TEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP)
|
|
- Irwan Yuwono
- 6 tahun lalu
- Tontonan:
Transkripsi
1 TEKNIK ENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY ATTERN (LB) Eko Wahyudi, Wirawan dan Hendra Kusuma Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya Abstrak - ada tugas akhir ini digunakan teknik pengenalan wajah dengan pendekatan fitur berdasarkan Local Binary attern (LB), yang diujikan pada citra-citra wajah dengan berbagai variasi pencahayaan dan posisi kepala. Dimana umumya fitur ini digunakan untuk analisa tekstur. LB merupakan metode untuk mengekstraksi fitur dalam bentuk kode-kode biner yang diperoleh dari proses binary derivative, kode-kode ini kemudian akan dijadikan fitur berdasarkan histogram kode-kode tersebut. Algoritma pengujian yang digunakan pada penelitian tugas akhir ini adalah algoritma Supervised rincipal Component Analysis (CA), subspace Linear Discriminant Analysis (LDA), dan Chi Square. Dimana metode Supervised CA berfungsi mereduksi vektor fitur LB, sedangkan metode subspace LDA melakukan proses diskriminant dari hasil algoritma CA, dan metode Chi Square berfungsi untuk membandingkan distribusi histogram citra training dan citra test. Untuk citra wajah dengan variasi pencahayaan, pengujian dibagi menjadi 4 bagian subset berdasarkan keekstriman pencahayaan. Hasil dari penelitian menunjukkan bahwa dari ketiga metode yang diujikan, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale-B) tingkat terbaik ada pada citra test dengan tingkat pencahayaan yang relatif normal (subset 2) yaitu pada window size 11x13 sebesar 100%, sedangkan untuk variasi posisi kepala (basis data AT&T) ada pada window size 26x30 sebesar 90,71%. Kata kunci : engenalan wajah, Local Binary attern(lb), Supervised CA, Subspace LDA, dan Chi Square I. ENDAHULUAN engenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, aplikasi dari pengenalan wajah dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), kamus digital serta teknologi cerdas[1]. ermasalahan pada pengenalahan wajah dipengaruhi dari beberapa faktor variabilitas, yaitu variabilitas inter-personal dan variabilitas intra-personal. Variabilitas inter-personal timbul karena proses pengenalan wajah dilakukan pada wajah yang berbeda karena faktor ras dan genetika. Sedang variabilitas intra-personal adalah variasi yang muncul pada wajah yang sama dimana hal ini disebabkan oleh perubahanperubahan internal (deformations) seperti posisi wajah, keberadaan komponen struktural, ekspresi wajah, dan kondisi pencitraan [2][3]. Kondisi eksternal saat pengambilan citra wajah akan sangat mempengaruhi penampilan citra wajah, 1 dalam hal ini teknik pengenalan wajah menghadapi permasalahan IE (ose, Illumination, and Expression). Faktor IE menyebabkan penampilan dari citra-citra wajah orang yang sama akan jauh berbeda jika dibandingkan dengan citra wajah orang yang berlainan yang tidak terpengaruh oleh faktor IE. Algoritma pengenalan wajah dapat dibedakan menjadi dua yaitu berdasarkan pendekatan fitur (featurebased) dan pendekatan penampilan (appearance-based)[4]. Dan dalam penelitian ini digunakan teknik pengenalan wajah berdasarkan pendekatan fitur. II. TEORI ENUNJANG A. Struktur Sistem engenalan Wajah Sistem pengenalan wajah merupakan sistem pengenalan pola (pattern recognition) yang terdiri dari 4 modul, 4 modul tersebut antara lain : Modul akuisisi data/sensor, melalui modul ini akan didapatkan citra wajah dari para pengguna. Modul pemrosesan awal (preprocessing), modul ini akan mengekstrak bagian wajah (facial region) kemudian menormalisasi terhadap ukuran serta pencahayaan (photometric normalization). Modul ekstraksi fitur, modul ini bertujuan untuk mendapatkan satu set fitur yang berasal dari bagian wajah yang telah ternormalisasi, dimana satu set fitur tersebut berasal dari bagian wajah yang telah ternormalisasi menggunakan LB. Modul pencocokan (matching), modul ini akan mencocokkan fitur-fitur yang telah diperoleh dari citra wajah yang diinputkan terhadap template/model yang ada di database sistem untuk pengambilan keputusan tentang identitas pengguna. Struktur sistem pengenalan wajah dibagi menjadi dua tahap yaitu tahap enrollment/registrasi dan tahap pengenalan. ada tahap enrollment akan dibentuk model atau Template berdasarkan vektor-vektor fitur LB yang terekstrak dari sejumlah citra training. Kemudian Template-template ini disimpan dalam suatu basis data. Sedangkan pada tahap pengenalan sistem akan memberikan output berupa identitas wajah di basis data yang paling mirip dengan citra test dengan menguji kemiripan fitur vektor (feature vector) dari citra test dan training [5]. Struktur sistem pengenalan wajah ditunjukkan pada gambar 1.
2 Nilai desimal dari 8 bit dari ( LB code ) dapat dinyatakan dalam persamaan berikut: (2) Dan fungsi s(x) didefinisikan sebagai berikut: (3) Gambar 1. Diagram fungsional sistem pengenalan wajah. Bagian atas merupakan tahap registrasi/enrollment sedangkan bagian bawah merupakah tahap pengenalan. B. Histogram Equalization(HE) Histogram Equalization merupakan suatu proses transformasi distribusi harga-harga inteensitas piksel pada citra I(x,y) menjadi distribusi harga intensitas piksel yang merata (uniform), sehingga memperbaiki kekontrasan citra secara keseluruhan. roses ini bekerja dengan cara meyebarkan harga-harga intensitas piksel yang sering terjadi secara merata pada citra[5]. Citra hasil normalisasi HE ditunjukkan pada gambar 3. i new k 1 i0 ni N C. Local Binary attern (LB) k 1 i0 p( i) Local Binary attern (LB) adalah deskriptor tekstur yang dapat juga digunakan untuk wajah, karena gambar wajah dapat dilihat sebagai sebuah komposisi micro-texture-pattern yaitu suatu operator non parametrik yang menggambarkan tata ruang lokal citra. LB didefinisikan sebagai perbandingan nilai biner piksel pada pusat citra dengan 8 nilai piksel disekelilingnya. Misal pada sebuah citra berukuran 3x3, nilai biner pada pusat citra dibandingkan dengan nilai sekelilingnya. Dengan cara mengurangkan nilai piksel pada pusat citra dengan nilai piksel disekelilingnya, jika hasilnya lebih atau sama dengan 0 maka biberi nilai 1 dan jika hasilnya kurang dari 0 maka diberi nilai. Setelah itu, menyusun 8 nilai biner searah jarum jam atau sebaliknya dan merubah 8 bit biner kedalam nilai desimal untuk menggantikan nilai piksel pada pusat citra[6], seperti di ilustrasikan pada gambar 2. (1) Fungsi (2) bertujuan untuk menghilangkan variabilitas yang disebabkan oleh iluminasi kontras sehingga citra wajah dengan berbagai variasi pencahayaan akan mendapatkan output yang hampir mirip, seperti terlihat pada gambar 4. Dengan melakukan ekstrasi piksel menggunakan LB, maka didapatkan suatu nilai matrik baru yang akan dirubah kesuatu histogram untuk memperoleh fitur vektor wajah. D. Chi Square Chi Square digunakan sebagai classifier dalam ruang fitur. engujian pengenalan wajah dilakukan dengan cara menguji kemiripan dari dua buah distribusi, yaitu distribusi dari histogram citra test dan distribusi dari histogram citracitra training. rinsip dasar Chi Square adalah dengan menghitung nilai minimum dari rata-rata dua histogram citra untuk menentukan kemiripan dari dua citra wajah. [6]. E. rincipal Componen Analysis (CA) rincipal Component Analysis (CA) adalah teknik reduksi dimensi yang umum digunakan pada aplikasi pemrosesan citra. rinsip dasar dari algoritma CA adalah menentukan dan mempertahankan komponen komponen dari sekumpulan citra yang mempunyai distribusi maksimum. CA digunakan untuk mendapatkan vektor-vektor atau disebut juga sebagai principal component yang dapat memberikan informasi tentang variance maksimum database wajah. Gabungan dari citra wajah inilah yang dinamakan eigenface. Eigenface-eigenface ini adalah merupakan fitur dari suatu citra wajah yang akan dikenali. (4) (a) (b) Gambar 2. Local Binary attern (LB)[6] 2 Gambar 3. Citra hasil Normalisasi Histogram Equalization, (a).sebelum HE (b).setelah HE
3 Gambar 4. Citra-citra hasil operasi Local Binary attern (LB) yang menunjukkan ketahanan LB terhadap variasi pencahayaan [7] F. Subspace Linear Discriminant Analysis (LDA) Linear Discriminant Analysis (LDA) bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal yang dapat memaksimumkan penyebaran antar kelas dan meminimumkan penyebaran dalam kelas data wajah. Algoritma LDA memiliki karakteristik perhitungan matriks yang hampir sama dengan CA. erbedaan dasarnya adalah pada LDA diusahakan adanya perbedaan yang minimum dari citra dalam kelas. erbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). [9] G. Euclidean distance Ruang Euclidean merupakan ruang dengan dimensi terbatas. Dalam ruang tersebut citra wajah direpresentasikan sebagai dua titik yang memiliki koordinat masing-masing. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku. Dimana x adalah citra training, dan y adalah citra input test. Jika dan merupakan dua titik dalam Euclidean ruang n, maka jarak Euclidean x ke y adalah: (5) (6) B. erancangan Data Gambar 5. Blok Diagram sistem secara umum Dalam pengujian ini digunakan dua basis data yaitu Yale-B dan AT&T. citra dari basis data Yale-B dan AT&T dibagi kedalam dua basis data yaitu citra-citra training untuk digunakan pada proses learning serta citra tes untuk proses tes. pengenalan wajah ada basis data citra training dibagi menjadi dua yaitu basis data citra training dengan variasi pencahayaan diambil dari basis data Yale-B sebanyak 120 citra dari 10 kelas yang berbeda. Untuk variasi posisi wajah (headpose) diambil dari basis data AT&T sebanyak 120 citra dari 40 kelas. C. Ekstraksi fitur LB engekstrasian fitur dengan mengggunakan LB dimulai dengan melakukan segmentasi dari citra wajah. Area wajah terlebih dahulu dibagi menjadi daerah yang lebih kecil dengan jumlah blok atau region (5x5) sampai (11x11), sehingga akan didapat tujuh variasi ukuran jendela (window size) LB dengan ukuran piksel sebesar 26x30, 21x25, 18x21, 16x18, 14x16, 13x15, 11x13. Ekstraksi fitur LB ditunjukkan seperti gambar 7. D. erencanaan Software Software yang digunakan untuk simulasi yaitu dengan menggunakan MATLAB versi 7.6. dengan memanfaatkan pembuatan Graphical User Interface (GUI). Alasan menggunakan Matlab karena software ini bekerja berdasarkan matriks yang sesuai dengan tipe data pada citra. III. ERANCANGAN SISTEM A. erencanaan Algoritma engujian system pengenalan wajah menggunakan tiga algoritma yaitu supervised CA, subspace LDA, dan Chi Square. Ketiga algoritma tersebut diujikan pada citra wajah dengan variasi pencahayaan, posisi kepala, dan ekspresi (IE) dengan menggunakan basis data Yale-B dan AT&T. Diagram blok gambaran sistem secara umum seperti terlihat pada Gambar 5 3 Gambar 6 Tampilan GUI
4 F. erancangan Algoritma LDA engenalan berdasarkan proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini terdiri dari dua tahap yaitu citra wajah yang telah di ekstraksi fitur dengan LB diproyeksikan ke ruang eigenface yang telah dibentuk oleh CA dan kemudian vektor-vektor yang telah terproyeksi diproyeksikan kembali menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier. erbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). IV. ENGUJIAN DAN ANALISIS SISTEM (a) (b) Gambar 7. (a) Diagram Alir ekstraksi Fitur LB, (b) Ilustrasi ekstraksi Fitur LB E. erancangan Algoritma CA Algoritma CA digunakan untuk mereduksi fitur vektor LB, dan proses pengenalan digunakan algoritma Euclidean Distance. Diagram alir CA dapat dilihat pada Gambar 8 T 1 T i i 1 L T T A,,, L A.A 1 i1 T i. T i Dari hasil semua percobaan pengenalan wajah yang telah dilakukan baik untuk basis data Yale-B maupun AT&T dapat diketahui bahwa dari ketiga metode yang diujikan hasil terbaik tingkat pengenalan wajah dengan mengekstraksi fitur wajah menggunakan fitur LB adalah menggunakan metode Chi Square, Hasil terbaik kedua menggunakan metode reduksi dimensi Supervised CA dan yang terakhir menggunakan metode Subspace LDA. ada basis data Yale B yang mempunyai variasi pencahayaan yang berbeda-beda, tingkat pengenalan wajah terbaik ada pada fitur yang lebih detail, untuk Supervised CA dan Subspace LDA tingkat pengenalan terbaik ada pada window size 14x16, sedangkan pada metode Chi Square tingkat pengenalan wajah yang paling baik terdapat pada window size 11x13. Sedangkan untuk basis data AT&T yang mempunyai variasi pose, ekspresi dan aksesoris tingkat pengenalan wajah justru berbanding terbalik dengan jumlah blok LB yaitu pada window size 26x30, hal ini disebabkan dengan mengekstraksi fitur wajah dengan menggunakan algoritma LB akan memperjelas perbedaan detail pada wajah yang mempunyai variasi yang besar yang ada pada basis data AT&T yaitu pose, ekspresi dan aksesoris. sehingga dapat dlihat bahwa penggunaan fitur LB dalam proses pengenalan wajah, lebih tepat digunakan untuk variasi wajah dengan kendala pencahayaan dari pada posisi kepala. Dari hasil pengujian dengan kondisi pencahayaan yang berbeda-beda tingkat pengenalan wajah sampai 100% sedangkan untuk variasi posisi kepala tingkat pengenalan wajah hanya 90,7%. hasil uji untuk variasi pencahayaan di tunjukkan pada gambar 9 untuk (subset II), gambar 10 untuk (subset III), gambar 11 untuk (subset III) dan gambar 12 untuk (subset IV) dan untuk variasi posisi kepala ditunjukkan pada gambar 13. Gambar 8. Diagram Alir roses Training CA 4
5 Gambar 9. Grafik engujian fitur LB pada basis data Yale-B (subset II) Gambar 11. Grafik engujian fitur LB pada basis data Yale-B (subset IV) Gambar 10. Grafik engujian fitur LB pada basis data Yale-B (subset III) 5 Gambar 12. Grafik engujian fitur LB pada basis data Yale-B (subset V)
6 DAFTAR REFERENSI Gambar 13. Grafik engujian fitur LB untuk metode CA, Subspace LDA dan Chi Square pada basis data AT&T. V. KESIMULAN Setelah melakukan perencanaan dan pembuatan sistem kemudian dilakukan pengujian dan analisisnya, maka dapat diambil beberapa kesimpulan tentang ketiga metode pengenalan wajah yang diujikan, yaitu sebagai berikut: 1. Dari ketiga algoritma yang diujikan yaitu Supervised CA, Subspace LDA, dan Chi Square, yang memiliki tingkat pengenalan paling besar adalah algoritma Chi Square. Untuk variasi pencahayaan (basis data Yale-B) pada subset 2 sebesar 100%, subset 3 sebesar 99,17%, subset 3 sebesar 83,33%, dan untuk subset 4 sebesar 61% sedangkan untuk variasi posisi kepala (basis data AT&T) sebesar 90,71%. 2. ada basis data Yale-B, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised CA dan Subspace LDA terjadi pada window size LB 14x16. Sedangkan untuk algoritma Chi Square tingkat pengenalan terbaik terjadi pada window size LB 11x ada basis data AT&T, Tingkat pengenalan terbaik dengan menggunakan algoritma Supervised CA dan Chi Square terjadi pada window size LB 26x30. Sedangkan pada algoritma Subspace LDA terjadi pada window size 21x engenalan wajah dengan menggunakan fitur LB lebih sesuai digunakan untuk citra-citra dengan variasi pencahayaan dari pada variasi headpose. [1]. R. Chellappa, C. L. Wilson, and S. Sirohey Human and machine recognition of faces, a survey, roc. IEEE 83, (1995). [2]. Ming-Hsuan Yang, David J. Kriegman, Narendra Ahuja. Detecting Faces in Images: A Survey. IEEE Trans. attern Analysis and Machine Intelligence, vol. 24, no. 1, pp , Jan [3]. Ming-Hsuan Yang. Recent Advances in Face Detection. ICI 2003 Tutorial: Advance in Face rocessing, [4]. R. Brunelli and T. oggio, Face Recognition: Features vs. Templates, IEEE Trans. attern Analysis and Machine Intelligence, vol. 15, no.10, pp. 1,042-1,053, Oct [5]. Kusuma. H, Wirawan, urwanto. D, Single Scale Retinex dan Histogram Remapping untuk perbaikan recognition rate pada Eigenspace-based Face Recognition, Seminar on Intelligent Technology and Its applications, Oktober [6]. Timo Ahonen, Abdenour Hadid,and Matti ietik ainen, Face Description with Local Binary atterns:application to Face Recognition, vol. 28 no. 12, pp , December [7]. Yann Rodriguez, Face Detection and Verification using Local Binary atterns, thesis, École olytechnique Federale De Lausanne, 26 October [8]. Kusuma H, Wirawan, Appearance-based Face Recognition dengan menggunakan rincipal Component Analysis (CA) dan Nearest Mean Classifier, Java Journal of Electrical & Electronic Engineering vol. 6 no.1, april 2008 [9]. Kusuma H, Wirawan., Teknik engenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis), Java Journal of Electrical & Electronic Engineering vol. 6 no.2, Oktober RIWAYAT ENULIS Eko Wahyudi, lahir di Banyuwangi, 28 Januari 1987, merupakan putra pertama dari pasangan Bapak Karyadi dan Ibu Legiyem. Setelah lulus dari SMK Negeri 1 Glagah, Banyuwangi 2005, kemudian melanjutkan studi di Diploma 3, oliteknik Elektronika Negeri Surabaya Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS bidang studi Telekomunikasi Multimedia pada tahun Selama studi, penulis aktif menjadi asisten praktikum Komunikasi Data dan engolahan Sinyal Digital di Laboratorium Multimedia yang diadakan oleh Bidang Studi Telekomunikasi Multimedia. 6
Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square
PAPER ID : 102 Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square Eko Wahyudi 1), Hendra Kusuma 2), Wirawan 3) 1,2,3) Jurusan Teknik Elektro
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciPengenalan Wajah 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 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 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 terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciPenerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis
Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis Puspita Ayu Ningsih Putri. SY, Wirawan, Hendra Kusuma Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciLAPORAN TUGAS AKHIR PENGENALAN WAJAH MENGGUNAKAN METODE EKSTRAKSI FITUR LOCAL BINARY PATTERN BERDASARKAN METODE K-NEAREST NEIGHBOR
LAPORAN TUGAS AKHIR PENGENALAN WAJAH MENGGUNAKAN METODE EKSTRAKSI FITUR LOCAL BINARY PATTERN BERDASARKAN METODE K-NEAREST NEIGHBOR FACE RECOGNITION USING LOCAL BINARY PATTERN FEATURE EXTRACTION BASED K-NEAREST
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 terperinciPerbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA)
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Nimas Setya Yaniar Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo,
Lebih 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 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 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 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 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 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 terperinciPENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION YANG MENGGUNAKAN HISTOGRAM REMAPPING DENGAN DISTRIBUSI NON-UNIFORM
PENGENALAN WAJAH DENGAN PENDEKATAN ROBUST REGRESSION YANG MENGGUNAKAN HISTOGRAM REMAPPING DENGAN DISTRIBUSI NON-UNIFORM Budi Nugroho 1, Febriliyan Samopa 2 1 Jurusan Teknik Informatika, Fakultas Teknologi
Lebih terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciUJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES
1 Uji Kinerja Face Recognition Menggunakan Eigenfaces UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES ABDUL AZIS ABDILLAH 1 1STKIP Surya, Tangerang, Banten, abdillah.azul@gmail.com Abstrak. Pada paper
Lebih terperinciPENGENALAN WAJAH 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 terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE
PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE Nunu Kustian Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: kustiannunu@gmail.com Abstrak
Lebih terperinciTeknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector
eknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector Dwi Achti Noviatur Rahmah Jurusan eknik Elektro FI, Institut eknologi Sepuluh Nopember Kampus IS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
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 terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciPengenalan Wajah Menggunakan 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 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 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 terperinciHasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE
Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta
Lebih terperinciNormalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace
Normalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace Rita Dwi Handayani Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR CHAIN CODE Andre Sitorus (0822107) Jurusan Teknik Elektro email: tiantorus11@gmail.com ABSTRAK Pola yang dibentuk oleh
Lebih terperinciPerbandingan Akurasi Pengenalan Wajah Menggunakan Metode LBPH dan Eigenface dalam Mengenali Tiga Wajah Sekaligus secara Real-Time
Jurnal Sains, Teknologi dan Industri, Vol. 14, No. 1, Desember 2016, pp.66-71 Perbandingan Akurasi Pengenalan Wajah Menggunakan Metode LBPH dan dalam Mengenali Tiga Wajah Sekaligus secara Real-Time Harris
Lebih terperinciPERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA
PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA Naser Jawas STMIK STIKOM Bali Jl Raya Puputan no.86, Renon, Denpasar 80226 Email : naser.jawas@stikom-bali.ac.id1)
Lebih terperinciPENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)
ISSN: 1693-6930 177 PENGENALAN WAJAH MANUSIA DENGAN MEODE PRINCIPLE COMPONEN ANALYSIS (PCA) Murinto Program Studi eknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus III UAD Jl Prof Dr. Supomo,
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
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 terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciSISTEM 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 terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. menawarkan pencarian citra dengan menggunakan fitur low level yang terdapat
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Permasalahan CBIR ( Content Based Image Retrieval) akhir-akhir ini merupakan salah satu bidang riset yang sedang berkembang pesat (Carneiro, 2005, p1). CBIR ini menawarkan
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 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 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 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 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 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 terperinciPEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES
PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES Ni Wayan Marti Jurusan Manajemen Informatika, Fakultas Teknik dan Kejuruan,Universitas Pendidikan
Lebih terperinciSISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE
SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE Agus Budi Dharmawan 1), Lina 2) 1), 2) Teknik Informatika FTI - UNTARJakarta Jl S. Parman No.1, Jakarta 11440
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap instansi, terutama instansi pendidikan tinggi yang memiliki kegiatan secara rutin setiap harinya selalu mengadakan proses pendidikan dengan cara melakukan tatap
Lebih terperinciPengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor
Pengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor Fandiansyah 1, Jayanti Yusmah Sari 2, Ika Purwanti Ningrum 3, Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciBAB 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 terperinciIDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET ABSTRAK
IDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET Disusun oleh : Moriska Beslar 0422101 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH no.65,
Lebih 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 terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL BINARY PATTERN Zeth Pasongli (0222113) Jurusan Teknik Elektro Email: zeth_pasongli@yahoo.com ABSTRAK Pola pembuluh
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 II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih terperinciMenurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:
BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciABSTRAK. Kata kunci: Citra wajah manusia, Principal Component Analysis (PCA), Eigenfaces, Euclidean Distance. ABSTRACT
16 Dielektrika, ISSN 2086-9487 Vol. 1, No. 1 : 16-23 Pebruai, 2014 EKSTRAKSI CIRI WAJAH MANUSIA MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK SISTEM PENGENALAN WAJAH [Feature Extraction
Lebih 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 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 terperinciBAB III PERANCANGAN PERANGKAT LUNAK
BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pengenalan Gender Sistem pengenalan gender dalam skripsi ini dibuat dengan membandingkan 3 buah metode, yaitu 1 metode tanpa ekstraksi fitur yaitu subtraction
Lebih terperinciJournal of Control and Network Systems
JCONES Vol 3, No 1 (14) 29-36 Journal of Control and Network Systems Situs Jurnal : http://jurnalstikomedu/indexphp/jcone APLIKASI PENGENALAN WAJAH PADA MOBILE ROBOT OMNIDIRECTIONAL MENGGUNAKAN METODE
Lebih terperinciYOGI WARDANA NRP
PENGEMBANGAN ALGORITMA SISTEM IDENTIFIKASI MATA MANUSIA BERBASIS PENGOLAHAN CITRA DENGAN METODE GABOR PADA PERALATAN AOI ( AUTOMATED OPTICAL INSPECTION ) YOGI WARDANA NRP. 2107 100 115 JURUSAN TEKNIK MESIN
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
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 terperinciIDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID ABSTRAK
IDENTIFIKASI INDIVIDU BERDASARKAN CITRA SILUET BERJALAN MENGGUNAKAN PENGUKURAN JARAK KONTUR TERHADAP CENTROID Disusun Oleh : Robin Yosafat Saragih (1022076) Jurusan Teknik Elektro, Fakultas Teknik, Universitas
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 terperinciPERANCANGAN PERGERAKAN WEBCAM BERDASARKAN PERUBAHAN POSISI WAJAH MENGGUNAKAN METODE EIGENFACE BERBASIS RASPBERRY PI
PERANCANGAN PERGERAKAN WEBCAM BERDASARKAN PERUBAHAN POSISI WAJAH MENGGUNAKAN METODE EIGENFACE BERBASIS RASPBERRY PI Disusun oleh : Regina Vania Cahyadi (1122003) Jurusan Teknik Elektro, Fakultas Teknik,
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 terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
Lebih 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 terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER
PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER ABSTRAK Ryan Dharmawan Susanto (0722005) Jurusan Teknik Elektro email : ryan_sesss@yahoo.com Salah satu masalah yang mengganggu dalam pengenalan wajah
Lebih terperinciPengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface
Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface (Studi Kasus pengenalan wajah pada manusia di teknik informatika universitas malikussaleh) Muthmainnah, Rahayu Dosen Teknik Informatika
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 355~360 355 SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE Abdul Hamid
Lebih terperinciPengenalan Wajah Menggunakan Metode Support Vector Machine (SVM)
Pengenalan Wajah Menggunakan Metode Support Vector Machine (SVM) Yudhie Suherdani / 9922109 Jurusan Teknik Elektro, Fakultas Teknik, Univeristas Kristen Maranatha Jln. Prof. Drg. Suria Sumantri 65, Bandung
Lebih terperinci1. PENDAHULUAN. 1.1 Latar Belakang. 1.2 Perumusan masalah
1. PENDAHULUAN 1.1 Latar Belakang Formulir C1 Komisi Pemilihan Umum (KPU) merupakan dokumen hasil perolehan suara pemilu di setiap Tempat Pemungutan Suara (TPS). Formulir C1 kemudian dikumpulkan dan dilakukan
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 terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap metode Independent Component Analysis (ICA) dan Principal Component Analysis (PCA). Fokus utama penelitian
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ORTHOGONAL LAPLACIANFACES. Luhur Pribudhi ( )
PENGENALAN WAJAH DENGAN METODE ORTHOGONAL LAPLACIANFACES Luhur Pribudhi ( 0522068 ) Jurusan Teknik Elektro, Fakultas Teknik, Jln. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia Email : luhurpribudi@yahoo.com
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih
Lebih terperinciNurul Ilmi 1 1 Fakultas Informatika, Universitas Telkom, Bandung
Pengenalan Angka Tulisan Tangan dengan Menggunakan Local Binary Pattern Variance dan Klasifikasi K-Nearest Neighbour Handwriting Digit Recognition with Use Local Binary Pattern Variance and K-Nearest Neighbour
Lebih terperinciPENGEMBANGAN SISTEM ABSENSI BERBASIS FACE RECOGNITION DENGAN METODE LDA
PENGEMBANGAN SISTEM ABSENSI BERBASIS FACE RECOGNITION DENGAN METODE LDA Felix Hantoro Tan, Leonardus Indra Laksmana, Marcos H, Widodo Budiharto Universitas Bina Nusantara Jl. K H. Syahdan No. 9, Kelurahan
Lebih terperinciPENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih 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 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 terperinciDeskriptor Global Direct Fractional-Step Linear. Ringkasan Tulisan ini memaparkan simulasi ekstraksi citra wajah secara global dengan menggunakan
Simulasi Ektraksi Citra Wajah dengan Deskriptor Global Direct Fractional-Step Linear Discriminant Analysis (DF-LDA) untuk Pengenalan Wajah Ikuthen Gabriel Bams 1, Riko Arlando Saragih 2 Jurusan Teknik
Lebih terperinciREALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB)
REALISASI PERANGKAT LUNAK UNTUK IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR LOCAL LINE BINARY PATTERN (LLPB) Elfrida Sihombing (0922019) Jurusan Teknik Elektro Universitas
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 terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah 1), Djoko Purwanto 2), Ronny Mardiyanto 3) 1), 2),3) Teknik Elektro
Lebih terperinciImplementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint
Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih 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 terperinciPENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT
PENDETEKSI DOCKING STATION MENGGUNAKAN ROTATION INVARIANT LOCAL BINARY PATTERN PADA VISUAL BASED SERVICE ROBOT Riza Agung Firmansyah1) Djoko Purwanto2) Ronny Mardiyanto3) 1) 2)3) Teknik Elektro Institut
Lebih terperinci