BAB 2 Landasan Teori
|
|
- Widyawati Dharmawijaya
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh, 2008). Agar mesin dapat mengenali manusia, maka mesin harus mendapatkan sebuah informasi biometric dari manusia tersebut. Informasi biometric tersebut dapat berupa DNA, bentuk telinga, bentuk wajah, bentuk sidik jari, suara, retina mata, bentuk pembuluh nadi, dan Iris mata (Anil, Arun, dan Salil, 2004). Informasi biometric tersebut akan diambil dengan menggunakan sensor pada mesin. Kemudian informasi tersebut diproses oleh mesin, sehingga mesin akan mengenali manusia dengan informasi biometric dari manusia tersebut. Pengenalan manusia secara otomatis sendiri sudah banyak diteliti jauh sebelum tahun 1990 dan telah banyak yang sudah meneliti pengenalan manusia secara otomatis menggunakan informasi wajah, sehingga saat ini sudah banyak penemuan metodemetode untuk mengenali wajah manusia. Namun dari semua metode yang ada, terdapat kelebihan dan kekurangan pada masing-masing metode tersebut. 2.1 Pengenalan Wajah Manusia Pada bab sebelumnya, sudah dibahas bahwa kemampuan mesin dalam mengenali wajah manusia tidak secepat yang dilakukan oleh manusia. Seorang manusia dapat mengenali beberapa wajah manusia dengan penerangan cahaya yang berbeda, ekspresi wajah dan luka pada wajah. Kemampuan manusia inilah yang kemudian diteliti dan dikembangkan teorinya, sehingga teori-teori inilah yang nantinya akan diterapkan pada mesin sehingga mesin akan memiliki kemampuan yang mendekati manusia. Kemampuan manusia dalam pengenalan suatu objek didukung peranan jaringan syaraf otak, dimana jaringan syaraf otak ini melakukan proses pembelajaran serta penyimpanan akan hal-hal yang berhubungan dengan objek tersebut (Agnes, Andrew, Nizar, 2014). Dari pernyataan tersebut dapat dilihat bahwa mesin harus mempunyai kemampuan untuk melakukan proses pembelajaran dan penyimpanan 5
2 6 akan hal-hal yang berhubungan dengan objek yang akan dikenali, dalam hal ini objek tersebut adalah wajah manusia yang akan dikenali. Tahapan-tahapan yang berlangsung pada sistem pengenalan wajah manusia adalah sebagai berikut: a. Image Processing Tahapan ini bertujuan untuk mereduksi dimensi dari gambar agar proses pengenalan wajah manusia dapat berlangsung lebih cepat. Dengan Image Processing ini ukuran gambar yang diperoleh dari sensor berupa kamera dapat diperkecil, namun informasi yang ada pada gambar tersebut tetap terjaga b. Learning Dalam tahapan ini gambar yang sudah dikompresi tersebut dipelajari dan dikenali oleh mesin, sehingga mesin akan dapat mengenali wajah manusia dari gambar tersebut Image Processing Tahapan Image Processing ini bertujuan untuk mengecilkan ukuran gambar yang diperoleh dari kamera. Semakin baik resolusi kamera yang digunakan maka semakin baik juga kualitas gambarnya. Namun penggunaan resolusi kamera yang besar akan membuat ukuran gambar yang diperoleh menjadi besar, sehingga ukuran gambar yang besar ini akan membuat proses pembelajaran dan pengenalan menjadi lebih lama, sehingga dibutuhkan Image Processing agar kualitas gambar tetap terjaga namun ukuran gambar lebih kecil dan proses pengenalan wajah menjadi lebih cepat. Ada beberapa algoritma yang ditawarkan untuk mereduksi dimensi dari sebuah gambar. Algoritma tersebut antara lain: A. Linear Discriminant Analysis Linear Discriminant Analysis (LDA) telah berhasil digunakan sebagai teknik mereduksi dimensi untuk banyak masalah, seperti speech recognition,
3 7 face recognition, dan pengambilan informasi multimedia (Yu, Yang, 2001). LDA mereduksi gambar dengan cara mencari matriks W untuk memaksimalkan nilai perbandingan antara matriks penyebaran antar kelas (S b ) dan matriks penyebaran dalam kelas (S w ). B. Principal Component Analysis Principal Component Analysis merupakan metode statistika yang digunakan untuk mereduksi / mengurangi dimensi input tanpa kehilangan informasi penting dari input. Dalam PCA, seluruh dataset yang dimiliki akan diproyeksikan kedalam subspace yang berbeda untuk mendapatkan arah (component) yang memaksimalkan variance dari dataset yang dimiliki. Secara umum penyelesaian PCA dilakukan dalam 4 tahap yaitu : 1. Input data (m x n), dimana m : jumlah pixel dan n : jumlah citra atau sampel. 2. Preprocessing PCA dengan melakukan standarisasi dan mencari covariance atau correlation matrix. 3. Proses PCA dengan menggunakan EVD (Eigen Value Decomposition) atau SVD (Singular Value Decomposition). 4. Output yang merupakan data hasil transformasi (m x k), dimana m : jumlah pixel dan k : jumlah principal component Learning Jaringan syaraf tiruan merupakan suatu jaringan syaraf yang dibentuk berdasarkan jaringan syaraf manusia menggunakan program komputer. Jaringan syaraf tiruan juga dapat dikatakan sebagai otak buatan yang berusaha untuk mensimulasikan proses pembelajaran pada otak manusia. Pada otak dan jaringan syaraf manusia, neuron merupakan bagian pemroses terkecil. Pada neuron terdapat dendrit, sinapsis, nukleus, dan akson. Dendrit merupakan bagian yang menerima rangsangan. Rangsangan yang diterima akan diberikan pada nukleus. Respon dari nukleus akan disampaikan kepada neuron lain melalui akson. Bagian yang menerima respon tersebut disebut sebagai sinapsis.
4 8 Jaringan syaraf tiruan juga terdiri dari neuron tiruan. Neuron tiruan ini dapat berfungsi seperti neuron pada manusia. Permodelan dari neuron tirun dapat digambarkan dengan gambar berikut. Gambar 2.1 Contoh Jaringan Saraf Tiruan Jika disetarakan dengan neuron pada manusia maka p merupakan rangsangan, weight (W) dan bias (b) merupakan sinapsis, dan a merupakan hasil respon dari rangsangan yang nantinya dapat disalurkan menggunakan akson. Secara matematik neuron tiruan dapat dituliskan sebagai berikut (1) (2) Pada neuron tiruan, nilai W dan b dapat diatur. Dengan menemukan nilai W dan b yang tepat neuron dapat digunakan untuk beberapa tujuan yang khusus dengan melihat hubungan antara input dan output. Untuk menemukan nilai W dan b yang tepat dapat dilakukan dengan menggunakan learning rule. Berdasarkan metodenya learning rule dibedakan menjadi dua yaitu supervised learning dan unsupervised learning. Pada dasarnya supervised learning merupakan metode dimana mencari nilai W dan b dengan menentukan target yang akan dicapai sebelumnya, sedangkan pada unsupervised learning, target dari proses pembelajaran tidak ditentukan. a. Supervised Learning Supervised learning rule memiliki sekumpulan hubungan input dengan target yang ingin dicapai secara matematik dapat dituliskan dalam persamaan berikut. {p1, t1}, {p2, t2},, {pn, tn}
5 9 Dimana (pn) merupakan input ke jaringan syaraf dan (tn) merupakan target atau output yang diinginkan. Ketika input diberikan pada jaringan, output dari jaringan akan dibandingkan dengan target. Kemudian learning rule digunakan untuk menetukan W dan b dari jaringan dengan tujuan agar output dari jaringan dapat sedekat mungkin dengan target. Jarak antara output jaringan dengan target digunakan sebagai pengukuran error dan digunakan untuk memperbaiki parameter dari jaringan. Metode learning rule ini sangat sering digunakan karena dapat dipakai dalam pembelajaran yang bersifat alami. Dalam metode ini dibutuhkan sekumpulan input dan pola output yang disebut training set. b. Unsupervised Learning Metode unsupervised learning, W dan b diatur hanya berdasarkan respon terhadap input pada jaringan yang diberikan. Tidak ada target output. Kebanyakan algoritma yang digunakan pada metode ini menggunakan operasi pengelompokan. Jaringan belajar mengelompokan pola input dalam beberapa kelas. Ini berguna dalam aplikasi seperti penghitungan vector. Dalam unsupervised learning respon yang diinginkan tidak diketahui sehingga, informasi error yang dihasilkan tidak dapat digunakan untuk memperbaiki sifat jaringan. Karena tidak ada informasi yang dapat menetuka benar atau salah dari respon yang dihasilkan, pembelajaran dilakukan dengan observasi respons terhadap input yang tidak diketahui. Jaringan harus mampu menemukan dengan sendirinya kemungkinan adanya pola, aturan, dan perbedaan. Ketika menemukan hal tersebut jaringan akan mengatur parameter dari jaringan. Feedback atau umpan balik menjadi pusat dari metode learning ini. Metode ini dapat memahami atau mengenali pola dari yang terjadi dari hubungan sebab-akibat.
6 Pengenalan Wajah menggunakan Image Compression dan Artificial Neural Network Pengenalan wajah merupakan salah satu masalah yang menantang dan up to date, karena tidak ada teknik yang menghasilkan solusi yang kuat untuk semua situasi (Jawad, Syed dan Farukh, 2008). Jawad, Syed dan Farukh (2008) mengatakan bahwa pengenalan wajah dibagi menjadi 4 tahap, yaitu input, pre-process, classifier, dan output. Berikut ini blok diagram dari tahap-tahap pengenalan wajah menggunakan Image Compression dan Artificial Neural Network. Gambar 2.2 Tahap-tahap Pengenalan Wajah menggunakan Image Compression dan Artificial Neural Network. Sumber: A MATLAB based Face Recognition System Using Image Processing and Neural Networks. (Jawad, Syed dan Farukh, 2008) Teknik yang digunakan dalam penelitian sebelumnya oleh Jawad, Syed dan Farukh (2008) adalah sebagai berikut two dimensional discrete cosine transform (2D- DCT) untuk mengompresi gambar wajah dan Self-organizing maps (SOM) untuk mengklasifikasi apakah input gambar sudah ada atau belum di dalam database. Pada penelitian sebelumnya, mula-mula objek yang akan dikenali diambil gambarnya sebanyak lima buah gambar untuk dimasukkan ke dalam database. Pengambilan gambar tersebut menggunakan kamera digital Canon Powershot S3 IS 6.0 megapixel dengan ukuran gambar pixels (2.0 megapixels). Adapun pada penelitian tersebut batasan-batasannya antara lain, pencahayaan yang sama untuk semua kondisi pengambilan gambar database, warna cerah digunakan
7 11 untuk latar belakang, posisi wajah tegak lurus dan menghadap kamera, dan toleransi untuk memiringkan atau memutar kepala sebesar 20 derajat. Setelah itu gambar yang diambil akan diproses terlebih dahulu menggunakan Adobe Photoshop CS2 untuk mengatur tingkat warna dan saturasi serta mengatur brightness dan contrast ke skala yang sama untuk setiap gambar, juga desaturating 24 bit RGB menjadi 8 bit grayscale, dan menyimpannya ke format JPEG. Gambar yang sudah diambil, selanjutnya dikompresi menggunakan teknik 2D-DCT dengan memanfaatkan MATLAB Image Processing Toolbox untuk mengurangi ukuran gambar dari pixels menjadi 8 8 pixels. Setelah dikompresi melalui teknik 2D-DCT, gambar hasil kompresi akan menjadi input untuk dilatih menggunakan artificial neural network dengan teknik Self Organizing Map atau juga sering disebut Kohonen Map. Metode ini merupakan salah satu proses unsupervised learning, dimana belajar untuk mendistribusikan sejumlah pola tanpa ada informasi atau target (Jawad, Syed, dan Farukh, 2008). Proses pembelajaran dengan metode ini dimaksudkan agar mesin dapat mengenali serta mengelompokan 25 gambar wajah yang telah dikompresi menjadi lima kelas, berdasarkan wajah kelima orang yang telah diambil gambarnya. Gambar2.3 Image Database setelah dilatih menggunakan Self-Organizing Map. Sumber: A MATLAB based Face Recognition System Using Image Processing and Neural Networks. (Jawad, Syed dan Farukh, 2008)
8 12 Gambar 2.4 Gambar yang belum dilatih. Sumber: A MATLAB based Face Recognition System Using Image Processing and Neural Networks. (Jawad, Syed dan Farukh, 2008) Kemudian pada saat pengujian menggunakan gambar baru yang tidak ada dalam database gambar tersebut mesin dapat mengenali hingga 81,36 % setelah dilatih sebanyak 850 kali perulangan. 2.3 A Direct LDA Algorithm for High-Dimensional Data with Application to Face Recognition Linear Discriminant Analysis telah berhasil digunakan sebagai teknik pengurangan dimensi untuk beberapa kasus, antara lain speech recognition, face recognition,dan pengambilan informasi multimedia(yu, Yang, 2001).Tujuan dari LDA adalah untuk mencari matriks W sehingga perbandingan antara ScatterBetween Matrix (S b ) dan Scatter Within Matrix (S w ), sesuai dengan persamaan berikut. W = arg max WS W WS b w W T T Dalam system pengenalan wajah, banyak teknik yang sudah ditawarkan. Di antara teknik-teknik tersebut yang paling menonjol adalah pendekatan two stage PCA+LDA (Yu, Yang, 2001). W = W LDA W PCA Inti dari algoritma direct LDA solution terletak pada ide diagonalisasi simultan, sama seperti pada algoritma LDA yang tradisional. Algoritma direct LDA mencoba mencari matriks yang secara simultan mendiagonalisasi S w dan S b, sesuai dengan persamaan: T T WSw W = I, WS bw = Λ
9 13 Dimana adalah matriks diagonal dengan elemen diagonalnya disusun menurun. Ide dari algoritma ini adalah untuk menghilangkan null space dari matriks S b yang berisi informasi yang tidak penting, dan menjaga null space dari matriks S w yang berisi informasi yang bersifat diskriminatif. Hal ini dapat dilakukan dengan mendiagonalisai S b terlebih dahulu setelah itu mendiagonalisasi S w. Gambar 2.5 Cara Kerja Algoritma Direct LDA Dapat dilihat dari gambar 2.5 mula-mula matriks S b didiagonalisasi, kemudian nullspace dari matriks S b yang sudah didiagonalisasi dibuang dan mengubah diagonalnya menjadi 1 sehingga berubah menjadi matriks identitas (I). Kemudian matriks S w didigonalisasi sehingga memperoleh matriks D w yang merupakan matriks subspace gambar dalam LDA. Percobaan pengenalan wajah menggunakan algoritma direct LDA dilakukan pada gambar wajah dari Olivetti-Oracle Research Lab (ORL). Dataset dari ORL terdiri dari 400 gambar wajah tampak depan, yang merupakan 10 gambar wajah dari 40 individu yang berbeda, dengan variasi pose, pencahayaan, ekpresi, serta aksesoris. Gambar dari setiap wajah berukuran 92 x 112 pixels, dengan level keabuan dari 0 sampai dengan 255. Percobaan dilakukan dengan memilih secara acak 5 gambar wajah setiap orang untuk dilatih dan 5 gambar lainnya untuk di-testing. Adapun hasil dari percobaan tersebut diperoleh persentase pengenalan sebesar 90,8% tanpa ada proses dimentionality reduction. Dengan adanya proses dimensionality reduction rata-rata pengenalan menjadi 86,6%.
10 14
BAB 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 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 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 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciBAB I PENDAHULUAN. 1 Universitas Kristen Maranatha
BAB I PENDAHULUAN 1.1. Latar Belakang Pengenalan wajah (face recognition) merupakan salah satu teknologi biometric yang sangat dibutuhkan dalam berbagai aplikasi, seperti keamanan, verifikasi (pembuktian)
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciKOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS
KOMPRESI CITRA DIGITAL DENGAN MENGGUNAKAN HEBBIAN BASED PRINCIPAL COMPONENT ANALYSIS 1 Sofyan Azhar Ramba 2 Adiwijaya 3 Andrian Rahmatsyah 12 Departemen Teknik Informatika Sekolah Tinggi Teknologi Telkom
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciPengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciBAB I PENDAHULUAN. Perkembangan teknologi image processing sekarang ini menyediakan
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi image processing sekarang ini menyediakan kemungkinan manusia untuk membuat suatu sistem yang dapat mengenali suatu citra digital. Setiap
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB 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. berbeda antara manusia satu dengan yang lain. Manusia mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Dewasa ini teknologi pengenalan wajah semakin banyak diaplikasikan karena wajah merupakan suatu bagian tubuh manusia yang biasa digunakan sebagai pengenalan identitas,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciBAB I PERSYARATAN PRODUK
BAB I PERSYARATAN PRODUK Berkembangnya teknologi informasi pasti menimbulkan masalah dalam pengamanan informasi. Salah satu cara untuk mengamankan informasi dapat dilakukan dengan autentikasi terhadap
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 terperinciKLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI
KLASIFIKASI CITRA PARU MENGGUNAKAN MODEL SELF-ORGANIZING MAPS RADIAL BASIS FUNCTION NEURAL NETWORKS (SOM-RBFNN) SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri
Lebih terperinciBAB 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciBAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciBAB I PENDAHULUAN. identitas individu baik secara fisiologis, sehingga dapat dijadikan alat atau
BAB I PENDAHULUAN 1.1 Latar Belakang Teknologi biometrik merupakan teknologi yang memanfaatkan identitas individu baik secara fisiologis, sehingga dapat dijadikan alat atau kunci dalam kontrol akses ke
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Perancangan Sistem Neural Network di Matlab Gambar 3.1 Blok Diagram Perancangan Sistem Neural network 3.1.1 Training Neural Network Untuk pelatihan neural network penulis lebih
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN SELF ORGANIZING MAPS
PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN SELF ORGANIZING MAPS Anggina Primanita, Dian Retno Anggraini 2 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Sriwijaya Perum. Bukit
Lebih terperinciPengenalan Wajah Menggunakan Two Dimensional Linier Discriminant Analysis Berbasis Feature Fussion Strategy
Pengenalan Wajah Menggunakan Two Dimensional Linier Discriminant Analysis Berbasis Feature Fussion Strategy Benny Afandi Institut Teknologi Sepuluh Nopember Surabaya b2nafandi@gmail.com Sahmanbanta Sinulingga
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciRENCANA PEMBELAJARAN SEMESTER (RPS)
RENCANA PEMBELAJARAN SEMESTER (RPS) CIG4A3 Pembelajaran Mesin Disusun oleh: Agung Toto Wibowo Said Al Faraby PROGRAM STUDI S1 TEKNIK INFORMATIKA FAKULTAS INFORMATIKA TELKOM UNIVERSITY LEMBAR PENGESAHAN
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciBAB I PENDAHULUAN. dengan memanfaatkan ciri wajah yang telah tersimpan pada database atau wajah
BAB I 1. asd PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini perkembangan teknologi di bidang informasi khususnya dengan menggunakan komputer telah berkembang, hal ini menyebabkan banyak aplikasi baru
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciPENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING)
PENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING) Disusun oleh : Febryan Setiawan (0922081) Jurusan Teknik Elektro,
Lebih terperinci1.1 Latar Belakang. Universitas Indonesia
BAB 1 PENDAHULUAN Bab ini menjelaskan latar belakang penelitian tugas akhir, pernyataan permasalahan yang timbul dari latar belakang tersebut, tujuan penelitian, batasan masalah, manfaat penelitian, tahapan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang 1.2. Rumusan Masalah
BAB I Pendahuluan 1 BAB I PENDAHULUAN 1.1. Latar Belakang Pemalsuan identitas sering kali menjadi permasalahan utama dalam keamanan data, karena itulah muncul teknik-teknik pengamanan data seperti penggunaan
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciIDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION ABSTRAK
IDENTIFIKASI TANDA TANGAN MENGGUNAKAN ALGORITMA DOUBLE BACKPROPAGATION Disusun oleh: Togu Pangaribuan 0722087 Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof.Drg. Suria Sumantri, MPH No. 65, Bandung
Lebih 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 DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih terperinciENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5
MAKALAH SEMINAR TUGAS AKHIR ENKRIPSI DATA HASIL ANALISIS KOMPONEN UTAMA (PCA) ATAS CITRA IRIS MATA MENGGUNAKAN ALGORITMA MD5 Sunaryo 1, Budi Setiyono 2, R. Rizal Isnanto 2 Abstrak - Biometrik merupakan
Lebih terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Mata adalah indra terbaik yang dimiliki oleh manusia sehingga citra (gambar) memegang peranan penting dalam perspektif manuasia. Namun mata manusia memiliki keterbatasan
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih terperinciJARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM
JARINGAN SARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) ERWIEN TJIPTA WIJAYA, ST, M.KOM INTRODUCTION Jaringan Saraf Tiruan atau JST adalah merupakan salah satu representasi tiruan dari otak manusia yang selalu
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 terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.
Lebih terperinciFACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK
FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) Kurnia Novita Mutu (0722029) Jurusan Teknik Elektro email: mutunia@gmail.com ABSTRAK Perkembangan biometrik pada
Lebih terperinciPROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA)
PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA) Jemmy E.Purwanto Jemmy.e.Purwanto@Gmail.com Pembimbing I :
Lebih terperinciAbsensi Berbasis Pengenalan Wajah Dengan Pendekatan Dua Dimensi Principal Component Analysis ( 2 D P C A )
Vol. 1, No. 2 Juni 2010 ISSN 2088-2130 Absensi Berbasis Pengenalan Wajah Dengan Pendekatan Dua Dimensi Principal Component Analysis ( 2 D P C A ) Fitri Damayanti A, Ahmad Sahru Romadhon B, uhammad Jauhar
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Jaringan Syaraf Tiruan Artificial Neural Network atau Jaringan Syaraf Tiruan (JST) adalah salah satu cabang dari Artificial Intelligence. JST merupakan suatu sistem pemrosesan
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
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 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 terperinciPengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta
Pengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta Abstraksi Pengenalan wajah (face recognition) yang merupakan salah satu penerapan image processing, kini telah dipakai untuk banyak aplikasi.
Lebih 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 terperinciSIMULASI PENGENALAN WAJAH MANUSIA MENGGUNAKAN METODE ANALISIS DISKRIMINAN LINEAR DUA DIMENSI (2D-LDA) DENGAN JARAK MANHATTAN, CANBERRA DAN EUCLIDEAN
SIMULASI PENGENALAN WAJAH MANUSIA MENGGUNAKAN METODE ANALISIS DISKRIMINAN LINEAR DUA DIMENSI (2D-LDA) DENGAN JARAK MANHATTAN, CANBERRA DAN EUCLIDEAN Rivaldi MHS *), Ajub Ajulian Zahra, Imam Santoso, and
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS. Skripsi
PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS Skripsi Di susun oleh : M. RIDHO MAJIDI (0934010056) PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVESITAS PEMBANGUNAN
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah. Meter air merupakan alat untuk mengukur banyaknya air yang digunakan oleh
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Meter air merupakan alat untuk mengukur banyaknya air yang digunakan oleh pelanggan. Alat ini biasa diletakkan di rumah-rumah yang menggunakan penyediaan air
Lebih terperinciKlasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ
Klasifikasi Identitas Wajah Untuk Otorisasi Menggunakan Deteksi Tepi dan LVQ Gilang Ramadhan *, Esmeralda C Djamal, Tedjo Darmanto Jurusan Informatika, Fakultas MIPA Universitas Jenderal Achmad Yani Jl.
Lebih terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
Lebih terperinciBAB 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih terperinciImplementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia
Nusantara of Engineering/Vol. 2/ No. 1/ISSN: 2355-6684 65 Implementasi Principal Component Analysis (PCA) Untuk Pengenalan Wajah Manusia Rina Firliana, Resty Wulanningrum, Wisnu Sasongko Jurusan Teknik
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih 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. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Biometrik adalah salah satu teknologi cangih yang banyak dipakai untuk menjadi bagian dari system keamanan di berbagai bidang. Biometrik ini bahkan sudah digunakan
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS
PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS Widyawan Tarigan NRP : 0222062 email : widyawan_tarigan@yahoo.com ABSTRAK Pada sistem pengenalan wajah, merancang deskriptor
Lebih terperinciBAB I PENDAHULUAN. ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah keamanan (security) merupakan salah satu isu yang sangat penting akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk permasalahan tersebut
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciPENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan
PENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan 6907040024 Fajar Indra 6907040026 ABSTRACT Face recognition
Lebih terperinciBAB 4 ANALISA DAN BAHASAN
BAB 4 ANALISA DAN BAHASAN 4.1 Spesifikasi Sistem Sistem pengenalan objek 3 dimensi terbagi atas perangkat keras dan perangkat lunak. Spesifikasi sistem baik perangkat keras maupun lunak pada proses perancangan
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menjelaskan mengenai Latar Belakang, Identifikasi Masalah, Tujuan Tugas Akhir, Lingkup Tugas Akhir, Metodologi Tugas Akhir dan Sistematika Penulisan Tugas Akhir. 1.1 Latar Belakang
Lebih terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE
PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE Nunu Kustian Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: kustiannunu@gmail.com Abstrak
Lebih terperinciBAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector
BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Permainan catur cina, yang dikenal sebagai xiang qi dalam bahasa mandarin, merupakan sebuah permainan catur traditional yang memiliki jumlah 32 biji catur. Setiap
Lebih terperinciBAB II TINJAUAN PUSTAKA. yang revelan dengan penelitian yang akan. antara metode Kohonen Neural Network dengan metode Learning ng Vector
BAB II TINJAUAN PUSTAKA Pada Bab ini akan menjelaskan tentang teori-teori o i serta hasil penelitian yang revelan dengan penelitian yang akan an dilakukan. an. A. Tinjauan an Pustaka Prabowo, o, Sarwoko
Lebih terperinciImplementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)
46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih 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 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 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 terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan
Lebih terperinciANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR
Jurnal Teknik dan Ilmu Komputer ANALISIS VARIASI PARAMETER LEARNING VECTOR QUANTIZATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA ODOR PARAMETER VARIATION ANALYSIS OF LEARNING VECTOR QUANTIZATION
Lebih terperinciBAB II LANDASAN TEORI. Citra digital sebenarnya bukanlah sebuah data digital yang normal,
BAB II LANDASAN TEORI II.1 Citra Digital Citra digital sebenarnya bukanlah sebuah data digital yang normal, melainkan sebuah representasi dari citra asal yang bersifat analog [3]. Citra digital ditampilkan
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 1 PENDAHULUAN. identifikasi (Naseem, 2010). Sudah banyak sistem biometrik yang dipakai pada
BAB 1 PENDAHULUAN 1.1. Latar Belakang Biometrik merupakan cara untuk merekam fisik seseorang atau karakteristik kebiasaan atau sifat yang bisa digunakan untuk otentikasi atau identifikasi (Naseem, 2010).
Lebih terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih 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 terperinci