Database Ekspresi Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi
|
|
- Veronika Sugiarto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol 1, No 1, (2013) Database Wajah Perempuan Indonesia Berbasis 2D untuk Pengenalan Emosi Dwi Angga Yulianto, Muhtadin, dan Surya Sumpeno Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember (ITS) Jl Arief Rahman Hakim, Surabaya anggayulianto10[at]mhseeitsacid, muhtadin[at]eeitsacid, surya[at]eeitsacid Abstrak - wajah memainkan peran yang penting dalam interaksi sosial manusia dengan manusia lainyapenggunaan pengenalan ekspresi wajah berkembang ke dalam beberapa aplikasi, salah satunya adalah interaksi manusiakomputermesin tidak dapat mengenali ekspresi wajah seperti manusia Kemampuan mesin untuk mengenali ekspresi wajah dapat dilakukan dengancara pembelajaran mesin Media pembelajaran mesin salah satunya menggunakan citra Tugas akhir ini menyusun database ekspresi wajah perempuan Indonesia yang mereferensi (Japanese Female Facial Expression) Database yang disusun kemudian diklasifikasi ke dalam emosi dasar manusia yaitu marah, jijik, takut, senang, terkejut, dan sedih Tahapan pengklasifikasian meliputi ekstraksi fitur yang menggunakan piksel mentah dari pengurangan citra ekspresi selain netral dengan average faces netral Setelah didapatkan piksel mentah dari semua ekspresi, maka terbentuk vektor fitur Vektor fitur ini sebagai data yang digunakan untuk pengklasifikasian Pengklasifikasi menggunakan SVM (Support Vector Machine) Nilai akurasi prediksi menggunakan semua data sebesar 8852 % dan sebesar 9375% Pengujian selanjutnya dilakukan dengan memisahkan satu orang dari masing-masing facial database, sehingga didapatkan nilai akurasi prediksi rata-rata dari data sebesar 3471 % dan sebesar 3042 % Pengujian dilakukan dengan menyisipkan tiga data model dari facial database yang berbeda Pengujian ini dilakukan untuk mengetahui pengaruh data facial database yang berbeda terhadap nilai akurasi Nilai akurasi prediksi dominasi data sebesar 8800 % dan sebesar 8894 % Kata Kunci,, facial expression, SVM I PENDAHULUAN anusia mengekspresikan diri dalam bersikap dilakukan M dengan gerakan dan raut wajah Begitu juga emosi dasar pada manusia yang dapat dilihat pada ekspresi wajah wajah memainkan peranan yang mendasar dalam interaksi sosial dengan manusia lainnya Manusia sebagai pengguna merupakan objek dari desain interaksi manusia-komputer Manusia mempunyai emosi alami, setiap manusia satu dengan yang lain berbeda dalam mengungkapkan emosi Dengan mengetahui emosi pengguna, maka komputer atau kontrol akan melakukan respon yang tepat sesuai dengan pengguna pada saat itu Manusia dapat mengenali emosi individu yang lain secara alami, sedangkan mesin tidak mempunyai kemampuan ini Mesin atau komputer agar dapat mempunyai kemampuan seperti manusia dalam mengenali emosi, maka diperlukan media pembelajaran komputer Pada tugas akhir ini media yang digunakan adalah gambar 2D Penyusunan database ekspresi wajah sudah dilakukan di jepang, yaitu (Japanese Female Facial Expression) Database merupakan database kumpulan ekspresi wajah perempuan jepang dengan menggunakan warna greyscale Di Indonesia belum adanya penyusunan database citra wajah perempuan Citra yang diambil dan disusun sehingga mendapatkan database ekpresi wajah perempuan Indonesia yang nantinya akan disebut sebagai Database (Indonesian Female Facial Expression 2D Database) Database berisi ekspresi wajah yang mencerminkan emosi dasar perempuan Indonesia, seperti marah, sedih, senang, terkejut, jijik, takut, dan netral Rancangan Ruang Foto 2D Citra substraksi (n) X11 X12 X1d X21 X22 X2d Xm1 Xm2 X m d Piksel Mentah Citra Substraksi (n) II URAIAN PENELITIAN Pemilihan - Substraksi (n) Average Faces Netral SVM Gambar 1 Tahapan penelitian Penyusunan (n) Netral n Average Faces Netral Pengambilan dan Penyusunan Data Ekstraksi Fitur Tahapan penelitian seperti terlihat pada Gambar 1 Sub tahapantahapan penelitian seperti berikut A Tahapan Pengambilan Tahapan pengambilan data seperti terlihat pada Gambar 2
2 JURNAL TEKNIK POMITS Vol 1, No 1, (2013) Mendesain Ruang Foto 2D A Menyusun Kamera Pemilihan Pengambilan gambar 2D Penyusunan Gambar 2 Blok diagram pengambilan data IFFE -2D A Adapun tahapan pengambilan data, sebagai berikut : 1 Desain ruang foto 2D Pada ruang foto 2D terdapat kursi sebagai tempat duduk model, menggunakan latar belakang berwarna putih, pencahayaan menggunakan lampu ruangan, sehingga diharapkan mendapatkan intensitas cahaya yang sama 2 Menyusun kamera Pengambilan gambar sesuai desain ruang foto Kamera yang digunakan menggunakan pocket kamera Sony DSC-T900 Kamera disusun menggunakan bantuan tripod Posisi kamera yaitu tegak lurus dengan model dengan posisi 0 o posisi wajah dan jarak kamera dengan model sekitar 40 cm Tripod mempunyai tiga kaki penyangga, sehingga agar posisi tripod tidak berubah pada masing-masing kaki tripod diberik penanda pada lantai Posisi tripod, kamera dan latar belakang yang sama setiap pengambilan gambar 2D, diharapkan posisi model tetap sama 3 Pengambilan gambar 2D Data gambar 2D diambil sebanyak sepuluh orang berjenis kelamin perempuan, kemudian perempuan pada penelitian ini dinamakan model Setiap model diambil tujuh ekspresi dasar manusia, yaitu: marah, jijik, takut, senang, terkejut, sedih, dan netral Setiap satu ekspresi pada masing-masing model diambil empat gambar ekspresi B Tahapan Penyusunan Tahapan penyusunan seperti terlihat pada Gambar 3 Gambar 3 Blok diagram penyusunan Adapun tahapan penyusunan, sebagai berikut : 1 Pemilihan Pemilihan gambar ekspresi didasarkan pada parameter ekspresi wajah yang dideskripsikan secara tertulis, seperti terlihat pada Tabel 1 [1] Tabel 1 Parameter ekspresi wajah No Emosi Dasar Deskripsi Textual Wajah 1 Happy Alis yang santai Mulut terbuka dan sudut mulut ditarik ke arah telinga 2 Sadness Bagian alis bengkok ke atas Mata yang sedikit tertutup Mulut santai Alis diangkat dan ditarik 3 Fear bersama-sama Bagian alis bengkok ke atas Mata yang tegang dan waspada Alis bagian dalam ditarik kebawah bersama-sama Mata 4 Anger terbuka lebar Bibir yang ditekan terhadap satu sama lain dibuka, sehingga gigi terlihat 5 Disgust Alis dan kelopak mata yang santai Bibir atas dinaikkan dan meringkuk, sering asimetris 6 Surprise Alis yang terangkat Kelopak mata bagian atas terbuka lebar, mengendurkan rendah Rahang dibuka 2 Penyusunan Penyusunan dengan memberikan label data dengan format : nama_model(titik) ekspresi(titik) urutan ekspresi, tujuannya agar mempermudah pengguna dalam menggunakan Contoh pemberian label seperti pada Gambar 4
3 JURNAL TEKNIK POMITS Vol 1, No 1, (2013) contoh operasi pengurangan matriks, seperti terlihat pada persamaan 2 aa bb cc dd - cc ff gg h bb ff = aa cc (2) cc gg ff h Syarat operasi pengurangan matriks yaitu mempunyai orde yang sama Hasil dari operasi pengurangan matriks mempunyai orde yang sama Gambar 4 Contoh label data Seperti terlihat pada Gambar 3 merupakan contoh label data penyusunan, dengan penjelasan berikut ini : a TI : dua digit nama singkatan model dari Tia b AN : dua digit nama singkatan ekspresi dari angry c 1 : satu digit digit urutan ekspresi dari empat ekspresi masing-masing model dalam satu ekspresi d Setiap blok pada satu nama data dipisahkan dengan tanda titik C Tahapan Adapun tahapan pengklasifikasian ekspresi sebagai berikut : 1 Pre-processing Pada tahap ini menggunakan gambar original dan dengan ukuran piksel 256x256, kemudian dilakukan cropping secara manual dengan ukuran 120x168 Citra hasil crop diubah ke dalam citra greyscale Kemudian dilakukan proses average faces neutral dan substraksi citra yang dapat dijelaskan berikut ini : a Average Faces Teknik average digunakan untuk mendapatkan nilai rata-rata dari n gambar Pada proses average faces merata-rata nilai intensitas masing-masing piksel (x,y) gambar 2D Untuk gambar RGB dengan melakukan operasi pada masing-masing R, G, dan B Persamaan average faces seperti terlihat pada persamaan 1 2 Ekstraksi Fitur Pada penelitian ini menggunakan sistem ekstraksi fitur dengan mengambil data mentah dari hasil pengurangan citra ekpresi selain netral dengan citra average neutral faces 3 Pada tahap pengklasifikasian menggunakan weka Pengklasifikasi pada penelitian ini menggunakan SVM (Support Vector Machine) Setiap data training mempunyai sifat data yang berbeda-beda, sehingga perlu dilakukan optimasi parameter SVM pada kernel yang digunakan Pada penelitian ini menggunakan kernel RBF (Radial Basis Function) Optimasi parameter RBF pada nilai c (cost) dan g (gamma) Optimasi parameter RBF ini digunakan untuk mendapatkan nilai akurasi yang optimal III HASIL PERCOBAAN A Database Setelah menyusun, diperoleh database yang model penyusunannya merefensikan pada, terlihat pada Tabel 2 Tabel 2 Implementasi No 1 2 Angry (Marah) Disgust (Jijik) x = nn ii=1 xi nn Dengan : x = rata-rata n = jumlah data x i = data ke-i (1) b Substraksi Citra Nilai substrak pada citra didapatkan dengan operasi pengurangan nilai-nilai antara kedua piksel Pada proses ini semua gambar ekspresi selain netral akan dikurangi dengan average face netral Berikut ini 3 4 Lanjutan Tabel 2 Implementasi Fear (Takut) Happy (Senang)
4 JURNAL TEKNIK POMITS Vol 1, No 1, (2013) Neutral (Normal) Sad (Sedih) Surprise (Terkejut) Hasil percobaan I sebagai berikut ini : a Data set dari Hasil percobaan menggunakan data set dari IFFE- 2D sebagai berikut : Tabel 4 Confussion matrix percobaan I pada data set dari AN DI FE HA SA SU AN DI FE HA SA SU Kriteria model yang digunakan seperti terlihat pada Tabel 3 Tabel 3 Kriteria model No Kriteria Keterangan 1 Jenis Kelamin Perempuan 2 Umur tahun 3 Kebangsaan Indonesia 4 Kelahiran Jawa 60%, Sulawesi 20%, Sumatra 10%, dan Bali 10% 5 Profesi Siswa 70% dan Artis Teater 30% B Percobaan dan Hasil Pada penelitian ini dilakukan beberapa percobaan dengan menggunakan database dan Tahapan percobaan dan hasil pengklasifikasian sebagai berikut ini : 1 Percobaan I Pada percobaan I dilakukan percobaan dengan menggunakan semua data set dari dan Validasi pada percobaan I menggunakan 10-folds crossvalidation masing-masing data set dari facial database Pada Gambar 5 merupakan blok diagram percobaan I Keterangan : AN : Angry FE : Fear SA : Sad DI : Disgust HA : Happy SU : Surprise b Data set dari Hasil percobaan menggunakan data set dari sebagai berikut : Tabel 5 Confussion matrix percobaan I pada data set dari AN DI FE HA SA SU AN DI FE HA SA SU Percobaan I nilai akurasi prediksi data set dari database sebesar 9375% sedangkan sebesar 8852% 2 Percobaan II Crop Greyscale (n) Netral n Average Netral Substraksi (n) Average Netral - Tahapan Preprocessing Data set PJ Data set PI X 11 X 12 X1d X 21 X 22 X2d Xm1 Xm2 Xmd Piksel Mentah Citra Substraksi (n) Citra substraksi (n) Tahapan Ekstraksi Fitur SVM Tahapan Gambar 5 Blok diagram percobaan I Gambar 6 Desain percobaan II
5 JURNAL TEKNIK POMITS Vol 1, No 1, (2013) Seperti terlihat pada Gambar 6 merupakan desain percobaan II Database terdiri atas ekspresi sepuluh orang model begitu juga dengan Masing-masing data setiap model akan dipisah satu per satu sebagai data uji Pengujian dilakukan dengan dua tahapan, yaitu tahap set PJ dan set PI sebagai berikut : a Data set PJ Data set PJ merupakan tahapan pengujian dengan menggunakan data dari database Data uji PJ merupakan data uji yang tersusun atas data ekspresi wajah dari satu orang pada database pada data uji PJ memisahkan satu orang sebagai data uji satu per satu Data training PJ merupakan data training yang tersusun atas sisa orang selain data uji PJ pada database Hasil percobaan dengan menggunakan data set PJ seperti pada Tabel 6 Tabel 6 prediksi percobaan II pada data set PJ Kode Model Total Gambar Training Total Gambar Uji MK % NA % NM % TM % YM % KA % KL % KR % UY % KM % Rata-rata akurasi prediksi 3471 % Seperti terlihat pada Tabel 6 hasil nilai akurasi pengujian II pada masing-masing kode model database Nilai akurasi tertinggi pada kode model NM dengan nilai akurasi prediksi sebesar 4706 % Nilai akurasi terendah pada kode model KL sebesar 1579 % Nilai akurasi prediksi dari nama model dari facial database berbeda-beda, tetapi ada juga yang sama Rata-rata akurasi prediksi sebesar 3471 % b Data set PI Data set PI merupakan tahapan pengujian dengan menggunakan data dari database Data uji PI merupakan data uji yang tersusun atas data ekspresi wajah dari satu orang dari database pada data uji PI memisahkan satu orang sebagai data uji satu per satu Data training PI merupakan data training yang tersusun atas sisa orang selain data uji PI pada database Hasil percobaan dengan menggunakan data set PI seperti pada Tabel 7 Tabel 7 prediksi percobaan II pada data set PI Total Total Kode Gambar Gambar Model Training Uji AN % UC % DE % DM % HE % IK % IS % MU % RE % TI % Rata-rata akurasi prediksi 3042 % Seperti terlihat pada Tabel 7 hasil nilai akurasi pengujian II pada masing-masing kode model database Nilai akurasi prediksi ini dari semua ekspresi Nilai akurasi tertinggi pada kode model DE dengan nilai akurasi sebesar 5833 % Nilai akurasi terendah pada model pada kode model DM dengan nilai akurasi prediksi sebesar 1250 % Rata-rata akurasi prediksi sebesar 3042 % 3 Percobaan III 7 Orang model Data Set J 3 Orang model IFFE- 2D Gambar 7 Desain percobaan III 3 Orang model Data Set I 7 Orang model IFFE- 2D Data set J dan I pada Gambar 7 merupakan data yang digunakan sebagai data yang diklasifikasikan, dengan ketentuan sebagai berikut : a Data set J Data set J terdiri dari tujuh model/orang semua ekspresi dari database dan tiga ekspresi dari model/orang semua ekspresi dari database Pada data set J merupakan data yang porsi besar pada database Hasil percobaan dengan menggunakan data set J seperti pada Tabel 8
6 JURNAL TEKNIK POMITS Vol 1, No 1, (2013) Tabel 8 Confussion matrix percobaan III pada data set J AN DI FE HA SA SU AN DI FE HA SA SU b Data set I Data set I terdiri dari tujuh model/orang semua ekspresi dari database dan tiga ekspresi dari model/orang semua ekspresi dari database Pada data set I merupakan data yang porsi besar pada database Hasil percobaan dengan menggunakan data set J seperti pada Tabel 9 Tabel 9 Confussion matrix percobaan III pada data set I AN DI FE HA SA SU AN DI FE HA SA SU Dibandingkan dengan percobaan I, yaitu pengujian pada data set tanpa disisipi data dari facial database yang lain, nilai akurasi akurasi terendah pada posisi kelas emosi yang berdeda Pada percobaan I nilai akurasi tertinggi pada kelas emosi sad, sedangkan percobaan III pada kelas emosi disgust Begitu pula perbedaan pada nilai akurasi terendah Percobaan I nilai akurasi terendah pada kelas emosi fear, sedangkan percobaan III pada kelas emosi disgust Nilai akurasi prediksi keseluruhan apabila dibandingkan antara percobaan I dan III terlihat pada Tabel 10 Tabel 10 Perbandingan nilai akurasi percobaan I dan III Data set dengan porsi Percobaan I Percobaan Selsisih besar III 8852 % 8800 % 052 % 9375 % 8894 % 481 % Seperti terlihat pada Tabel 416 data set dengan porsi besar di mengalami penurunan nilai akurasi prediksi sebesar 052 %, sedangkan data set dengan porsi besar di turun sebesar 481 % IV KESIMPULAN DAN SARAN A Kesimpulan Dari hasil percobaan pengklasifikasian emosi dalam tugas akhir ini dapat diambil beberapa kesimpulan sebagai berikut : 1) Nilai akurasi prediksi menggunakan data set dari semua data sebesar 9375% dan sebesar 8852 % menggunakan nilai intensitas piksel raw atau piksel mentah dari citra substaksi ekspresi dan mode validasi menggunakan teknik 10-folds cross-validation 2) Menyusun data set dari facial database, kemudian data set dibagai dua, yaitu data set PJ dan PI Data set PI merupakan data yang disusun dari, sedangkan PJ diambil dari Data set PI dan PJ terdiri atas data uji dan data training Data uji PI dan PJ disusun dengan memisah satu orang semua ekspresi sebagai data uji dan sisanya sebagai data training dari masing-masing sumber facial database Pengujian dilakukan satu per satu setiap nama model, sehingga diperoleh nilai akurasi prediksi masing-masing nama model Nilai akurasi prediksi ratarata data set PJ sebesar 3471 %, sedangkan PI sebesar 3042 % 3) Menyusun data set dari facial database, kemudian data set dibagi dua yaitu data set J dan I Data set J merupakan data yang disusun berdasarkan jumlah dominasi data, sedangkan I dari dominasi data Penyusunan data set J dan I dilakukan dengan menukar foto ekspresi tiga orang dari facial database ke dalam masing-masing data set Nilai akurasi prediksi dat set J sebesar 8800 % dan I sebesar 8894 % Dibandingkan dengan data set tanpa disisipi data facial database lain, penurunan nilai akurasi berdasarkan jumlah data dominan sebesar 052 % dan data dominan sebesar 481 % B Saran 1) Penggunaan model ekspresi untuk jenis kelamin laki-laki, sehingga didapatkan ekspresi yang bervariatif 2) Memanfaatkan fitur warna RGB database, mengingat banyaknya penggunaan gambar 2D berwarna RGB DAFTAR PUSTAKA [1] A M Tekalp and J, Ostermann, Face and 2-d mesh animation in mpeg-4, Signal Processing: Image Communication, vol 15, no 4-5, pp , 2000 [2] Zhang, Ligang, Student Member, IEEE, and Dian Tjondronegoro Facial Expression Recognition Using Facial Movement Features, IEEE Transactions On Affective Computing, Vol 2, No 4, October-December 2011 [3] Vapnik, Vladimir N, An Overview of Statistical Learning Theory IEEE Transactions OnNeural Networks, Vol 10, No5, September 1999 [4] AS, Nugroho, Witarto, AB, Handoko, D, Application of Support Vector Machine in Bioinformatics", Proceeding of Indonesian Scientific Meeting in Central Japan, December 20, Gifu-Japan, 2003 [5] Lee, Byungsung, Junchul Chun, Poem Park, Classification of Facial Expression Using SVM for Emotion Care Service, IEEE Computer Society, /08, Department of Computer Science, Kyonggi University, Suwon, Korea, 2008
Database 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 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 terperinciDatabase Ekspresi Wajah Perempuan Indonesia- Jawa Berbasis Penanda 3D untuk Pengenalan Emosi
1 Database Ekspresi Wajah Perempuan Indonesia- Jawa Berbasis Penanda 3D untuk Pengenalan Emosi Hosyi ah Rusdiana, Surya Sumpeno, dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut
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 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 terperinciANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA
ANALISIS PERBANDINGAN IMPLEMENTASI KERNEL PADA LIBRARY LibSVM UNTUK KLASIFIKASI SENTIMEN MENGGUNAKAN WEKA Prawidya Destarianto 1, Wahyu Kurnia Dewanto 2, Hermawan Arief Putranto 3 1,2,3 Jurusan, Teknologi
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 terperinciPARAMETERISASI EKSPRESI EMOSI PADA MODEL WAJAH TIGA DIMENSI
PARAMETERISASI EKSPRESI EMOSI PADA MODEL WAJAH TIGA DIMENSI Mitra Istiar Wardhana, S.Kom, M.T. Abstrak Emosi seperti senang, sedih, marah, takut, terkejut dan jijik telah dikenal sejak lama dan menjadi
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 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 terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciEKSPRESI EMOSI PADA MODEL WAJAH TIGA DIMENSI MENGGUNAKAN NAIVE BAYES DAN LOGIKA FUZZY
EKSPRESI EMOSI PADA MODEL WAJAH TIGA DIMENSI MENGGUNAKAN NAIVE BAYES DAN LOGIKA FUZZY DOSEN PEMBIMBING Moch. Hariadi, S.T., M.Sc., Ph.D. Mitra Istiar Wardhana 2208205720 LATAR BELAKANG Emosi mempunyai
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Rancangan Penelitian Metode penelitian yang digunakan meliputi studi kepustakaan dan penelitian laboratorium. Studi kepustakaan dilakukan untuk mencari teori atau informasi
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 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 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 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 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 terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
Lebih terperinciKLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM)
KLASIFIKASI WILAYAH DESA-PERDESAAN DAN DESA-PERKOTAAN WILAYAH KABUPATEN SEMARANG DENGAN SUPPORT VECTOR MACHINE (SVM) SKRIPSI Disusun Oleh : MEKAR SEKAR SARI NIM. 24010210120008 JURUSAN STATISTIKA FAKULTAS
Lebih terperinciREALISTIS RETARGETING EKSPRESI MODEL WAJAH 3D NON- MANUSIA MENGGUNAKAN RADIAL BASIS FUNCTIONS
REALISTIS RETARGETING EKSPRESI MODEL WAJAH 3D NON- MANUSIA MENGGUNAKAN RADIAL BASIS FUNCTIONS Muhammad Nasrulloh 1, Dr. Surya Sumpeno, ST., M.Sc. 2, Dr. Eko Mulyanto Yuniarno, ST., MT. 3 Jurusan Teknik
Lebih terperinciPENGENALAN EKSPRESI WAJAH MANUSIA MENGGUNAKAN TAPIS GABOR 2-D DAN SUPPORT VECTOR MACHINE (SVM)
PENGENALAN EKSPRESI WAJAH MANUSIA MENGGUNAKAN TAPIS GABOR 2-D DAN SUPPORT VECTOR MACHINE (SVM) Arif Mustakim*), Imam Santoso, and Ajub Ajulian Zahra Departemen Teknik Elektro, Universitas Diponegoro Jl.
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 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 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 EMOSI SESEORANG BERDASARKAN BENTUK BIBIR DENGAN METODE DISCRETE HARTLEY TRANSFORM ABSTRAK
PENGENALAN EMOSI SESEORANG BERDASARKAN BENTUK BIBIR DENGAN METODE DISCRETE HARTLEY TRANSFORM Lucas Sanjaya (1122034) Jurusan Teknik Elektro Email: Lucas_sanjaya93@yahoo.co.id ABSTRAK Ketika berhadapan
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 terperinciTUGAS AKHIR FACE RECOGNITION MENGGUNAKAN METODE VIOLA & JONES
TUGAS AKHIR HALAMAN JUDUL FACE RECOGNITION MENGGUNAKAN METODE VIOLA & JONES Diajukan guna melengkapi sebagian syarat dalam mencapai gelar Sarjana Strata Satu (S1) Disusun Oleh : Nama : Akhmad Amirushufi
Lebih 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 terperinciDeteksi Gerak Otot Frontalis Berbasis Citra 3 Dimensi Menggunakan Gray Level Co-Occurrence Matrix
KINETIK, Vol.1, No.2, Agustus 2016, Hal. 55-62 ISSN : 2503-2259, E-ISSN : 2503-2267 55 Deteksi Gerak Otot Frontalis Berbasis Citra 3 Dimensi Menggunakan Gray Level Co-Occurrence Matrix Hardianto Wibowo
Lebih terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih terperinciPENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR
PENGENALAN CITRA TULISAN TANGAN DOKTER DENGAN MENGGUNAKAN SVM DAN FILTER GABOR Angga Lisdiyanto (1), Lukman Zaman P.C.S.W (2) Teknik Informatika, Universitas Islam Lamongan (1) Teknik Informatika, Sekolah
Lebih terperinciDeteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata
Deteksi Senyum Menggunakan Fitur Gabor dan Histograms of Oriented Gradients pada Bagian Mulut, Hidung, dan Mata Berty Chrismartin Lumban Tobing Fakultas Ilmu Komputer Universitas Indonesia Depok berty.chrismartin@ui.ac.id
Lebih 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 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 terperinciIMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME
IMPLEMENTASI APLIKASI PENGENALAN JENIS KELAMIN BERDASARKAN CITRA WAJAH DENGAN METODE SUPPORT VECTOR MACHINE SECARA REAL TIME Implementation of Gender Recognition Applications Based on Face Image with Support
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 terperinciImplementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector Machine
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-346 Implementasi Deteksi Seam Carving Berdasarkan Perubahan Ukuran Citra Menggunakan Local Binary Patterns dan Support Vector
Lebih terperinciHASIL DAN PEMBAHASAN. B fch a. d b
7 dengan nilai σ yang digunakan pada tahap pelatihan sebelumnya. Selanjutnya dilakukan perhitungan tingkat akurasi SVM terhadap citra yang telah diprediksi secara benar dan tidak benar oleh model klasifikasi.
Lebih terperinciPenerapan Metode Single-Layer Feed-Forward Neural Network Menggunakan Kernel Gabor untuk Pengenalan Ekspresi Wajah
Penerapan Metode Single-Layer Feed-Forward Neural Network Menggunakan Kernel Gabor untuk Pengenalan Ekspresi Wajah Johanes Cristanto #1, Ken Ratri Retno Wardani #2 #Faculty of Informatics Engineering,Institut
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 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 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 terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. fold Cross Validation, metode Convolutional neural network dari deep learning
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Program P rinsip kerja program yaitu dengan melakukan pra pengolahan citra terhadap foto fisik dari permukaan buah manggis agar ukuran seluruh data
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 terperinciPENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE
PENCARIAN ISI CITRA MENGGUNAKAN METODE MINKOWSKI DISTANCE Budi Hartono 1, Veronica Lusiana 2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank Semarang Jl Tri Lomba
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 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 III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi khususnya di bidang komputer sudah sangat berkembang dengan sangat pesat dan memiliki manfaat yang sangat besar di dalam kehidupan manusia. Oleh karena
Lebih terperinciKlasifikasi Pose Afektif Manusi dari Optical Motion Capture
1 Klasifikasi Pose Afektif Manusi dari Optical Motion Capture Aang P. Dyaksa, Surya Sumpeno, dan Muhtadin Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem yaitu dengan melakukan pengambilan data berupa foto fisik dari permukaan buah manggis kemudian melakukan sampling data
Lebih terperinciRancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect
JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) 1 Rancang Bangun Modul Pengenalan Suara Menggunakan Teknologi Kinect Ratri Cahyarini, Umi Laili Yuhana, dan Abdul Munif Teknik
Lebih terperinciMENGENDALIKAN EKSPRESI WAJAH KARAKTER 3D MENGGUNAKAN TEKNIK UV WARP
MENGENDALIKAN EKSPRESI WAJAH KARAKTER 3D MENGGUNAKAN TEKNIK UV WARP M. Aris Saputra 1), M. Suyanto 2), Sukoco 3) 1),2),3) Magister Teknik Informatika Universitas AMIKOM Yogjakarta Jl. Ring Road Utara,
Lebih terperinciMENGENDALIKAN EKSPRESI WAJAH KARAKTER 3D MENGGUNAKAN TEKNIK UV WARP
MENGENDALIKAN EKSPRESI WAJAH KARAKTER 3D MENGGUNAKAN TEKNIK UV WARP M. Aris Saputra 1), M. Suyanto 2), Sukoco 3) 1),2),3) Magister Teknik Informatika Universitas AMIKOM Yogjakarta Jl. Ring Road Utara,
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 terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciBAB 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 terperinciBAB II TINJAUAN PUSTAKA. penelitian yang didapat oleh peneliti terdahulu yang relevan dengan
BAB II TINJAUAN PUSTAKA Bagian ini akan membahas mengenai tinjauan pustaka yang memuat hasilhasil penelitian yang didapat oleh peneliti terdahulu yang relevan dengan penelitian. 3.1 Tinjauan Pustaka Interaksi
Lebih terperinciJournal of Control and Network Systems
JCONES Vol. 5, No. 1 (2016) 158-163 Journal of Control and Network Systems Situs Jurnal : http://jurnal.stikom.edu/index.php/jcone IDENTIFIKASI JENIS PENYAKIT DAUN TEMBAKAU MENGGUNAKAN METODE GRAY LEVEL
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 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 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 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 terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
Lebih terperinciDeteksi Mobil Menggunakan Histogram of Oriented Gradient
Deteksi Mobil Menggunakan Histogram of Oriented Gradient Cahyo Permata 2207100167 Dosen Pembimbing : DR. I Ketut Eddy Purnama, ST.,MT. Muhtadin, ST.,MT.,Msc. Latar Belakang Pemanfaatan teknologi deteksi
Lebih terperinciIdentifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 1-8 ISSN: 2089-6026 Identifikasi Jenis Kayu Menggunakan Support Vector Machine Berbasis Data Citra Wood Type
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 terperinciTRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT
TRANSFORMASI MODEL WARNA YUV DAN FUZZY SUPPORT VECTOR MACHINE UNTUK KLASIFIKASI CITRA SATELIT Ahmad Afif Supianto 1, Sutrisno 2 Informatika/Ilmu Komputer, Program Teknologi Informasi dan Ilmu Komputer,
Lebih terperinciRancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra
Rancang Bangun Sistem Penghitung Laju dan Klasifikasi Kendaraan Berbasis Pengolahan Citra M Agus Taksiono, Dr. Ronny Mardiyanto, ST., MT.dan Ir. Joko Purwanto M.Eng, Ph.d Jurusan Teknik Elektro, Fakultas
Lebih terperinciPeningkatan Kualitas Citra Digital Berbasis Color Constancy Menggunakan Gray World
Peningkatan Kualitas Citra Digital Berbasis Color Constancy Menggunakan Heri Priya Waspada, *, Supeno Mardi Susiki Nugroho, Eko Mulyanto Yuniarno S Teknik Elektro, Fakultas Teknologi Industri, ITS Surabaya
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 terperinciPerencanaan Aplikasi Peninjau Ekspresi Wajah Tokoh James Sullivan dalam Film Monster Inc
Perencanaan Aplikasi Peninjau Ekspresi Wajah Tokoh James Sullivan dalam Film Monster Inc Oktarina Prasetyowati #1, Adeline Linardi #2 # Departemen Desain Komunikasi isual, Institut Teknologi Harapan Bangsa
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 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 terperinciKLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA DIGITAL
e-proceeding of Engineering : Vol.4, No.2 Agustus 207 Page 2035 KLASIFIKASI JENIS KUALITAS KEJU DENGAN MENGGUNAKAN METODE GRAY LEVEL COOCCURRENCE MATRIX (GLCM) DAN SUPPORT VECTOR MACHINE (SVM) PADA CITRA
Lebih terperinciKLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR
KLASIFIKASI CITRA FORMULIR MENGGUNAKAN METODE SUPPORT VECTOR MACHINE (SVM) PADA PROSES DIGITALISASI FORMULIR Dewi Pramudi Ismi 1), Ardiansyah 2) 1 Program Studi Teknik Informatika, Fakultas Teknologi Industri,
Lebih terperinciESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
Lebih 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 terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Emosi merupakan salah 7 satu aspek yang berperan penting dalam proses pembelajaran. Banyak parameter yang dapat menentukan kondisi emosi
Lebih terperinciABSTRAK Pada Tugas Akhir ini dirancang dan direalisasikan perangkat pendeteksi nilai
Perancangan dan Realisasi Perangkat Pendeteksi Nilai Mata Uang Kertas Rupiah dengan Metode Histogram of Oriented Gradient dan Keabsahan dengan Metode Histogram Interseksi Berbasis Raspberry Pi Disusun
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa : Yuliono NRP : 1206 100 720 Jurusan : Matematika Dosen Pembimbing : Drs. Soetrisno, M.IKomp
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 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 terperinciPENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN
Jurnal Teknik dan Ilmu Komputer PENGARUH PEMAKAIAN EDGE DETECTION PADA SISTEM PENGENALAN HURUF KAPITAL TULISAN TANGAN (The Influence of Edge Detection Use on Capital Letter Hand Writing Recognition System)
Lebih terperinciRANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM
RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM RULIAH Jurusan Sistem Informasi STMIK Banjarbaru Jl. Jend. Ahmad Yani Km. 33.3 Loktabat Banjarbaru twochandra@gmail.com
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 terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinciSISTEM PENDETEKSI SENYUM BERDASARKAN METODE EDGE DETECTION, HISTOGRAM EQUALIZATION, DAN NEAREST NEIGHBOR
SISTEM PENDETEKSI SENYUM BERDASARKAN METODE EDGE DETECTION, HISTOGRAM EQUALIZATION, DAN NEAREST NEIGHBOR Eduard Royce, Ivanna K. Timotius, Iwan Setyawan SISTEM PENDETEKSI SENYUM BERDASARKAN METODE EDGE
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 terperinciDeteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna
F7 bentuk [5]. Pendekatan berbasis bentuk bibir menggunakan Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna Shinta Puspasari, STMIK lobal Informatika MDP Abstrak Metode yang
Lebih terperinciKLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM
KLASIFIKASI KUALITAS TELUR ASIN BERDASARKAN CITRA RED GREEN BLUE MENGGUNAKAN ADAP TIVE NEURO FUZZY INFERENCE SYSTEM Maimunah Program Studi Teknik Komputer Universitas Islam 45 Email: maimaimuna@gmail.com
Lebih terperinciPENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 811-820 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) PADA
Lebih terperinciBAB 1 PENDAHULUAN. tanaman tembakau yang termasuk dalam genus Nicotiana. Secara umum
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Tembakau adalah hasil produk pertanian yang diproses dari daun tanaman tembakau yang termasuk dalam genus Nicotiana. Secara umum masyarakat hanya mengetahui
Lebih terperinciPerbandingan 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 terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
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 terperinciBAB IV PENGUJIAN DAN ANALISIS
BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian
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 terperinci