Deteksi Wajah Manusia Pada Citra Berwarna Menggunakan Fuzzy. Face Detection from Color Image Using Fuzzy
|
|
- Sudirman Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Deteksi Wajah Manusia Pada Citra Berwarna Menggunakan Fuzzy Face Detection from Color Image Using Fuzzy Humaira Jurusan Teknologi Informasi Politeknik Negeri Padang Kampus Unand Limau Manis Padang 5163 Telp Fax dan ABSTRACT Development of hight technology, it is encouraged people to continue a research and evolution of system toward that has been already to intend for repairing the shortcoming from old system. Face detection is a basic process of more extended applications. This research use fuzzy theory to detect face from color image. A skin color model that represents human skin colors is made to segment skin regions and non skin regions in color image. This process provides face area candidates, and then comparing them with head shape models by using a fuzzy theory. That process will be get matching values. In this research test is performed towards 50 input images. From data of test result shows that segmentation of second level gives high detection of 86%, first level of 8% and third level of 60%. Keywords: face detection, skin segmentation, fuzzy PENDAHULUAN Pada Image Processing, khususnya deteksi wajah pada suatu citra merupakan langkah penting dalam interaksi manusia computer dan penelitian pengenalan pola. Ini juga merupakan langkah awal dalam pengenalan wajah. Banyak studi tentang deteksi wajah baru-baru ini. Kebanyakan diantaranya menangani citra wajah yang frontal. Pengertian Citra secara umum dapat didefinisikan sebagai fungsi intensitas cahaya dari suatu objek dalam dua dimensi (Gonzales&Paul,199). Citra yang biasa dilihat adalah citra analog yang merupakan fungsi intensitas cahaya dalam bidang D. Bilanganbilangan pembentuk intensitas pada citra analog berupa bilangan riil. Sedangkan citra digital merupakan hasil konversi bilangan tersebut ke bentuk diskrit. Jadi citra digital adalah representasi citra dalam bentuk diskrit, baik pada koordinat ruang maupun nilai intensitas cahayanya. Untuk mendapatkan citra digital berwarna dengan format RGB dan mempunyai kedalaman warna true color, dilakukan digitalisasi tiga kali baik secara serial (bergiliran) maupun secara parallel (bersamaan), sehingga dihasilkan tiga citra digital gray level yang masing-masing merepresentasikan warna merah, hijau, dan biru. Ketiganya kemudian digabung menurut warna dasarnya masing-masing untuk memperoleh citra digital true color. Segmentasi Citra Segmentasi merupakan proses pembagian citra menjadi beberapa segmen ( region atau area ) yang homogen berdasarkan kriteria criteria keserupaan tertentu antara tingkat keabuan suatu piksel dengan tingkat keabuan piksel-piksel tetangganya. Proses segmentasi citra ini lebih banyak merupakan suatu proses pra pengolahan pada system pengenalan obyek dalam citra dengan melibatkan pengidentifikasian feature paling penting pada sebuah citra. Proses ini menghasilkan citra biner dari citra yang memiliki derajat keabuan. Thresholding biasanya berarti mengeset semua piksel yang memiliki grey level dibawah nilai threshold tertentu menjadi nol ( warna hitam ) atau diatas nilai threshold tertentu menjadi satu ( warna putih ). 18
2 Model warna kulit Representasi warna yang banyak digunakan dalam gambar adalah RGB color space. Dari dua komponen RGB color space hanya nilai chrominance sebuah citra berwarna yang diambil, karena nilai luminance tidak penting dalam pemisahan skin region dan non skin region (Henry&Ulises,000). Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai ekstension dari teori konvensional atau crisp set. Di dalam teori crisp set, suatu elemen hanya dapat digolongkan sebagai anggota atau bukan anggota dari suatu set atau himpunan. Sehingga di dalam teori crisp set, suatu elemen yang merupakan anggota mempunyai tingkat keanggotaan (membership level) penuh atau satu (unity) dan suatu elemen yang bukan anggota mempunyai tingkat keanggotaan nol. Suatu misal, jika set A adalah merupakan suatu himpunan bilangan real dan x, maka secara matematis tingkat keanggotaan suatu elemen x di dalam set A dapat dinyatakan dengan persamaan : A x dimana jika jika A x x A (1) x A menunjukkan tingkat keanggotaan elemen x di dalam set A. Dalam hal ini dinyatakan bahwa tingkat keanggotaan suatu elemen hanya dikenal sebagai 1.0 (anggota penuh) atau 0.0 (sama sekali bukan anggota), sehingga di dalam crisp set, tingkat keanggotaannya dinyatakan sebagai pemetaan ke 0 dan 1 yang secara matematis dinotasikan sebagai A x 01, (Legind,00). Akan tetapi, di dalam teori fuzzy set dikenal adanya keanggotaan secara parsial. Dalam hal ini maka tingkat keanggotaan suatu elemen di didalam suatu set merupakan fungsi kontinu dari 0.0 sampai 1.0. Sehingga pemetaan tingkat keanggotaan pada teori fuzzy set dapat dinotasikan sebagai A x 01,. Sebagai misal, jika A merupakan set atau himpunan bilangan real yang dekat dengan bilangan nol. Secara crisp akan sulit atau paling tidak akan sangat subjektip untuk menentukan bilangan-bilangan mana yang dekat dengan bilangan nol. Pada penelitian ini menjelaskan suatu metode atau algoritma untuk mendeteksi muka pada citra berwarna dengan menggunakan warna sebagai informasinya berdasarkan teori fuzzy. Ada dua proses, untuk menggambarkan warna kulit dan kemudian mengekstrak area kulit, lalu membandingkannya dengan model head-shape yang telah dibuat menggunakan metoda fuzzy untuk mendeteksi face candidate. Disini teori fuzzy berperanan dalam memberikan nilai kemiripan antara face candidate area dengan model head shape. Metoda ini dapat mendeteksi wajah dengan ukuran yang berbeda dan berbagai macam pose baik di dalam ruangan maupun luar ruangan. Permasalahan dibahas dalam penelitian ini adalah bagaimana melakukan segmentasi citra berdasarkan ciri warna, bagaimana mendapatkan region yang optimal untuk diproses selanjutnya, dan bagaimana menggunakan teori fuzzy untuk mendapatkan face location. Sedangkan tujuan Penelitian adalah menganalisa performansi perangkat lunak untuk pendeteksian wajah manusia yang terdapat pada citra input yang mengandung wajah; menganalisa tahap segementasi pada tiga level, serta kemampuannya untuk melakukan face location dengan menggunakan metode fuzzy. METODOLOGI Pada penelitian ini, sistem deteksi wajah terbagi menjadi dua sub sistem yang masing-masing saling berkaitan dalam proses deteksi wajah, yaitu : 1. Tahap Segmentasi Sub sistem ini berfungsi untuk melakukan pemisahan citra. Area yang menyerupai warna kulit manusia akan 19
3 diproses sebagai region. Region hasil segmentasi merupakan candidate face region.. Tahap Deteksi wajah Sub sistem ini mendeteksi wajah dari suatu citra input. Candidate face region yang didapatkan dari tahap sebelumnya dilakukan klarifikasi berupa wajah atau bukan. Dalam pengujian dibutuhkan : a. Citra masukan berupa citra true color yang mengandung wajah b. Format citra jpg. c. Komponen citra yang digunakan adalah komponen RGB d. Untuk meningkatkan keakuratan sistem citra input tidak mengandung wajah manusia yang nempel dengan wajah manusia lainnya e. Penggunaan teori fuzzy hanya pada sub sistem deteksi saja f. Pengujian algoritma dilakukan dengan piranti perangkat lunak (software) dalam MATLAB. Diharapkan dari penelitian ini akan didapatkan porsentase keberhasilan deteksi serta menganalisa akan kebutuhan waktu dalam melakukan tahap segmentasi. Parameter-parameter masukan yang ada pada sistem ini: a. Input yang digunakan adalah citra RGB true color yang memiliki format JPG b. Level segmentasi Penilaian Pengujian Kriteria penilaian citra output meliputi : a. Terdeteksi dengan Tepat : semua wajah dalam citra input dapat dideteksi dengan baik b. Terdeteksi Sebagian : tidak semua wajah dalam citra input dideteksi c. Tidak Tepat Terdeteksi : ada bagian bukan wajah dideteksi sebagai wajah d. Tidak Terdeteksi : tidak ada output yang dikeluarkan dari sistem Deskripsi Sistem Segmentasi warna Citra input berformat RGB diubah kedalam YCbCr. Y merupakan nilai intensitas citra sedangkan Cb dan Cr merupakan representasi kromatik biru dan merah. Matriks Cb dan Cr difilter dengan filter mean, kemudian dilakukan pembandingan dengan model warna kulit yang ada untuk menandai region kulit sehingga didapat citra pemetaan kulit bertipe biner. Dari citra biner didapat beberapa region yang akan diproses untuk menentukan apakah region tersebut merupakan wajah atau bukan. Region ini disebut dengan candidate face region. Memproses candidate face region Pada tahap ini dilakukan perhitungan pixel warna kulit. Untuk menghitung bagian warna kulit dalam square region, dengan cara menghitung rata-rata kemiripan warna kulit (a s ) dengan menggunakan rumus: as p region SCS( p) () n dimana SCS(p) merupakan pixel yang menyerupai warna kulit dan n adalah ukuran dari square region. Kemudian menentukan Rs yang merupakan fuzzy set dari As a s : : Rs [0,1] (3) As Rs menggambarkan hubungan antara rata-rata warna kulit a s dengan bagian warna kulit pada square region. Untuk menghitung As digunakan rumus keanggotaan fuzzy tipe S sebagai berikut: 0 ( x a) ( b a) S( x; a, b) ( x a) 1 ( b a) 1 x a; ( a b) a x ; ( a b) x b; b x (4) 0
4 Klasifikasi Klasifikasi merupakan tahap terakhir dalam mendeteksi apakah sebuah candidate face region merupakan wajah atau bukan. Dengan mencari nilai kemiripan antara square region dan cell pada head shape. Metode untuk membandingkan property square region (Rs) dan property cell (Mf) menggunakan fuzzy relation. Derajat kemiripan antara dua property tersebut dinyatakan dengan b a x1 x AE( x1, x) e (5) Kemudian untuk mendapatkan nilai yang pas antara bagian rectangular pada image dan model head shape adalah dengan menjumlahkan derajat kemiripan yang didapatkan dari rumus diatas : matchrect (,model) square rect matchsquarecell (, ) (8) mxn dimana m dan n adalah jumlah baris dan kolom dari cell pada model headshape. Pada simulasi ini digunakan Matlab 6.1, processor Pentium III frek 667 MHz, RAM 56 MB. menghitung jarak antar property Rs dan Mf: HASIL Rs Mf ( RsMf) (6) Analisa Hasil Pengujian tahap Kemiripan antara square region dan cell Segmentasi pengujian dilakukan terhadap dapat dihitung dengan rumus: 30 citra input dengan ukuran multiscale dan berbagai macam jenis warna kulit. match( square, cell) AE( Rs, Mf) e e (( ) ) 0.5 b a RsMf b a ( RsMf )...(7) Perbandingan jumlah pixel hasil segmentasi pixel Level 1 Level Level Image1 Image3 Image5 image7 Image9 Image11 Image13 Image15 Image17 Image19 Image1 Image3 Image5 Image7 Image9 input Gambar 1. Grafik perbandingan jumlah pixel hasil segmentasi terhadap level Pada gambar 1 terlihat bahwa sebagian besar hasil segmentasi level tiga memberikan jumlah pixel yang lebih banyak dari level yang lainnya. Hal ini disebabkan karena pada level tiga range warnanya lebih banyak, sehingga waktu segmentasi banyak pixel yang menyerupai warna kulit tersegmentasi. 1
5 Perbandingan waktu segmentasi terhadap level 30 5 waktu Level 1 Level Level banyak pixel Gambar. Grafik perbandingan waktu segmentasi terhadap level Pada gambar dapat dilihat bahwa semakin besar pixel yang diproses waktu yang diberikan akan semakin besar namun waktu pada tiap level segmentasi tidak memberikan perbedaaan yang signifikan artinya waktu tidak dipengaruhi oleh besarnya range warna kulit yang diproses pada tahap segmentasi tapi dipengaruhi oleh ukuran citra input / banyak pixel. Tabel 1. porsentase keberhasilan deteksi level tidak tepat tidak sebagian level 1 8% 8% 6% 4% level 86% 4% 6% 4% level 3 60% 8% 4% 8% Dari table 1 diatas, tingkat deteksi yang tertinggi terdapat pada level sedangkan level 3 memiliki tingkat deteksi yang paling rendah, dan level 3 angka untuk tidak tepat juga tinggi. Dapat disimpulkan segmentasi level memberikan hasil deteksi yang lebih akurat. Tabel 1. porsentase keberhasilan deteksi level tidak tepat tidak sebagian level 1 8% 8% 6% 4% level 86% 4% 6% 4% level 3 60% 8% 4% 8% Dari table 1 diatas, tingkat deteksi yang tertinggi terdapat pada level sedangkan level 3 memiliki tingkat deteksi yang paling rendah, dan level 3 angka untuk tidak tepat juga tinggi. Dapat disimpulkan segmentasi level memberikan hasil deteksi yang lebih akurat.
6 Porsentase deteksi 100% 90% 80% 70% 60% 50% 40% 30% 0% 10% 0% 86% 8% 60% 8% 8% 4% 6% 6% 8% 4% 4% 4% tidak tepat tidak sebagian Level 1 Level Level 3 Gambar 3. Grafik porsentase deteksi Gambar 3 dibawah ini merupakan salah satu contoh citra uji yang mengandung wajah manusia. Hasil pengujian menunjukkan bahwa keberhasilan deteksi tidak terlalu tergantung kepada posisi kepala, skala, maupun kondisi khusus yang terdapat pada wajah seperti adanya jenggot, kacamata, atau topi meskipun hal tersebut cukup berpengaruh terhadap hasil deteksi. Hasil deteksi lebih banyak dipengaruhi oleh persyaratan yang telah diuraikan sebelumnya. image50.jpg wajah pertama segmentasi image50.jpg wajah kedua Gambar 4. Hasil citra uji deteksi PEMBAHASAN Dari data hasil segmentasi terlihat bahwa waktu segmentasi semakin besar jika jumlah pixel suatu gambar, semakin besar. Dalam pembuatan skin likelihood, tingkat kemiripan setiap pixel dengan warna kulit dihitung, melibatkan komponen cb dan cr setiap pixel. Semakin besar jumlah pixel input, semakin banyak proses perhitungan, sehingga waktu proses juga semakin besar. Tahap Deteksi Perbandingan jumlah pixel, jumlah skin region dan waktu deteksi terlampir. Parameter yang berpengaruh terhadap waktu proses adalah jumlah skin region dalam satu gambar, ukuran minimal sebuah skin region, rasio tinggi terhadap lebar skin region dan menghitung nilai fuzzy relation. Untuk menyeleksi apakah suatu skin region mengandung wajah manusia ditentukan berdasarkan 4 tahapan. Pertama, menghilangkan region-region kecil yang tersegmentasi sebagai region kulit untuk menghasilkan gambar baru yang hanya mengandung region-region yang berukuran besar. Region-region kecil ini banyak ditemui pada citra input yang memiliki warna yang kompleks. Syarat pertama ini, efektif untuk mengurangi waktu deteksi. Kedua, analisa terhadap persyaratan rasio tinggi terhadap lebar skin region. Rasio ditentukan dengan membagi tinggi terhadap 3
7 lebar. Di sini ditentukan batasan dimana rasio tinggi terhadap lebar yang minimum adalah 0.8. Hal ini ditetapkan karena batasan deteksi wajah dengan posisi vertikal atau agak miring, sedangkan rasio normal tinggi terhadap lebar wajah manusia adalah 1 (Henry,000). Batasan tentang posisi wajah vertikal ini dilakukan untuk menghindari kesalahan deteksi karena dari hasil pengujian diketahui bahwa komponen background ataupun bendabenda lainnya selain wajah manusia banyak yang memiliki warna mirip dengan warna kulit sehingga mungkin menyebabkan kesalahan deteksi. Disebabkan oleh hal yang sama pula, ditentukan batasan maksimum rasio tinggi terhadap lebar skin region sebesar 1.6. Jika suatu skin region memiliki rasio lebih besar dari 1.6 maka tinggi region tersebut dikurangi dengan melakukan perhitungan ulang. Proses ini akan memperpanjang waktu deteksi. Untuk skin region yang memenuhi persyaratan ini, proses deteksi dilanjutkan untuk menganalisa persyaratan ketiga yaitu ukuran minimal dari sebuah skin region. Ukuran minimal ini mengacu pada model head shape. Jadi ukuran skin region tidak boleh lebih kecil dari ukuran model head shape. Disini head shape berukuran 40x7. Jika ukuran minimal ini tidak terpenuhi maka skin region tersebut tidak perlu dilanjutkan dengan proses persyaratan berikutnya sehingga waktu yang diperlukan lebih singkat. Kemudian persyaratan terakhir yaitu menghitung fuzzy relation. Pada bagian ini, region yang akan dideteksi dibagi menjadi beberapa blok, jika daerah region tersebut luas maka jumlah bloknya juga akan semakin besar dan ini akan membutuhkan waktu proses yang semakin tinggi. Untuk menentukan skin region tersebut termasuk wajah atau bukan maka diberikan suatu nilai threshold. Pada penelitian ini, setelah melakukan beberapa percobaan didapatkan nilai threshold yang optimal adalah jika didapati nilai dibawah angka threshold, maka skin region tersebut dideteksi sebagai wajah. Dengan demikian terlihat bahwa untuk skin region yang melalui semua tahapan sebagai persyaratan wajah diperlukan waktu proses yang lebih panjang. Parameter terakhir adalah jumlah skin region dalam satu gambar. Karena proses analisa tahapan berlaku untuk setiap skin region, maka proses tersebut akan diulang-ulang untuk setiap skin region yang berbeda dalam sebuah gambar. Dengan demikian semakin besar jumlah skin region dalam sebuah gambar, waktu deteksi yang dibutuhkan akan semakin panjang. Dari lampiran deteksi juga terlihat ada sejumlah citra input yang tidak tepat. Tidak tepat disini maksudnya adalah hasil deteksi yang ditampilkan tidak hanya wajah manusia. Jadi ada obyek lain yang bukan merupakan wajah manusia yang sebagai wajah. Penyebab utama kasus ini adalah adanya obyek-obyek lain yang mempunyai kemiripan warna dengan warna kulit. Sehingga obyek ini ikut tersegmentasi sebagai skin region. Ketika skin region ini dianalisa dengan ke-empat persyaratan diatas dan memenuhi persyaratan tersebut, maka skin region ini dideteksi sebagai wajah. Kasus ini terjadi pada image level 3, image15 level 1&3, image7 level 3, dst. Secara keseluruhan ke-empat persyaratan yang ditentukan untuk menyeleksi skin region yang mengandung wajah manusia memang menyebabkan hasil deteksi yang cukup baik, dilihat dari porsentase keberhasilan deteksi. Meskipun pada beberapa input, bagian tubuh yang bukan merupakan wajah ikut seperti image 16 yang mendeteksi leher dan rambut, tetapi hasil deteksi masih dapat dikatakan baik. Hal ini tidak menjadi masalah karena rambut dan leher meskipun bukan bagian dari wajah, tapi berada di sekitar wajah sehingga hasil deteksi pun masih terfokus pada wajah, seperti yang dapat dilihat pada gambar 5. 4
8 Gambar 5. Hasil deteksi untuk kasus bagian leher dan rambut yang sebagai wajah Dari keseluruhan hasil deteksi, diketahui bahwa kegagalan atau kesalahan deteksi lebih banyak ditentukan oleh hasil segmentasi. Dengan memperbaiki proses segmentasi diharapkan akan diperoleh hasil segmentasi yang lebih tepat merepresentasikan warna kulit. Uji Kinerja Sistem Kinerja sistem dapat diukur dari ketepatan sistem dalam mendeteksi wajah. Untuk uji kinerja sistem digunakan berbagai citra uji yang mempunyai variasi dalam: Kondisi pencahayaan (brightness dan contrast) Ukuran (scale) Rotasi / kemiringan Kondisi ditambahkan noise Citra input tidak mengandung wajah manusia Citra uji dengan berbagai macam kondisi diatas tidak diikutsertakan dalam perhitungan porsentase keberhasilan. Input tersebut diikutsertakan untuk membuktikan bahwa metode yang diterapkan dapat menangani kondisi diatas. Kategori Pengujian Pengujian pada penambahan kondisi pencahayaan yang berbeda Pada kondisi pencahayaan dilakukan pengujian pada 8 kondisi pencahayaan yang berbeda pada satu citra input. Dari pengujian terbukti bahwa 6 citra dan citra tidak, segmentasi yang dilakukan terhadap skin region serupa dengan persepsi manusia terhadap warna kulit. Hal ini dapat dilihat pada citra dibawah ini yang tidak. Kedua image ini, yaitu image- level-100-contrast ditambahkan kekontrasan dari citra asli yang menyebabkan warna kulit tidak dikenali sebagai region kulit sedangkan image- level-00-max ditambahkan pencahayaan sehingga dari citra tersebut tidak bisa lagi dikenali mana bagian yang berwarna kulit dan segmentasi pun tidak bisa dilakukan. Pengujian pada skala yang berbeda dari citra yang sama Pengujian dilakukan pada 6 skala yang berbeda pada image. dua citra dengan skala 5% dan 50% tidak. Penyebab kegagalan image-5% pada persyaratan ketiga karena ukuran citra biner hasil segmentasi lebih kecil dari ukuran minimalnya. Dan image-50% penyebab kegagalannya terdapat pada persyaratan terakhir yaitu fuzzy relationnya bernilai dimana nilai tersebut melebihi nilai threshold. Sedangkan image-75% pada segmentasi level 1 & system tidak mendeteksi wajah namun segmentasi level 3 adanya wajah. Hal ini disebabkan oleh nilai fuzzy relation yang didapatkan pada segmentasi level 1 & melebihi nilai threshold pada system Pengujian pada citra input yang terotasi / miring pengujian dilakukan pada image dengan rotasi 15%, 30%, 45%, 60%, 90%, dan 180%. Dari ke-enam citra uji tersebut system dapat mendeteksi bagian wajah dengan tepat, karena segmentasi yang dilakukan tidak terpengaruh oleh keadaan citra yang terotasi. Pengujian pada penambahan kondisi noise yang berbeda Noise yang digunakan dalam pengujian ini adalah uniform, Gaussian, motion blur, diffuse, dan blur. Citra yang digunakan adalah image sehingga citra 5
9 uji menjadi 5 buah dengan kondisi noise diatas. Pendeteksian terhadap citra yang telah ditambahi noise tersebut dapat mendeteksi wajah dengan baik hanya satu citra yang gagal. Citra yang tidak adalah citra yang ditambahkan dengan noise Gaussian. Penyebab kegagalannya dapat dilihat dari tahap segmentasi dimana pada citra biner terdapat region-region kecil. Region-region kecil tersebut dihilangkan sebagai persyaratan pertama pada pendeteksian wajah, sehingga didapat satu region yang tersisa untuk diproses selanjutnya. Namun pada syarat ketiga, semua region tidak memenuhi karena ukurannya lebih kecil dari ukuran minimal. Pengujian pada Citra input tidak mengandung wajah manusia Pengujian dilakukan pada citra input yang mengandung wajah anjing. Hal ini dilakukan untuk menguji kemampuan sistem apakah sistem mendeteksi ada wajah manusia atau bukan. Kalau dilihat dari hasil segmentasinya, dapat diketahui bahwa persyaratan deteksi yang ditentukan cukup baik dalam menyeleksi skin region yang ada dalam sebuah gambar. sistem mendeteksi adanya warna yang menyerupai warna kulit manusia, dapat dilihat dari gambar 5 dibawah ini: dog.jpg segmentasi dog.jpg Gambar 6. Citra uji yang bukan mengandung wajah manusia Namun pada persyaratan terakhir, region yang diproses memberikan nilai kemiripan diluar batas threshold. Jadi hasil pengujian terbukti bahwa sistem tidak mendeteksi adanya wajah manusia pada citra input. karena simulasi ini memang didesain untuk mendeteksi wajah manusia. SIMPULAN Berdasarkan hasil analisa terhadap uji kinerja sistem deteksi wajah dapat ditarik kesimpulan sebagai berikut: 1. Proses segmentasi yang semakin bagus akan mendukung sistem dalam mendeteksi wajah lebih optimal, karena segmentasi merupakan proses awal dari sebuah pendeteksian.. Segmentasi dengan mengambil citra sample yang terlalu banyak tidak menjamin keakuratan deteksi. 3. Waktu keseluruhan deteksi berbanding lurus dengan ukuran citra input, jumlah skin region, jumlah skin region yang memenuhi persyaratan wajah. 4. Persyaratan yang ditetapkan berperan cukup baik dalam menyeleksi setiap skin region yang akan diidentifikasikan sebagai wajah manusia. SARAN 1. Untuk mendapatkan hasil deteksi yang lebih akurat dapat dilakukan dengan memperbaiki segmentasi warna kulit berdasarkan ras manusia. Sistem bisa menangani berbagai macam citra input UCAPAN TERIMA KASIH Terima kasih kepada Bapak Suyanto dan bapak Eddy Muntina Dharma yang telah berbagi ilmu dan membimbing penulis hingga rampungnya penelitian ini dalam menyelesaikan skripsi di IT Telkom. DAFTAR PUSTAKA Bandemer,Hans & Gottwald,Siegfried Fuzzy Sets,Fuzzy Logic,Fuzzy Methods with Applications. West Sussex PO19 1UD. England. G Wyszecki dan WS Styles,198. Color Science: Concepts and Methods, Quantitative Data and Formulae, second edition, Jhon Wiley & Sons. New York. Gonzales,Rafael & Paul Wintz C.199 Digital Image Processing. Addison 6
10 Wesley Publishing Company Inc. USA. H Wu, Q Chen, dan M Yachida, Face Detection from Color Images Using a Fuzzy Pattern Matching Method, IEEE Trans.Pattern Analysis and Machine Intelligence, vol. 1, no. 6, pp ,June Henry Chang, Ulises Robles, Face Detection, EE 368 Final Project Report, May 000. Jie Yang dan Alex Waibel, A Real Time Face Tracker, CMU CS Technical Report. Legind, Henrik. 00. Possibility Theory and Fuzzy Pattern Matching, University Esbjerg. Ming-hsuan Ynag, Narendra Ahuja, David Kriegman,1999. A Survey on Face Detection Methods.. Y Gong dan M Sakauchi, Detection of regions Matching Specified Chromaticity Features, Computer Vision and Image Understanding. Vol.61.no pp
DETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING
DETEKSI WAJAH BERBASIS SEGMENTASI WARNA KULIT MENGGUNAKAN RUANG WARNA YCbCr & TEMPLATE MATCHING Rony Wijanarko *, Nugroho Eko Fakultas Teknik Universitas Wahid Hasyim Semarang Jl. Menoreh Tengah X/22 Semarang
Lebih terperinciAplikasi Deteksi Wajah pada Foto Dijital dalam Sistem Pengenalan Wajah
st Seminar on Application and Research in Industrial Technology, SMART 2006 Yogyakarta, 27 April 2006 Aplikasi Deteksi Wajah pada Foto Dital ) Karmilasari, 2) Dewi Agushinta R, dan 3) Syahrul Ramadhan
Lebih terperinciImplementasi Edge Detection Pada Citra Grayscale dengan Metode Operator Prewitt dan Operator Sobel
Implementasi Edge Detection Pada Citra Grayscale dengan Metode Operator Prewitt dan Operator Sobel Sri Enggal Indraani, Ira Dhani Jumaddina, Sabrina Ridha Sari Sinaga (enggal24@gmail.com, Ira.dhani5393@gmail.com,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciPertemuan 2 Representasi Citra
/29/23 FAKULTAS TEKNIK INFORMATIKA PENGOLAHAN CITRA DIGITAL ( DIGITAL IMAGE PROCESSING ) Pertemuan 2 Representasi Citra Representasi Citra citra Citra analog Citra digital Matrik dua dimensi yang terdiri
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciKONSEP DASAR PENGOLAHAN CITRA
KONSEP DASAR PENGOLAHAN CITRA Copyright @ 2007 by Emy 2 1 Kompetensi Mampu membangun struktur data untuk merepresentasikan citra di dalam memori computer Mampu melakukan manipulasi citra dengan menggunakan
Lebih terperinciKata kunci : citra, pendeteksian warna kulit, YCbCr, look up table
Pendeteksian Warna Kulit berdasarkan Distribusi Warna YCbCr Elrica Pranata / 0422002 Email : cha_nyo2@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Marantha Jalan Prof. Suria Sumantri
Lebih terperinciAnalisa Perbandingan Metode Edge Detection Roberts Dan Prewitt
Analisa Perbandingan Metode Edge Detection Roberts Dan Prewitt Romindo Polikteknik Ganesha Medan Jl. Veteran No. 190 Pasar VI Manunggal romindo4@gmail.com Nurul Khairina Polikteknik Ganesha Medan Jl. Veteran
Lebih terperinciRepresentasi Citra. Bertalya. Universitas Gunadarma
Representasi Citra Bertalya Universitas Gunadarma 2005 Pengertian Citra Digital Ada 2 citra, yakni : citra kontinu dan citra diskrit (citra digital) Citra kontinu diperoleh dari sistem optik yg menerima
Lebih terperinciBAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL
BAB II TEORI DASAR PENGOLAHAN CITRA DIGITAL 2.1 Citra Secara harafiah, citra adalah representasi (gambaran), kemiripan, atau imitasi pada bidang dari suatu objek. Ditinjau dari sudut pandang matematis,
Lebih terperinciPembentukan Citra. Bab Model Citra
Bab 2 Pembentukan Citra C itra ada dua macam: citra kontinu dan citra diskrit. Citra kontinu dihasilkan dari sistem optik yang menerima sinyal analog, misalnya mata manusia dan kamera analog. Citra diskrit
Lebih terperinciGRAFIK KOMPUTER DAN PENGOLAHAN CITRA. WAHYU PRATAMA, S.Kom., MMSI.
GRAFIK KOMPUTER DAN PENGOLAHAN CITRA WAHYU PRATAMA, S.Kom., MMSI. PERTEMUAN 8 - GRAFKOM DAN PENGOLAHAN CITRA Konsep Dasar Pengolahan Citra Pengertian Citra Analog/Continue dan Digital. Elemen-elemen Citra
Lebih terperincioleh: M BAHARUDIN GHANIY NRP
oleh: M BAHARUDIN GHANIY NRP. 1202 109 022 Teknologi fotografi pada era sekarang ini berkembang sangat pesat. Hal ini terbukti dengan adanya kamera digital. Bentuk dari kamera digital pada umumnya kecil,
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinciIDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET ABSTRAK
IDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET Disusun oleh : Moriska Beslar 0422101 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH no.65,
Lebih terperinciProses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer
Pengolahan Citra / Image Processing : Proses memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau komputer Teknik pengolahan citra dengan mentrasformasikan citra menjadi citra lain, contoh
Lebih terperinciBAB II. Computer vision. teknologi. yang. dapat. Vision : Gambar 2.1
BAB II LANDASAN TEORI Computer vision adalah bagian dari ilmu pengetahuan dan teknologi yang membuat mesin seolah-olah dapat melihat. Komponen dari Computer Vision tentunya adalah gambar atau citra, dengan
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 terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
Lebih terperinciSIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP)
SIMULASI DAN ANALISIS SISTEM PENGENALAN WAJAH TAMPAK SAMPING MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP) Ardy Dwi Caesaryanto¹, Bambang Hidayat², Ratri Dwi Atmaja³ ¹Teknik Telekomunikasi,, Universitas
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciPengenalan Warna Kulit Untuk Klasifikasi Ras Manusia Andy Putra P. Zebua /
Pengenalan Warna Kulit Untuk Klasifikasi Ras Manusia Andy Putra P. Zebua / 0522099 Email : te.0522099_ukm@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha Jalan Prof. drg.
Lebih terperinciDeteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson
Deteksi Tepi pada Citra Digital menggunakan Metode Kirsch dan Robinson Veronica Lusiana Program Studi Teknik Informatika, Universitas Stikubank email: verolusiana@yahoo.com Abstrak Segmentasi citra sebagai
Lebih terperinciMuhammad Zidny Naf an, M.Kom. Gasal 2015/2016
MKB3383 - Teknik Pengolahan Citra Pengolahan Citra Digital Muhammad Zidny Naf an, M.Kom. Gasal 2015/2016 CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis)
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Digital Istilah citra biasanya digunakan dalam bidang pengolahan citra yang berarti gambar. Suatu citra dapat didefinisikan sebagai fungsi dua dimensi, di mana dan adalah
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
Lebih terperinciPENGOLAHAN CITRA DIGITAL MENGGUNAKAN TEKNIK FILTERING ADAPTIVE NOISE REMOVAL PADA GAMBAR BERNOISE
PENGOLAHAN CITRA DIGITAL MENGGUNAKAN TEKNIK FILTERING ADAPTIVE NOISE REMOVAL PADA GAMBAR BERNOISE Aeri Rachmad Jurusan Teknik Informatika Fakultas Teknologi Informasi Institut Teknologi Adhi Tama Surabaya
Lebih terperinciPENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN
PENDETEKSIAN TEPI OBJEK MENGGUNAKAN METODE GRADIEN Dolly Indra dolly.indra@umi.ac.id Teknik Informatika Universitas Muslim Indonesia Abstrak Pada tahap melakukan ekstraksi ciri (feature extraction) faktor
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) merupakan
Lebih terperinciSEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 )
SEGMENTASI CITRA DIGITAL DENGAN MENGGUNAKAN ALGORITMA WATERSHED DAN LOWPASS FILTER SEBAGAI PROSES AWAL ( November, 2013 ) Pramuda Akariusta Cahyan, Muhammad Aswin, Ir., MT., Ali Mustofa, ST., MT. Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciPERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL. Lia Amelia (1) Rini Marwati (2) ABSTRAK
PERBANDINGAN METODE ROBERTS DAN SOBEL DALAM MENDETEKSI TEPI SUATU CITRA DIGITAL Lia Amelia (1) Rini Marwati (2) ABSTRAK Pengolahan citra digital merupakan proses yang bertujuan untuk memanipulasi dan menganalisis
Lebih terperinciKOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL
KOMBINASI METODE MORPHOLOGICAL GRADIENT DAN TRANSFORMASI WATERSHED PADA PROSES SEGMENTASI CITRA DIGITAL Rudy Adipranata Universitas Kristen Petra Jl. Siwalankerto 121-131, Surabaya. Telp. (031) 8439040
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Computer Vision Komputerisasi memiliki ketelitian yang jauh lebih tinggi bila dibandingkan dengan cara manual yang dilakukan oleh mata manusia, komputer dapat melakukan berbagai
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Deteksi wajah pada suatu citra merupakan bagian yang penting dalam perkembangan sistem pengenalan wajah (Face Recognition). Pengenalan wajah banyak digunakan untuk
Lebih terperinciANALISA DETEKSI KELOMPOK USIA DAN GENDER BERDASARKAN KONTUR WAJAH DENGAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) WAJAH DENGAN PENGOLAHAN CITRA DIGITAL Marlina Novalinda Br Purba¹, Achmad Rizal², Suryo Adhi Wibowo³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Teknologi pengolahan
Lebih terperinciBAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan
Lebih terperinciPENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I Made Satria Wibawa 2 ABSTRAK
Jurnal Dinamika, April 2017, halaman 18-29 P-ISSN: 2087-889 E-ISSN: 2503-4863 Vol. 08. No.1 PENERAPAN SEGMENTASI MULTI KANAL DALAM MENDETEKSI SEL PARASIT PLASMODIUM SP. I Made Agus Wirahadi Putra 1, I
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 3.1 Pengumpulan Data Tahap ini merupakan langkah awal dari penelitian. Dataset
Lebih terperinciBAB 2 TINJAUAN TEORETIS
BAB 2 TINJAUAN TEORETIS 2. Citra Digital Menurut kamus Webster, citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek atau benda. Citra digital adalah representasi dari citra dua dimensi
Lebih terperinciPerbaikan Kualitas Citra Menggunakan Metode Contrast Stretching (Improvement of image quality using a method Contrast Stretching)
Perbaikan Kualitas Citra Menggunakan Metode Contrast Stretching (Improvement of image quality using a method Contrast Stretching) Nur Wakhidah Fakultas Teknologi Informasi dan Komunikasi Universitas Semarang
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 terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
Lebih terperinciPengolahan Citra : Konsep Dasar
Pengolahan Citra Konsep Dasar Universitas Gunadarma 2006 Pengolahan Citra Konsep Dasar 1/14 Definisi dan Tujuan Pengolahan Citra Pengolahan Citra / Image Processing Proses memperbaiki kualitas citra agar
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciDETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL
DETEKSI KEBAKARAN BERBASIS WEBCAM SECARA REALTIME DENGAN PENGOLAHAN CITRA DIGITAL Ari Sutrisna Permana 1, Koredianto Usman 2, M. Ary Murti 3 Jurusan Teknik Elektro - Institut Teknologi Telkom - Bandung
Lebih terperinciReview Paper. Image segmentation by histogram thresholding using hierarchical cluster analysis
Review Paper Image segmentation by histogram thresholding using hierarchical cluster analysis Agus Zainal Arifin a,*, Akira Asano b a Graduate School of Engineering, Hiroshima University, 1-4-1 Kagamiyama,
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciBAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Citra Digital
4 BAB 2 TINJAUAN PUSTAKA 2.1 Dasar Teori Bab ini berisi tentang teori yang mendasari penelitian ini. Terdapat beberapa dasar teori yang digunakan dan akan diuraikan sebagai berikut. 2.1.1 Citra Digital
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 terperinciCS3214 Pengolahan Citra - UAS. CHAPTER 1. Pengantar Pengolahan Citra
CS3214 Pengolahan Citra - UAS CHAPTER 1. Pengantar Pengolahan Citra Fakultas Informatika IT Telkom CITRA Citra (image) = gambar pada bidang 2 dimensi. Citra (ditinjau dari sudut pandang matematis) = fungsi
Lebih terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB III PERANCANGAN SISTEM. Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Pada dewasa sekarang ini sangat banyak terdapat sistem dimana sistem tersebut sudah terintegrasi dengan komputer, dengan terintegrasinya sistem tersebut
Lebih terperinciPendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *)
Pendeteksian Tepi Citra CT Scan dengan Menggunakan Laplacian of Gaussian (LOG) Nurhasanah *) *) Jurusan Fisika, FMIPA Universitas Tanjungpura Abstrak CT scan mampu menghasilkan citra organ internal (struktur
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciMILIK UKDW BAB I PENDAHULUAN. 1.1 Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang Permasalahan Thinning atau penipisan citra adalah suatu operasi untuk mereduksi citra biner dalam suatu objek menjadi rangka (skeleton) yang menghampiri sumbu objek.
Lebih terperinciDeteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV
Jati Sasongko Wibowo Program Studi Teknik Informatika, Universitas Stikubank email : jatisw@gmail.com Abstrak Dalam model HSV (Hue Saturation Value) ini digunakan untuk segmentasi warna kulit manusia dan
Lebih terperinciKlasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt
Klasifikasi Kualitas Keramik Menggunakan Metode Deteksi Tepi Laplacian of Gaussian dan Prewitt Ardi Satrya Afandi Fakultas Teknologi Industri Universitas Gunadarma Depok, Indonesia art_dhi@yahoo.com Prihandoko,
Lebih terperinciDETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR
DETEKSI DAN SEGMENTASI OTOMATIS DERET PADA CITRA METERAN AIR Naser Jawas STIKOM Bali Jl. Raya Puputan, No.86, Renon, Denpasar, Bali Email: naser.jawas@gmail.com ABSTRAK Meter air adalah sebuah alat yang
Lebih terperinciPengantar PENGOLAHAN CITRA. Achmad Basuki PENS-ITS Surabaya 2007
Pengantar PENGOLAHAN CITRA Achmad Basuki PENS-ITS Surabaya 2007 TUJUAN Mahasiswa dapat membuat aplikasi pengolahan citra Mahasiswa dapat menerapkan konsep-konsep pengolahan citra untuk menghasilkan suatu
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang
23 BAB 3 PERANCANGAN SISTEM 3.1 Deskripsi Sistem Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang sesuai kemudian dihubungkan dengan komputer yang akan mengolah gambar seperti
Lebih terperinciMengenal Lebih Jauh Apa Itu Point Process
Mengenal Lebih Jauh Apa Itu Point Process Faisal Ridwan FaizalLeader99@yahoo.com Lisensi Dokumen: Copyright 2003-2007 IlmuKomputer.Com Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi
Lebih terperinciDAFTAR ISI. Lembar Pengesahan Penguji... iii. Halaman Persembahan... iv. Abstrak... viii. Daftar Isi... ix. Daftar Tabel... xvi
DAFTAR ISI Halaman Judul... i Lembar Pengesahan Pembimbing... ii Lembar Pengesahan Penguji... iii Halaman Persembahan... iv Halaman Motto... v Kata Pengantar... vi Abstrak... viii Daftar Isi... ix Daftar
Lebih terperinciAPLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT
MAKALAH SEMINAR TUGAS AKHIR APLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT Rizki Salma*, Achmad Hidayatno**, R. Rizal Isnanto** 1 Sistem deteksi wajah, termasuk
Lebih terperinciPENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION
PENINGKATAN KUALITAS CITRA DENGAN METODE FUZZY POSSIBILITY DISTRIBUTION Sugiarti sugiarti_fikumi@ymail.com Universitas Muslim Indonesia Abstrak Peningkatan kualitas citra merupakan salah satu proses awal
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciSISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON
30 BAB IV SISTEM REKOGNISI KARAKTER NUMERIK MENGGUNAKAN ALGORITMA PERCEPTRON 4.1 Gambaran Umum Sistem Diagram sederhana dari program yang dibangun dapat diilustrasikan dalam diagram konteks berikut. Gambar
Lebih terperinciSegmentasi Dan Pelabelan Pada Citra Panoramik Gigi
Segmentasi Dan Pelabelan Pada Citra Panoramik Gigi Nur Nafi iyah 1, Yuliana Melita, S.Kom, M.Kom 2 Program Pascasarjana Sekolah Tinggi Teknik Surabaya Email: nafik_unisla26@yahoo.co.id 1, ymp@stts.edu
Lebih terperinciRaden Abi Hanindito¹, -². ¹Teknik Informatika, Fakultas Teknik Informatika, Universitas Telkom
Powered by TCPDF (www.tcpdf.org) ANALISIS & IMPLEMENTASI IMAGE DENOISING DENGAN MENGGUNAKAN METODE NORMALSHRINK SEBAGAI WAVELET THRESHOLDING ANALYSIS & IMPLEMENTATION IMAGE DENOISING USING NORMALSHRINK
Lebih terperinciIDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang
IDENTIFIKASI MACAN TUTUL DENGAN METODE GREY LEVEL COOCURENT MATRIX ( GLCM) Zuly Budiarso Fakultas teknologi Informasi, Univesitas Stikubank Semarang Abstrak Tekstur (Textures) adalah sifat-sifat atau karakteristik
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAAN METODE TEMPLATE MATCHING 1 Yunifa Miftachul Arif, 2 Achmad Sabar 1 Jurusan Teknik Informatika, Fakultas Saintek, UIN Maulana Malik Ibrahim Malang 2 Jurusan Sistem Komputer,
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 terperinciSEGMENTASI WARNA CITRA DENGAN DETEKSI WARNA HSV UNTUK MENDETEKSI OBJEK
SEGMENTASI WARNA CITRA DENGAN DETEKSI WARNA HSV UNTUK MENDETEKSI OBJEK Benedictus Yoga Budi Putranto, Widi Hapsari, Katon Wijana Fakultas Teknik Program Studi Teknik Informatika Universitas Kristen Duta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap
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 terperinciImplementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi Metode Watershed Transformation Dalam Segmentasi Tulisan Aksara Bali Berbasis Histogram Komang Budiarta,
Lebih terperinciPENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY
PENDETEKSI TEMPAT PARKIR MOBIL KOSONG MENGGUNAKAN METODE CANNY Minati Yulianti 1, Cucu Suhery 2, Ikhwan Ruslianto 3 [1] [2] [3] Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura Jl. Prof.
Lebih terperinciPENERAPAN ALGORITMA EFFICIENT RANDOMIZED UNTUK MENGHITUNG JUMLAH KOIN DAN BOLA ABSTRAK
PENERAPAN ALGORITMA EFFICIENT RANDOMIZED UNTUK MENGHITUNG JUMLAH KOIN DAN BOLA Yuliana Melita Pranoto 1, Endang Setyati 2 1) Teknik Informatika, Sekolah Tinggi Teknik Surabaya Jl. Ngagel Jaya Tengah 73-77
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciGambar 15 Contoh pembagian citra di dalam sistem segmentasi.
dalam contoh ini variance bernilai 2000 I p I t 2 = (200-150) 2 + (150-180) 2 + (250-120) I p I t 2 = 28400. D p (t) = exp(-28400/2*2000) D p (t) = 8.251 x 10-4. Untuk bobot t-link {p, t} dengan p merupakan
Lebih terperinciBAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
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 terperinciPengolahan Citra Digital FAJAR ASTUTI H, S.KOM., M.KOM
Pengolahan Citra Digital FAJAR ASTUTI H, S.KOM., M.KOM PENILAIAN TUGAS : 30% UTS : 30% UAS : 40% REFERENSI Slides & Hand outs; Digital Image Processing; Rafael C. Gonzalez & Richard E Woods; Addison Wesley
Lebih terperinciBAB 2 LANDASAN TEORI. Teknologi pengenalan teks merupakan teknologi yang mampu mengenali teks
BAB 2 LANDASAN TEORI 2.1 Pengenalan Teks Teknologi pengenalan teks merupakan teknologi yang mampu mengenali teks pada citra digital dan mengalihkannya pada dokumen digital. Aplikasi dari teknologi pengenalan
Lebih terperinci3. BAB III METODE PENELITIAN
3. BAB III METODE PENELITIAN 3.1 Metode Penelitian Penelitian ini menggunakan jenis penelitian eksperimen, dengan tahapan penelitian sebagai berikut: 1. Pengumpulan data Tahap ini dilakukan sebagai langkah
Lebih terperinciKULIAH 1 TEKNIK PENGOLAHAN CITRA PENGANTAR MATRIKS
KULIAH TEKNIK PENGOLAHAN CITRA PENGANTAR MATRIKS Matriks merupakan sebuah susunan segiempat siku-siku dari bilanganbilangan, dalam baris dan kolom. Bilangan-bilangan tersebut disebut entri atau elemen
Lebih terperinciPENGENALAN WAJAH MELALUI WEBCAM DENGAN METODA GABOR WAVELET-KERNEL FISHER ANALYSIS
PENGENALAN WAJAH MELALUI WEBCAM DENGAN METODA GABOR WAVELET-KERNEL FISHER ANALYSIS HERON P HAREFA NRP : 0222187 PEMBIMBING : IR. AAN DARMAWAN, MT. UNIVERSITAS KRISTEN MARANATHA FAKULTAS TEKNIK JURUSAN
Lebih terperinci