BAB 3 METODOLOGI PENELITIAN
|
|
- Ratna Sutedja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 bervariasi merupakan faktor yang terdapat pada lingkungan tidak terkonstrain dan mengurangi performa algoritma pengenalan wajah secara signifikan (Zhou, Chellappa, & Zhao, 2005). Pernyataan yang serupa dikemukakan oleh Jain, Flynn, dan Ross (2007). Adini et al. (1997) dan Zhao et al. (1999) juga membuktikan bahwa variasi iluminasi pada citra orang yang sama hampir selalu lebih besar daripada variasi karena identitas wajah. 2. Metode normalisasi dapat memberikan pengaruh negatif pada citra tanpa iluminasi bervariasi (ELSayed, 2009, p. 7). 3. Pada kasus video, semakin banyak urutan citra yang diberikan, semakin tinggi pula keberhasilan pengenalan wajah, karena pose dari citra pada frame yang satu dengan frame yang lain dapat menguatkan identifikasi orang tersebut (Jain, Flynn, & Ross, 2007, p. 442). Oleh karenanya, metode normalisasi harus dapat dikomputasi dalam waktu yang seminimum mungkin dan tetap menghasilkan output yang baik.
2 Alur Penelitian Untuk dapat mengatasi masalah-masalah yang dikemukakan sebelumnya, penulis menggunakan alur penelitian yang digambarkan pada flowchart sebagai berikut. Pembuatan code unt uk normalisasi iluminasi: (1) Retinex, (2) SSR, (3) MSR Pengumpulan Data Penelitian Database Wajah Integrasi Code dengan Sistem Pengenalan Wajah Sistem Pengenalan Wajah 1. Training Citra Wajah 2. Pencocokan Citra Wajah Analisis Hasil Identifikasi Gambar 3.1 Flowchart Penelitian Pada flowchart dapat dilihat proses yang dilakukan penulis dalam penelitian. Penelitian dimulai dengan pengembangkan code untuk normalisasi iluminasi. Algoritma yang dikonstruksi oleh penulis adalah algoritma Retinex, Single-Scale Retinex, dan Multi- Scale Retinex menggunakan library AForge.NET dan bahasa pemrograman C#. Kode tersebut dikonstruksi berdasarkan referensi Mathematical Definition and Analysis of the Retinex Algorithm (Provenzi, Carli, & Rizzi, 2005) dan A Multiscale Retinex for Bridging the Gap Between Color Images and the Human Observation of Scenes
3 33 (Jobson, Rahman, & Woodell, 1997). Algoritma ekualisasi histogram dan koreksi gamma sudah tersedia pada AForge.NET sehingga penulis cukup mengintegrasikannya dalam program. Selanjutnya, kode tersebut diintegrasikan menggunakan library EmguCV sehingga menghasilkan program untuk sistem pengenalan wajah. Database wajah merupakan populasi data yang akan diuji. Sampel data dari database akan didaftarkan pada sistem pengenalan wajah dan digunakan untuk analisis efektivitas dan performa algoritma. Database wajah yang digunakan adalah Extended Yale B Face, Faces95, dan Grimace. Setelah sistem pengenalan wajah dibuat dan data dikumpulkan, langkah berikutnya merupakan langkah repetitif untuk melakukan pengenalan wajah. Pengenalan wajah dalam penelitian ini memerlukan dua tahap utama, yaitu training citra wajah dan pencocokan citra wajah. Pada tahap training citra wajah, sampel citra dari populasi dipilih dan didaftarkan pada database training (atau training set). Pada tahap pencocokan citra wajah, citra dari populasi dipilih dan kemudian dicocokkan dengan citra pada training set untuk dapat melakukan identifikasi. Metode yang digunakan untuk melakukan pelatihan sampel dan pencocokan citra adalah PCA (Principal Component Analysis). Metode yang digunakan untuk normalisasi iluminasi adalah ekualisasi histogram, koreksi gamma, Retinex, Single-Scale Retinex, dan Multi-Scale Retinex. Hasil yang didapat dari sistem pengenalan wajah dengan berbagai metode tersebut selanjutnya diuji berdasarkan efektivitas dan waktu komputasinya dalam setiap database.
4 Pseudocode Metode Normalisasi Untuk mempermudah konstruksi kode metode normalisasi yang akan dibuat, maka pseudocode metode normalisasi diberikan. Untuk lebih jelasnya, dapat source code yang lengkap dapat dilihat pada lampiran Pseudocode Retinex Berikut merupakan pseudocode Retinex yang idenya berawal dari Provenzi et al. (2005). Pada algoritma Retinex tersebut belum dijelaskan mengenai nilai threshold, jumlah jalur, jumlah pixel tiap jalur, dan cara pemilihan jalur yang seharusnya diambil. Pada algoritma tersebut juga dijelaskan bahwa nilai pixel pertama pada jalur dianggap memiliki nilai intensitas tertinggi, yaitu 1. Konstruksi parameter-parameter yang akan digunakan penulis akan dijelaskan penulis pada subbab berikutnya. Pseudocode Retinex (,, ) Input: Image matriks,, and is the height and width of the image. Assume, (0, 0 0, 1,, ) Filtering with Retinex(,, ), is threshold, 0 1, is number of path, 1, is number of pixel per path, 1. Define Function, { 9 If ( 1 ) 1 10 return R 11 } Define Function getnextpixel(x,y){ // get the next pixel of x and y 14 R random(4) // The next Pixel can be on the 15 If R==1 then // left, up, right, or down from (x, y) 16 Return (x-1, y) // in reality, the bound of image 17 Else If R==2 then // should be checked 18 Return (x+1, y) // The chain of pixel should be checked too. 19 Else If R==3 then // Sometimes, the path just loop to itself. 20 Return (x, y-1) 21 Else
5 } Return (x, y+1) End If // copy Source to Intensity Retinex (IR) variabel visit[] new[ x ] // For,, 0, 0 do // visit[, ] 1 // initialize visit to 1 End For // For 1,..., N do // loop N number of path sx random(h) // Initialize startpixel X and Y sy random(y) // we will not use random ways like this product 1 // first pixel define to max intensity that is 1. For 1,...,n do // loop n number pixels for every path (nx, ny) getnextpixel(sx,sy) // get the next pixel of x and y // pixel (nx, ny) can be on the // left, up, right, or down from (x, y) Ratio (intensity(nx, ny)+1) / (intensity(sx, sy)+1) // get ratio of the pixel product product * Ratio, If product > 1 then // product 1 // do reset mechanism, ++ // Else,, + product End If visit[nx, ny]++ (sx, sy) (nx, ny) End For End For O[] new[ x ] // For,, 0, 0 do // ,, / visit, // get output by dividing IR by visit End For // Return O // return Retinex output Pseudocode Multi-S cale Retinex Berikut merupakan pseudocode Multi-Scale Retinex yang berawal dari ide Jobson et al. (Jobson, Rahman, & Woodell, 1997). Sifat dari metode Multi-Scale Retinex
6 36 bergantung pada 3 parameter, yaitu jumlah skala, nilai skala, dan bobot untuk tiap skalanya. Jika nilai diambil 1, maka algoritma Multi-Scale Retinex akan lebih baik disebut sebagai Single-Scale Retinex. Parameter yang akan digunakan akan dijelaskan pada subbab berikutnya. Pseudocode Multi-Scale Retinex (,, ) Define Function gaussian (S[], ){ 9 G[] = new[ x ] 10 k[] createkernel( ) } d[] new[ x ] d[] contraststreching(d) Return d Input: Image matriks,, and is the height and width of the image. Assume is 8 bit-depth. Filtering with MultiscaleRetinex(,, ). is number of scale, 1, is Gaussian sigma for scale, , is weight for scale, 0 1, 1 // create kernel based on gaussian function For,, 0, 0 do sum 0 For,, 0 kernelsize, 0 kernelsize do sum sum +,, End For, sum End For Return G // create matrix destination, d For 1,, do G[] gaussian(s, ) For,, 0, 0 do // , *{ log(, +1) log(, +1)} // MSR algorithm End For // End For // map the range of MultiScale Retinex output // to byte if 8-bit depth image.
7 Konstruksi Parameter Metode Normalisasi Untuk dapat menghasilkan output citra wajah yang ternormalisasi terhadap iluminasi, maka parameter yang ada pada metode yang digunakan juga harus ditentukan. Penentuan parameter yang sesuai dengan kebutuhan penelitian didasarkan pada hasil penelitian yang dilakukan oleh peneliti sebelumnya yang selanjutnya diuji dengan beberapa sampel citra wajah. Jika hasil output sudah sesuai dengan persepsi penglihatan, maka parameter tersebut selanjutnya digunakan pada sistem pengenalan wajah. Jika output belum sesuai atau kecepatan eksekusi masih belum sesuai harapan, maka parameter yang lebih baik akan ditentukan berdasarkan trial and error (menguji parameter dengan melihat input, output, dan kecepatan eksekusi). Gambar 3.2 Flowchart penentuan parameter metode normalisasi
8 Konstruksi Parameter Retinex Parameter yang digunakan dalam metode Retinex adalah sebagai berikut. a. adalah nilai yang diberikan pada pixel yang pertama kali dilalui oleh jalur Retinex. 0,5 /2 Dengan memberi nilai tersebut, maka output dari Retinex selalu lebih besar dari 0,5 untuk pixel yang pertama kali dilalui, sehingga pixel dengan intensitas terendah akan mendapatkan kenaikan intensitas paling tinggi. b. adalah nilai threshold yang digunakan untuk melakukan toleransi intensitas. 0 dipilih sehingga toleransi intensitas tidak dilakukan. c. adalah banyaknya jalur yang dipilih untuk melakukan penelusuran pixel pada metode Retinex Simbol dan menyatalah lebar dan tinggi citra. Citra diberi margin 4 pixel di setiap sisi atas, bawah, kiri, dan kanan. Pixel pertama pada setiap jalur ditentukan pada pixel pertama untuk setiap 2x2 pixel pada citra. Gambar 3.3 Penentuan titik awal dari setiap jalur Retinex pada citra d. adalah banyaknya pixel yang dilalui oleh setiap jalur. 100 dipilih untuk dapat menjamin semua pixel dapat dilalui minimal 10 kali berdasarkan hasil
9 39 eksperimen. Jumlah yang lebih besar menjamin kualitas citra yang jauh lebih baik (tanpa adanya bercak-bercak putih), namun juga menurunkan performa Retinex. e. Jalur adalah rangkaian pixel yang dilalui suatu jalur Retinex dimulai dari dan berakhir di. Pemilihan dipilih random antara pixel di kiri, kanan, atas, atau bawah dari. Agar tidak terjadi jalur bolak-balik pada jalur, maka dan tidak boleh merupakan pixel yang sama pada citra. Gambar 3.4 Contoh pemilihan jalur Retinex (a) (b) (c) (d) (e) (f) Gambar 3.5 Output Retinex dengan parameter yang bervariasi. (a) citra original 192x168 pixel, (b) Retinex, =25, 54ms, (c) Retinex, =50, 83ms, (d) Retinex, =100, tanpa threshold, 108ms, (e) Retinex, =100, dengan threshold, 128ms (f) Retinex, =200, 218 ms
10 Konstruksi Parameter Single-Scale Retinex Parameter yang digunakan dalam metode Single-Scale Retinex adalah parameter (standar deviasi) yang diperlukan untuk mengatur seberapa jauh penyebaran dari fungsi Gaussian,,,. Perlu diketahui juga bahwa performa Gaussian yang ada pada AForge.Net akan menurun secara signifikan jika 5. Oleh karenanya, penulis memodifikasi cara kerja Gaussian tersebut. Jika nilai 5, maka citra akan di-downscale sebesar 2 4,5 kali. Kemudian, konvolusi Gaussian akan dilakukan pada citra dengan sebesar 3. Setelah itu, citra kembali di-upscale ke ukurannya semula. (a) (b) (c) (d) (e) (f) (g) (h) Gambar 3.6 Output Gaussian AForge dan Gaussian dimofikasi dengan bervariasi (a) citra original 192x168 pixel; (b), (c), (d) Gaussian yang dimodifikasi, 10,30,80, = 7ms, 7ms, dan 9ms; (e), (f), (g), (h) Gaussian AForge.Net, 5,10,30,80, = 107ms, 237ms, 1119ms, dan 6164ms
11 41 Setelah diuji dengan berbagai nilai, nilai yang secara visual dapat menormalisasikan cira wajah berada pada 5 hingga 30. Pada penelitian ini, dipilih nilai 8 sebagai nilai sigma. (a) (b) (c) (d) (e) (f) Gambar 3.7 Output Single-Scale Retinex (SSR) dengan parameter yang bervariasi. (a) citra original, 192x168 pixel, (b) SSR, =5, 77ms, (c) SSR, =6, 22ms, (d) SSR, =8, 22ms, (e) SSR, =15, 11ms, (f) SSR, =30, 18ms Konstruksi Parameter Multi-Scale Retinex berikut. Parameter yang digunakan pada metode Multi-Scale Retinex adalah sebagai a. adalah jumlah skala yang digunakan. Berdasarkan eksperimen, jumlah yang lebih besar akan meningkatkan waktu eksekusi, sehingga harus dipilih seminimum mungkin. Karena kebanyakan citra wajah yang digunakan tidak lebih dari 200 pixel, maka 2 sudah cukup untuk memenuhi kebutuhan tersebut.
12 42 b. adalah nilai skala yang digunakan. Dalam penelitian ini digunakan sebuah skala kecil ( 8) untuk meningkatkan detail pada citra sekaligus untuk mengurangi tingkat kecerahan yang terlalu tinggi dan sebuah skala besar ( 20) untuk meningkatkan kecerahan secara global. c. adalah bobot yang diberikan untuk setiap skala. Pada penelitian ini, skala rendah diberi bobot yang besar, yaitu 0,8 dan skala tinggi diberi bobot kecil 0,2. (a) (b) (c) (d) (e) (f) Gambar 3.8 Output Multi-Scale Retinex (MSR) dengan parameter yang bervariasi. (a) citra original, 192x168 pixel, (b) MSR, =8, 40, 120; 1 3; 67ms; (c) MSR, = 8, 40,120; 1 2,2 5,1 10; 67 ms; (d) MSR, = 6, 20; 1 2,1/2; 31 ms; (e) MSR, = 6, 20; 4 5,1 5; 31 ms; (f) MSR, = 4, 20; 4 5,1 5; 33 ms;
13 43 Table 3.1 Tabel parameter metode normalisasi yang digunakan pada penelitian Metode Retinex Single-Scale Retinex Parameter 0,5 ; 0; 8 8 ; 100 =8 Multi-Scale Retinex = 6 dan 20; 4 5 dan 1 5 Ekualisasi Histogram - Koreksi Gamma 0.45 (default AForge.Net) 3.5 Deskripsi Database Pada penelitian ini, digunakan 3 macam database wajah yang berbeda, yaitu database Extended Yale B, Faces95, dan Grimace. Berikut adalah deskripsi dari masingmasing database Extended Yale B Database Extended Yale B Database (Lee, Ho, & Kriegman, 2005) merupakan pengembangan dari Yale B Database (Georghiades, Belhumeur, & Kriegman, 2001). Pada database ini terdapat total citra wajah yang terdiri dari 38 subjek dengan 9 pose dan 64 kondisi iluminasi yang berbeda. Kondisi iluminasi berasal dari sumber cahaya titik dengan posisi bervariasi antara sampai secara horisontal (azimuth) dan sampai 40 0 secara vertical (elevasi). Keseluruhan citra wajah secara manual diratakan, dipotong dan diubah ukurannya menjadi 168 x 192 pixel. Format citra adalah grayscale 8 bit dengan ekstensi file.pgm (Portable Gray Map). Karena format ini menyimpan citra pixel per pixel dan tanpa adanya kompresi data, maka tidak memungkinkan adanya kehilangan informasi pada citra yang dapat mengurangi keakuratan pengenalan.
14 44 Pada penelitian ini, tidak semua citra wajah digunakan. Citra wajah yang akan diuji adalah citra wajah frontal (diambil dari depan), sehingga total citra yang digunakan adalah 2432 citra (38x64). Namun, karena 18 dari citra tersebut rusak, maka total citra yang digunakan adalah sebanyak 2414 citra. Untuk selanjutnya, citra wajah yang memiliki wajah frontal dan dapat digunakan disebut sebagai citra efektif pada penelitian. Gambar 3.9 Contoh citra wajah dari satu individu pada Extended Yale B Database
15 Faces95 Database Faces95 oleh Libor Spacek memiliki total 72 subjek individu dengan masing-masing individu terdiri dari 20 citra. Setiap citra merupakan kumpulan dari urutan frame video yang diambil ketika setiap subjek berjalan 1 langkah mendekati kamera. Pergerakan ini digunakan untuk menunjukkan pergerakan kepala yang signifikan di antara citra yang satu dengan citra yang lain. Pada database ini, variasi yang paling dominan adalah variasi ukuran (scaling) pada wajah. Citra memiliki sedikit variasi cahaya dan ekspresi wajah yang relatif sedikit. Misalnya ketika subjek mendekat, maka terdapat perubahan cahaya pada wajah. Resolusi citra adalah 180x200 pixel. Format citra adalah RGB 24bit dengan format.jpg. Berdasarkan file yang di-download dari dari 1440 citra wajah, sebanyak 124 citra rusak dan tidak dapat diekstrak. Dari total citra wajah yang ada tersebut, selanjutnya dipilih citra wajah frontal dengan menggunakan haar cascade. Sebanyak 23 citra wajah tidak terdeteksi wajah frontal, sehingga citra wajah efektif yang digunakan pada penelitian ada sebanyak 1293 citra. Gambar 3.10 Contoh citra wajah dari satu individu pada database Faces95
16 Grimace Database Grimace oleh Libor Spacek digunakan untuk menguji variasi ekspresi wajah yang ekstrem. Database ini terdiri dari 18 subjek. Masing-masing subjek memiliki 20 citra wajah dengan masing-masing citra memiliki variasi ekspresi wajah yang tinggi. Variasi cahaya pada database ini sangat sedikit. Seperti halnya dengan database Faces95, resolusi citra adalah 180x200 pixel. Format citra adalah RGB 24bit dengan format.jpg. Penulis menggunakan database ini untuk mengukur efektivitas metode normalisasi yang diharapkan tidak mengurangi efektivitas identifikasi wajah. Dari total 360 citra wajah, 1 citra tidak dapat diekstrak dan 9 citra bukan merupakan citra wajah frontal, sehingga total citra wajah efektif yang digunakan pada penelitian ada sebanyak 350 citra. Gambar 3.11 Contoh citra wajah dari satu individu pada database Grimace Berikut dirangkumkan deskripsi dari setiap database dalam bentuk tabel. Tabel 3.2 Deskripsi Database Extended Yale B, Faces92, dan Grimace (Keterangan: Ill: illumination, Sca: Scaling, Ex p: Expression) Citra per Total Variasi Total Total Database Subjek Subjek Ill. Sca. Exp. Citra Frontal Citra Efektif Ext. Yale B Faces Grimace
17 Konstruksi dan Penentuan Variabel Pengujian Pengujian dalam penelitian ini merupakan langkah repetitif untuk melakukan pengenalan wajah. Kontruksi pengujian dilakukan dalam dua tahap, yaitu tahap pelatihan dan tahap pencocokan citra wajah. Berikut merupakan flowchart pada tahap pelatihan citra wajah. Gambar 3.12 Flowchart pelatihan citra wajah untuk setiap database Proses pelatihan citra wajah dimulai dengan pengambilan sampel dari database wajah. Sampel dari setiap database diambil berdasarkan ketentuan sebagai berikut. 1. Sampel citra wajah diambil sebanyak dua citra dari setiap subjek. 2. Sampel citra yang dipilih adalah citra yang memiliki iluminasi yang merata pada wajah. Pada database Yale B, citra yang dipilih sebagai sampel adalah citra dengan azimuth 0 dan elevasi 0, serta citra dengan azimuth -5 derajat dan elevasi sebesar 10 derajat (ditandai dengan nama file yang diakhiri dengan A+000E+00 dan A- 005E+10). Pada database Faces95 dan Grimace, sampel citra dipilih secara random.
18 48 Pada citra hasil sampel tersebut selanjutnya dilakukan deteksi wajah dengan algoritma Viola-Jones dan dipotong (crop) sehingga menghasilkan citra wajah yang bebas terhadap latar. Selanjutnya, citra dikonversi menjadi grayscale dengan algoritma BT709 sehingga menghasilkan citra dengan nilai intensitas untuk setiap pixel-nya. Langkah pemrosesan terakhir adalah mengubah ukuran citra menjadi 100x100 pixel. Algoritma yang digunakan untuk mengubah ukuran citra adalah interpolasi bicubic. Setelah semua citra selesai diproses, pelatihan (atau pendaftaran) terhadap seluruh citra akan dilakukan menggunakan metode Principal Component Analysis (PCA) dan neural network untuk melakukan training bobot terhadap eigen vector. Nilai error ( ) yang diharapkan adalah 0,001. Hasil pelatihan ini adalah suatu database fitur atau training set. Pada akhir pelatihan, setiap database Yale B, Faces95, dan Grimace akan memiliki training set masing-masing. Berikut merupakan flowchart pada tahap pencocokan citra wajah. Gambar 3.13 Flowchart pencocokan citra wajah untuk setiap database
19 49 Pada proses pencocokan citra wajah, algoritma normalisasi fotometrik ditempatkan setelah citra di-grayscale dan sebelum ukurannya diperkecil. Sebagai catatan, algoritma deteksi wajah yang digunakan haruslah dapat mendeteksi wajah pada iluminasi bervariasi. Citra yang ada pada database wajah semuanya merupakan citra efektif sehingga algoritma tersebut 100% dapat mendeteksi wajah pada citra. Algoritma yang diuji coba adalah koreksi gamma, ekualisasi histogram, Retinex, Single-Scale Retinex, dan Multi-Scale Retinex dengan parameter yang sudah ditentukan sebelumnya. Citra yang sudah dinormalisasi dan diperkecil ukurannya akan dicocokkan terhadap training set yang sudah dibuat pada tahap pelatihan. Metode pencocokan adalah PCA dengan basis eigenface. Hasil keluaran dari tahap pencocokan adalah identitas wajah. Sistem pencocokan citra didesain sehingga selalu menampilkan identitas subjek yang paling mendekati. Selain itu, keluaran dari tahap ini adalah waktu eksekusi metode normalisasi. Adapun skenario pengujian yang akan dilakukan pada penelitian ini secara rinci dijelaskan pada tabel berikut. Tabel 3.3. Skenario Pengujian Penelitian No Database Jumlah subjek Citra yang dicocokkan Metode Normalisasi Gam 3. HE Training Set 4. Retinex 5. SSR 6. Extended Yale MSR B - 8. Gam 9. Citra efektif pada HE 10. Database Retinex 11. SSR 12. MSR
20 Gam 15. HE Training Set 16. Retinex 17. SSR 18. MSR Gam 21. Citra efektif pada HE 22. Database Retinex 23. SSR 24. Extended Yale MSR 25. B Gam 27. HE Training Set 28. Retinex 29. SSR 30. MSR Gam 33. Citra efektif pada HE 34. Database Retinex 35. SSR 36. MSR Gam 39. Citra efektif pada HE Database Retinex 41. SSR 42. MSR Faces Gam 45. Citra efektif pada HE Database Retinex 47. SSR 48. MSR Gam 51. Citra efektif pada HE Grimace Database Retinex 53. SSR 54. MSR
21 51 Terdapat total 54 skenario pengujian. Database Extended Yale B memiliki skenario paling banyak karena database ini memiliki faktor iluminasi yang paling bervariasi. Jumlah subjek yang lebih sedikit memungkinkan pengenalan wajah yang lebih akurat, sehingga pada database dengan jumlah subjeknya terlalu banyak, memperkecil jumlah subjek akan meningkatkan keberhasilan pengenalan wajah dan performa metode normalisasi dapat diukur secara lebih valid. Pencocokan training set terhadap training set bertujuan untuk menguji validitas dari tahap pelatihan citra wajah. Adapun jenis indikator yang dilihat untuk melakukan analisis pada setiap skenario pengujian adalah persentase keberhasilan pengenalan wajah dan rata-rata waktu eksekusi ( ) setiap metode normalisasi untuk setiap database. Namun, untuk mengurangi kesulitan interpretasi dan mengurangi beban penelitian, rata-rata waktu eksekusi hanya diperhatikan pada skenario database dengan jumlah subjek maksimum dan menggunakan uji citra efektif pada database (skenario dan skenario 43 54).
BAB 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 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 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 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB IV 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 terperinciBAB III METODE PENELITIAN. melacak badan manusia. Dimana hasil dari deteksi atau melacak manusia itu akan
BAB III METODE PENELITIAN 3.1. Model Pengembangan Tujuan dari tugas akhir ini adalah untuk membuat sebuah aplikasi untuk mengatur kontras pada gambar secara otomatis. Dan dapat meningkatkan kualitas citra
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 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 terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Permasalahan Tahapan analisis terhadap suatu sistem dilakukan sebelum masuk ke tahapan perancangan. Tujuan dilakukannya analisis terhadap suatu sistem
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 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi 4.1.1 Spesifikasi Sistem Adapun spesifikasi komputer yang digunakan penulis dalam melakukan simulasi pada aplikasi penelitian pengenalan citra wajah dengan variasi
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 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 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 3 METODE PERANCANGAN
BAB 3 METODE PERANCANGAN 3.1 Konsep dan Pendekatan Tujuan utama yang ingin dicapai dalam pengenalan objek 3 dimensi adalah kemampuan untuk mengenali suatu objek dalam kondisi beragam. Salah satu faktor
Lebih 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 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 terperinciKONVERSI FORMAT CITRA RGB KE FORMAT GRAYSCALE MENGGUNAKAN VISUAL BASIC
KONVERSI FORMAT CITRA RGB KE FORMAT GRAYSCALE MENGGUNAKAN VISUAL BASIC Hanif Al Fatta STMIK AMIKOM Yogyakarta e-mail : hanivonitch@yahoo.com ABSTRACTS This paper explains how to manipulate image file format.
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Rancang Bangun Sistem Pemantau Ruangan Berbasis Multi Kamera untuk Smartphone Android pada Jaringan Pikonet yang Adaptif terhadap Perubahan Situasi Ruangan
Lebih terperinciBAB I PENDAHULUAN. dengan memanfaatkan ciri wajah yang telah tersimpan pada database atau wajah
BAB I 1. asd PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini perkembangan teknologi di bidang informasi khususnya dengan menggunakan komputer telah berkembang, hal ini menyebabkan banyak aplikasi baru
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Sistem pengenalan wajah adalah aplikasi dari pengolahan citra yang dapat mengidentifikasi seseorang melalui citra digital atau frame video. Sistem pengenalan wajah
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 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 terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM Dalam pengerjaan perancangan dan pembuatan aplikasi pengenalan karakter alfanumerik JST algoritma Hopfield ini menggunakan software Borland Delphi 7.0. 3.1 Alur Proses Sistem
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 terperinciDAFTAR ISI ABSTRAK... KATA PENGANTAR... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... DAFTAR LAMPIRAN Latar Belakang... 1
ABSTRAK Saat ini komputer dan piranti pendukungnya telah masuk dalam setiap aspek kehidupan dan pekerjaan. Komputer yang ada sekarang memiliki kemampuan yang lebih dari sekedar perhitungan matematik biasa.
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Bab ini akan menjelaskan mengenai analisis kebutuhan dari sistem yang akan digunakan untuk pengujian metode dan kemudian dilanjutkan dengan perancangan sistem yang
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Kerangka Pikir Pengenalan wajah merupakan suatu teknologi dalam dunia kecerdasan buatan agar komputer dapat meniru kemampuan otak manusia dalam mendeteksi dan mengenali
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA SEGITIGA MASING-MASING SUDUT
24 BAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA ALGORITMA RATA-RATA PENGENALAN MASING-MASING SUDUT SUDUT FOTO SERTA DENGAN DATA DATA FUZZY RATA-RATA MASING-MASING SEGITIGA MASING-MASING SUDUT
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM 3.1 Perancangan Program Aplikasi 3.1.1 Analisis dan Gambaran Umum Program Aplikasi Nama program yang hendak di kembangkan adalah Pendeteksian Bagian Tubuh Manusia.
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 terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. secara otomatis. Sistem ini dibuat untuk mempermudah user dalam memilih locker
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Metode Penelitian Pada perancangan tugas akhir ini menggunakan metode pemilihan locker secara otomatis. Sistem ini dibuat untuk mempermudah user dalam memilih
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisa Sistem Tahapan analisa merupakan tahapan awal dalam perekayasaan perangkat lunak. Pada tahapan ini menjelaskan apa yang dilakukan sistem, siapa yang menggunakannya
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 terperinciPENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan
PENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan 6907040024 Fajar Indra 6907040026 ABSTRACT Face recognition
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER
BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM Sistem vision yang akan diimplementasikan terdiri dari 2 bagian, yaitu sistem perangkat keras dan perangkat lunak. Perangkat lunak yang digunakan dalam sistem vision ini adalah
Lebih terperinciNormalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace
Normalisasi Iluminasi Citra Wajah Dengan Menggunakan Varian Retinex Dan Histogram Remapping Pada Pengenalan Wajah Berbasis Eigenspace Rita Dwi Handayani Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih 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 terperinciPENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih terperinciMETODOLOGI PENELITIAN
18 METODOLOGI PENELITIAN Kerangka Penelitian Sistem pengenalan roda kendaraan pada penelitian ini tampak pada Gambar 10, secara garis besar dapat dibagi menjadi dua tahapan utama yaitu, tahapan pelatihan
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 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 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 terperinci: KONVERSI CITRA LABIRIN KE DALAM EDGE DAN VERTEX
KEMENTRIAN PENDIDIKAN DAN KEBUDAYAAN UNIVERSITAS BRAWIJAYA FAKULTAS TEKNIK JURUSAN TEKNIK ELEKTRO Jalan MT Haryono 167 Telp & Fax. 0341 554166 Malang 65145 KODE PJ-01 PENGESAHAN PUBLIKASI HASIL PENELITIAN
Lebih terperinciBAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-
8 BAB II TINJAUAN PUSTAKA 2.1 Studi Pendahuluan Sebelumnya telah ada penelitian tentang sistem pengenalan wajah 2D menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C- Means dan jaringan
Lebih terperinciBAB 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 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 terperinciBAB I PENDAHULUAN. mengenai deteksi wajah dengan Differential Evolution Based Neural Network
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Berdasarkan penelitian yang telah dilakukan oleh Yudistira Dewanata mengenai deteksi wajah dengan Differential Evolution Based Neural Network mendapatkan total
Lebih terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras 3.1.1 Diagram Blok Sistem Rancangan perangkat keras dari aplikasi pengenalan wajah ini dapat dilihat pada diagram blok Gambar 3.1 sebagai berikut
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Kondisi pengolahan data yang telah dijabarkan sebelumnya pada bab 1 (satu) memiliki keterkaitan terhadap permasalahan yang teridentifikasi. Yaitu permasalahan terkait desain
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra (image processing) merupakan proses untuk mengolah pixel-pixel dalam citra digital untuk tujuan tertentu. Beberapa alasan dilakukan pengolahan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
56 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Algoritma Prosedur Klasifikasi Dalam sistem Pengenalan Tulisan Tangan ini input berupa sebuah citra karakter, yang akan diproses menjadi fitur yang merupakan
Lebih terperinciDAFTAR ISI v. ABSTRACT ii KATA PENGANTAR iii. DAFTAR GAMBAR.vii DAFTAR TABEL...ix
ABSTRAK Dalam laporan tugas akhir ini dijelaskan mengenai suatu sistem pengenal identitas manusia dengan menggunakan wajah sebagai pengenalnya, atau yang lebih dikenal dengan Face Recognition. Tujuan dari
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 METODOLOGI PENELITIAN. Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilakukan
Lebih terperinciRestorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah
Restorasi Citra Plat Nomor Kendaraan Menggunakan Metode Super Resolusi pada Sistem Pelanggaran Lampu Merah Bayu Setyo Prayugi Teknik Komputer dan Telematika Jurusan Teknik Elektro Insitut Teknologi Sepuluh
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 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 terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciSistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot
Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot Mara Nugraha Teknik Informatika Universitas Gunadarma Jl. Margonda Raya 100, Depok maranugraha@sta.gunadarma.ac.id Abstrak Pengenalan
Lebih terperinciBINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC
BINERISASI CITRA DOKUMEN DENGAN FILTERISASI HOMOMORPHIC Naser Jawas STMIK STIKOM BALI naser.jawas@stikom-bali.ac.id Abstrak Binerisasi citra dokumen adalah sebuah langkah awal yang sangat penting dalam
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
Lebih terperinciPengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector Quantization
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 2, No. 3, Maret 2018, hlm. 1313-1317 http://j-ptiik.ub.ac.id Pengenalan Plat Nomor Mobil Menggunakan Metode Learning Vector
Lebih terperinciBAB IV PEMBAHASAN. Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil
BAB IV PEMBAHASAN Bab IV berisi pembahasan yang meliputi proses penelitian yakni hasil model Radial Basis Function Neural Network untuk diagnosa kanker otak, hasil klasifikasi, dan ketepatan hasil klasifikasinya.
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 terperinciSesi 3 Operasi Pixel dan Histogram. : M. Miftakul Amin, S. Kom., M. Eng.
Sesi 3 Operasi Pixel dan Histogram Materi Kuliah Dosen : Pengolahan Citra Digital : M. Miftakul Amin, S. Kom., M. Eng. Pokok Bahasan Konversi RGB ke Gray Scale Konversi Gray Scale ke Biner Konversi Gray
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Waktu yang digunakan dalam penelitian ini yaitu dalam kurun waktu enam bulan terhitung mulai februari 2012 sampai juli 2012. Tempat yang digunakan
Lebih terperinciBAB 3 ANALISIS & PERANCANGAN
BAB 3 ANALISIS & PERANCANGAN 3.1 Analisis 3.1.1 Permasalahan Menurut Wakapolda Sulawesi Selatan dan Barat (tvone, 2010), Brigjen Pol Wisjnu Amat Sastro, Indonesia saat ini menempati urutan pertama berdasarkan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.
Lebih 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 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 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 terperinciPEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING
PEMBUATAN WEB SERVICE SEBAGAI LAYANAN PENDETEKSI KONTEN PORNOGRAFI PADA CITRA DIGITAL DENGAN METODE IMAGE ZONING Oleh: Lourensius Bisma (5210100155) Dosen Pembimbing: Dr.Eng. Febriliyan Samopa, S.Kom.,
Lebih terperinciBAB 3 METODOLOGI Metode Penelitian. Dalam melakukan penelitian akan permasalahan ini, penulis menggunakan metode
BAB 3 METODOLOGI 3.1. Metode Penelitian Dalam melakukan penelitian akan permasalahan ini, penulis menggunakan metode rapid application development (RAD), dengan alur pengerjaan sebagai berikut: Gambar
Lebih terperinciPENGHITUNG JUMLAH MOBIL MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DENGAN INPUT VIDEO DIGITAL
PENGHITUNG JUMLAH MOBIL MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DENGAN INPUT VIDEO DIGITAL Mawaddah Aynurrohmah, Andi Sunyoto STMIK AMIKOM Yogyakarta email : andi@amikom.ac.id Abstraksi Perkembangan teknologi
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 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 terperinciPenggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah
Vol. 14, No. 1, 61-68, Juli 2017 Penggunaan Jaringan Syaraf Tiruanuntuk Membaca Karakter pada Formulir Nilai Mata Kuliah La Surimi, Hendra, Diaraya Abstrak Jaringan syaraf tiruan (JST) telah banyak diaplikasikan
Lebih terperinciPERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2
PERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2 Disusun oleh : Steven Christian Santosa (1222038) Program Studi Teknik Elektro, Fakultas Teknik,
Lebih terperinciLAPORAN PENELITIAN DOSEN MUDA. Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
LAPORAN PENELITIAN DOSEN MUDA Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah Oleh : Endah Sudarmilah, S.T, M.Eng Umi Fadlillah, S.T Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah
Lebih terperinciPENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS
PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS Disusun oleh: Juan Elisha Widyaya (0822014) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, no. 65, Bandung, Indonesia
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 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 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 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 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Gambaran Umum Manusia mempunyai kemampuan untuk belajar sejak dia dilahirkan, baik diajarkan maupun belajar sendiri, hal ini dikarenakan manusia mempunyai jaringan saraf.
Lebih terperinciPEMBIMBING : Dr. Cut Maisyarah Karyati, SKom, MM, DSER.
PROSES PENYARINGAN PENGOLAHAN CITRA DENGAN MENGGUNAKAN METODE GAUSSIAN, LOW PASS FILTERING DAN HIGH PASS FILTERING NAMA : DWI PUTRI ANGGRAINI NPM : 12112301 PEMBIMBING : Dr. Cut Maisyarah Karyati, SKom,
Lebih terperinciAPLIKASI ABSENSI KULIAH BERBASIS IDENTIFIKASI WAJAH MENGGUNAKAN METODE GABOR WAVELET
APLIKASI ABSENSI KULIAH BERBASIS IDENTIFIKASI WAJAH MENGGUNAKAN METODE GABOR WAVELET Agus Kurniawan, Akuwan Saleh, Nana Ramadijanti Jurusan Teknik Telekomunikasi, Politeknik Elektronika Negeri Surabaya,
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. Tahap & Hasil Langkah Penelitian Literatur & Referensi. Memahami konsep deteksi wajah
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini berisi tentang analisis dan perancangan terhadap permasalahan yang sedang diteliti seperti analisis kebutuhan data dan informasi serta teknik dan peralatan yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra
BAB 4 PEMROSESAN CITRA DAN IMPLEMENTASI 4.1. Pemrosesan Citra dan Rancangan Eksperimen untuk Fusi Citra Pada fusi data citra fluorescent hijau dan fluorescent merah penulis melakukan Pixel Level Fusion
Lebih terperinci