Normalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace
|
|
- Lanny Kurnia
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Nopember Kampus ITS, Keputih-Sukolilo, Surabaya Abstract Akurasi pengenalan wajah tergantung pada banyak faktor, seberapa baik input gambar mempunyai kompensasi terhadap iluminasi merupakan salah satu yang paling berpengaruh secara signifikan. Citra wajah yang merupakan input gambar pada sistem pengenalan wajah terkadang mempunyai variasi iluminasi yang disebabkan perbedaan posisi sumber cahaya dan intensitas cahaya, karena itu dibutuhkan pemprosesan awal yang menjadikan citra wajah tersebut menjadi citra yang ternormalisasi sehingga tahan terhadap perubahan iluminasi. Penelitian ini akan difokuskan pada normalisasi iluminasi citra wajah terhadap kondisi iluminasi yang bervariasi sehingga nilai akurasi pada proses pengenalan wajah dapat mencapai nilai maksimal. Metode normalisasi yang digunakan adalah varian Retinex yaitu Single Scale Retinex (SSR), Multi Scale Retinex (MSR) dan Histogram Remapping meliputi Histogram Equalization, Normal, Lognormal, Exponential dan penggabungan kedua metoda normalisasi tersebut. Untuk selanjutnya hasil normalisasi iluminasi tersebut akan menjadi citra masukan pada teknik pengenalan yang dalam tugas akhir ini menggunakan pengenalan wajah berbasis Eigenspace PCA. Hasil yang diperoleh menunjukkan proses normalisasi iluminasi sangat berperan penting dalam menentukan tingkat keberhasilan dalam identifikasi citra. Normalisasi Iluminasi menggunakan Retinex dapat miningkatkan laju pengenalan sebesar 45%, sedangkan penggabungan Retinex dan Histogram Remapping dapat meningkatkan laju pengenalan sebesar 63.3% dengan metoda normalisasi terbaik adalah penggabungan Multi Scale Retinex dengan Lognormal Kata kunci: Pengenalan wajah, Retinex, Histogram Remapping, Eigenspace I. PENDAHULUAN Dewasa ini teknologi pengenalan wajah sebagai sistem biometrik semakin berkembang dan banyak diaplikasikan. Untuk penerapan sistem tersebut tidaklah mudah, karena dalam proses pengenalan wajah terdapat beberapa faktor derau dari kualitas citra wajah digital yang tertangkap sebagai masukan sistem pengenalan wajah. Iluminasi adalah salah satu yang paling berpengaruh secara signifikan terhadap kualitas citra. Karena itu dibutuhkan suatu metoda untuk normalisasi pengaruh variasi iluminasi. Metoda yang dilakukan untuk memenuhi kebutuhan tersebut adalah pemrosesan awal (preprocessing) pada citra-citra wajah dengan berbagai iluminasi yang berbada menjadi citra ternormalisasi terhadap iluminasi pada sistem pengenalan wajah. Sehingga akurasi pengenalan wajah tidak tergantung pada variasi pencahayaan, dengan demikian teknik pemprosesan awal merupakan bagian penting dari sebuah sistem pengenalan wajah, yang memiliki dampak besar terhadap kinerja dan ketahanan dari sistem pengenalan [1]. II. TEORI PENUNJANG 2.1 Retinex Retinex digunakan untuk memperbaiki kualitas citra digital yang berhubungan dengan pencahayaan yaitu dengan mempertahankan color constancy. Color constancy adalah keteguhan subjektif dari fitur persepsi warna yang memastikan bahwa warna yang dirasakan objek tetap relatif konstan dalam berbagai kondisi pencahayaan. Ketika dynamic range melebihi dynamic range medium, penglihatan terhadap warna dan detail akan cenderung lebih lemah dari gambar sesungguhnya. Color constancy merupakan rasio antara nilai terbesar hingga terkecil dari jumlah intensitas cahaya. Dynamic range compression dilakukan untuk memperbaiki situasi ini dengan memetakan input dynamic range besar ke output dynamic range yang relatif kecil. Bersaman dengan itu, warna terekam akan sebanding dengan perubahan iluminasi. Color constancy dimaksudkan untuk memproduksi warna yang terlihat sama terhadap perbedaan kondisi penglihatan dan iluminasi. Retinex merupakan algoritma perbaikan gambar yang menyediakan high level dynamic range compression dan color constancy. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 1
2 Gambar 1 Sistem Retinex Gambar 1 menunjukan metoda Retinex terbagi menjadi dua tahap secara umum,yaitu estimasi dan normalisasi iluminasi. Pada tahap 1 iluminasi di estimasi diperhalus terhadap citra input. Penghalusan dilakukan terhadap piksel yang memiliki illumination homogen. Setelah tahap estimasi iluminasi, dilakukan normalisasi dengan mengambil perbedaan logaritmik dari citra input dengan estimasi iluminasi. 2.2 Varian Retinex Pengembangan tentang Retinex banyak dilakukan setiap taunnya. Beberapa pengembangan dari Retinex yaitu Single Scale Retinex (SSR) dan Multi Scale Retinex (MSR) Versi dari Land yang dikenal sebagai Single Scale Retinex(SSR) adalah didefinisikan dengan (x,y) pada gambar dengan persamaan 1. Dimana R i (x,y) adalah Retinex output dan I i (x,y) adalah distribusi gambar dalam spektral band i th. Dimana terdapat tiga spektral band-channel merah, hijau dan biru dalam image colour. Dalam persamaan 1, simbol merepresentasikan operator konvolusi dan F(x,y) adalah fungsi gaussian yang diberikan oleh persamaan 2. Dimana dan c adalah konstanta gaussian umumnya digunakan untuk merepresentasikan standar deviasi, berhubungan dengan sudut visual dalam pengamatan langsung yang ditentukan melalui eksperimen[2]. Konstanta gaussian c direferensikan sebagai skala pada SSR. Kecilnya nilai c memberikan dynamic range compression yang sangat baik tetapi mempunyai nilai warna yang tidak terlalu baik, dikarenakan greying pada gambar merupakan area warna uniform. Sebaliknya, pada scale besar menyediakan warna yang lebih baik pada nilai dynamic range compression. Nilai K didefinisikan dengan persamaan Sampai tahap ini Retinex Single Scale hanya akan memberikan reproduksi tone dan kompresi dynamic range pada skala tertentu dalam gambar. Gambar hanya memiliki salah satu karakteristik penting. Jadi, untuk mengatasi keterbatasan ini, superposisi pada perbedaan skala pada besaran tertentu akan memecahkan masalah ini seperti yang ditunjukkan pada persamaan 4, dimana N adalah jumlah skala dan R MSRi adalah skala yang berbeda dari Single Scale Retinex. ωn adalah bobot masing-masing Single Scale Retinex dengan nilai yang sama[3]. Persamaan untuk Multi Scare Retinex ditunjukkan pada persamaan 4 dan 5. Dengan nilai scale yang digunakan adalah 7,15 dan 21 mengacu pada referensi [5]. 2.3 Histogram Equalization (HE) Histogram Equalization merupakan suatu metode penyesuaian kontras dengan menggunakan histogram dari citra. Histogram Equalization dapat memberbaiki tampilan visual dari gambar. Puncak histogram gambar yang diperlebar dan titik minimum dari histogram diperkecil Ini dimaksudkan agar penyebaran nilai tiap piksel pada tiap citra tidak terlalu berbeda jauh. Secara umum Histogram Equalization adalah teknik yang terdiri dari pengaturan grayscale pada gambar sehingga histogram gray level pada citra input di mappingkan pada histogram uniform. Teknik Histogram Equalization didasarkan pada transformasi menggunakan histogram citra secara keseluruhan. Secara umum, Histogram Equalization menyebabkan dynamic range mengalami peregangan dengan distribusi kepadatan dari citra dibuat sama sehingga kontras citra ditingkatkan. Histogram Equalization dapat didefinisikan sebagai berikut, jika probabilitas (yaitu histogram dari I(x,y) pada kehadiran suatu piksel dengan grey level i, dimana i 0, 1,..., k-1 dan n i merupakan jumlah piksel pada I(x,y) dengan harga grey level i. Maka mapping dari suatu harga intensitas, i menjadi i new dinyatakan dalam persamaan 6. Persamaan 6, mendefinisikan suatu mapping dari harga-harga intensitas piksel original (0-255) menuju domain [0-1]. Sehingga untuk memperoleh harga piksel pada domain original, harga i new harus diskala ulang Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 2
3 2.4 Histogram Remapping Ketika tranformasi distribusi intensitas piksel dari citra wajah dilakukan ke bentuk uniform (histogram equalization), menunjukan peningkatan kontras dan noise. Dalam beberapa teknik distribusi, bukan hanya distribusi uniform yang dapat dijadikan target distribusi, tetapi histogram dapat direpresentasikan pada arbitrary, seperti normal, lognormal, the exponential atau distribusi lainya yang biasa disebut dengan histogram remapping [2]. Langkah umum untuk setiap teknik histogram mapping adalah transformasi nilai intensitas piksel dari citra yang diberikan melaui rank transform. Rank transform pada dasarnya adalah prosedur histogram equalization yang membuat tranformasi historram asli sehingga dihasilkan histogram mendekati distribusi uniform. Setiap nilai piksel dalam gambar N dimensi I(x,y) diganti dengan indeks(rank) piksel R. sebagai contoh nilai paling negatif diberi peringkat 1 dan yang paling positif diberi nilai N. Langkah tersebut sama dengan Histogram Equalization, perbedaan hanya terletak pada perbedaan jalur baru. Nilai Intensitas piksel mapping dihitung dan dalam domain yang akan dipetakan. Setelah R peringkat setiap piksel gambar ditentukan,fungsi pemetaan umum untuk mencocokkan target distribusi f (x) dapat dihitung dari persamaan Lognormal Distribusi yang akan dijelskan berikutnya adalah distribusi log normal. Density function diberikan pada persaman 10. Dimana parameter µ dan σ>0 menggambarkan bentuk dari distribusi. Unuk uji coba digunakan dua nilai σ (0.2 dan 0.7) Exponential distribution mapping distribusi eksponensial dpat didefinisikan pada persamaan 11. Dimana merupakan parameter dari distribusi yang sering disebut dengan rate parameter. di set 1 maka gambaran transformasi histogram dapat dilihat pada Gambar (a) (b) Tujuan dari persamaan terbuat adalah menemukan nilai t, bagian kanan merupakan target cumulative distribution function (CDF) dimana bagian kiri merupakan nilai skala. Jika kita menandakan CDF dengan F (x) dan skalar di sebelah kiri dengan u, maka nilai t dipetakan ditemukan oleh komputasi ekspresi persamaan Normal Distribusi normal dengan lengkungan normal diberikan dengan persamaan 9. 8 (b) (e) (f) (c) Dimana µ merupakan mean dan σ>0 merupakan stamdar deviasi, Ketika menerapkan teknik pemetaan histogram pada distribusi normal, kitaharus memilih dua parameter, yaitu µ dan σ. Kita akan rescale nilai piksel dipetakan ke dalam interval 8-bit (Untuk tujuan visualisasi), pilihan µ tidak mempengaruhi hasil pemetaan, kita lakukan, namun set ke 0, untuk σ dan di sisi lain, kita pilih nilai 1, sehingga target distribusi yang digunakan pada percobaan disajikan adalah standar distribusi normal. 9 (g) Gambar 2 Proses normalisasi (a). citra tanpa normalisasi, (b). SSR, (c).msr, (d).ssr+he, (e). SSR+DNorm, (f).ssr+dlogn dan (g).ssr+dexp 2.5 Pengenalan Wajah PCA Metode yang merupakan proyeksi reduksi dimensi input yang berupa citra wajah yang dikenali dengan melakukan analisis holistik. Pendekatan Eigenspace based memperkirakan vector face (gambar wajah) dengan vektor fitur dimensi yang lebih rendah. Algoritma PCA diawali dengan perhitungan zeromain Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 3
4 yaitu pengurangan himpunan citra latih dengan main seluruh citra. Diteruskan dengan perhitungan matrix kovarian untuk mendapatkan nilai eigen vektor dan eigen value untuk selanjutnya citra latih ditransformasikan ke ruang eigen. Tahap klasifikasi atau pencocokan yang dilakukan dengan membandingkan citra latih dengan citra test pada ruang eigen tersebut. Perhitungan Jarak pun dilakuakn untuk menghitung perbedaan dua vektor citra yang dibandingkan dengan menggunakan jarak Euclidian dengan persamaan : Gambar 3 Bagan proses sistem secara keseluruhan 3. Citra yang digunakan : 20 citra latih, 400 citra test III. PERANCANGAN SISTEM 3.1 Perancangan Sistem Sistem yang dirancang ini terbagi menjadi tiga bagian utama, yaitu proyeksi PCA dan proses pengenalan sebagai media uji atas metoda ketahanan pemprosesan awal yang dilakukan. Diagram blok sistem secara keseluruhan dapat dilihat pada Gambar 4. Untuk pengujian dari optimasi pemprosesan awal maka hasil atau output dari pemprosesan awal akan dilanjutkan pada sistem pengenalan wajah. Sistem pengenalan wajah yang dirancang menjadi 2 bagian yaitu proses pelatihan dan proses pengenalan. Proses pelatihan akan menghasilkan parameterparameter nilai dan fitur yang nantinya nilai dan fitur tersebut akan digunakan sebagai pembanding pada bagian pengenalan (klasifikasi) [4]. Dalam tahap inilah citra masukan akan diklasifikasikan sebagai citra wajah dikenali yang berarti wajah merupakan citra training, citra wajah tidak dikenali dan citra bukan wajah. Bagan proses sistem keseluruhan dapat dilihat pada Gambar 3. Citra wajah yang digunakan dalam sistem ini adalah sebagai berikut : 1. Sumber basis data : YaleB Face 2. Format Citra : Grayscale JPG 12 Gambar 4. Blok diagram sistem Citra tes didistribusikan ke 4 subset berbeda sesuai dengan ekstremitas dalam pencahayaan, contoh citra wajah tiap dubset ditunjukkan oleh Gambar 5. Pembagian subset bertujuan untuk melihat pengaruh pemprosesan awal mengenai normalisasi iluminasi terhadap pengaruh ekstremitas cahaya. Pengelompokan subset berdasarkan ekstremitas iluminasi pada citra yang dilakukan secara subjektif yang akan di hitung secara kuantitatif untuk mengetahui range pengelompokkan. IV. ANALISA DAN PENGUJIAN 4.1 Pengujian Data Citra t Perhitungan kuantitatif dilakukan untuk penghitungan rata-rata kemiripan tiap subset. Kemiripan citra diketahui dengan pencarian standar deviasi dari citra test dan citra base line yang terdapat pada citra latih. Perhitungan standar deviasi dilakukan dengan persamaan Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 4
5 pengaruh ektrimitas pada citra wajah maka recognition rate sistem menunjukkan semakin kecil. Gambar 5 Citra test (dari atas-ke bawah-baris): subset 1, subset 2, subset 3 dan subset 4. I i merupakan citra tes dan I merupakan citra yang dijadikan base line. Dengan (x,y) adalah nilai pada histogram citra Dari perhitungan didapat rata-rata nilai standar deviasi setiap subset yang ditunjukkan oleh Tabel 1 Tabel 1 Nilai rata-rata standar deviasi setiap subset No t Nilai rata-rata standar deviasi 1 t t t t Nilai rata rata dari standar deviasi pada Tabel 1 menunjukkan perbedaan range pada setiap subset. Nilai tersebut menunjukan semakin kecilnya nilai standar deviasi makan citra memiliki kemiripan yang semakin besar. Pemilihan citra subset secara subjektif tersebut dapat mewakili tingkat ekstrimitas dari citra. 4.2 Pengujian Single Scale Retinex Untuk mengetahui kinerja dari proses normalisasi iluminasi yang dilakukan oleh Retinex, Histogram Remapping maupun gabungan kedua algoritma tersebut maka hasil analisa merupakan hasil hasil dari proses pengenalan pada sistem pengenalan wajah dari citra ternormalisasi. Hasil pengujian dari sistem pengenalan dengan salah satu varian Retinex yaitu Single Scale Retinex dapat dilihat pada Tabel 2. Dengan nilai c pada SSR didapat dari hasil uji coba pada nilai scale yang bervariasi untuk mendapatkan recognition maksimum. Grafik nilai skala dengan recognition rate ditunjukkan pada Gambar 6. Dengan parameter pada Histogram Remapping mengacu pada ref [2]. Dari gambar perbandingan setiap metoda pada beberapa subset pada Gambar 7. Dengan menggunakan metoda Single Scale Retinex recognition rate dari keseluruhan mencapai 48%, sedanggan dengan pemprosesan awal menggunakan Histogram remapping recognition rate meningkat 33,6% dan ketika penggabungan dilakukan maka kenaikan mencapai 63.5%. Peggabungan dari kedua metoda ternyata evektif dalam kenahanan sistem terhadap pengaruh iluminasi. Semakin besar Gambar 6. Nilai c pada SSR terhadap recognition rate Tabel 2 Recognition rate hasil pengujian pengenalan wajah dengan proses normalisasi iluminasi SSR dan histogram remapping N o Metoda Normalisasi Iluminasi t 1 Recognition rate (%) t 2 t 3 t 4 Tanpa Normalisasi SSR HE HE+SSR DNorm DNorm+SS R Dlogn Dlogn+SSR Eks Eks+SSR Gambar 7 Recognition Rate Secara Keseluruhan 3.3 Pengujian Multi Scale Retinex Pengujian dilakukan juga pada salah satu varian lain dari Retinex yaitu Multi Scale Retinex. Metoda pengujian dilakukan serupa dengna pengujian sebelumnya. Ketahanan sistem diujikan pada sistem pengenalan wajah berbasis PCA. Data hasil pengujian MSR dapat dilihat pada Tabel 3 Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 5
6 Perbandingan keandalan MSR terhadap metoda lain yang telah dilakukan sebelumnya digambarkan pada grafik Gambar 8. Dapat dilihat pada gambar tesebut, metoda tunggal (tanpa penggabungan) recognition rate MSR tidak sebaik Tabel 3 Recognition rate hasil pengetesan sistem pengenalan wajah dengan proses normalisasi iluminasi modifikasi MSR N Metoda Recognition rate (%) o Normalisasi Iluminasi t 1 t 2 t 3 t 4 1 MSR MSR+HE MSR+DNor m MSR+DLogn MSR+DExp Gambar 8. Recognition rate pada penggabungan SSR dan MSR dengan Histogram Remapping SSR. Hal tersebut berbeda ketika MSR digabungkan dengan metoda Histogram Remapping khususnya DNorm. Hasil recognition rate dari MSR sedikit memiliki peningkatan meskipun sangat kecil dibanding SSR. Kinerja sistem normalisasi iluminasi paling baik pada setiap subset secara keseluruhan ditunjukkan oleh Tabel 4.6 Tabel 4.6 Kinerja sistem terbaik keseluruhan pada setiap subset No t Metoda Normalisasi Recognition rate (%) 1 t 1 MSR dan Lognormal 100% 2 t 2 MSR dan Lognormal 93% 3 t 3 MSR dan Lognormal 85% 4 t 4 MSR dan Exponensial 75% Metoda terbaik tiap subset merupakan metoda penggabungan dengan MSR ini menunjukan ketahanan MSR ketika digabungkan dengan beberapa metoda remapping dalam pengaruh iluminasi. V. PENUTUP 5.1 Kesimpulan Kesimpulan mengenai kinerja sistem dapat diambil, yaitu: 1. Normalisasi iluminasi pada pemprosesan awal sangat berperan penting dalam mengidentifikasi suatu citra masukan system pengenalan wajah. 2. Perbedaan ekstrimitas cahaya pada citra wajah sangat menentukan pengaruh dari sistem normalisasi iluminasi. 3. Metoda Retinex meningkatkan laju pengenalan rata-rata sebesar 45% dari laju pengenalan citra asli (sebelum dilakukannya normalisasi Retinex). 4. Metoda Histogram remapping dapat menaikkan laju pengenalan sebesar 33,4%. 5. Penggabungan varian Retinex dengan Histogram Remapping memberikan peningkatan laju pengenalan 63,6% (seluruh subset) terhadap citra asli. Dengan metoda penggabungan terbaik MSR dan Lognormal untuk subset 1, 2 dan 3, MSR dan Exponential untuk subset Saran Saran-saran yang dapat diberikan antara lain : 1. Pengelompokan subset untuk citra test dapat diperbanyak dan dihitung secara kuantitatif lebih dahulu untuk mendapatkan hasil signifikan san spesifik. 2. Jumlah citra latih yang diberikan pada saat perencanaan sistem harus mampu mewakili nilai pada setiap kelas. 3. Pengkajian metoda varian Retinex lain seperti Adaptive Single Scale dan Adaptive Multiscale Retinex yang digabung dengan histogram remapping distribusi lain. DAFTAR PUSTAKA [1] D. Martin, R.Maulin Ghandi, B. Jisnu, Image Normalization for Illumination Compensation in Facial Image, McGilll University 2004 [2] Struc V, Zibert J and Pavesic N, Histogram Remapping as a Preprocessing Step for Robust Face Recognition. Information Science and Aplications [3] J. Daniel, A Glenn and Rahman Zia-ur. Multiscale Retinex for Color Image Enhacemen t. NASA Langley Reseacrh Center. Virginia [4] Ruiz Javaier, and Nevarrete,P. Eigenspacebased Face recognition, de Chile university 2007 [5] Struc V, INface : AToolbox for Illumination Inveriant Face Recognition.Universiti of Ljubljana 2009 RIWAYAT PENULIS Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 6
7 Penulis bernama lengkap Rita Dwi Handayani, dilahirkan di Bandung pada tanggal 21 Mei 1987 merupakan anak kedua dari dua bersaudara. pada tahun 2005 di Jurusan Elektronika Politeknik Negeri Bandung, dan lulus pada tahun Setelah itu pada tahun 2008 melanjutkan studi S1 di Institut Teknologi Sepuluh Nopember Surabaya jurusan Teknik Elektro bidang studi Teknik Telekomunikasi dan Multimedia. Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI ITS 7
TEKNIK 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 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 Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciPerbandingan 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 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Spesifikasi Sistem Berikut merupakan spesifikasi sistem yang digunakan penulis untuk membuat dan menjalankan program aplikasi dalam melakukan pengujian metode normalisasi.
Lebih terperinciPertemuan 3 Perbaikan Citra pada Domain Spasial (1) Anny Yuniarti, S.Kom, M.Comp.Sc
Pertemuan 3 Perbaikan Citra pada Domain Spasial (1), S.Kom, M.Comp.Sc Tujuan Memberikan pemahaman kepada mahasiswa mengenai berbagai teknik perbaikan citra pada domain spasial, antara lain : Transformasi
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra 2.1.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek[11]. Suatu citra diperoleh dari penangkapan kekuatan sinar yang
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 terperinciSCAN VOL. VII NOMOR 3 ISSN :
PENDEKATAN ROBUST REGRESSION UNTUK PENGENALAN WAJAH DENGAN HISTOGRAM REMAPPING DISTRIBUSI NORMAL PADA TAHAP PRA-PEMROSESAN MENGGUNAKAN CMU-PIE FACE DATABASE Budi Nugroho 1), Febriliyan Samopa 2) 1) Jurusan
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 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 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 terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih 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 terperinciBAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Citra merupakan salah satu komponen multimedia yang memegang peranan sangat penting sebagai bentuk informasi visual. Meskipun sebuah citra kaya akan informasi, namun sering
Lebih terperinciBAB 2 LANDASAN TEORI. dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya
5 BAB 2 LANDASAN TEORI 2.1 Citra Secara harfiah citra atau image adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinyu dari intensitas cahaya pada
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih 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 terperinciLANDASAN TEORI. 2.1 Citra Digital Pengertian Citra Digital
LANDASAN TEORI 2.1 Citra Digital 2.1.1 Pengertian Citra Digital Citra dapat didefinisikan sebagai sebuah fungsi dua dimensi, f(x,y) dimana x dan y merupakan koordinat bidang datar, dan harga fungsi f disetiap
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
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
BAB II LANDASAN TEORI 2.1 Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi dari suatu objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optik berupa foto,
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN
PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDESAIN KARTU UCAPAN Rudy Adipranata 1, Liliana 2, Gunawan Iteh Fakultas Teknologi Industri, Jurusan Teknik Informatika, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciIMPLEMENTASI METODE RETINEX UNTUK PENCERAHAN CITRA
IMPLEMENTASI METODE RETINEX UNTUK PENCERAHAN CITRA Murinto 1), Eko Aribowo, Elena Yustina Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : murintokusno@yahoo.com
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Digital Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh computer. Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Computer Vision Komputerisasi memiliki ketelitian yang jauh lebih tinggi bila dibandingkan dengan cara manual yang dilakukan oleh mata manusia, komputer dapat melakukan berbagai
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 terperinciBAB I PENDAHULUAN. teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai
Lebih terperinciBAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang
BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa
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 Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciWatermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital
JURNAL SAINS DAN SENI POMITS Vol. 1, No. 1, (2014) 1-6 1 Watermarking dengan Metode Dekomposisi Nilai Singular pada Citra Digital Latifatul Machbubah, Drs. Soetrisno, MI.Komp Jurusan Matematika, Fakultas
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya, dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap titik merupakan
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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Citra Digital Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi tersebut pada setiap titik (x,y) merupakan
Lebih terperinciBAB 3. ANALISIS dan RANCANGAN. eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses
BAB 3 ANALISIS dan RANCANGAN 3.1 Analisa metode Secara garis besar, tahap pada pengenalan wajah dengan metode eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses yang dilakukan
Lebih terperinciPRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL
PRAPROSES CITRA MENGGUNAKAN KOMPRESI CITRA, PERBAIKAN KONTRAS, DAN KUANTISASI PIKSEL Veronica Lusiana 1, Budi Hartono 2 1,2 Program Studi Teknik Informatika, Fakultas Teknologi Informasi, Universitas Stikubank
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang
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 terperinciPENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE
PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE Widodo Muda Saputra, Helmie Arif Wibawa, S.Si, M.Cs, dan Nurdin Bahtiar, S.Si, M.T Fakultas Sains dan Matematika, Jurusan Ilmu Komputer
Lebih terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1 Penentuan Masalah Penelitian M asalah-masalah penelitian yang dihadapi oleh penulis berawal dari penelitianpenelitian terdahulu, yaitu sebagai berikut. 1. Iluminasi yang
Lebih terperincidengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan
dengan metode penelitian yang dapat dilihat pada Gambar 9. Data Citra Tumbuhan Gambar 8 Struktur PNN. 1. Lapisan pola (pattern layer) Lapisan pola menggunakan 1 node untuk setiap data pelatihan yang digunakan.
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 terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
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 terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Universitas Sumatera Utara
BAB 1 PENDAHULUAN Pada bab ini dijelaskan tentang latar belakang penelitian dibuat, rumusan masalah, batasan masalah yang akan dibahas, tujuan penelitian, manfaat penelitian, metodologi penelitian yang
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dengan perkembangan komputer dan alat pengambilan gambar secara digital yang semakin berkembang saat ini, sehingga menghasilkan banyak fasilitas untuk melakukan proses
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Computer Vision Computer Vision adalah suatu bidang ilmu yang bertujuan untuk mendeskripsikan dunia yang dilihat dalam satu atau lebih citra dan merekonstruksikan properti-properti
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Citra Citra (image) atau yang secara umum disebut gambar merupakan representasi spasial dari suatu objek yang sebenarnya dalam bidang dua dimensi yang biasanya ditulis dalam
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Menginterprestasi sebuah citra untuk memperoleh diskripsi tentang citra tersebut melalui beberapa proses antara lain preprocessing, segmentasi citra, analisis
Lebih terperinciBAB III METODA. Gambar 3.1 Intensitas total yang diterima sensor radar (dimodifikasi dari GlobeSAR, 2002)
BAB III METODA 3.1 Penginderaan Jauh Pertanian Pada penginderaan jauh pertanian, total intensitas yang diterima sensor radar (radar backscattering) merupakan energi elektromagnetik yang terpantul dari
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Secara umum, data citra digital ditandai oleh informasi dengan jumlah bit yang besar sehingga menimbulkan masalah untuk memindahkan, memproses atau menyimpannya. Biasanya
Lebih terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Sistem Optik dan Proses Akuisisi Citra Digital 2 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 Bisa dilihat pada slide berikut. SISTEM OPTIK MANUSIA
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra 2.1.1 Definisi Citra Secara harfiah, citra adalah gambar pada bidang dwimatra (dua dimensi). Jika dipandang dari sudut pandang matematis, citra merupakan hasil pemantulan
Lebih terperinciPERBAIKAN CITRA DIGITAL DENGAN MENGGUNAKAN METODE RETINEX
PERBAIKAN CITRA DIGITAL DENGAN MENGGUNAKAN METODE RETINEX Rudy Adipranata 1, Cherry Galatia Ballangan, Leono Epatha Teknik Informatika, Fakultas Teknologi Industri, Universitas Kristen Petra Jl. Siwalankerto
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Penggunaan kamera digital sebagai alat untuk mengambil citra saat ini sudah banyak digunakan karena kepraktisannya, terkadang hasil citra memiliki tampilan
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 terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciOleh Yuli Wijayanti. Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc
Oleh Yuli Wijayanti Dosen Pembimbing : 1. Bilqis Amaliah, S.Kom, M.Kom 2. Anny Yuniarti, S.Kom, M.Com.Sc TEKNIK INFORMATIKA-ITS 26 JULI 2010 Latar Belakang Segmentasi gambar merupakan salah satu faktor
Lebih terperinciBAB 3 PERANCANGAN DAN PEMBUATAN SISTEM
BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan
Lebih 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 terperinciPENGOLAHAN CITRA DIGITAL
PENGOLAHAN CITRA DIGITAL Aditya Wikan Mahastama mahas@ukdw.ac.id Histogram dan Operasi Dasar Pengolahan Citra Digital 3 UNIV KRISTEN DUTA WACANA GENAP 1213 v2 MAMPIR SEB EN TAR Histogram Histogram citra
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Pengenalan Pola Pengenalan pola adalah suatu ilmu untuk mengklasifikasikan atau menggambarkan sesuatu berdasarkan pengukuran kuantitatif fitur (ciri) atau sifat utama dari suatu
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciAlgoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner
Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA) Vol.9, No.2, Agustus 2015 ISSN: 0852-730X Algoritma Kohonen dalam Mengubah Citra Graylevel Menjadi Citra Biner Nur Nafi'iyah Prodi Teknik Informatika
Lebih terperinciBAB II TI JAUA PUSTAKA
BAB II TI JAUA PUSTAKA Pada bab ini akan dibahas mengenai teori-teori yang menunjang tugas akhir ini. Antara lain yaitu pengertian citra, pengertian dari impulse noise, dan pengertian dari reduksi noise.
Lebih terperinci2.Landasan Teori. 2.1 Konsep Pemetaan Gambar dan Pengambilan Data.
6 2.Landasan Teori 2.1 Konsep Pemetaan Gambar dan Pengambilan Data. Informasi Multi Media pada database diproses untuk mengekstraksi fitur dan gambar.pada proses pengambilan, fitur dan juga atribut atribut
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 terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengenalan Wajah Pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari
Lebih terperinciTEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP)
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-60111
Lebih terperinciANALISA PERBANDINGAN METODE VEKTOR MEDIAN FILTERING DAN ADAPTIVE MEDIAN FILTER UNTUK PERBAIKAN CITRA DIGITAL
ANALISA PERBANDINGAN METODE VEKTOR MEDIAN FILTERING DAN ADAPTIVE MEDIAN FILTER UNTUK PERBAIKAN CITRA DIGITAL Nur hajizah (13111171) Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl.
Lebih terperinciVerifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login
The 13 th Industrial Electronics Seminar 011 (IES 011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 6, 011 Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi di bidang informasi spasial dan fotogrametri menuntut sumber data yang berbentuk digital, baik berformat vektor maupun raster. Hal ini dapat
Lebih terperinciVI. HASIL DAN PEMBAHASAN. Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk
VI. HASIL DAN PEMBAHASAN A. Segmentasi Warna merupakan ciri dominan yang bisa dibedakan secara visual untuk mendapatkan informasi dari basisdata citra. Segmentasi warna adalah proses mengelompokkan citra
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 terperinciPERANCANGAN APLIKASI MENENTUKAN EFEK RESOLUSI BERDASARKAN JUMLAH PIXEL PADA CITRA MENGGUNAKAN METODE RETINEX
Jurnal INFOTEK, Vol, No 2, Juni 206 PERANCANGAN APLIKASI MENENTUKAN EFEK RESOLUSI BERDASARKAN JUMLAH PIXEL PADA CITRA MENGGUNAKAN METODE RETINEX Prima Sari (20077) Mahasiswa Program Studi Teknik Informatika
Lebih terperinciPercobaan 1 Percobaan 2
direpresentasikan dengan histogram. Perlakuan pertama terhadap data-data penelitian ini adalah menghitung histogramnya. Kemudian dari interval antara 0-255 akan dibagi menjadi interval-interval bagian
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciSTMIK AMIKOM PURWOKERTO PENGOLAHAN CITRA ABDUL AZIS, M.KOM
PENGOLAHAN CITRA 1 Prinsip Enhancement Pemrosesan sebuah image sehingga hasil yang didapat bersifat lebih sesuai untuk digunakan pada aplikasi tertentu dibandingkan dengan image a s l i n y a. Kesesuaian
Lebih terperinciBAB II DASAR TEORI. 2.1 Meter Air. Gambar 2.1 Meter Air. Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus
BAB II DASAR TEORI 2.1 Meter Air Gambar 2.1 Meter Air Meter air merupakan alat untuk mengukur banyaknya aliran air secara terus menerus melalui sistem kerja peralatan yang dilengkapi dengan unit sensor,
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinci