemenang (winning neuron), dan dalam neuron inilah informasi output diperoleh. Pelatihan dan pengujian dengan SOM yang dapat dijelaskan sebagai berikut:. Normalisasi Input JST Kohonen membutuhkan input untuk dinormalisasi terlebih dahulu, karena ini sebagian literatur menyebutkan proses normalisasi sebagai layer ke-tiga. Nilai input merupakan salah satu keterbatasan dari jaringan syaraf tiruan Kohonen, jaringan ini hanya menerima nilai input yang berada di antara jarak - hingga, dan sebaiknya semua input memaksimalkan semua nilai yang berada pada range tersebut, apabila satu atau lebih neuron input hanya menggunakan nilai 0 atau maka performa dari JST ini akan menurun.untuk melakukan normalisasi input, pertama-tama harus dilakukan perhitungan untuk mencari jarak vektor (vector length) dari input data, atau vektor. Hal ini dapat dilakukan dengan mengalikan kuadrat dari vektor input. Dalam notasi matematika proses normalisasi ini dapat dinyatakan dengan : f (5) n 2 i 0 xi Dimana f adalah faktor normalisasi, x merupakan nilai neuron input, dan n merupakan jumlah neuron input. 2. Menghitung Keluaran dari Tiap Output Neuron Untuk Menentukan Neuron Pemenang Algoritma Kohonen menyebutkan bahwa untuk nilai dari neuron output didapat dengan cara menghitung dot product dari vektor input dan bobot diantara neuron input dan neuron output, perhitungan menggunakan persamaan (Taner,997) : N Oj i x( i). w( i, j) (6) Dimana x adalah nilai neuron input, w adalah bobot neuron output, dan O adalah nilai neuron output. Langkah selanjutnya melakukan pemetaan output ke angka bipolar (bipolar number). Di dalam sistem bipolar nilai nol akan dipetakan menjadi - dan biner akan tetap menjadi, karena input dari jaringan ini telah dinormalisasi ke dalam range tersebut maka kita harus melakukan normalisasi yang sama ke neuron output. Dalam notasi matematika, proses pencarian titik pemenang ini dapat didefinisikan sebagai: C max wij * xi (7) Dimana C adalah winning node, w ij adalah bobot neuron output dan x i adalah nilai dari layer input. 3. Learning Rate Learning rate adalah suatu konstan yang digunakan oleh algoritma pembelajaran, merupakan suatu nilai positif yang lebih kecil dari, biasanya learning rate adalah angka seperti 0,4 atau 0,5, dan disimbolkan dengan simbol alpha (α). Mengatur learning rate dengan nilai besar akan mengakibatkan fase latih (training) menjadi lebih besar, tapi hal ini dapat mengakibatkan jaringan tidak pernah mencapai kondisi konvergen, hal ini dikarenakan osilasi dari bobot vektor akan menjadi terlalu besar hingga menyulitkan munculnya pola klasifikasi, Learning rate hanyalah suatu variabel yang digunakan sebagai bagian dari algoritma untuk menyesuaikan bobot dari neuron. 4. Menyesuaikan Bobot Keseluruhan memori dari JST Kohonen disimpan di dalam koneksi berbobot diantara input dan output layer, bobot akan disesuaikan dalam setiap iterasi/epoch. Epoch terjadi saat data latih dimasukkan ke dalam jaringan Kohonen dan bobot disesuaikan berdasarkan hasil dari data latih. Penyesuaian dari bobot akan menghasilkan jaringan yang menghasilkan hasil yang lebih memuaskan di saat selanjutnya data latih disajikan. Epoch akan berlanjut seiring dengan banyaknya data yang dimasukkan ke dalam jaringan dan bobot akan terus disesuaikan. Metode asli untuk menghitung perubahan bobot, yang diajukan Kohonen seingkali dikenal sebagai metode additive. Metode ini menggunakan persamaan sebagai berikut: 466
5 w t t w x t x (8) w Dimana variabel x adalah nilai neuron input yang akan disajikan kepada jaringan, variabel w t adalah bobot dari neuron pemenang, w t+ adalah bobot baru dan α merupakan learning rate. 5. Menghitung Error Dalam metode Self Organizing Maps, error akan dihitung menggunakan metode RMS (Root Mean Square), yang merupakan akar dari jumlah error yang di kuadratkan, error disini adalah perbedaan antara input dan bobot winning neuron (Taner, 997). Dalam notasi matematika perhitungan ini dapat dinyatakan sebagai : n 2 t ( xt wt) RMSerror (9) n Dimana x merupakan nilai neuron input, w merupakan nilai bobot output dan n merupakan banyaknya neuron input. 3. PENGUJIAN 3. Pengujian Konfigurasi Pengujian pada penelitian ini dilakukan dengan menggunakan data gambar dengan ukuran 80x80, sebanyak 300 data dan 50 data akan digunakan untuk pembelajaran. Hasil pengujian dan analisa selengkapnya dapat dilihat pada tabel di bawah ini: Tabel. Hasil Pengenalan Wajah Konfigurasi No Hasil Pengenalan Jumlah Tidak Citra Dikenali Akurasi Dikenali % % (Heseltine, 2005). Penelitian tersebut menggunakan dataset wajah dari AR Face Database sebanyak 900 gambar, terdiri dari 20 orang (60 laki-laki dan 0 wanita) dan memiliki 5 gambar wajah yang berbeda, ukuran gambar yang digunakan adalah 00x00, 90x90, 80x80, 70x70, 60x60, 50x50, 40x40, 30x30, 20x20, dan 0x0. Hasilnya tidak ada perubahan yang signifikan terhadap akurasi dari masing masing resolusi gambar, perubahan justru terjadi pada waktu kinerja sistem saat bekerja. Resolusi kecil lebih cepat selesai dibandingkan dengan resolusi besar. Untuk membenarkan hasil pengujian dari penelitian tersebut, maka penelitian ini perlu di tambahkan pengujiannya untuk resolusi gambar yang berbeda yaitu 20x20 dan 60x Pengujian Konfigurasi 2 Pengujian 2 pada penelitian ini menggunakan data gambar dengan ukuran 20x20, sebanyak 300 data dan 50 data akan digunakan untuk pembelajaran. Hasil pengujian dan analisa selengkapnya dapat dilihat pada table 2 di bawah ini: Tabel 2. Hasil Pengenalan Wajah Konfigurasi 2 No Hasil Pengenalan Jumlah Tidak Citra Dikenali Akurasi Dikenali % % Berdasarkan tabel 2, pengenalan menggunakan data wajah sebanyak 300 gambar yang berukuran 20x20 menghasilkan akurasi sebesar 00%, karena data wajah yang telah di latih sebelumnya memiliki nilai bobot yang sama dengan 300 data yang akan diuji sehingga menghasilkan akurasi yang sangat baik. Berdasarkan Tabel, pengenalan menggunakan data wajah sebanyak 300 gambar yang berukuran 80x80 menghasilkan akurasi sebesar 00%, karena data wajah yang telah di latih sebelumnya memiliki nilai bobot yang sama dengan 300 data yang akan diuji sehingga menghasilkan akurasi yang sangat baik. Sedangkan dengan menggunakan 50 data latih menghasilkan akurasi sebesar 86%. Hasil akurasi tersebut cukup baik karena hanya 24 gambar wajah yang tidak dikenali dari 50 gambar yang akan dikenali. sistem tidak dapat mengenali gambar wajah tersebut karena nilai bobot yang didapat mendekati nilai bobot gambar wajah yang lain, sehingga gambar tidak dapat dikenali. Menurut dari sebuah penelitian, bahwa tidak ada perubahan yang signifikan dengan hasil akurasi menggunakan resolusi yang berbeda-beda, 467 Gambar 3. Diagram perbedaan waktu pada pengujian & 2.
6 Dapat dilihat pada Gambar 3. yang membedakan pengujian dan pengujian 2 dengan menggunakan 300 data uji yang sama adalah waktu kinerja pengujian lebih cepat dibandingkan dengan pengujian 2, selisih waktu antara kedua konfigurasi tersebut adalah 5 menit. sama dengan 300 data yang akan diuji sehingga menghasilkan akurasi yang sangat baik. Gambar 4. Diagram perbedaan akurasi pada pengujian & 2. Dapat dilihat pada gambar 4. akurasi yang di dapat pada konfigurasi dan konfigurasi 2 tidak terlalu jauh hanya,3% sesuai dengan pengujian yang dilakukan oleh Heseltine,D.T (2005), namun pada pengujian tersebut hanya sebatas pada resolusi 00x00, maka dari itu diperlukan pengujian konfigurasi 3 dengan resolusi 60x60, untuk menguji apakah jika resolusi diatas 00x00 masih tidak ada perubahan signifikan terhadap akurasi yang di dapat. Gambar 5. Diagram perbedaan waktu pada konfigurasi, 2 dan 3. Pada Gambar 5. Menunjukkan bahwa perbedaan pada pengujian konfigurasi dan 2 lebih cepat dibandigkan dengan lama sistem bekerja pada konfigurasi 3, karena konfigurasi 3 menggunakan resolusi 60x60 yang berarti ada data yang akan diolah pada satu gambar wajah maka kinerja pengujian konfigurasi 3 lebih lama. 3.3 Pengujian Konfigurasi 3 Pengujian yang dilakukan dengan menggunakan data gambar dengan ukuran 60x60, sebanyak 300 data dan 50 data akan digunakan untuk pembelajaran. Hasil pengujian dan analisa selengkapnya dapat dilihat pada tabel di bawah ini: Tabel 3. Hasil Pengenalan Wajah Konfigurasi 3 No Hasil Pengenalan Jumlah Tidak Citra Dikenali Akurasi Dikenali % % Pada tabel 3, hasil yang dilampirkan sama dengan konfigurasi dan 2, karena data wajah yang telah di latih sebelumnya memiliki nilai bobot yang 468 Gambar 6. Diagram perbedaan waktu pada konfigurasi, 2 dan 3.
7 Dapat dilihat dari Gambar 6. Pengujian konfigurasi 3 yang mendapat akurasi yang paling rendah dibanding yang lain, akurasi dapat ditingkatkan jika nilai komponen ciri PCA di tingkatkan. Jika kita menggunakan resolusi 60x60 atau bahkan lebih maka sebaiknya nilai ciri yang diambil lebih dari 50 karena semakin banyak ciri yang diambil maka semakin detail gambar wajah yg akan dikenali, karena resolusi gambar 60x60 memiliki nilai data maka terlalu sedikit jika nilai ciri yang diambil hanya 50 dibandingkan dengan jumlah nilai data per gambar. Resolusi yang tinggi akan mendapatkan hasil akurasi yang tinggi jika nilai komponen ciri PCA yang akan diolah ditingkatkan (Veldhuis et al., 2006). Pada pengujian tersebut menggunakan dataset sebanyak 3699 gambar wajah yang berresolusi tinggi dan 803 gambar wajah yang berresolusi rendah, 270 nilai ciri komponen PCA digunakan untuk resolusi yang tinggi dan pengujian kedua menggunakan 0 nilai ciri komponen PCA untuk resolusi rendah, resolusi tinggi yang dipilih adalah 28x28 sedangkan resolusi rendah adalah 32x32. Hasil kedua pengujiannya memberikan hasil yang baik dan sesuai dengan yang diharapkan oleh para peneliti, jika resolusi tinggi yang digunakan maka lebih baik nilai ciri komponen PCA sebaiknya lebih dari 90 agar mendapat akurasi yang tinggi. Rahman, M. A Sistem Pengenalan Wajah Menggunakan Webcam Untuk Absensi Dengan Metode Template Matching. Thesis Mahasiswa Politeknik Elektronika Negeri Surabaya. Kampus PENS-ITS Sukolilo, Surabaya. Smith, L. I A Tutorial on Principal Components Analysis. Technical report, Cornell University, USA. Stallings, W. 995, Network and Internetwork Security Principles and Practice, Prentice Hall, Englewood Cliffs, New Jersey Taner, T.M.997. Kohonen s Self Organizing Networks with Conscience. United State: Rock Solid Images. Veldhuis, R. N. J., Spreeuwers, L. J., Beumer, G. M., & Boom, B. J Effect of Image Resolution on the Performance of a Face Recognition System /06/$ IEEE. 4. KESIMPULAN Berdasarkan hasil analisis dan implementasi yang telah dilakukan pada penelitian ini, maka dapat diambil kesimpulan bahwa dalam penelitian ini, hasil pengujian dengan menggunakan 300 data mendapatkan akurasi sebesar 00 % sedangkan hasil pengujian dengan menggunakan 50 data mendapatkan ragam akurasi, yaitu 86% untuk gambar dengan resolusi 80x80, 82.7% untuk gambar dengan resolusi 20x20, dan 8.3% untuk gambar dengan resolusi 60x60. Sehingga dapat disimpulkan bahwa menggunakan resolusi gambar yang tinggi membuat kinerja sistem menjadi lambat dan akurasi yang di dapat tidak terlalu baik, akurasi dapat dinaikkan jika memperbesar jumlah komponen PCA yang menjadi nilai input SOM. PUSTAKA Kohonen, T Self Organization and Associative Memory. Berlin: Springer. Heaton, J Introducing the Kohonen Neural Network. 6/pages2.html. Heseltine, D.T Face Recognition: Two- Dimensional and Three-Dimensional Techniques. For the qualification of PhD, The University of York: Department of Computer Science. Purnomo, M.H., dan Muntasa, A Konsep Pengolahan Citra Digital dan Ekstraksi Fitur. Yogyakarta: Graha Ilmu 469
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih 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 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 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 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 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 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 terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih 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 terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
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 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 terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
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 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 terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
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 terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
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 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 terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciBAB III METODE PENELITIAN. menjawab segala permasalahan yang ada dalam penelitian ini.
BAB III METODE PENELITIAN Pada bab ini akan dijelaskan bahan yang digunakan dalam membantu menyelesaikan permasalahan, dan juga langkah-langkah yang dilakukan dalam menjawab segala permasalahan yang ada
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
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 terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
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 terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciPENGENALAN SESEORANG MENGGUNAKAN CITRA GARIS TANGAN
PENGENALAN SESEORANG MENGGUNAKAN CITRA GARIS TANGAN Bagus Fadzerie Robby 1), Resty Wulanningrum 2) 1), 2) Universitas Nusantara PGRI Kediri 1), 2) Jl. KH. Achmad Dahlan 76, Kediri, Jawa Timur 64112 Email
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 terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Sistem Absensi Berbasis Webcam
BAB PEMBAHASAN.1 Sistem Absensi Berbasis Webcam Sistem absensi berbasis webcam adalah sistem yang melakukan absensi karyawan berdasarkan input citra hasil capture webcam. Sistem akan melakukan posting
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 terperinciSistem Identifikasi Smartcard-Rfid dan Pengenalan Tanda Tangan Menggunakan Metode Backpropagation Dengan Kohonen Sebagai Pembanding
Sistem Identifikasi Smartcard-Rfid dan Pengenalan Tanda Tangan Menggunakan Metode Backpropagation Dengan Kohonen Sebagai Pembanding Johannes Putra Abri Sipahutar (1), Setiawardhana (2), Dwi Kurnia Basuki
Lebih terperinciAPLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR
APLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR Mika Tandililing Program Studi Teknik Komputer, STMIK Profesional ladabarra@gmail.com
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
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 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 terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Setiap manusia diciptakan dengan bentuk fisik dan rupa yang berbeda sehingga manusia tersebut dapat dibedakan satu dengan yang lainnya. Pada teknologi informasi
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
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 terperinciSistem Identifikasi Smartcard-RFID dan Pengenalan Tanda Tangan Menggunakan Metode Backpropagation Dengan Kohonen Sebagai Pembanding
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Sistem Identifikasi Smartcard-RFID dan Pengenalan
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 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 terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
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 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 terperinciPENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan
PENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan 6907040024 Fajar Indra 6907040026 ABSTRACT Face recognition
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 terperinciSISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :
SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciPENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL
PENGENDALIAN POSISI MOBILE ROBOT MENGGUNAKAN METODE NEURAL NETWORK DENGAN UMPAN BALIK KAMERA PEMOSISIAN GLOBAL Randy Reza Kautsar (1), Bima Sena Bayu D S.ST M.T (2), A.R. Anom Besari. S.ST, M.T (2) (1)
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 terperinciKLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN ABSTRAK
KLASIFIKASI BENTUK DAUN MENGGUNAKAN METODE KOHONEN Safwandi. ST., M.Kom 1, Yenni Maulida, S.T ABSTRAK Penelitian ini menjelaskan tentang suatu metode klasifikasi bentuk daun berdasarkan input berupa bentuk
Lebih terperinciPENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH
PENENTUAN NILAI VEKTOR PEWAKIL AWAL PADA ARSITEKTUR JARINGAN SYARAF TIRUAN LVQ UNTUK PENGENALAN WAJAH Devira Anggi Maharani 1, Mila Fauziyah 2, Denda Dewatama 3 1,2 Jurusan Elektro, Prodi Elektronika,
Lebih terperinciABSTRAK. Michael Parlindungan ( ) Jurusan Teknik Elektro Universitas Kristen Maranatha
PENGENALAN POLA HURUF t DARI TULISAN TANGAN UNTUK MENENTUKAN KARAKTER SESEORANG DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN ALGORITMA BACKPROPAGATION ABSTRAK Michael Parlindungan (0722017) Jurusan
Lebih terperinciPENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING
Powered by TCPDF (www.tcpdf.org) PENGENALAN BILANGAN ARAB MENGGUNAKAN TEMPLATE MATCHING Muhammad Hanif Dwiadi¹, Sofia Naning Hertiana², Gelar Budiman³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak
Lebih terperinciPENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR ABSTRAK
PENGGUNAAN MATLAB DALAM PENYELESAIAN SISTEM PERSAMAAN LINEAR MENGGUNAKAN JARINGAN HOPFIELD LINEAR Rosihan Ari Yuana Program Studi Pendidikan Matematika Universitas Sebelas Maret ABSTRAK Aplikasi jaringan
Lebih terperinciPengendalian Posisi Mobile Robot Menggunakan Metode Neural Network Dengan Umpan Balik Kamera Pemosisian Global
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Pengendalian Posisi Mobile Robot Menggunakan Metode
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciPENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciPerbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization Pada Pengenalan Pola Tandatangan
Jurnal Sains & Matematika (JSM) ISSN Kajian 0854-0675 Pustaka Volume14, Nomor 4, Oktober 2006 Kajian Pustaka: 147-153 Perbandingan Antara Metode Kohonen Neural Network dengan Metode Learning Vector Quantization
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 III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Citra Digital Gambar atau citra merupakan informasi yang berbentuk visual. Menurut kamus Webster citra adalah suatu representasi, kemiripan atau imitasi dari suatu objek atau
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 terperinciPENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK
PENGENALAN KARAKTER DENGAN MENGGUNAKAN HAMMING NETWORK Thiang Jurusan Teknik Elektro, Universitas Kristen Petra Siwalankerto 121-131, Surabaya, Indonesia E-mail: thiang@petra.ac.id Abstrak Makalah ini
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 terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
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 terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
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 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 terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
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 terperinciENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5
MAKALAH SEMINAR TUGAS AKHIR ENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5 Sunaryo 1, Budi Setiyono 2, R. Rizal Isnanto 2 Abstrak - Biometrik merupakan
Lebih terperinciPROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA)
PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA) Jemmy E.Purwanto Jemmy.e.Purwanto@Gmail.com Pembimbing I :
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 terperinciSEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN. Evelyn Evangelista ( )
SEGMENTASI HURUF TULISAN TANGAN BERSAMBUNG DENGAN VALIDASI JARINGAN SYARAF TIRUAN Evelyn Evangelista (1022004) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha, Jl. Prof. Drg. Suria
Lebih terperinciJurnal MIPA 35 (2): 194-203 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm RANCANG BANGUN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN FISHERFACE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Lebih terperinci