PENGENALAN EKSPRESI WAJAH MENGGUNAKAN METODE FAKTORISASI MATRIKS NON-NEGATIF DAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK
|
|
- Adi Budiman
- 7 tahun lalu
- Tontonan:
Transkripsi
1 PENGENALAN EKSPRESI WAJAH MENGGUNAKAN METODE FAKTORISASI MATRIKS NON-NEGATIF DAN JARINGAN SYARAF TIRUAN PROPAGASI BALIK Andy Putra 1 ; Monica 2 ; Vinson Yogama 3 ; Diaz D. Santika 4 Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat andy_dec7@yahoo.com, 2 mondanngar@yahoo.com, 3 vinson.yogama@gmail.com, 4 ddsantika@gmail.com ABSTRACT This research is conducted to compare and find the best method for facial expression recognition. The methods used are Non-Negative Matrix Factorization (NMF), Back- Propagation Artificial Neural Network and the combination of both methods, where NMF is used as the feature extractor and Back-Propagation as the classifier. This research use JAFFE facial expression database as the data source for training and testing purpose. The result proved that the combination method of NMF and Back-Propagation could increase the recognition accuracy by 7%. This research is done to find the fittest value of variable r which affects the quality of the method in order to get the highest accuracy. The highest accuracy is achieved with the optimum value r = 60. Therefore, it is proved that the combined method gives an improvement in recognizing facial expression. Keyword : Facial Expression Recognition, Non-Negative Matrix Factorization, Back- Propagation ABSTRAK Penelitian ini bertujuan untuk membandingkan dan menemukan metode terbaik dalam pengenalan ekspresi wajah. Metode yang dijadikan obyek studi adalah metode Faktorisasi Matriks Non-Negatif (NMF), metode Jaringan Syaraf Tiruan Propagasi-Balik (BP) dan kombinasi dari kedua metode tersebut, yaitu dengan menggunakan metode NMF sebagai pengekstraksian fitur dan metode Jaringan Syaraf Tiruan BP sebagai pengklasifikasi. Dengan eksperimen berulang-ulang, berhasil dibuktikan bahwa metode
2 gabungan NMF dan BP dapat mencapai tingkat akurasi lebih tinggi daripada kedua metode lainnya tanpa digabungkan, yaitu sekitar 7% lebih tinggi. Penelitian ini juga mencari nilai variabel r yang berpengaruh pada tingkat akurasi NMF. Akurasi tertinggi dicapai ketika r bernilai 60. Sehingga, dapat disimpulkan bahwa gabungan metode Faktorisasi Matriks Non- Negatif dengan Jaringan Syaraf Tiruan Propagasi-Balik memberikan tingkat akurasi pengenalan ekspresi wajah yang lebih baik. Kata kunci: Pengenalan ekspresi wajah, Faktorisasi Matriks Non-Negatif, Propagasi-Balik
3 PENDAHULUAN Pengenalan ekspresi wajah merupakan salah satu bidang penelitian dalam bidang kecerdasan buatan. Berbagai metode dikembangkan untuk mencapai tingkat akurasi tinggi dalam mengenali ekspresi wajah. Dalam pengenalan ekspresi wajah, terdapat dua fase penting, yaitu fase pengekstraksian fitur dan fase klasifikasi. Metode yang umum digunakan untuk mengekstraksi fitur wajah, khususnya dalam pengklasifikasian ekspresi, adalah Principal Component Analysis (PCA) yang mana dimensi citra yang tinggi dikompresi menjadi data dengan dimensi yang lebih kecil. Metode ini ternyata masih dapat terus dikembangkan. Pada tahun 1999, Daniel D. Lee dan H. Sebastian Seung mengusulkan suatu metode baru yang disebut Non-negative Matrix Factorization (NMF) yang digunakan sebagai feature extractor dan classifier. Metode ini memfaktorisasi sebuah matriks menjadi 2 matriks lain yang tidak mengandung nilai negatif didalamnya. Sifat ketidak-negatif-an ini mendukung dalam pemrosesan gambar yang mana tidak memiliki nilai negatif didalamnya. NMF sendiri terus dikembangkan. Pada tahun 2001, Li et al. mengembangkan Local NMF yang dapat memunculkan sifat lokal dari pola yang dikenali. Pada tahun 2005, Zhang mengembangkan 2D-NMF yang dapat menghasilkan akurasi yang lebih baik daripada NMF dengan perbandingan kompresi yang sama serta waktu eksekusi yang lebih singkat. Pada tahun 2007, Cao mengembangkan Online NMF yang mengoptimalisasi perhitungan multiplicative update pada NMF. Fase lain dalam pengenalan ekspresi wajah adalah fase klasifikasi. Metode klasifikasi yang umum digunakan adalah dengan membentuk jaringan syaraf tiruan. Dalam metode ini, terbagi menjadi fase pembelajaran (training) dan fase pengujian (testing). Dalam fase pembelajaran, dihasilkan suatu jaringan (net) yang mengandung informasi untuk mengklasifikasi yang kemudian digunakan untuk menentukan kelas-kelas pada fase pengujian. David R. Rumelhart pada tahun 1986 menemukan metode Back-Propagation yang kemudian menjadi arsitektur jaringan syaraf tiruan yang paling sering digunakan. Metode NMF tidak menggunakan classifier tertentu, tetapi hanya membandingkan nilai feature untuk proses klasifikasi penentuan emosi wajah. Untuk meningkatkan akurasi dalam pendeteksian emosi wajah ini, penulis memberikan usul untuk menggabungkan kemampuan feature extractor dari Non-negative Matrix Factorization dan kemampuan classifier dari metode Back-Propagation sehingga dapat menghasilkan suatu metode gabungan. Tujuan dan Manfaat Adapun tujuan dari penulisan ini adalah untuk mengembangkan metode Faktorisasi Matriks Non-Negatif yang digunakan untuk proses pengenalan ekspresi wajah sebagai pengekstraksian fitur digabungkan dengan metode Jaringan Syaraf Tiruan Propagasi-Balik sebagai algoritma pendeteksian. Metode gabungan ini diharapkan memiliki tingkat akurasi yang lebih tinggi dalam mengenali ekspresi wajah. Manfaat dari penelitian ini adalah untuk (1) menghasilkan metode untuk pengembangan aplikasi pengenalan ekspresi wajah yang cepat dan akurat. (2) Membantu penelitian dalam bidang psikologi dalam mengenali emosi melalui ekspresi wajah manusia. (3) Mengembangkan prototype aplikasi pengenalan ekspresi wajah berbasis komputer pribadi (PC) yang cepat dan akurat Kajian Pustaka Facial Expression Recognition Pengenalan ekspresi wajah telah menjadi topik penelitian psikologi yang telah dilakukan oleh Charles Darwin sejak abad ke-19 dalam penelitiannya yang berjudul The
4 Expression of the Emotions in Man and Animals. Pada tahun 1990, Kenji Mase melakukan penelitian pengenalan wajah dengan teknik optical flow. Teknologi pengenalan wajah dapat diaplikasikan dalam berbagai keperluan seperti mencocokan identitas pada dokumen-dokumen penting, foto, pengenalan orang, pencocokan identitas dan pengawasan keamanan. (Rama, 1994) Pengenalan wajah tersebut dilakukan baik pada gambar statis maupun pada video. Paul Ekman dan Wallace V. Friesen (1987) membentuk suatu sistem pengenalan ekspresi wajah yang dikenal dengan FACS (Facial Action Coding System). FACS mengukur tingkah laku- tingkah laku yang muncul dengan mengukur 46 unit aksi yang menggambarkan gerakan dasar pada wajah. Gerakan pada wajah yang merupakan ekspresi dari emosi adalah bentuk komunikasi non-verbal. Pengenalan emosi melalui ekspresi wajah tetap bergantung pada kemampuan wajah untuk menunjukkan ekspresi seperti takut, marah, kesal, senang, dsb. dan ditentukan juga oleh tingkat emosi tersebut pada setiap orang. Ekspresi umum yang digunakan dalam penelitian pengenalan ekspresi wajah adalah keenam ekspresi universal atau ekspresi dasar manusia, yaitu terkejut (surprise), sedih (sadness), marah (anger), senang (happiness), jijik (disgust) dan takut (fear). Non-Negative Matrix Factorization Faktorisasi matrik telah banyak digunakan dalam berbagai perhitungan aljabar untuk memecahkan permasalahan kompleks. Faktorisasi matriks mendekomposisi suatu matriks menjadi beberapa matriks lain. Pada tahun 1999, Daniel D. Lee dan H. Sebastian Seung mengembangkan algoritma pembelajaran faktorisasi matriks non-negatif / Non-Negative Matrix Factorization (NMF). Algoritma pembelajaran ini memfaktorisasi matriks V yang berdimensi n x m menjadi 2 matriks lain yang tidak mengandung nilai negatif, yaitu W yang berdimensi n x r dan H yang berdimensi r x m, dimana nilai r < min(n,m). V W.H (1) Matriks V terdiri atas m data vektor yang berdimensi n. Sifat ketidak-negatif-an digunakan karena dalam neurofisiologi nilai awal neuron tidak pernah bersifat negatif dan tidak akan berubah tanda. Selain itu dalam kasus penelitian ini, yaitu pemrosesan gambar, intensitas dari gambar tidaklah bernilai negatif. Nilai dari matriks W dipelajari secara unsupervised dengan mengaplikasikan NMF kepada data pelatihan V, yang mana data-data pelatihan yang berbeda terletak pada kolom yang berbeda pula. Dapat dikatakan juga bahwa setiap data vektor v disesuaikan dengan kombinasi linear dari kolom pada matriks W dengan data h (kolom pada matriks H). Algoritma pembelajaran NMF ini melakukan perubahan nilai pada matriks W dan H secara iteratif. Dalam setiap iterasi nilai baru pada matriks W dan H diperoleh dengan mengalikan nilai saat ini dengan suatu faktor yang bergantung pada kualitas perkiraan dari persamaan (1). Untuk mencari nilai faktorisasi V ~ WH yang mendekati, harus ditentukan suatu cost function yang menentukan kualitas pendekatan nilai tersebut. Cost function dibentuk dengan mengukur perbedaan nilai antara 2 matriks non-negatif A dan B. Pengukuran yang digunakan oleh D.D. Lee dan H. S. Seung adalah mengukur jarak Euclidean dari matriks V dan WH serta mengukur divergensi Kullback-Leibler.
5 Gambar 1. Basis gambar LNMF (kiri) dan NMF (kanan) Representasi part-based dan penekanan sifat lokal oleh LNMF sementara NMF partbased tetapi bersifat holistik. Pengembangan lain dari NMF dilakukan oleh Li pada tahun Metode baru yang diajukannya adalah Local Non-Negative Matrix Factorization yang mempelajari bagianbagian secara lokal. Metode ini menambahkan proses penguatan sifat lokal pada basis gambar untuk membantu proses pengenalan pola dalam NMF. Penguatan sifat lokal pada LNMF dilakukan dengan memberikan batasan-batasan dalam komputasinya. Jaringan Syaraf Tiruan : Propagasi-Balik Jaringan syaraf tiruan adalah suatu model pemecahan masalah yang mengadaptasi sistem jaringan syaraf biologis, baik secara struktur maupun secara kinerja. Jaringan syaraf tiruan diimplementasikan dalam suatu bentuk model matematika yang mana terdapat beberapa neuron yang saling terhubung satu sama lain. Metode jaringan syaraf tiruan umumnya digunakan untuk membangun perangkat yang dapat melakukan proses asosiasi dan pengenalan terhadap pola masukan berdasarkan data training yang telah perangkat tersebut pelajari. Walaupun secara umum, performa yang dapat dihasilkan oleh jaringan syaraf tiruan ini masih tidak sebaik jaringan syaraf biologis, namun artificial neural network dianggap sebagai model yang cukup memadai dalam upaya pengenalan dan pembelajaran pola. Jaringan syaraf tiruan menjadi populer dan banyak digunakan karena sifat jaringan syaraf tiruan yang fleksibel. Jaringan syaraf tiruan tidak memiliki kelemahan seperti beberapa teknik lain yang mana umumnya proses pelatihan (training) dan pengenalan (recognition) memerlukan ruang lingkup yang ketat untuk masalah yang spesifik. Artinya, jaringan syaraf tiruan mampu melakukan proses pengenalan pada masalah yang lebih beragam tanpa perlu memberikan banyak batasan-batasan baru dalam modelnya. Metode yang diusulkan: Penggabungan NMF dengan Back-Propagation Dalam metodologi gabungan ini, non-negative matrix factorization digunakan untuk mengekstrak fitur dari gambar dan jaringan syaraf tiruan back-propagation digunakan untuk pembelajaran dan klasifikasi ekspresi gambar atau sebagai classifier. Fase pelatihan dimulai dengan mengecilkan ukuran 170 gambar ekspresi wajah yang ingin dikenali menjadi 30x30 piksel. Masing-masing dari 170 gambar tersebut dibentuk menjadi 1 kolom membentuk matriks V berdimensi 900x170 piksel. Matriks V ini menjadi masukan untuk proses faktorisasi matriks yang menghasilkan matriks W sebagai basis gambar (image base) dan H sebagai matriks koefisien (coefficient matrix). Matriks W berdimensi 900 x r piksel dan matriks H berdimensi r x 170 piksel, dimana r < min (n,m). Matriks H digunakan sebagai nilai masukkan dalam jaringan syaraf tiruan. Sedangkan kelas ekspresi dari 170 gambar tersebut menjadi nilai pada lapisan keluarannya. Hasil dari pembelajaran pada jaringan syaraf tiruan ini adalah sebuah jaringan yang akan digunakan selanjutnya untuk mengenali ekspresi wajah. Fase pengenalan dimulai dengan mengecilkan ukuran gambar ekspresi wajah dengan metode yang sama seperti fase pelatihan. Masing-masing dari 43 gambar yang akan diuji tersebut dibentuk menjadi 1 kolom membentuk matriks V berdimensi 900x 43. Dengan
6 perhitungan pseudoinverse terhadap matriks W, diperolehlah matriks H yang akan digunakan sebagai masukan bagi jaringan syaraf tiruan back-propagation. Jaringan syaraf tiruan back-propagation yang digunakan memiliki unit pada lapisan keluaran sebesar nilai r hasil reduksi dari NMF. Lapisan tersembunyi yang sejumlah 1 lapisan dengan jumlah unit didalamnya sebanyak 2/3 dari unit pada lapisan masukkan ditambah dengan jumlah unit pada lapisan keluaran. Lapisan keluaran memiliki 7 node yang bernilai 0 atau 1, bernilai 1 pada urutan ekspresi sebenarnya dari gambar dan bernilai 0 apabila bukan ekspresinya. Pengenalan gambar menggunakan jaringan yang telah terbentuk sebelumnya. Hasil dari pengenalan tersebut berupa nilai-nilai pada lapisan keluaran dari jaringan syaraf tiruan ini. Kelas ekspresi masing-masing gambar ditentukan oleh nilai tertinggi dari antara unit-unit pada lapisan keluaran. HASIL PENELITIAN Dataset Penelitian ini menggunakan database ekspresi wajah dari database JAFFE (Japanese Female Facial Expression). Database ini berisi 213 gambar ekspresi wajah dari 10 wanita Jepang. Terdapat 7 ekspresi yaitu netral, marah, senang, sedih, takut, jijik dan terkejut. Database ekspresi wajah dapat diperoleh di Gambar 2. Contoh Ekspresi Wajah dari Database JAFFE Gambar-gambar yang ada dibagi menjadi 2 kelompok sesuai dengan prosesnya, yaitu untuk proses pelatihan (training) dan untuk proses pengujian (testing). Eksperimen akan menggunakan 80% dari data keseluruhan yaitu 170 gambar sebagai data pelatihan sementara 20% sisanya yang berjumlah 43 gambar akan digunakan sebagai data pengujian. Semua gambar ini diubah ukurannya menjadi lebih kecil agar mempersingkat waktu dalam pemrosesan. Experiment Penelitian ini membandingkan 3 metodologi, yaitu NMF, Back -Propagation dan gabungan dari kedua metode tersebut. Dengan menggunakan data gambar pelatihan dan pengujian yang sama, masing-masing metode dilakukan berulang-ulang untuk mendapatkan akurasi optimum. Dalam metode NMF, gambar wajah asli yang berukuran 256 x256 diubah ukurannya menjadi ukuran 30 x 30. Matriks gambar 2 dimensi diubah menjadi 1 kolom pada suatu matriks. Semua gambar pelatihan disusun sehingga membentuk matriks berukuran 900 x 170. Matriks tersebut adalah matriks V yang akan difaktorisasi menjadi matriks W dan H. Matriks W adalah basis gambar (image base) yang berukuran 900 x r, sedangkan matriks H adalah matriks koefisien (coefficient matrix) yang berukuran r x 170. Matriks W akan digunakan dalam proses pengenalan atau pengujian (testing) selanjutnya. Proses pengenalan (testing) dimulai dengan mengecilkan ukuran gambar ekspresi wajah dengan prosedur yang sama dengan proses pelatihan. Matriks V yang terbentuk akan berdimensi 900 x 43 piksel. Dengan perhitungan pseudoinverse terhadap matriks W yang telah diperoleh sebelumnya dari proses pelatihan, akan diperoleh matris H yang adalah hasil pengenalan.matriks H dari proses pelatihan akan dibandingkan dengan matriks H dari proses pengenalan dengan mencari jarak Eucledian diantara kedua matriks tersebut, sehingga diperoleh hasil klasifikasi berupa kelas ekspresi dari gambar yang diuji.
7 Dalam metode Back-Propagation ukuran awal gambar sebesar 256x256 piksel dikecilkan menjadi 30x30 piksel. Setelah mengubah ukuran gambar, dilakukan proses pelatihan pada jaringan syaraf tiruan. Lapisan masukan diisi dengan 900 piksel dari gambar yang ingin dilatih. Penelitian ini menggunakan 1 lapisan tersembunyi untuk jaringan syaraf tiruan yang dibangun dengan variasi jumlah unit pada lapisan ini sebagai nilai yang diteliti untuk menemukan akurasi optimal, yaitu sekitar unit. Lapisan keluaran pada jaringan ini memiliki 7 node yang bernilai 0 atau 1, bernilai 1 pada urutan ekspresi sebenarnya dari gambar dan bernilai 0 apabila bukan ekspresinya. Tahap pelatihan menghasilkan sebuah jaringan yang akan digunakan selanjutnya untuk proses pengenalan. Proses pengenalan dimulai dengan mengecilkan ukuran gambar yang ingin dikenali. Ukuran gambar awal sebesar 256x256 piksel diubah menjadi 30x30 piksel. Gambar menjadi nilai masukan bagi lapisan masukan dalam jaringan syaraf tiruan yang akan menghasilkan nilai-nilai pada lapisan keluaran. Nilai tersebutlah yang diambil untuk menentukan kelas ekspresi dari gambar tersebut. Nilai tertinggi dari ketujuh node pada lapisan keluaran menentukan kelas ekspresi gambar. Dalam metode gabungan, matriks H yang dihasilkan pada fase pelatihan digunakan sebagai input untuk jaringan syaraf tiruan. Jika dimensi matriks H adalah 10 x 170, artinya jaringan syaraf tiruan tersebut memiliki 10 node pada lapisan masukan. Jumlah node pada lapsan tersembunyi sejumlah 2/3 x jumlah node pada lapisan masukan + jumlah node pada lapisan keluaran. Jumlah node pada lapisan keluaran sejumlah 7 node, sebanyak jumlah kelas ekspresi. Dengan menggunakan data gambar input yang sama, proses pembelajaran dilakukanb berulang-ulang hingga mendapatkan net optimum. Fase pengujian dilakukan dengan menggunakan dataset gambar khusus pengujian. Gambar 2 dimensi dikonversi menjadi matriks 1 kolom sehingga semua 43 gambar tersebut membentuk matriks berukuran 900 x 43 piksel. Matriks ini dikomputasi dengan perkalian dengan pseudoinverse dari matriks basis gambar W yang dihasilkan pada fase pelatihan sebelumnya. Komputasi ini akan menghasilkan matriks H yang akan menjadi masukan untuk pengujian kelas dengan menggunakan jaringan syaraf tiruan. Evaluation Kami membandingkan metode NMF, NMF-BP serta BP dengan variasi pada R untuk NMF dan NMF-BP, serta variasi hidden layer pada BP Accuracy (%) Image Base (r) NMF NMF Back-Propagation
8 Accuracy (%) Hidden Layer Node Back-Propagation Gambar 3: Perbandingan antara NMF, Back-Propagation dan metode kombinasi antara NMF dengan Back-Propagation Gambar 3 (a) menunjukan akurasi NMF dan perbandinganya dengan akurasi NMF- BP pada variasi jumlah basis. Basis divariasikan pada nilai dengan kelipatan 10 mulai dari r = 10 hingga r = 160. Dari hasil data pada gambar, dapat dilihat bahwa metode NMF-BP memiliki akurasi yang lebih rendah pada nilai r kurang dari 40. Akan tetapi pada nilai r yang lebih tinggi atau sama dengan 40, akurasi yang dihasilkan dari metode NMF-BP selalu lebih baik daripada metode NMF. Nilai r optimal dari metode NMF-BP adalah 100 dan 140 dengan hasil akurasi %. Sementara itu, metode NMF mencapai nilai akurasi maksimal pada jumlah basis 90 dan 100 dengan nilai akurasi sebesar %. Gambar 3 (b) memperlihatkan akurasi dari eksperimen metode Backpropagation. Terlihat bahwa akurasi yang dihasilkan oleh metode BP secara umum tidak lebih baik daripada metode NMF maupun NMF-BP. Hasil terbaik yang dapat dicapai oleh metode backpropagation adalah % pada nilai hidden value sebanyak 500 dan 600. Hasil ini merupakan hasil maksimal yang paling kecil apabila dibandingan dengan 2 metode yang digunakan sebelumnya. Hasil dari eksperimen menunjukan bahwa metode kombinasi NMF-BP memberikan pencapaian akurasi yang lebih tinggi dalam mendeteksi ekspresi wajah apabila dibandingkan dengan dua metode lainnya. SIMPULAN DAN SARAN Dalam penelitian ini, penulis mengusulkan metode kombinasi dari NMF dan Back- Propagation untuk mengenali ekspresi wajah. Kombinasi dari 2 metode ini memberikan hasil yang lebih baik daripada pengenalan dengan masing-masing metode. Penelitian ini juga menyimpulkan bahwa nilai dari variabel r yang terbaik dalam metode NMF Back- Progagation adalah dengan r=100 dan r=140 sedangkan nilai r terbaik untuk metode NMF saja sebesar r=90 dan r=100. Jumlah node pada lapisan tersembunyi yang terbaik untuk metode Back-Propagation adalah 600, dengan 900 node pada lapisan masukan dan 7 node pada lapisan keluaran. Dengan menggunakan jumlah database gambar yang bervariasi, penelitian ini menyimpulkan bahwa jumlah data gambar yang dilatih mempengaruhi akurasi ketiga metodologi ini. Khususnya pada metode NMF, semakin banyak jumlah gambar yang digunakan dalam proses pelatihan, semakin tinggi tingkat akurasi yang diperoleh.
9 Masih terdapat banyak cara mengembangkan metode penelitian dalam topik ini. Cara mengembangkan yang mungkin dilakukan adalah dengan menguji dengan gambar yang memiliki noise. Dapat pula dilakukan dengan menggunakan database gambar ekspresi wajah yang lain. REFERENSI Arora S.,Ge R.,Kannan R. and Moitra A. (2012) Computing a nonnegative matrix factorization - provably. STOC, pp Ballard, D.H., Brown C.M. (1982). Computer Vision. New Jersey: Prentice-Hall. Blum, A. (1992). Neural networks in C++ : an object-oriented framework for building connectionist systems. New York: John Wiley & Sons, Inc Cao, B., et al. (2007). Detect and Track Latent Factors with Online Nonnegative Matrix Factorization. Proceeding IJCAI'07 Proceedings of the 20th international joint conference on Artifical intelligence Pages Calder, A. J., Burton, A. M., Miller, P., Young, A. W., & Akamatsu, S. (2001). A Principal Component Analysis of Facial Expressions. Vision Research, 41, Dewdney, A.K., (1997). Yes, We Have No Neutrons. New York: John Wiley & Sons. Ekman, P., & Friesen, W.V. (1978). Facial Action Unit System: Investigator s Guide. Consulting Psychologists Press. Feitosa, R. Q., Vellasco, M. M. B., Maffra, D., Andrade, S., & Oliveira, D. T. (2000). Facial Expression Classification Using RBF and Back Propagation Neural Networks. In 4th World Multicon-ference onsystemics, Cybernetics and Informatics (SCI'2000) and the 6th International Conference on Information Systems Analysis and Synthesis (ISAS'2000) (pp ). Forsyth, D.A. & Ponce, J. (2003). Computer Vision. A Modern Approach. New Jersey: Prentice-Hall. Ganatra, A.,Kosta, Y.P., Panchal, G.,Gajjar C. (2011). Initial Classification Through Back Propagation In a Neural Network Following Optimization Through GA to Evaluate the Fitness of an Algorithm. International Journal of Computer Science & Information Technology (IJCSIT), Vol 3, No 1, Feb Langville, A. N., Meyer, C.D., Albright R.(2006). Initializations for the Nonnegative Matrix Factorization. In Proc. of the Twelfth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Lee, D.D. & Seung, H.S. (1999). Learning the Parts of Objects by Non-Negative Matrix Factorization. Nature 401,
10 Lee, D.D. & Seung, H.S. (2001). Algorithms for Non-negative Matrix. In Advances in Neural Information Processing 13 (Proc. NIPS*2000). Li, S.Z., Hou, X.W., & Zhang, H.J. (2001). Learning Spatially Localized, Parts- Based Representation. Int. Conf. Computer Vision and Pattern Recognition, Liu C., Yang H.C., Fan J., He L.W, Wang Y.M., Distributed nonnegative matrix factorization for web-scale dyadic data analysis on mapreduce, Proceedings of the 19th international conference on World wide web, April 26-30, 2010, Raleigh, North Carolina, USA Mase, K. (1991). Recognition of Facial Expression from Optical Flow. IEICE Trans, 74, 10, Rama, C., Wilson, C. L., & Sirohey, S. (1995). Human and Machine Recognition of Faces : A Survey. Proceedings of the IEEE Volume 83, Reda, A., Aoued, B., (2004). Artificial Neural Network-Based Face Recognition. Proc. of First International Symposium on Control, Communications and Signal Processing, pp Salim, W. & Santika D.D. (2012). Human Facial Expression Recognition Using Two-dimensional Non-negative Matrix Factorization. Procedia Engineering Volume 50, Sembiring, P. (2008). Faktorisasi Matrik Non Negatif. Jurnal Penelitian MIPA Volume 2, Nomor 1 Juni Sonka, M., Hlavac, V., Boyle, R. (2008). Image Processing, Analysis and Machine Vision. Toronto: Nelson Education Limited Vavasis, S.A., (2009) On the complexity of nonnegative matrix factorization. SIAM Journal on Optimization, pp Zhang, D., Chen, S., & Zhou Z.H. (2005) Two-Dimensional Non-negative Matrix Factorization for Face Representation and Recognition. Proceedings of the 2nd International Workshop on Analysis and Modeling of Faces and Gestures (AMFG 05), in conjunction with ICCV'05, Beijing, China, LNCS 3723, 2005,
BAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN. untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix
BAB 4 HASIL DAN PEMBAHASAN 4.1. Hasil Penelitian Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara metode Non Negative Matrix Factorization (NMF),
Lebih terperinciPERBANDINGAN KOEFISIEN NMF DAN PROYEKSI BILINEAR SPACE SEBAGAI FITUR PADA PENGENALAN EKSPRESI WAJAH MANUSIA
PERBANDINGAN KOEFISIEN NMF DAN PROYEKSI BILINEAR SPACE SEBAGAI FITUR PADA PENGENALAN EKSPRESI WAJAH MANUSIA William Salim Computer Science Department, School of Computer Science, Binus University Jl. K.
Lebih terperinciKOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION
KOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION Christianto Mewlando Binus University, Jakarta, DKI Jakarta, Indonesia Fictor Benny Kurniawan Usodo Binus University,
Lebih terperinciPERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE
PERBANDINGAN DTCWT DAN NMF PADA FACE RECOGNITION MENGGUNAKAN EUCLIDEAN DISTANCE David; Ferdinand Ariandy Luwinda Computer Science Department, School of Computer Science, Binus University Jl. K.H. Syahdan
Lebih terperinciBAB II KAJIANPUSTAKA
BAB II KAJIANPUSTAKA 2.1 Klasifikasi Klasifikasi adalah proses pengelompokan data menjadi suatu kelas berdasarkan kesamaan karakteristik pada data data yang ada. Ada 2 jenis metode yang dapat digunakan
Lebih terperinciBAB 1 PENDAHULUAN. termasuk dalam bidang Computer Vision. Computer Vision membuat komputer
BAB 1 PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi komputer pada dewasa ini telah mengalami kemajuan, termasuk dalam bidang Computer Vision. Computer Vision membuat komputer dapat melihat dan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciIMPLEMENTASI DAN ANALISIS SISTEM PENGENALAN WAJAH DALAM RUANGAN PADA VIDEO MENGGUNAKAN METODE LNMF DAN NMFsc
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 389 IMPLEMENTASI DAN ANALISIS SISTEM PENGENALAN WAJAH DALAM RUANGAN PADA VIDEO MENGGUNAKAN METODE LNMF DAN NMFsc IMPLEMENTATION
Lebih terperinciPengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih 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 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciPENGEMBANGAN ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PENGENALAN EKSPRESI WAJAH MANUSIA
PENGEMBANGAN ARSITEKTUR JARINGAN SYARAF TIRUAN UNTUK PENGENALAN EKSPRESI WAJAH MANUSIA Julian Supardi 1) Bella Anindita 2) Jurusan Teknik Informatika Universitas Sriwijaya Email: 1) Julian@unsri.ac.id
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciDatabase Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
Tugas Akhir Database Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Oleh : Dwi Angga Y. 2210106042 Pembimbing : I. Dr. Surya Sumpeno, ST., M.Sc. II. Muhtadin, ST., MT. Halaman 1
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 terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciRabiner L, Juang BH Fundamental of Speech Recognition. New Jersey: PTR Prentice-Hall, Inc. Reynolds D.A An Overview of Automatic
DAFTAR PUSTAKA Bolat B, Yildirim T. 2003. Performance increasing methods for probabilistic Neural Networks. Pakistan Journal of Information and Technology 2(3):250-255. Campbell, J.P., 1997, Speaker Recognition:
Lebih terperinciMatrix Factorization. Machine Learning
MMA10991 Topik Khusus - Machine Learning Matrix Factorization Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 05.11.13 1 Telp.
Lebih terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
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 terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciUNIVERSITAS BINA NUSANTARA. Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Genap tahun 2004/2005 PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANS FORMAS I WAVELET DIS KRIT D AN JARINGAN S ARAF
Lebih terperinciBAB 6 KESIMPULAN DAN SARAN
BAB 6 KESIMPULAN DAN SARAN Dalam bab ini diuraikan kesimpulan dan saran berdasarkan pembahasan yang telah dijelaskan dalam tugas akhir ini. Kesimpulan dan saran juga diambil berdasarkan hasil uji coba
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
Lebih terperinciDatabase Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
JURNAL TEKNIK POMITS Vol 1, No 1, (2013) 1-6 1 Database Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Dwi Angga Yulianto, Muhtadin, dan Surya Sumpeno Jurusan Teknik Elektro, Institut Teknologi
Lebih terperinciJaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit
Jaringan Syaraf Tiruan dengan Pembelajaran Algoritma Genetika dan Diversitas untuk Deteksi Kelas Penyakit Abidatul Izzah 1), Ratih Kartika Dewi 2) 1)2) Jurusan Teknik Informatika ITS Surabaya Jl. Teknik
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN Tahap 1 : Identifikasi Permasalahan Mencari literatur-literatur yang berhubungan dengan bahan penelitian. Tahap 2 : Pengambilan Data Training : Testing 5 : 1 150 : 30 Dari 10 responden
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih 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 terperinciBulu mata. Generalisasi= Jumlah pola dikenali dengan benar x 100% Jumlah total pola
Generalisasi Hasil penelitian ini diukur menggunakan nilai konvergen dan generalisasi. Nilai konvergen adalah tingkat kecepatan jaringan untuk mempelajari pola input yang dinyatakan dalam satuan iterasi
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih terperinciBAB V KESIMPULAN. Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces
BAB V KESIMPULAN Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Pengenalan Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces Terdekomposisi QR dapat disimpulkan sebagai
Lebih terperinciJurnal MIPA 35 (2): 194-203 (2012) Jurnal MIPA http://journal.unnes.ac.id/sju/index.php/jm RANCANG BANGUN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN FISHERFACE DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih 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 terperinciAnalisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra
Analisis Kualitas Interpolasi Terhadap Fitur Statistik pada Citra Meirista Wulandari Jurusan Teknik Elektro, Universitas Tarumanagara, Jakarta, Indonesia meiristaw@ft.untar.ac.id Diterima 10 Desember 016
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciIMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI
Royani Darma Nurfita, Gunawan Ariyanto, Implementasi Deep Learning Berbasis Tensorflow Untuk Pengenalan Sidik Jari IMPLEMENTASI DEEP LEARNING BERBASIS TENSORFLOW UNTUK PENGENALAN SIDIK JARI Royani Darma
Lebih terperinciHALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK
HALAMAN SAMPUL SKRIPSI PENGENALAN POLA TELAPAK TANGAN DENGAN MENGGUNAKAN ALGORITMA BACK PROPAGATION NEURAL NETWORK Oleh: MOH SHOCHWIL WIDAT 2011-51-034 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciAlgoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks
Algoritma Pengenalan Ekspresi Wajah Menggunakan Wavelet Neural Networks Z. Abidin Jurusan Ilmu Komputer, Fakultas MIPA, Universitas Negeri Semarang Kampus Sekaran Gunungpati, Semarang, 50229 E-mail : zaenalabidin.indonesia@gmail.com
Lebih terperinciSISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :
SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
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 terperinciALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT
ALGORITMA BACKPROPAGATION PADA JARINGAN SARAF TIRUAN UNTUK PENGENALAN POLA WAYANG KULIT Kristian Adi Nugraha 1), Albertus Joko Santoso 2), Thomas Suselo 3) 1,2,3) Program Studi Magister Teknik Informatika,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wajah sering digunakan sebagai sarana berekspresi dalam berkomunikasi interpersonal dalam kehidupan sehari hari. Dengan ekspresi wajah, seseorang dapat memahami emosi
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
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 terperinciPROGRAM APLIKASI PENGENALAN EKSPRESI WAJAH SECARA REAL TIME DENGAN METODE BACK PROPAGATION DAN WAVELET HAAR
PROGRAM APLIKASI PENGENALAN EKSPRESI WAJAH SECARA REAL TIME DENGAN METODE BACK PROPAGATION DAN WAVELET HAAR Comment [S1]: Gak pake kata perancangan karena nyontek randy Setiawan Alexander Mathematics and
Lebih terperinciPENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
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 terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra digital saat ini sudah menjadi kebutuhan banyak orang untuk berbagai macam keperluan. Hal ini dilihat dari betapa pentingnya peranan citra digital di berbagai
Lebih terperinciISSN : e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 140
ISSN : 2355-9365 e-proceeding of Engineering : Vol.2, No.1 April 2015 Page 140 PENGENALAN INDIVIDU BERDASARKAN GAIT MENGGUNAKAN SINGULAR VALUE DECOMPOSITION DAN JARINGAN SYARAF TIRUAN BACK PROPAGATION
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 terperinciDescriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical Agglomerative Clustering
2015 International Conference on Information, Communication Technology and System Descriptor Clustering SURF for Bag of Visual Words Representation in Fingerprint Images Using K-MEANS and Hierarchical
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih 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 terperinciBAB III LANDASAN TEORI
BAB III LANDASAN TEORI 3.1. Citra Digital Citra digital adalah suatu citra elektronik yang diambil dari dokumen, seperti foto, buku, maupun sebuah video. Proses perubahan citra analog menjadi citra digital
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciPEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG
PEMANFAATAN TRANSFORMASI WAVELET SEBAGAI EKSTRAKSI CIRI PADA KLASIFIKASI BERTINGKAT SINYAL EKG T 610.28 PUT Abstrak Penelitian ini bertujuan untuk memperlihatkan suatu metoda pengenalan multi pola dari
Lebih terperinciTRANSFORMASI RUANG 2D KE 3D PADA ANIMASI WAJAH BERBASIS DATA MARKER MENGGUNAKAN RADIAL BASIS FUNCTION
TESIS TRANSFORMASI RUANG 2D KE 3D PADA ANIMASI WAJAH BERBASIS DATA MARKER MENGGUNAKAN RADIAL BASIS FUNCTION TROY No. Mhs.: 155302474/PS/MTF PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA PROGRAM PASCASARJANA
Lebih terperinciANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO.
ANALISIS DAN SIMULASI SISTEM PENGENALAN WAJAH DENGAN METODE FISHERFACE BERBASIS OUTDOORVIDEO Nurani Fitriyah 1),Dr. Ir. BambangHidayat 2),SuciAulia, ST,MT 3) 1 FakultasTeknikElektro, Telkom University
Lebih terperinciPENERAPAN ALGORITMA FUNGSI BOOLEAN SEBAGAI EKSTRASI CIRI PADA JARINGAN SYARAF TIRUAN PROPAGASI BALIK UNTUK PENGENALAN SIMBOL PETA
PENERAPAN ALGORITMA FUNGSI BOOLEAN SEBAGAI EKSTRASI CIRI PADA JARINGAN SYARAF TIRUAN PROPAGASI BALIK UNTUK PENGENALAN SIMBOL PETA Helmy Thendean Program Studi Teknik Informatika, Fakultas Teknologi Informasi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih 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 terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 004 Yogyakarta, 19 Juni 004 Klasifikasi Pola Menggunakan Jaringan Probabilistik Sri Kusumadewi Jurusan Teknik Informatika, Universitas Islam Indonesia Jl.
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 II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengertian Sistem Absensi Otomatis Menurut kamus besar bahasa Indonesia absen memiliki arti ketidak hadiran dalam suatu kegiatan, baik kegiatan belajar mengajar ataupun dalam
Lebih terperinciIMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION
IMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION Garibaldy W Mukti 13506004 Teknik Informatika ITB alamat : Srigading 29, Bandung 40132 email: subghost1802000@yahoo.com ABSTRAK
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih 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 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 I PENDAHULUAN. Machine learning (ML), bagian dari kecerdasan buatan (artificial
BAB I PENDAHULUAN 1. 1.1. Latar Belakang Machine learning (ML), bagian dari kecerdasan buatan (artificial intelligence), merupakan metode untuk mengoptimalkan performa dari sistem dengan mempelajari data
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Dalam bab ini dibahas teori yang digunakan sebagai landasan pengerjaan Support Vector Backpropagation. Pembahasan bertujuan untuk menguraikan teori dan algoritma yang digunakan dalam
Lebih terperinciPENGARUH PROSES DOWNSAMPLE PADA KINERJA PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION
PENGARUH PROSES DOWNSAMPLE PADA KINERJA PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION Budi Nugroho 1), Intan Yuniar Purbasari 2) 1) Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciBlind Steganalysis pada Citra Digital dengan Metode Jaringan Saraf Tiruan
Blind Steganalysis pada Citra Digital dengan Metode Jaringan Saraf Tiruan Cilvia Sianora Putri Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung Jl. Ganesha
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
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 terperinciFacial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network
Facial Expression Recognition By Using Fisherface Methode With Backpropagation Neural Network Zaenal Abidin dan Agus Harjoko Abstract In daily lives, especially in interpersonal communication, face often
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciNeural Network (NN) Keuntungan penggunaan Neural Network : , terdapat tiga jenis neural network Proses Pembelajaran pada Neural Network
Neural Network (NN) adalah suatu prosesor yang melakukan pendistribusian secara besar-besaran, yang memiliki kecenderungan alami untuk menyimpan suatu pengenalan yang pernah dialaminya, dengan kata lain
Lebih terperinciEKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH. Oleh: Kholistianingsih
EKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH Oleh: Kholistianingsih Abstract Face recognition is a non-contact biometric identification that tries to verify individuals automatically based
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION
ESTIMASI BIAYA PERANGKAT LUNAK MENGGUNAKAN IMPROVED BACKPROPAGATION Rocky Yefrenes Dillak Abstrak : Estimasi biaya perangkat lunak merupakan bagian tak terpisahkan dari pengembangan perangkat lunak. Mengabaikan
Lebih terperinciKNIT-2 Nusa Mandiri ISBN: SISTEM BIOMETRIK TELINGA MENGGUNAKAN JARINGAN SYARAF TIRUAN
SISTEM BIOMETRIK TELINGA MENGGUNAKAN JARINGAN SYARAF TIRUAN Ina Agustina 1, Fauziah 2, Aris Gunaryati 3 1, 2 Sistem Informasi, 3Teknik Informatika, Universitas Nasional Jl Sawo Manila Pejaten Pasar Minggu
Lebih terperinciKLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG
KLASIFIKASI POLA SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION UNTUK ANALISA KARAKTERISTIK SESEORANG [1] Ahmad Fahrudi Setiawan, [2] Alam Katon Agung [1], [2] Institut Teknologi Nasional
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF)
PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMEN INVARIAN DAN RADIAL BASIS FUNCTION (RBF) AINUN JARIAH 1209201721 DOSEN PEMBIMBING 1. Prof. Dr. Mohammad Isa Irawan, M.T 2. Dr Imam Mukhlas, S.Si, M.T
Lebih terperinciKombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah
Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinci