PEMODELAN WAJAH BAYI DENGAN MENGGUNAKAN ACTIVE SHAPE MODEL UNTUK PENDETEKSI KOMPONEN WAJAH
|
|
- Doddy Kurniawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PEMODELAN WAJAH BAYI DENGAN MENGGUNAKAN ACTIVE SHAPE MODEL UNTUK PENDETEKSI KOMPONEN WAJAH Reddy Alexandro Harianto (1), Handayani Tjandrasa (2) Jurusan Teknik Informatika, Fakultas Teknologi Informasi Institut Teknologi Sepuluh Nopember, Surabaya (1), (2) ABSTRAK Cara berkomunikasi dari seorang bayi yang paling efektif adalah dengan cara menangis. Sebelum penelitian ini dilakukan, sudah terdapat beberapa penelitian yang membuat sistem pendeteksi pada bayi menangis dari suaranya. Masalah yang timbul adalah jika terdapat seorang bayi yang mengalami gangguan dengan pita suaranya sehingga tidak dapat mengeluarkan suara tangisan. Oleh karena itu, diusulkan sebuah sistem untuk mendeteksi komponen wajah bayi dari gambar menggunakan Active Shape Model. Penelitian ini bertujuan membentuk sebuah model dari wajah bayi agar hasilnya nanti dapat digunakan pada penelitian terkait dengan wajah bayi. Komponen-komponen wajah yang didapatkan dari model ini adalah lokasi mata, alis, hidung, mulut, serta beberapa titik pendukung lain. Uji coba pada penelitian ini menggunakan video yang di ekstrak framenya secara otomatis dan dicari komponen wajahnya. Hasilnya 59% dari keseluruhan frame yang ada, dapat di ekstrak komponen wajahnya. Pada skenario uji coba yang lain dimana terdapat 31 variasi wajah bayi yang framenya dipilih secara manual, sistem dapat mendeteksi 94.28% dari jumlah frame yang tersedia. Kata kunci: Active Shape Model, Wajah Bayi, Komponen Wajah ABSTRACT The most effective way to communicate from the baby is through crying. In the past, there were many researches about systems that could detect whether a baby was crying. the system had limitation especially when the baby could not cry because of the broken vocal cord. This research suggests a system that can detect baby facial components on the image using Active Shape Model. The extracted components, like eyes, eyebrows, nose and mouth are calculated. Testing process of this research will use videos which frames will be extracted in order to get the face components. The result is that the system can extract face components from 59% of all frames. If the frames were chosen manually with 31 different faces, the system can detect 94.28% of all frames. Keywords: Active Shape Model, facial Component, Active Contour. PENDAHULUAN Penelitian computer vision pada wajah bayi pada awalnya bermula pada penelitian apakah bayi yang sedang menangis merasakan rasa nyeri atau tidak (Schiavenato, 2008). Dalam berkomunikasi dengan orang lain bayi sering mengungkapkannya dengan cara menangis, karena bayi bayi tersebut belum bisa mengekspresikan kebutuhan dan keinginannya melalui bahasa. Pada kenyataannya tangisan bayi memiliki banyak makna, tetapi yang paling berbahaya ketika tangisan bayi karena nyeri (pain). Sebenarnya pada penelitian-penelitian sebelumnya (Shota Yamamoto, 2013) dan (Hanindito, 2013). Sudah diteliti tentang sistem yang mampu mendeteksi bayi menangis melalui suaranya. Kondisi rumah sakit yang menempatkan beberapa bayi dalam satu ruang akan sangat sulit untuk mengisolasi suara tangis bayi terutama saat ada beberapa bayi yang menangis. Kondisi lain yang juga harus diperhitungkan adalah bagaimana menangani bayi yang memiliki kelainan pita suara (bisu) sehingga saat menangis tidak mengeluarkan suara. Salah satu penelitian terkait dengan deteksi bayi adalah penelitian dari Schiavenato yang meneliti 28
2 tentang perubahan komponen wajah bayi pada saat bayi mengalami rasa nyeri (Schiavenato, 2008). Pada penelitian ini titik-titik penting wajah bayi diamati secara manual. Kemudian hasil pengukuran jaraknya saat bayi mengalami kesakitan dan akan dibandingkan dengan saat bayi tidak mengalami kesakitan. Contoh titik-titik yang diamati tampak dari hasil pendeteksian wajah. Beberapa titik yang digunakan dapat dilihat pada Gambar 1. ACTIVE SHAPE MODEL Active Shape Model (ASM) merupakan suatu model statistik yang dicetuskan pada tahun an oleh Tim Cootes (Tim Cootes, 1995) dan telah digunakan dalam berbagai keperluan. Sebagai contoh, ASM telah digunakan dalam bidang kedokteran untuk menganalisa hasil MRI (Magnetic Resonance Imaging) otak dan mengidentifikasi tulang dari hasil X-Ray dari sendi pinggul (Taylor C. J., 1997). Selain itu contoh penggunaan ASM yang lain adalah penggunaannya untuk segementasi citra otak yang diambil melalui MRI (Duta, 1998 ) serta klasifikasi tanaman dari gambar (Persson, 2008). Pada implementasinya terdapat dua buah tahapan dalam algoritma ASM, yaitu tahap training dan tahap fitting. Tahap training merupakan tahap pengekstraksian data dan pengetahuan dari data training, sementara tahap training merupakan tahap yang akan menghasilkan informasi dari data input yang diberikan sesuai dengan hasil pembelajaran dari tahap training. Gambar 1. Titik-Titik Penting Penelitian Schiavenato Pada tahun 2010 (Lucey, 2010), telah dilakukan penelitian untuk menganalisa wajah orang dewasa sedang mengalami nyeri atau tidak dengan menggunakan Active Appearance Model (AAM). Ada penelitian lain (Pu, 2010) yang meneliti tracking fitur-fitur wajah orang dewasa pada video dan ekstrasi fiturnya menggunakan Active Shape Model (ASM). Oleh karena banyaknya penelitian terkait pada wajah dan tidak adanya penelitian wajah pada bayi yang dilakukan secara otomatis, dalam penelitian ini diusulkan sebuah sistem yang dapat melakukan pencarian komponen wajah bayi secara otomatis. Pendekatan yang dilakukan dengan menggunakan metode-metode yang digunakan pada wajah orang dewasa. Sistem ini diharapkan dapat menghasilkan lokasi komponen-komponen wajah bayi, sehingga model wajah bayi yang didapat pada peneletitian ini bisa digunakan untuk mendeteksi nyeri pada bayi atau permsalahan yang lebih sederhana adalah untuk mendeteksi tangisan pada bayi. Gambar 2. Data training dengan titik keterangannya (Lanitis, 1997) 1. ASM TRAINING Tahap training membutuhkan sekumpulan citra yang relevan dengan objek yang akan dikenali. Sebagai contoh, jika tujuan objek yang akan dikenali adalah wajah manusia maka sekumpulan citra yang harus disediakan untuk proses training adalah citra wajah. Pada data training harus terdapat citra dengan tingkat keragaman yang relevan dengan objek yang akan dikenali, sehingga variasi bentuk objek dapat dimodelkan dengan 29
3 baik. Model yang sederhana dapat dibentuk dari data training yang sedikit, hanya sekitar 10 (sepuluh) sampai 20 (dua puluh) citra saja. Dalam membentuk data training, selain dibutuhkan citra yang relevan dengan objek yang akan dikenali, untuk setiap citra tersebut juga dibutuhkan keterangan mengenai titik-titik yang sesuai untuk merepresentasikan bentuk objek tersebut. Titik-titik ini akan digunakan untuk memperoleh shape atau bentuk yang sesuai untuk objek yang akan dikenali. Pada Gambar 2 merupakan contoh data citra training beserta dengan titik-titik keterangannya. Tidak terdapat aturan mengenai jumlah titik-titik harus dimiliki oleh setiap citra training, tetapi untuk setiap citra training harus memiliki jumlah titik-titik yang sama. Data training berupa citra dua dimensi. Oleh karena itu sekumpulan titik-titik untuk data training tersebut dapat direpresentasikan dengan vektor 2n-dimensi, dimana n merupakan jumlah titik yang ditandai untuk setiap citra training. Jadi untuk setiap titik yang direpresentasikan dengan maka vektor tersebut dapat ditulis dengan cara: dan rotasi sebesar θ. Dengan tujuan untuk mengetahui ketepatan sebuah model, diperlukan fungsi untuk mengukurnya. Fungsi ini dapat dibentuk dengan mendeteksi tepi citra atau edge detection dan menghitung jumlah jarak kuadrat antara setiap titik pada bentuk terhadap titik tepi terdekat dari citra tersebut. Gambar 3. Pengukuran Akurasi Model (T. F. Cootes E. R., 2000) x ( x1,..., xn, y1,..., yn) Setiap kumpulan titik akan merepresentasikan sebuah bentuk. Mean shape atau bentuk rata-rata diperoleh dengan menghitung rata-rata dari N vektor, dimana N adalah jumlah citra pada data training, bentuk rata-rata ini akan digeser dan diletakkan pada pusat dengan melakukan translasi, serta diperbesar sehingga jumlah kuadrat dari setiap titik-titiknya akan berjumlah FITTING ASM Ketika ASM telah dibentuk dari kumpulan data training, model dapat digunakan untuk menyesuaikan citra yang baru. Tujuan dasar dari proses fitting adalah mencari parameter vektor, b, rotasi, θ, perbesaran, s dan vektor translasi, (x_t,y_t). Hal ini bertujuan agar bentuk x sedapat mungkin merepresentasikan objek dalam citra sebagai berikut: x Txt, yt, s, ( x Ab) Dimana T merepresentasikan transformasi dengan translasi terhadap (x_t,y_t), perbesaraan sebesar s, Gambar 4. Contoh Proses Fitting ASM (T. F. Cootes E. R., 2000) Proses fitting akan dilakukan secara berulangulang. Pada citra yang baru, bentuk yang pertama kali digunakan adalah bentuk rata-rata (mean shape). Jika fitting dilakukan pada video, maka bentuk yang digunakan sebagai bentuk awal untuk proses fitting adalah bentuk yang didapat setelah 30
4 proses fitting pada frame sebelumnya. Bentuk awal ini akan dilambangkan dengan x. Kemudian akan ditarik sebuah garis yang tegak lurus dengan setiap titik model akan diperpanjang hingga menemukan tepi objek dari citra seperti yang terlihat pada Gambar 3. Sedangkan hasil proses fitting tiap iterasi dapat dilihat pada gambar 4. METODOLOGI Pada bagian ini akan dijelaskan mengenai usulan metode yang akan digunakan untuk mendapatkan komponen wajah bayi. Terdapat beberapa tahap sebelum dapat mendapatkan komponen wajah bayi. Tahapannya adalah pemilihan frame dari video atau gambar yang digunakan sebagai input. Dari video input yang didapatkan, dilakukan proses face detection untuk menghasilkan ROI (Region of Interest) wajah bayi. Setelah lokasi wajah bayi ditemukan maka tahap terakhir adalah mencari lokasi komponen wajah dari model yang telah ditraining sebelumnya. Secara skema alur kerja ini dapat dilihat pada gambar 5. metode ini lebih banyak digunakan untuk mendeteksi wajah. Pada algoritma ini terdapat beberapa konsep utama, yaitu: haar-like feature, integral image agar proses pendeteksian berjalan dengan cepat, metode machine-learning AdaBoost, dan cascaded classifier untuk mengkombinasikan banyak fitur dengan efektif dan efisien. Fitur yang digunakan pada algoritma Viola-Jones merupakan fitur yang berbasis haar wavelets. Haar wavelets adalah gelombang tunggal yang berbentuk segiempat yang hanya mempunyai interval tinggi dan interval rendah. Jika digambarkan dalam dua dimensi, sebuah gelombang segiempat digambarkan dengan sepasang segiempat yang berdekatan-satu berwarna terang dan satunya lagi berwarna gelap. Sesungguhnya kombinasi bidang segiempat yang digunakan untuk deteksi objek visual bukanlah haar wavelets yang sebenarnya, tetapi lebih cocok untuk digunakan sebagai deteksi objek visual. Oleh karena itu, fitur-fitur ini disebut haar-like features, dan bukan haar wavelets (Jones P. V., 2001). Nilai nilai fitur Haar ini disimpan pada xml yang nantinya digunakan untuk melakukan proses pencarian ROI wajah bayi. Hasil dari tahap ini dapat dilihat pada gambar 6. Gambar 6. Hasil Face Detection Gambar 5. Tahapan Metode Usulan Tahap pertama pada penelitian ini adalah frame selection. Frame selection jika pada video yang dilakuakan adalah dengan cara sampling framenya. Sedangkan jika pemilihan frame secara manual dilakukan dengan mencari wajah bayi yang tampak depan dan seluruh komponen wajahnya terlihat dengan jelas. Tahap selanjutnya adalah face detection. Proses Face detection wajah bayi ini yang akan dipakai adalah algoritma Viola Jones yang digagas pada tahun Algoritma ini merupakan metode untuk mendeteksi objek dalam gambar jadi tidak hanya pada wajah saja. Akan tetapi penggunaan Setelah ROI wajah bayi ditemukan tahap terakhir adalah melakukan proses fitting ASM. Dimana ASM modelnya telah ditraning terlebih dahulu. Setelah melewati proses ini maka akan didapatkan lokasi komponen wajah bayi yang nantinya dapat digunakan sebagai input pada penelitian terkait dengan wajah bayi. BABY FACE MODELING Proses Baby Face Modeling dibagi menjadi dua bagian yaitu bagian training dan bagian fitting sesuai dengan algoritma ASM yang digunakan. Tahap training pada fase baby face modeling merupakan tahap yang akan dilakukan untuk 31
5 menghasilkan sebuah file ASM model dengan format AMF yang akan digunakan dalam tahap fitting. 1. Training Baby Face Model Sebelum program melakukan proses training pada fase face modeling, sebelumnya telah harus disediakan sekumpulan citra wajah bayi. Sekumpulan citra wajah bayi ini akan menjadi dataset untuk proses training. Menurut Cootes, yang menciptakan algoritma Active Shape Model ini, variasi dari dataset harus mampu melambangkan jenis-jenis objek yang diinginkan agar dapat dikenali. Oleh sebab itu, dataset pada penelitian ini memanfaatkan beraka ragam orang dan juga dari satu orang yang sama diambil beberapa ekpresi dan dalam berbagai sudut pemotretan. (perangkat lunak) yang diciptakan oleh Tim Cootes sendiri yang dapat di download pada halaman publikasi Tim Cootes. Pertama-tama, file dengan ekstensi *.smd yang berisikan daftar data training. file yang kedua adalah file dengan ekstensi *.part yang berisikan daftar titik yang hendak dikenali. Pada file yang terakhir dengan ekstensi *.aamprops berisikan parameter-parameter untuk trainingnya. Ketiga file ini akan digunakan sebagai input dari aplikasinya yang nanti akan menghasilkan model dari ASM atau juga bisa titik-titik acuan disimpan menjadi format point. Dataset Bayi Face Detection Haar Cascade XML ASM Training ASM Model Gambar 7 Alur Kerja Proses Training Pada Baby Face Modeling Selanjutnya jika telah terkumpul citra wajah bayi, maka citra bayi tersebut akan ditandai satu persatu. Tanda akan dibubuhkan pada setiap citra pada dataset. Tanda ini berupa titik-titik yang akan menandai fitur-fitur yang terdapat pada wajah. Tidak terdapat aturan mengenai jumlah titik yang harus ditandai pada suatu wajah, namun untuk setiap citra pada dataset, harus memiliki jumlah titik fitur yang sama. Titik-titik ini harus melambangkan fitur-fitur yang terdapat pada wajah. Pada penelitian ini, akan digunakan 68 (enam puluh delapan) titik fitur wajah untuk setiap citra dataset yang digunakan. Titik-titik fitur wajah ini nantinya akan digunakan oleh program untuk pembuatan ASM model. Daftar titik yang digunakan dapat dilihat pada tabel 1. Pemberian titik fitur wajah pada citra dapat dilakukan secara manual menggunakan software Gambar 8 Aplikasi ASM_Tools beserta Citra Wajah bayi beserta Titik-Titik Fitur Pada Gambar 8 terlihat terdapat nomor-nomor pada wajah, nomor tersebut yang merupakan titiktitik penting yang akan ditrainingkan. Urutan dari titik-titik fitur wajah ini harus memiliki urutan dan jumlah yang sama pada setiap citra dalam dataset. Artinya, jika pada gambar pertama titik ke-0 menandakan posisi bola mata kiri wajah bayi, maka pada semua citra yang akan digunakan dalam proses training, titik ke-0 juga harus menandakan posisi bola mata kiri wajah bayi. Jika jumlah titik tidak sama maka model yang hendak di training akan gagal dan tidak dapat menghasilkan model wajah yang diharapkan. 32
6 Titik fitur wajah ke-0 hingga titik fitur wajah ke-14 menandai area batas luar wajah bagian depan. Namun titik-titik ini tidak menandai semua bagian frontal wajah, hanya menandai bagian frontal wajah dari dekat telinga kiri menuju dagu kemudian menuju dekat telinga kanan. Titik fitur wajah ke-15 hingga titik fitur wajah ke- 36 menunjukkan bagian alis dan mata. Titik fitur wajah ke-15 hingga titik fitur wajah ke-20 menandai alis kanan wajah sedangkan titik fitur wajah ke-21 hingga titik fitur wajah ke-26 menandai alis kiri wajah. Kemudian titik fitur wajah ke-27 hingga titik fitur wajah ke-30 menandai area kiri, atas, kanan dan bawah mata kiri sementara titik fitur wajah ke-31 menandai posisi bola mata kiri. Demikian juga dengan titik fitur wajah ke-32 hingga titik fitur wajah ke-35 menandai area kanan, atas, kiri, dan bawah mata kanan sementara fitur ke-36 menandai posisi bola mata kanan. Tabel 1. Daftar Titik Fitur Wajah Indeks Titik Fitur Wajah Titik ke-0 hingga titik ke-14 Titik ke-15 hingga titik ke-20 Titik ke-21 hingga titik ke-26 Titik ke-27 hingga titik ke-31 Titik ke-32 hingga titik ke-36 Titik ke-37 hingga titik ke-47 Titik ke-48 hingga titik ke-59 Titik ke-60 hingga titik ke-66 Titik ke-67 Penjelasan Area Batas luar wajah Alis kanan Alis kiri Mata kiri Mata kanan Hidung Mulut bagian luar Mulut bag. dalam Tengah wajah Titik fitur wajah ke-37 hingga titik fitur wajah ke- 47 menandai area hidung, dimana titik fitur wajah ke-37 hingga titik fitur wajah ke-45 menunjukkan bentuk hidung sementara titik fitur wajah ke-46 dan ke-47 menunjukkan lokasi lubang hidung kiri dan kanan. Area mulut dibagi menjadi dua bagian, yaitu bagian luar dan bagian dalam. Area mulut bagian luar dapat juga disebut area bibir bagian luar, ditandai oleh titik fitur wajah ke-48 hingga titik fitur wajah ke-59. Titik-titik fitur ini menandai hampir seluruh bagian luar bibir sehingga dapat digunakan untuk mengetahui bentuk bibir bagian luar. Terdapat 2 (dua) buah titik untuk menandai ujung mulut kanan dan ujung mulut kiri. Sementara bagian luar bibir atas dan bawah ditandai masingmasing sebanyak 5 (lima) titik. Sementara bagian dalam mulut ditandai oleh titik fitur wajah ke-60 hingga titik fitur wajah ke-65. Baik bagian dalam bibir atas maupun bawah ditandai dengan 3 (tiga) titik pada masing-masing bibir untuk menggambarkan bagian dalam mulut. Titik fitur ke-66 digunakan untuk menandai bagian tengah mulut. Yang terakhir adalah titik fitur wajah ke-67 yang menandai bagian pusat wajah. Biasanya titik terakhir fitur wajah ini terletak pada tengah hidung. Setelah semua dataset citra di bubuhi titik-titik fitur, tahap selanjutnya adalah mentraining data tersebut dijadikan ASM Model. Proses ini merupakan proses untuk mendapatkan shape (bentuk) rata-rata dari kumpulan citra yang terdapat dalam dataset beserta kumpulan titik-titik fitur wajahnya. Proses ini akan menghasilkan sebuah file ASM model yang akan digunakan dalam proses ASM fitting pada fase face modeling fitting. Pada penelitian ini proses ASM training akan dilakukan dengan bantuan ASMLibrary milik Yao Wei yang dibuat pada bulan November Setelah melakukan proses training menggunakan ASMLibrary, akan diperoleh sebuah file berformat AMF yang berisi model dari hasil training. 2. Fitting Baby Face Model Tahap fitting pada fase baby face modeling merupakan tahapan proses yang akan dilakukan setelah mendeteksi wajah bayi. Pada tahap ini, file ASM model yang dihasilkan dari proses training akan digunakan untuk menentukan titik-titik fitur untuk citra yang baru. Diharapkan untuk setiap citra wajah input, akan didapatkan titik-titik fitur wajah seperti yang terdapat pada dataset citra pada proses training. Proses fitting dalam algoritma Active Shape Model ini juga akan dilakukan dengan bantuan ASMLibrary. Pada prosesnya, akan digunakan hasil dari proses ASM training. Proses fitting bertujuan agar bentuk yang disusun dari titik-titik fitur wajah dapat dengan tepat merepresentasikan bentuk wajah yang terdapat pada citra yang sedang diproses. 33
7 121 frame dan jumlah frame yang sudah terekstrak dari face detection adalah 69 buah. Jika dibagikan antara jumlah frame yang terekstrak dan jumlah frame keseluruahan maka akan didapatkan 57% dari total frame dapat di identifikasi fitur-fiturnya. Gambar 9. Contoh Hasil Fitting ASM Agar dapat merepresentasikan bentuk wajah dengan tepat, proses fitting dilakukan secara iteratif hingga jumlah iterasi yang telah ditentukan, selama jalannya iterasi, tingkat error akan semakin berkurang sehingga pada iterasi terakhir, titik-titik fitur dapat membentuk wajah pada citra dengan tepat. Jumlah iterasi yang biasanya dilakukan adalah 20 (dua puluh) iterasi. Dengan menggunakan ASMLibrary, proses fitting yang menggunakan 20 (dua puluh) iterasi dapat dilakukan dalam waktu kurang dari satu detik. UJI COBA Uji coba dilakukan dengan dua skenario, yaitu uji coba terhadap video yang berisikan satu wajah. Dari video ini diekstrak framenya secara otomatis dengan metode sampling frame. Skenario kedua adalah melakukan proses dari 105 gambar yang telah disediakan dengan variasi 31 wajah. Pada skenario 1 dilakukan dengan 3 jenis yang berbeda pada jumlah sampling framenya tiap detik. Spesifikasi yang dilakukan yaitu: 1 frame tiap detik, 5 frame tiap detik, 15 frame tiap detik. Hasil dari ekstraksi ini dilihat pada gambar 10 yang berisikan diagram batang antara jumlah frame yang tersedia dan frame yang berhasil diekstrak. Pada Gambar 10 terdapat dua diagram batang yang menyatakan jumlah frame dan frame terekstrak. Jumlah frame merupakan total frame yang tersedia dari video sedangkan frame terekstrak menyatakan bahwa frame yang dinyatakan memenuhi syarat, yaitu terdeteksi mata, hidung, mulut, dan lain-lain. Pertama-tama akan dibahas mengenai skenario 1. Hasil dari skenario 1 terdapat total frame sebesar Gambar 10. Hasil Ekstraksi Frame Selanjutnya dibahas mengenai skenario 2. Hasil dari skenario 2 terdapat total frame sebesar 601 frame dan jumlah frame yang sudah terekstrak adalah 355 buah. Jika dibandingkan antara total frame dan jumlah frame yang dapat diekstrak fiturnya adalah 59% frame dapat diektrak. Pembahasan yang terakhir adalah skenario yang ke 3. Hasil dari skenario 3 terdapat total frame sebesar 1803 frame dan jumlah frame yang sudah terekstrak adalah 1063 buah. Jika dibandingkan jumlah frame yang dapat diektrak adalah 58.95%. Rata-rata waktu yang butuhkan untuk mendeteksi wajah dan melakukan proses fitting dari tiap frame rata-rata membutuhkan waktu 128 CPU time. Sehingga untuk memproses pada skenario 3 membutuhkan waktu lebih dari CPU time yang didapatkan dari waktu rata-rata dikalikan dengan jumlah frame yang terekstrak. Berbeda dengan Uji coba pada video frame otomatis. Uji coba denga banyak variasi wajah memiliki nilai yang sangat baik. Dari 105 gamar yang diujikan terdapat 99 gambar dapat diekstrak. Jika dibandingkan antara jumlah gambar yang terekstrak dan jumlah gambar yang tersedia 94.28% gambar dapat diekstrak komponen 34
8 wajahnya. Hal ini dikarenakan pada video terdapat wajah bayi yang tidak mengarah secara frontal atau pada pemilihan samplingnya mengambil pada frame yang buram (blur) dikarenakan pergerakan bayi yang ada didalam video atau dikarenakan komponen wajah yang tertutup oleh benda lain seperti tangan atau lain lain. KESIMPULAN Baby Caregiver. Int Journal of Advanced Robotic System, T. F. Cootes, E. R. (2000). An introduction to active shape models Tim Cootes, C. J. (1995). Active shape modelstheir training and application. Computer vision and image understanding, vol. 61, no. 1, pp Adapun beberapa kesimpulan yang didapatkan antara lain: 1. Komponen wajah bayi dapat diekstrak dengan menggunakan algoritma ASM. Nilai akurasi komponen yang dihasilkan 94% gambar dapat diekstrak komponen wajahnya. 2. Model wajah bayi yang diusulkan mampu menangani variasi wajah. Dari proses uji coba yang terdiri dari 31 wajah, keseluruhan data yang diujikan dapat diekstrak. 3. Berdasarkan skenario uji coba pemotongan frame secara otomatis, frame yang dapat diekstrak adalah 59%. Oleh karena itu disimpulkan algoritma sampling frame pada video tidak efektif, diperlukan algoritma tambahan untuk mencari frame yang memenuhi kriteria proses pencarian komponen wajah. DAFTAR PUSTAKA 1. Hanindito, E. (2013). Validasi Dinamika Pola Akustik Tangis Sebagai Indikator Nyeri Akut Pasca Bedah Pada Bayi. Surabaya: Disertasi Doktor Universitas Airlangga. 2. Jones, P. V. (2001). Rapid Object Detection Using a Boosted Cascade of Simple Features. Vomputer Vision and Pattern Recognition (pp. I-511). IEEE Computer Society Conference. 3. Jones, P. V. (2004). Robust real-time Face Detection. International journal of computer vision vol. 57, no. 2, Lucey, P. (2010). Automatically Detecting Pain in Video Through. IEEE Systems, Man, and Cybernetics Society, Pu, B. (2010). Video Facial Feature Tracking with Enhanced ASM and Predicted Meanshift Second International Conference on Computer Modeling and Simulation, Schiavenato, M. B. (2008). Neonatal pain facial expression: Evaluating the primal face of pain. Pain 138, no. 2, Shota Yamamoto, Y. Y. (2013). Recognition of a Baby's Emotional Cry Towards Robotics 35
Pengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality
Pengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality Endang Setyati Information Technology Department Sekolah Tinggi Teknik Surabaya endang@stts.edu,
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciPEMANFAATAN REAL-TIME FACE TRACKING DALAM APLIKASI AUGMENTED REALITY FRAME KACAMATA ABSTRAK
PEMANFAATAN REAL-TIME FACE TRACKING DALAM APLIKASI AUGMENTED REALITY FRAME KACAMATA 1 Endang Setyati, 2 David Alexandre Teknik Informatika Sekolah Tinggi Teknik Surabaya 1 endang@stts.edu, 2 v.davidalexandre@gmail.com
Lebih terperinciDETEKSI DAN REPRESENTASI FITUR MATA PADA SEBUAH CITRA WAJAH MENGGUNAKAN HAAR CASCADE DAN CHAIN CODE
DETEKSI DAN REPRESENTASI FITUR MATA PADA SEBUAH CITRA WAJAH MENGGUNAKAN HAAR CASCADE DAN CHAIN CODE Riandika Lumaris dan Endang Setyati Teknologi Informasi Sekolah Tinggi Teknik Surabaya riandika.lumaris@gmail.com
Lebih terperinciPrototype Pendeteksi Jumlah Orang Dalam Ruangan
e-issn: 2528-4053 36 Prototype Pendeteksi Jumlah Orang Dalam Ruangan Nesi Syafitri 1, Adri 2 1,2 Jurusan Teknik Informatika, Fakultas Teknik, Universitas Islam Riau E-mail: nesisyafitri@uir.ac.id, adrisaputra91@gmail.com
Lebih terperinciDeteksi Jenis Kendaraan di Jalan Menggunakan OpenCV
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-296 Deteksi Jenis di Jalan Menggunakan OpenCV Alvin Lazaro, Prof. Dr. Ir. Joko Lianto Buliali, M.Sc., Bilqis Amaliah S.Kom.,
Lebih terperinciSISTEM PELACAKAN WAJAH METODE HAAR
SISTEM PELACAKAN WAJAH METODE HAAR Endah Sudarmilah Jurusan Teknik Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Email : endah_te@yahoo.com Abstrak. Penelitian deteksi
Lebih terperinciSistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones
Jurnal Emitor Vol.17 No. 01 ISSN 1411-8890 Sistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones Adinda Rizkita Syafira Program Studi Informatika Universitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pengolahan citra digital merupakan salah satu subjek dari teknologi informasi yang sangat menarik dan menantang saat ini. Proses pengolahan citra digital bertujuan
Lebih terperinciREALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES
REALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES Avrian Andreas Marjono NRP : 1222006 e-mail : avrianandreas@yahoo.co.id ABSTRAK Rasa
Lebih terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
Lebih terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciSistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones
Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones M. Dwisnanto Putro Mahasiswa Magister Instrumentasi Teguh Bharata Adji Staf Pengajar Jurusan Teknik Bondhan Winduratna Staf Pengajar Jurusan Teknik
Lebih terperinciFACIAL MOTION CAPTURE MENGGUNAKAN ACTIVE APPEARANCE MODEL BERBASIS BLENDER
FACIAL MOTION CAPTURE MENGGUNAKAN ACTIVE APPEARANCE MODEL BERBASIS BLENDER Tri Afirianto 1), Mochamad Hariadi 2) 1) Mahasiswa Program Studi Game Tech Teknik Elektro FTI ITS Keputih, Sekolilo, Surabaya
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
Lebih terperinciSISTEM IDENTIFIKASI WAJAH MANUSIA BERDASARKAN GENDER DAN USIA
SISTEM IDENTIFIKASI WAJAH MANUSIA BERDASARKAN GENDER DAN USIA Bayu Tri Wibowo 1 Karmilasari 2 1,2 Teknik Informatika Universitas Gunadarma, 1 bayu.tigundar@gmail.com 2 karmila@staff.gunadarma.ac.id Abstrak
Lebih terperinciAUTOMATIC HEAD ROTATING SYSTEM PADA DIGITAL PET MEMANFAATKAN FACE DETECTION
AUTOMATIC HEAD ROTATING SYSTEM PADA DIGITAL PET MEMANFAATKAN FACE DETECTION Hadriansa 1 dan Yosi Kristian 2 1 Teknik Informatika STMIK PPKIA Tarakanita Rahmawati 2 Teknik Informatika Sekolah Tinggi Teknik
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah
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 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 terperinciPENDETEKSIAN TITIK TITIK JANGKAR UNTUK VERIFIKASI FACE 3D
PENDETEKSIAN TITIK TITIK JANGKAR UNTUK VERIFIKASI FACE 3D Dahlan Abdullah 1, Safwandi 2 Dosen Teknik Informatika Universitas Malikussaleh Abstract This paper outlines methods to detect key anchor points
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciABSTRAK. Aplikasi Metode Viola Jones dan Eigenface Untuk Pengenalan Ekspresi Wajah Manusia
ABSTRAK Aplikasi Metode Viola Jones dan Eigenface Untuk Pengenalan Ekspresi Wajah Manusia Disusun Oleh : Ayu Maulidya (1122065) Program Studi Teknik Elektro, Fakultas Teknik,, Jl. Prof.Drg.Suria Sumantri,
Lebih terperinciPERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2
PERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2 Disusun oleh : Steven Christian Santosa (1222038) Program Studi Teknik Elektro, Fakultas Teknik,
Lebih terperinciBAB II TINJAUAN PUSTAKA. penelitian yang didapat oleh peneliti terdahulu yang relevan dengan
BAB II TINJAUAN PUSTAKA Bagian ini akan membahas mengenai tinjauan pustaka yang memuat hasilhasil penelitian yang didapat oleh peneliti terdahulu yang relevan dengan penelitian. 3.1 Tinjauan Pustaka Interaksi
Lebih terperinciLAPORAN PENELITIAN DOSEN MUDA. Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
LAPORAN PENELITIAN DOSEN MUDA Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah Oleh : Endah Sudarmilah, S.T, M.Eng Umi Fadlillah, S.T Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah
Lebih terperinciESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
Lebih terperinciDeteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata Berty Chrismartin Lumban Tobing Fakultas Ilmu Komputer Universitas Indonesia Depok berty.chrismartin@ui.ac.id
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 terperinciBAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
Lebih terperinciHUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR
HUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
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 terperinciPENGARUH GOLDEN RATIO PADA PROPORSI WAJAH TERHADAP PERSEPSI ESTETIKA WAJAH THE ROLE OF GOLDEN RATIO ON FACE PROPORTION IN FACE AESTHETIC PERCEPTION
PENGARUH GOLDEN RATIO PADA PROPORSI WAJAH TERHADAP PERSEPSI ESTETIKA WAJAH THE ROLE OF GOLDEN RATIO ON FACE PROPORTION IN FACE AESTHETIC PERCEPTION 1 I Dewa Gede Agung Kurniawan 2 Rita Magdalena 3 Eko
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dunia kesehatan dewasa ini tidak bisa dipisahkan dengan teknologi yang terus berkembang. Pengembangan teknologi yang erat kaitannya dengan dunia kesehatan atau dunia
Lebih terperinciBAB 1 PENDAHULUAN. Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai suatu tujuan, dan dalam interaksi itu, mengintepretasi kondisi emosional menjadi penting dalam
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 terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB 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 terperinciMEMBANDINGKAN CITRA DIGITAL UNTUK MEMPREDIKSI KETERHUBUNGANNYA
A7 Seminar Nasional Teknologi Informasi 2016 MEMBANDINGKAN CITRA DIGITAL UNTUK MEMPREDIKSI KETERHUBUNGANNYA Pradita Chandra Kurniawan 1) Yulius Denny Prabowo 2) Teknik Informatika Institut Teknologi dan
Lebih terperinciANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX
ANALISA HASIL PERBANDINGAN IDENTIFIKASI CORE POINT PADA SIDIK JARI MENGGUNAKAN METODE DIRECTION OF CURVATURE DAN POINCARE INDEX Mohammad imron (1), Yuliana Melita (2), Megister Teknologi Informasi Institusi
Lebih terperinciPERANCANGAN APLIKASI DETEKSI WAJAH MENGGUNAKAN ALGORITMA VIOLA-JONES
PERANCANGAN APLIKASI DETEKSI WAJAH MENGGUNAKAN ALGORITMA VIOLA-JONES TUGAS AKHIR Disusun sebagai salah satu syarat untuk kelulusan Program Strata 1, Program Studi Teknik Informatika, Universitas Pasundan
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 terperinciDETEKSI WAJAH UNTUK OBJEK 3D MENGGUNAKAN ANDROID
DETEKSI WAJAH UNTUK OBJEK 3D MENGGUNAKAN ANDROID Afdhol Dzikri 1, Dwi Ely Kurniawan 2, Handry Elsharry Adriyanto 3 1,2,3 Jurusan Teknik Informatika, Prodi Teknik Multimedia dan Jaringan, Politeknik Negeri
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 3 ANALISIS DAN PERANCANGAN. Tahap & Hasil Langkah Penelitian Literatur & Referensi. Memahami konsep deteksi wajah
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini berisi tentang analisis dan perancangan terhadap permasalahan yang sedang diteliti seperti analisis kebutuhan data dan informasi serta teknik dan peralatan yang
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 terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali
Lebih terperinciBAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Tubuh Manusia Tubuh manusia merupakan salah satu objek pendeteksian yang sedang populer, hal ini dapat dibuktikan dengan banyaknya jurnal mengenai perancangan program pendeteksian
Lebih terperinciKorelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 7 Korelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera Edy Winarno *), Wiwien
Lebih terperinciIMPLEMENTASI FACE IDENTIFICATION DAN FACE RECOGNITION PADA KAMERA PENGAWAS SEBAGAI PENDETEKSI BAHAYA
IMPLEMENTASI FACE IDENTIFICATION DAN FACE RECOGNITION PADA KAMERA PENGAWAS SEBAGAI PENDETEKSI BAHAYA IMPLEMENTATION OF FACE IDENTIFICATION AND FACE RECOGNITION ON SECURITY CAMERA AS THREAT DETECTOR Panji
Lebih terperinciPELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM ABSTRAK ABSTRACT
PELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM Dhanar Intan Surya Saputra 1, Wahyu Septi Anjar 2, Kurnia Aswin Nuzul Ramadhan 3, Riki Aji Pamungkas 4 1234 Program Studi Teknik Informatika
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Salah satu cara untuk berkomunikasi adalah dengan cara melakukan interaksi langsung. Dengan interaksi maka setiap orang dapat mengerti maksud pernyataan ataupun perintah
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 3 ANALISIS DAN PERANCANGAN PROGRAM. Nama program yang hendak dikembangkan adalah Viola Jones Simulator. Tujuan dari
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Perancangan Program Aplikasi 3.1.1 Gambaran Umum Program Aplikasi Nama program yang hendak dikembangkan adalah Viola Jones Simulator. Tujuan dari perancangan
Lebih terperinciDeteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier
NATURALA Journal of Scientific Modeling & Computation, Volume 1 No.1 2013 14 ISSN 23030135 Deteksi Wajah Manusia pada Citra Menggunakan Dekomposisi Fourier Dewi Yanti Liliana 1, Muh. Arif Rahman 2, Solimun
Lebih terperincipengambilan citra video, pemrosesan citra pada setiap frame,, pendeteksian objek
BAB IV MODEL SISTEM 4.1. Model Sistem Aplikasi yang dibangun adalah aplikasi yang dapat mengolah citra yang diambil dari kamera video, dan menganalisisnya untuk mengetahui keberadaan suatu objek. Ada beberapa
Lebih terperinciPenjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt
Penjejakan Objek Visual berbasis Algoritma Mean Shift dengan menggunakan kamera Pan-Tilt Sulfan Bagus Setyawan 1, Djoko Purwanto 2 Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember 1 sulfan13@mhs.ee.its.ac.id
Lebih terperinciSistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot
Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot Mara Nugraha Teknik Informatika Universitas Gunadarma Jl. Margonda Raya 100, Depok maranugraha@sta.gunadarma.ac.id Abstrak Pengenalan
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 terperinciKlasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan
Klasifikasi kelompok usia berdasarkan citra wajah menggunakan algoritma neural network dengan fitur face anthropometry dan kedalam kerutan Nur Hayatin Teknik Informatika, Universitas Muhammadiyah Malang
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Aplikasi Pengujian Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Face Recognition Face recognition dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari
Lebih terperinciRestorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah
Restorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah Bayu Setyo Prayugi Teknik Komputer dan Telematika Jurusan Teknik Elektro Insitut Teknologi Sepuluh
Lebih terperinciPERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR
PERANCANGAN DAN PENGEMBANGAN SISTEM DETEKSI RINTANGAN MENGGUNAKAN METODE HAAR-LIKE FEATURE PADA BRAIN-CONTROLLED WHEELCHAIR Aristian Jovianto Yunus NRP : 1322022 e-mail : aristian_jovianto@yahoo.com ABSTRAK
Lebih terperinciAPLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD
APLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD Akuwan Saleh, Haryadi Amran D, Ahmad Bagus L Dept. Teknik Elektro, Program Studi Teknik Telekomunikasi Politeknik Elektronika Negeri
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE VIOLA JONES PADA INTELLIGENT HOME SECURITY SKRIPSI
PENGENALAN WAJAH MENGGUNAKAN METODE VIOLA JONES PADA INTELLIGENT HOME SECURITY SKRIPSI Diajukan untuk memenuhi persyaratan guna meraih gelar Sarjana Strata I Teknik Elektro Universitas Muhammadiyah Malang
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM. Program yang telah dibuat melakukan proses deteksi dan pembelajaran. Proses deteksi
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Sistem 4.1.1 Spesifikasi Hardware Program yang telah dibuat melakukan proses deteksi dan pembelajaran. Proses deteksi pada gambar tidak bergerak
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi informasi, kemajuan di bidang pengembangan aplikasi sedang mendapatkan perhatian penting bagi perkembangan teknologi informasi.
Lebih terperinciFACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA
FACE TRACKING DAN DISTANCE ESTIMATION PADA REALTIME VIDEO MENGGUNAKAN 3D STEREO VISION CAMERA Edy Winarno¹, Agus Harjoko² ¹ Program Studi Teknik Informatika FTI Universitas Stikubank (UNISBANK) Semarang
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem merupakan penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya untuk mengidentifikasikan masalah
Lebih terperinciTRANSLASI BAHASA ISYARAT
TRANSLASI BAHASA ISYARAT Juniar Prima Rakhman), Nana Ramadijanti, S.Kom, M.Kom), Edi Satriyanto S.Si, M.Si) Jurusan Teknik Informatika, PENS ITS Surabaya Kampus ITS Sukolilo, Surabaya 60 08050 E-mail :
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) PEMBANGUNAN VIRTUAL MIRROR EYEGLASSES MENGGUNAKAN TEKNOLOGI AUGMENTED REALITY
79 PEMBANGUNAN VIRTUAL MIRROR EYEGLASSES MENGGUNAKAN TEKNOLOGI AUGMENTED REALITY Zaid Arham 1, Nelly Indriani W. 2 1,2 Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer - Universitas Komputer
Lebih terperinciRancang Bangun Prototipe Aplikasi Pengenalan Wajah untuk Sistem Absensi Alternatif dengan Metode Haar Like Feature dan Eigenface
Rancang Bangun Prototipe Aplikasi Pengenalan Wajah untuk Sistem Absensi Alternatif dengan Metode Haar Like Feature dan Eigenface Wahyu Sulistiyo, Budi Suyanto, Idhawati Hestiningsih, Mardiyono, Sukamto
Lebih terperinciKLASIFIKASI PENAMPILAN WAJAH PADA RATA-RATA WANITA ACEH MENGGUNAKAN METODE TEMPLATE MATCHING DAN HAMMING DISTANCE
KLASIFIKASI PENAMPILAN WAJAH PADA RATA-RATA WANITA ACEH MENGGUNAKAN METODE TEMPLATE MATCHING DAN HAMMING DISTANCE Deassy Siska, Hayatul Muslima Abstract The appearance of the face is very overlooked for
Lebih terperinci1BAB I. 2PENDAHULUAN
1BAB I. 2PENDAHULUAN 2.1. Latar Belakang Pelacak objek (object tracking) pada saat ini merupakan penelitian yang menarik dalam bidang computer vision. Pelacak objek merupakan langkah awal dari berbagai
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi internet berkembang dengan sangat pesat dan sangat mudah sekali untuk mengaksesnya. Akan tetapi, didalamnya terdapat banyak konten yang
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 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Perancangan Program Aplikasi 3.1.1 Analisis dan Gambaran Umum Program Aplikasi Nama program yang hendak di kembangkan adalah Pendeteksian Bagian Tubuh Manusia.
Lebih terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari STMIK Global Informatika MDP Palembang e-mail: shinta@stmik-mdp.net Abstract Metode yang diusulkan merupakan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan Aplikasi ini tergolong sebagai sistem kecerdasan buatan karena akan menggantikan peran seseorang yang mampu mengenali ekspresi wajah. Tiga ekspresi
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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi 4.1.1 Spesifikasi Sistem Adapun spesifikasi komputer yang digunakan pada aplikasi penelitian pengenalan ekspresi wajah ini seperti pada tabel Tabel 4.1 Spesifikasi
Lebih terperinciSINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK
SINTESA EKSPRESI WAJAH DENGAN MENGGUNAKAN RADIAL BASIS FUNCTION NETWORK Wiwik Anggraeni, Handayani Tjandrasa Program Studi Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
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 terperinciTUGAS AKHIR FACE RECOGNITION MENGGUNAKAN METODE VIOLA & JONES
TUGAS AKHIR HALAMAN JUDUL FACE RECOGNITION MENGGUNAKAN METODE VIOLA & JONES Diajukan guna melengkapi sebagian syarat dalam mencapai gelar Sarjana Strata Satu (S1) Disusun Oleh : Nama : Akhmad Amirushufi
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Program Ganda Teknik Informatika Matematika
UNIVERSITAS BINA NUSANTARA Program Ganda Teknik Informatika Matematika PERANCANGAN PROGRAM SIMULASI DETEKSI WAJAH DENGAN SUPPORT VECTOR MACHINES VIOLA JONES Andoko NIM: 0600653013 ABSTRAK Dengan tingkat
Lebih terperinciAnalisa Perbandingan Algoritma Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model (GMM) Dalam Mendeteksi Manusia
Analisa Perbandingan Algoritma Histogram of Oriented Gradient (HOG) dan Gaussian Mixture Model (GMM) Dalam Mendeteksi Manusia Yolinda Fatimah Munawaroh 1), Ciksadan 2), Irma Salamah 3) 1),2),3 ) Program
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
Lebih terperinciIdentifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation
Identifikasi Gender Berdasarkan Citra Wajah Menggunakan Deteksi Tepi dan Backpropagation Destri Wulansari, Esmeralda C. Djamal, Ridwan Ilyas Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad
Lebih terperinciBAB I PENDAHULUAN. sesuai dengan berbagai macam pemikiran manusia. Banyak teori-teori maupun
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring berjalannya waktu ilmu pengetahuan semakin berkembang pesat sesuai dengan berbagai macam pemikiran manusia. Banyak teori-teori maupun aplikasi baru yang lahir
Lebih terperinciAPLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI
APLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat. Graphic Card dengan memory minimum 64 mb
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Driver 4.1.1 Spesifikasi Perangkat Keras Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat menjalankan driver ini adalah: Prosesor Pentium
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 terperinciKLASIFIKASI OBJEK KENDARAAN MENGGUNAKAN HAAR CASCADE CLASSIFIER TUGAS AKHIR
KLASIFIKASI OBJEK KENDARAAN MENGGUNAKAN HAAR CASCADE CLASSIFIER TUGAS AKHIR Diajukan Untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Moch
Lebih terperinciDETEKSI WAJAH METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON
DETEKSI WAJAH METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON Dedi Ary Prasetya 1, Imam Nurviyanto 2 1,2 Teknik Elektro Fakultas Teknik Universitas Muhammadiyah Surakarta Jl. A. Yani Tromol
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 III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisa Sistem Tahapan analisa merupakan tahapan awal dalam perekayasaan perangkat lunak. Pada tahapan ini menjelaskan apa yang dilakukan sistem, siapa yang menggunakannya
Lebih terperinci