Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
|
|
- Siska Hermanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 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 Abstract Pengenalan wajah merupakan salah satu pengolahan citra yang telah berhasil dan telah diaplikasikan dalam berbagai bidang baik yang bersifat komersial maupun digunakan untuk kepentingan pemerintahan. Teknologi pengenalan wajah juga semakin banyak diaplikasikan dalam sistem pengenalan biometrik, pencarian dan pengindeksan database citra. Tugas akhir ini bertujuan untuk merealisasikan metode gabungan PCA dan LDA (Subspace LDA) untuk pengenalan wajah dengan perangkat lunak MATLAB. Pengenalan wajah menggunakan metode subspace LDA merupakan metode pengenalan wajah dengan 2 metode ekstraksi fitur statistic yaitu PCA (Principal Components Analysis) dan LDA (Linear Discriminant Analysis) dimana citra wajah diproyeksikan ke ruang eigenface yang diperoleh dari proses PCA dan hasil proyeksinya kemudian diproyeksikan lagi menuju ruang klasifikasi LDA sehingga dihasilkan suatu classifier linier. Algoritma Subspace LDA diuji dengan berbagai citra yang memiliki variasi cahaya (database YaleB) dan variasi headpose (database att_face) dengan pemilihan eigenfacce yang berbeda. Citra wajah yang digunakan adalah citra grayscale dengan dimensi 128 x 112 yang telah mengalami normalisasi serta croping. Sehingga citra wajah hanya menampilkan wajah orang tanpa latar belakang. Hasil yang diperoleh menunjukkan jika jumlah eigenface yang digunakan antara 20% sampai 80% akan menghasilakn persentase pengenalan tinggi. Kata kunci: Pengenalan Wajah, PCA, LDA I. PENDAHULUAN Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur (feature-based) dan pendekatan penampilan (appearance-based)[1]. Pendekatan fitur menggunakan suatu landmark atau marker (penanda) yang diletakkan pada ujung mata, bagian bawah mulut, alis, dagu, ujung hidung dan beberapa lokasi lain pada wajah. Dari marker-marker tersebut kemudian ditentukan sudut dan atau jarak antar marker tersebut sehingga dapat digunakan sebagai fitur yang diperlukan untuk pengenalan wajah. kelemahan pendekatan fitur ini adalah sulitnya menentukan posisi marker yang tepat karena adanya variasi pencahayaan dan ekspresi wajah. Pendekatan kedua yaitu appearance-based dikenal juga dengan metoda eigenface. Pada metoda ini setiap citra wajah dianggap sebagai suatu vektor tunggal dengan cara menderetkan kolom-kolom pada citra wajah menjadi satu vektor yang panjang, yang nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi. Ada dua metoda yang digunakan untuk mengurangi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA) [2] dan Linear Discriminant Analysis (LDA)[3][4]. Dengan mengunakan metode Subspace LDA yang merupakan metoda gabungan PCA dan LDA diharapkan akan menghasilkan reduksi dimensi yang optimal. Metoda ini terdiri dari dua tahap yaitu citra wajah diproyeksikan ke ruang eigenface yang telah dibentuk oleh PCA dan kemudian vektor-vektor yang telah terproyeksi tadi diproyeksikan menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier. Pada metoda ini pemilihan jumlah eigenface yang digunakan pada tahap pertama adalah sangat kritis. Pemilihan jumlah eigenface ini akan memungkinkan sistem untuk menghasilkan fitur-fitur yang berasal dari representasi ruang eigenface yang dapat dipisah berdasarkan kelas-kelas melalui metoda LDA. II. TEORI PENUNJANG 2.1 Principal Components Analysis (PCA) Principal Component Analysis (PCA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemrosesan citra. Prinsip dasar dari algoritma PCA adalah menentukan komponen-komponen atau dimensi-dimensi dari semua citra mempunyai distribusi energi maksimal pada komponen-komponen tersebut. Maka dimensi-dimensi yang berkontribusi tersebutlah yang dipertahankan untuk tahap pemrosesan selanjutnya dan sisanya disingkirkan [3][5]. 2.2 Linear Discriminant Analysis (LDA) LDA bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal sehingga dapat memproyeksikan data input pada ruang dengan dimensi yang lebih kecil dimana semua pola (pattern) dapat dipisahkan semaksimal mungkin. Karenanya untuk tujuan pemisahan tersebut maka LDA akan mencoba untuk memaksimalkan penyebaran data-data input diantara kelas-kelas yang berbeda dan sekaligus Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 1
2 juga meminimalkan penyebaran input pada kelas yang sama. Perbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). 2.3 Implementasi Subspace LDA Didefinisikan suatu matrik citra I dengan ukuran (Nx x Ny) dikonversikan menjadi matrik citra satu kolom ( ) dengan ukuran (N x 1) dimana N = (Nx x Ny). [4][6] Citra I : (Nx x Ny) piksel (1) Training Set merupakan satu set vektor-vektor citra yang berukuran (N x P) dimana P adalah jumlah dari citra-citra training [4][9]. Citra training ini kemudian dijadikan suatu database citra wajah. Training Set = [,,, ] (2) Mean Face adalah rata-rata aritmetika dari vektorvektor citra training pada setiap titik piksel yang berukuran (N x 1) [4][6]. dari matrik (P x P) dapat diperoleh melalui eigenvector matrix (N x N) [pakhendra PCA]. Dalam penjelasan secara matematisnya, didefinisikan suatu matrik Y dengan ukuran (Mt x Mt), yaitu [6]: 1 Y = A T. A P T i i P i 1 (7) Ditentukan suatu eigenvector dan eigenvalue dari matrik Y [6], Y. =. (8) Konstanta Y dari persamaan diatas kemudian diganti dengan A T. A [6], A T. A. =. (9) Kedua sisi dari persamaan diatas dikalikan dengan A [6] : A. A T. A. = A.. (10) Mean Face T 1 P P T i i1 (3) Kemudian dengan mengatur urutan matrik, diperoleh [6] : A. A T. A. =. A. (11) Mean subtracted image merupakan pengurangan citra training dari mean face. Mean subtracted image merupakan matrik yang berukuran (N x P) [4][6]. Mean subtracted image Φ = T (4). Difference Matrix merupakan matrik yang berasal dari semua vektor citra training yang sudah dikurangi dengan mean dan berukuran (NxP) [4][6]. Difference Matrix = [Φ, Φ,, Φ ] (5) = = 1 Φ. Φ (6) merupakan matrik covariance dari vektorvektor citra training dan berukuran (NxN) sehingga sangat sulit untuk dikerjakan karena ukurannya yang sangat besar (computational complexity). Sehingga pada metode eigenface, perhitungan eigenvector tidak diperoleh secara langsung dari matrik (N x N) melainkan melalui matrik (P x P), dimana P merupakan jumlah dari citra-citra wajah. Eigenvector Pengaturan susunan diatas dapat terjadi karena merupakan bentuk skalar. Serta dengan X = A. A T, maka [6]: X. A. =. A. (12) Dan dengan mengganti A. menjadi υ i, maka [9] : υ i = A. (13) Dimana υ i = A. merupakan eigenvector dari L = A. A T dengan ukuran matriknya adalah (N x 1). Terlihat bahwa dengan cara di atas eigenvector dari L dapat diperoleh melalui eigenvector dari Y, dimana dibandingkan dengan menggunakan matrik dengan ukuran besar (N x N) lebih sederhana jika digunakan matrik berukuran (P x P). Cara formulasi ini memberikan efisiensi komputasi yang sangat besar. Setelah didapatkan eigenvektor dari matrik covariance, υi, vektor-vektor citra-citra training diproyeksikan pada ruang eigenface sehingga bobot (weight) dari setiap eigenvektor untuk mewakili citra pada ruang eigenface harus ditentukan. Bobot ini secara sederhana merupakan dot product dari setiap citra dengan setiap eigenvector. =. Φ = ( ) (14) Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 2
3 merupakan proyeksi suatu citra training pada setiap eigenvector dimana k=1,2,3,...m dan Matrik Bobot (weight matrix) dapat dihitung dengan persamaan (15). Martik bobot merupakan representasi dari citra training pada ruang eigenface dan berukuran (M x 1) Ω = [,,, ] (15) Dengan melakukan semua perhitungan di atas, citra-citra training diproyeksikan pada ruang eigenface. Ini merupakan suatu transformasi dari ruang dimensi P menuju ruang dimensi M. Teknik PCA ini dilakukan untuk mengurangi dimensi data sekaligus sebagai ekstraksi fitur. Setelah langkah ini maka setiap citra merupakan suatu vektor berdimensi (M x 1) pada ruang eigenface. Data terproyeksi ini akan ditransformasikan lagi oleh suatu transformator baru yaitu LDA ke ruang proyeksi klasifikasi. Metoda subspace LDA ini tidak menggunakan harga-harga piksel dari citra seperti pada metoda LDA namun menggunakan proyeksi eigenface. Didefinisikan suatu discriminatory power seperti pada metoda LDA sebagai[6]: ( ) =.... (16) Dimana Sb adalah matrik penyebaran antar kelas (between-class scatter) dan Sw adalah matrik penyebaran dalam kelas (within-class scatter). Untuk c individu yang memiliki citra training sebanyak pada data base maka within class scatter matrix dihitung sebagai [6] = ( ) (17) dimana mewakili average scatter Σi dari proyeksi Ω pada ruang eigenface dari Ci individu yang berbeda dengan mean. Ukuran dari Sw tergantung pada ukuran ruang eigenface, yaitu jika digunakan M eigenface maka ukuran dari Sw adalah (M x M ). Mean dari kelas pada ruang eigenspace (Eigenface Class Mean) ( ) yang merupakan rata-rata aritmaika dari eigenvector citra training yang terproyeksi pada ruang eigenspace didefinisikan sebagai, = 1 Ω (18) dimana i = 1, 2, 3,..., c dan ukuran dari Eigenface Class Mean adalah (M x 1). Sedangkan mean face dihitung dari rata-rata aritmetika dari semua vektorvektor citra training yang terproyeksi, = 1 (19) Ω Rata-rata penyebaran (average scatter) dihitung sebagai, = [(Ω ). (Ω ) ] (20) Sedangkan matrik penyebaran antar kelas (between class scatter matrix) dihitung sebagai, = ( )( )( ) (21) dimana ( ) adalah prior class probability yaitu, ( ) = 1 (22) Dengan asumsi bahwa setiap kelas mempunyai prior probability yang sama. Tujuan dari metode subspace LDA adalah memaksimumkan ( ), yaitu menentukan proyeksi optimal yang akan memaksimumkan between class scatter dan meminimumkan within class scatter. = max ( ) (23) W kemudian dapat diperoleh dengan menyelesaikan permasalahan umum eigenvalue = (24) Langkah berikutnya adalah memproyeksikan vektor-vektor citra training yang sudah terproyeksi pada eigenface ke ruang klasifikasi dengan cara melakukan dot product antara proyeksi optimal dan vektor bobot. (Ω ) = Ω (25) Classification Space Projection (Ω ) adalah proyeksi dari vektor-vektor citra training terproyeksi pada eigenface ke ruang klasifikasi yang berukuran ((c-1) x 1) dimana i = 1, 2,., P. Pada saat ini tahap training telah berakhir. Perlakuan yang sama juga dilakukan pada citra tes. Dan akhirnya, jarak antar proyeksi-proyeksi ditentukan oleh jarak Euclidean antara citra training dan test pada ruang proyeksi klasifikasi[6]. = ( (Ω ) (Ω )) (26) adalah ukuran jarak yang merupakan besaran skalar dan dihitung untuk i = 1,2,..., P. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 3
4 III. DESKRIPSI SISTEM Blok diagram sistem pengenalan wajah dapat dilihat pada Gambar 1. Dalam simulasi percobaan ini digunakan database wajah Yale Face B dan att_face dimana format setiap citra wajah adalah grayscale. Database wajah Yale Face B berukuran 192 X 168 pixel dan att_face berukuran 112 X 92 pixel. Pada proses selanjutnya ukuran citra diseragamkan menjadi 128 X 112 pixel. Pemrosesan awal yang dilakukan adalah setiap citra wajah di-crop sedemikian sehingga citra didominasi total wajah dan tidak terdapat latar belakang. Gambar 2 dan Gambar 3 merupakan diagram alir dari proyeksi PCA dan proyeksi LDA [,,..., ] T 1 2 M ' 1 i q i qi k 1 k C S b S * 1 w Gambar 3 Diagram Alir Proses Training PCA Gambar 1 Blok Diagram Sistem Pengenalan Wajah (a) (b) Gambar 4 Sepuluh eigenface pertama (a) dari 30 kelas variasi pencahayaan (b) dari 30 kelas variasi headpose (a) Gambar 2 Diagram Alir Proses Training PCA (b) Gambar 5 Sepuluh fisherface pertama (a) dari 30 kelas variasi pencahayaan (b) dari 30 kelas variasi headpose Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 4
5 Gambar 6 Contoh citra wajah database YaleB Gambar 7 Citra wajah database att_face Dari proses Proyeksi PCA diperoleh eigenface yang merupakan fitur yang nantinya akan dijadikan masukan pada proses LDA yang menghasilkan fisherface. Fisherface merupakan eigenface yang telah terproyeksi ke dimensi yang lebih rendah. Gambar 4 dan Gambar 5 berturut-turut merupakan eigenface dan fisherface yang dihasilkan dari sistem. Gambar 6 dan Gambar 7 adalah contoh citra wajah yang digunakan pada pengujian. Dalam ujicoba database YaleB, pertama digunakan data Training sebanyak 30 kelas, jumlah citra training setiap kelas 5 citra, sehingga jumlah citra pada database training adalah 150. Kedua digunakan data Training 30 kelas, jumlah citra training setiap kelas 7 citra. Sehingga jumlah citra pada database training adalah 210. Masing-masing di tes dengan tiga citra tes. 30 kelas variasi pencahayaan dengan jumlah citra training setiap kelas adalah 5 di tes dua kali dengan pencahayaan yang berbeda. Begitu juga dengan 30 kelas variasi pencahayaan yang memiliki jumlah citra training 7 setiap kelas. Dalam ujicoba database att_face, pertama digunakan data Training sebanyak 30 kelas, jumlah citra training setiap kelas 5 citra, sehingga jumlah citra pada database training adalah 150. Kedua digunakan data Training 15 kelas, jumlah citra training setiap kelas 5 citra. Sehingga jumlah citra pada database training adalah 75. Masing-masing di tes dengan tiga citra tes. IV. HASIL PERCOBAAN Beberapa test yang telah dilakukan menunjukkan hasil laju pengenalan seperti bisa dilihat pada Tabel 1. Secara umum kombinasi PCA+LDA akan memberikan hasil pengenalan yang cukup baik pada saat pemilihan eigenface 20%-80% dengan persentase pengenalan diatas 90%. Gambar 8 merupakan grafik laju pengenalan pada ujicoba yang telah dilakukan. Dari Gambar 8 menunjukan bahwa laju pengenalan (recognition rate) akan menurun dengan bertambahnya dimensi fitur yaitu jumlah eigenface yang digunakan. Tabel 1 Hasil Ujicoba 30 kelas variasi pencahayaan Jumlah eigenfaceyang digunakan (%) citra training citra tes I variasi headpose II III IV kelas kelas ,3 98, ,3 79 Rata-Rata 95, , ,5 90, Laju pengenalan (%) Persentase pengenalan Jumlah pemilihan Eigenface (%) Gambar 8 Grafik laju pengenalan Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 5
6 V. PENUTUP 5.1. Kesimpulan Berdasarkan hasil pengujian yang dilakukan pada Tugas Akhir pengenalan wajah dengan metode subspace LDA, dapat disimpulkan bahwa: 1. Persentase pengenalan wajah paling akurat dalam kondisi variasi pencahayaan adalah pada eigenface 20% dengan rata-rata pengenalan 95,7%, sedangkan untuk kondisi pencitraan headpose 94,15%. 2. Semakin ekstrim pencahayan pada maka semakin turun persentase laju pengenalan. Hal ini dapat dibandingkan hasil dari citra training I dan citra training II yang mengalami penurunan 10% pada pemilihan eigenface sebesar 20%. 3. Semakin banyak citra training dalam suatu kelas maka semakin naik persentase laju pengenalan. Hal ini dapat dibandingkan hasil dari citra training I dan citra training III, namun kenaikan persentase tidak begitu signifikan. 4. Semakin banyak jumlah kelas maka semakin turun persentase laju pengenalan. Hal ini dapat dibandingkan hasil pengujian variasi headpose. Laju pengenalan 30 kelas headpose memiliki laju pengenalan 87,8% lebih rendah dari 15 kelas headpos yang memiliki memiliki laju pengenalan 90,78%. RIWAYAT PENULIS Ratna Nur Azizah dilahirkan di Lamongan, 02 Juli 1987, merupakan putri pertama dari pasangan Bapak Nadi dan Ibu Rina. Setelah lulus dari MA Negeri Lamongan tahun 2005, kemudian melanjutkan studi Diploma 3 Jurusan Teknik Komputer Kontrol Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya pada tahun yang sama. Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS bidang studi telekomunikasi Multimedia Pada tahun Saran Beberapa saran yang berguna untuk pengembangan Tugas Akhir ini antara lain: Untuk penelitian selanjutnya sistem dapat dikembangkan dengan menggunakan normalisasi Histogram Remapping atau Lognormal Distribution Mapping untuk memperoleh laju pengenalan yang baik DAFTAR PUSTAKA [1]. David Zhang, Xiaoyuan Jing, Jian Yang, Biometric Image Discrimination Technologies, 2006 [2]. M. Turk and A. Pentland, "Eigenfaces for Recognition", J. Of Cognitive Neuroscience, Vol. 3, No. 1, pp , [3]. P. N. Belhumeur, J. P. Hespanda, and D. J. Kiregeman, Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection, IEEE Trans. on PAMI, Vol. 19, No. 7, pp , July 1997 [4]. K. Etemad and R. Chellappa, Discriminant Analysis for Recognition of Human Face Images, Journal of Optical Soeciety of America A, pp , Aug [5]. Hendra Kusuma, Wirawan, Appearance-based Face Recognition dengan menggunakan PrincipalComponent Analysis (PCA) dan Nearest Mean Classifier,2008 [6]. Hendra Kusuma, Wirawan, Teknik Pengenalan wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis),2008 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS 6
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciPenerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis
Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis Puspita Ayu Ningsih Putri. SY, Wirawan, Hendra Kusuma Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
Lebih 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 terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih 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 terperinciTeknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector
eknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector Dwi Achti Noviatur Rahmah Jurusan eknik Elektro FI, Institut eknologi Sepuluh Nopember Kampus IS, Keputih-Sukolilo, Surabaya-60111
Lebih 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 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 terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih 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 terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB II 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 terperinciPerbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square
PAPER ID : 102 Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square Eko Wahyudi 1), Hendra Kusuma 2), Wirawan 3) 1,2,3) Jurusan Teknik Elektro
Lebih terperinciPEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES
PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES Ni Wayan Marti Jurusan Manajemen Informatika, Fakultas Teknik dan Kejuruan,Universitas Pendidikan
Lebih 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 terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
Lebih terperinciPerbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA)
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Nimas Setya Yaniar Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo,
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 terperinciTEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP)
TEKNIK ENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY ATTERN (LB) Eko Wahyudi, Wirawan dan Hendra Kusuma Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih 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 terperinciPengenalan Wajah Menggunakan Two Dimensional Linier Discriminant Analysis Berbasis Feature Fussion Strategy
Pengenalan Wajah Menggunakan Two Dimensional Linier Discriminant Analysis Berbasis Feature Fussion Strategy Benny Afandi Institut Teknologi Sepuluh Nopember Surabaya b2nafandi@gmail.com Sahmanbanta Sinulingga
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih 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 terperinciPengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor
Pengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor Fandiansyah 1, Jayanti Yusmah Sari 2, Ika Purwanti Ningrum 3, Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB 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 terperinciImplementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint
Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
Lebih terperinciPengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface
Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface (Studi Kasus pengenalan wajah pada manusia di teknik informatika universitas malikussaleh) Muthmainnah, Rahayu Dosen Teknik Informatika
Lebih terperinciImplementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)
46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman
Lebih terperinciFACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK
FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) Kurnia Novita Mutu (0722029) Jurusan Teknik Elektro email: mutunia@gmail.com ABSTRAK Perkembangan biometrik pada
Lebih terperinciBAB 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 terperinciMenurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:
BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi
Lebih 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 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir semua pengolahan data dan informasi telah dilakukan dengan komputer. Hal ini diakibatkan
Lebih terperinciBAB 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 terperinciKombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah
Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih
Lebih terperinciBAB 3. ANALISIS dan RANCANGAN. eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses
BAB 3 ANALISIS dan RANCANGAN 3.1 Analisa metode Secara garis besar, tahap pada pengenalan wajah dengan metode eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses yang dilakukan
Lebih 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 III PERANCANGAN PERANGKAT LUNAK
BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pengenalan Gender Sistem pengenalan gender dalam skripsi ini dibuat dengan membandingkan 3 buah metode, yaitu 1 metode tanpa ekstraksi fitur yaitu subtraction
Lebih terperinciPENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Riza Firdaus Ardiansyah NIM : A11.2009.05106 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan
Lebih terperinciANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO.
ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO Nurani Fitriyah 1),Dr. Ir. BambangHidayat 2),SuciAulia, ST,MT 3) 1 FakultasTeknikElektro, Telkom University
Lebih terperinciImplementasi Pengenalan Wajah Menggunakan PCA (Principal Component Analysis)
IJEIS, Vol.3, No.2, October 2013, pp. 175~184 ISSN: 2088-3714 175 Implementasi Pengenalan Wajah Menggunakan PCA (Principal Component Analysis) Dian Esti Pratiwi* 1, Agus Harjoko 2 1 Program Studi Elektronika
Lebih terperinciSISTEM KONTROL AKSES BERBASIS REAL TIME FACE RECOGNITION DAN GENDER INFORMATION
SISTEM KONTROL AKSES BERBASIS REAL TIME FACE RECOGNITION DAN GENDER INFORMATION Putri Nurmala 1 ; Wikaria Gazali 2 ; Widodo Budiharto 3 1, 2 Mathematics and Statistics Department, School of Computer Science,
Lebih terperinciPENGEMBANGAN SISTEM ABSENSI BERBASIS FACE RECOGNITION DENGAN METODE LDA
PENGEMBANGAN SISTEM ABSENSI BERBASIS FACE RECOGNITION DENGAN METODE LDA Felix Hantoro Tan, Leonardus Indra Laksmana, Marcos H, Widodo Budiharto Universitas Bina Nusantara Jl. K H. Syahdan No. 9, Kelurahan
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 terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
Lebih terperinciBAB V KESIMPULAN. Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces
BAB V KESIMPULAN Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Pengenalan Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces Terdekomposisi QR dapat disimpulkan sebagai
Lebih terperinciDAFTAR ISI v. ABSTRACT ii KATA PENGANTAR iii. DAFTAR GAMBAR.vii DAFTAR TABEL...ix
ABSTRAK Dalam laporan tugas akhir ini dijelaskan mengenai suatu sistem pengenal identitas manusia dengan menggunakan wajah sebagai pengenalnya, atau yang lebih dikenal dengan Face Recognition. Tujuan dari
Lebih 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 terperinciPengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta
Pengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta Abstraksi Pengenalan wajah (face recognition) yang merupakan salah satu penerapan image processing, kini telah dipakai untuk banyak aplikasi.
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 355~360 355 SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE Abdul Hamid
Lebih terperinciANALISIS KOMPONEN UTAMA MENGGUNAKAN METODE EIGENFACE TERHADAP PENGENALAN CITRA WAJAH
Volume 9 No.1 Januari 2017 ISSN : 2085 1669 e-issn : 2460 0288 Website : jurnal.umj.ac.id/index.php/jurtek Email : jurnalteknologi@umj.ac.id U N I V E R S I T A S M U H A M M A D I Y A H J A K A R T A
Lebih terperinciPENGENALAN CITRA TANDA TANGAN MENGGUNAKAN METODE 2DPCA DAN EUCLIDEAN DISTANCE
PENGENALAN CITRA TANDA TANGAN MENGGUNAKAN METODE 2DPCA DAN EUCLIDEAN DISTANCE Danar Putra Pamungkas 1), Fajar Rohman Hariri 2) 1),2) Teknik Informatika Universitas Nusantara PGRI Kediri Jl. KH. Achmad
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 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 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 terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih terperinciNormalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace
Normalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace Rita Dwi Handayani Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih 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 WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih terperinciPengenalan Pola/ Pattern Recognition
Pengenalan Pola/ Pattern Recognition Linear Discriminant Analysis Imam Cholissodin S.Si., M.Kom. Pokok Pembahasan 1. Linear Discriminant Analysis (LDA) Pengertian Klasifikasi LDA Rumus Umum LDA 2. Case
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih 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 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 terperinciABSTRAK. Kata kunci: Citra wajah manusia, Principal Component Analysis (PCA), Eigenfaces, Euclidean Distance. ABSTRACT
16 Dielektrika, ISSN 2086-9487 Vol. 1, No. 1 : 16-23 Pebruai, 2014 EKSTRAKSI CIRI WAJAH MANUSIA MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK SISTEM PENGENALAN WAJAH [Feature Extraction
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciJURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI
JURNAL TEODOLITA VOL. 14 NO. 1, Juni 2013 ISSN 1411-1586 DAFTAR ISI Perpaduan Arsitektur Jawa dan Sunda Pada Permukiman Bonokeling Di Banyumas, Jawa Tengah...1-15 Wita Widyandini, Atik Suprapti, R. Siti
Lebih terperinciAplikasi Kematangan Tomat Berdasarkan Warna dengan Metode Linear Discriminant Analysis (LDA)
Aplikasi Kematangan Tomat Berdasarkan Warna dengan Metode Linear Discriminant Analysis (LDA) Ghazali, Eko K. Subha, Galuh M., M. Burhannudin, M. Izzun Niam Universitas Brawijaya Malang E-Mail: ghazali2104@gmail.com,
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
Lebih 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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Artificial Intelligence Artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
Lebih 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 terperinciANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR
ANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR Shinta Puspasari MDP Computer and Informatics Management Institute Jl. Rajawali 14, Palembang, 30113, Indonesia e-mail : shinta@stmik-mdp.net ABSTRAKSI
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciImplementasi Metode Fisherface pada Absensi Wajah Karyawan Studi Kasus PT. Illuminati Metamorphosis Makassar
Implementasi Metode Fisherface pada Absensi Wajah Karyawan Studi Kasus PT. Illuminati Metamorphosis Makassar Nurul Aini 1), Irmawati 2) 1) Manajemen Informatika STMIK Dipanegara, 2) Sistem Informasi STMIK
Lebih terperinciElisabeth Patricia Chandra 1, Astri Novianty 2, Agung Nugroho Jati 3. Abstrak
IMPLEMENTASI ALGORITMA PRINCIPAL COMPONENT ANALYSIS PADA SISTEM KEAMANAN PARKIR BERBASIS RASPBERRY PI PRINCIPAL COMPONENT ANALYSIS ALGORITHM IMPLEMENTATION IN PARKING SECURITY SYSTEM BASED RASPBERRY PI
Lebih terperinciSISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH
SISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH I Nyoman Piarsa, Riza Hisamuddin Staff Pengajar Teknik Elektro, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361 Email: manpits@ee.unud.ac.id
Lebih terperinciDeskriptor Global Direct Fractional-Step Linear. Ringkasan Tulisan ini memaparkan simulasi ekstraksi citra wajah secara global dengan menggunakan
Simulasi Ektraksi Citra Wajah dengan Deskriptor Global Direct Fractional-Step Linear Discriminant Analysis (DF-LDA) untuk Pengenalan Wajah Ikuthen Gabriel Bams 1, Riko Arlando Saragih 2 Jurusan Teknik
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER
PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER ABSTRAK Ryan Dharmawan Susanto (0722005) Jurusan Teknik Elektro email : ryan_sesss@yahoo.com Salah satu masalah yang mengganggu dalam pengenalan wajah
Lebih terperinciHuman Face Detection by using eigenface method for various pose of human face
Human Face Detection by using eigenface method for various pose of human face Esty Vidyaningrum, Prihandoko Undergraduate program, Faculty of Industrial Technology, 2009 Gunadarma University http://www.gunadarma.ac.id
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciSISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE
SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE Agus Budi Dharmawan 1), Lina 2) 1), 2) Teknik Informatika FTI - UNTARJakarta Jl S. Parman No.1, Jakarta 11440
Lebih terperinciIMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION
IMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION Garibaldy W Mukti 13506004 Teknik Informatika ITB alamat : Srigading 29, Bandung 40132 email: subghost1802000@yahoo.com ABSTRAK
Lebih 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 terperinciPENGEMBANGAN SISTEM PENCATAT PEMAKAIAN KOMPUTER LAB DENGAN BIOMETRIKA PENGENAL WAJAH EIGENFACE. Oleh
PENGEMBANGAN SISTEM PENCATAT PEMAKAIAN KOMPUTER LAB DENGAN BIOMETRIKA PENGENAL WAJAH EIGENFACE Oleh Kadek Ananta Satriadi 1, Made Windu Antara Kesiman,S.T.,M.Sc., I Gede Mahendra Darmawiguna,S.Kom.,M.Sc.
Lebih terperinciSISTEM PENGAMANAN HANDPHONE MENGGUNAKAN FACE RECOGNITION BERBASIS ANDROID
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 1 SISTEM PENGAMANAN HANDPHONE MENGGUNAKAN FACE RECOGNITION BERBASIS ANDROID Mirna Astria 1, Juni Nurma Sari 2, Mardhiah Fadhli 3 Program Studi Teknik Informatika
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Daun Daun adalah salah satu organ pada tumbuhan yang memiliki peranan sangat penting dalam keberlangsungan hidup tumbuhan tersebut. Hal ini dikarenakan tumbuhan merupakan organisme
Lebih terperinciRANCANG BANGUN APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE YANG BERORIENTASI PADA PRINCIPAL COMPONENT ANALYSIS (PCA)
RANCANG BANGUN APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE YANG BERORIENTASI PADA PRINCIPAL COMPONENT ANALYSIS (PCA) Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana Teknik
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 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 terperinci