PENERAPAN PCA DAN K-NN UNTUK MENINGKATKAN NILAI AKURASI PENGENALAN WAJAH
|
|
- Suparman Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL INFORMATIKA HAMZANWADI Vol. 2 No. 1, Mei 2017, hal ISSN: PENERAPAN PCA DAN K-NN UNTUK MENINGKATKAN NILAI AKURASI PENGENALAN WAJAH Yahya 1, Indra Gunawan 2, Bambang Harianto 3 1,2,3 Universitas Hamzanwadi yahya@gmail.com Abstrak Proses pengenalan wajah membutuhkan algoritma dan metode yang tepat didalam meningkatkan daya jelajah dan tingkat akurasi dari suatu masalah yang diteliti. Peningkatan daya jelajah dan akurasi, disamping metode yang digunakan, dibutuhkan suatu algoritma atau langkah-langkah sistematis dalam proses penyelesaiannya. Pada kasus ini, dicoba untuk meningkatkan daya jelajah dengan meningkatkan nilai akurasi terhadap pengenalan wajah berdasarkan nilai jarak menggunakan kombinasi nearest neighbour classification dengan Principal Component Analysis, dimana hasil penelitian berdasarkan paper review tahun 2013 diketahui bahwa akurasi yang diperoleh menggunakan Principal Component Analysis dan K_nearest Neighbor menggunakan ORL Database mencapai %. Pada penelitian ini dilakukan peningkatan nilai akurasi penggunaan metode K_Nearest Neighbor dan Principal Component Analysis (PCA) berdasarkan perhitungan nilai jarak terdekat menggunakan dataset dari ORL Database. Kata kunci: Nearest Neighbor Clasification, Principal Component Analysis, Datasets, Accurasy, Euclidean Distance. PENDAHULUAN Banyak metode yang sudah dikembangkan oleh para peneliti seperti beberapa jenis teknologi biometrik antara lain : pengenalan wajah (face recognition), pengenalan suara (voice recognition) dan pengenalan tulisan tangan (handwriting recognition). Metode-metode pengenalan wajah untuk mengidentifikasi dan verifikasi wajah dapat dilakukan dengan beberapa cara, antara lain : metode Eigenface, metode Neural Networks, metode Fisherfaces, metode Elastic Bunch Graph Matching, metode Template matching, dan metode Geometrical feature matchi. Proses pengenalan wajah membutuhkan cara dan metode yang tepat didalam meningkatkan daya jelajah dan tingkat akurasi dari suatu masalah yang diteliti. Peningkatan daya jelajah dan akurasi, disamping metode yang digunakan, dibutuhkan suatu algoritma atau langkah-langkah sistematis dalam proses penyelesaiannya. Pada kasus ini, dicoba untuk meningkatkan daya jelajah dan akurasi pengenalan wajah menggunakan kombinasi KNN dengan Principal Component Analysis (PCA). Hal ini dilakukan karena adanya perbaikan dalam meningatkan akurasi menggunakan PCA dengan menggunakan nilai pendekatan Euclidean Distance, 81
2 Yahya, Indra Gunawan, Bambang Harianto dimana hasil penelitian sebelumnya berdasarkan paper review tahun 2013 adalah menghasilkan akurasi 90.50%[5] dengan menggunakan ORL database. Peningkatan akurasi pengenalan wajah dapat dilakukan dengan berbagai cara seperti peningkatan akurasi dengan memperhatikan nilai koefisien (k), peningkatan akurasi dengan memperhatikan nilai jarak terdekat. Peningkatan akurasi dengan menggunakan nilai jarak terdekat dapat dilakukan dengan banyak cara antara lain : Correlation, Euclidean Distance, Cosine, Cityblock, Mahalinobis, Mahalinobis Cosine, dll. Dalam penelitian ini, dilakukan peningkatan nilai akurasi pengenalan wajah menggunakan kombinasi PCA + K_NN berdasarkan nilai jarak terdekat menggunakan metode Euclidean Distance untuk mendapatkan nilai akurasi yang lebih tinggi dari 90.50%. Riset atau penelitian merupakan sebuah aktifitas yang terstruktur, membutuhkan pemikiran yang sistematis untuk memecahkan suatu masalah, memperbaiki algoritma atau metode penyelesaian dari berbagai macam kasus, mengembangkan hasil yang sudah ada untuk terus melakukan perbaikan. Riset atau penelitian tidak mutlak mengukur kuantitas penelitian, namun lebih menekankan pada sejauh mana kontribusi yang telah dan bisa dilakukan dalam meningkatkan perbaikan. Besar kecilnya hasil riset atau penelitian tergantung pada penggunaan algoritma atau metode, ketepatan dalam pengambilan keputusan (metode atau algoritma) dan ke-akuratan data yang digunakan. Semakin banyak data yang digunakan dan dijadikan sebagai dasar dalam melakukan penelitian, maka semakin baik hasil riset yang akan didapatkan [11]. Pada dasarnya, penelitian itu muncul karena manusia selalu ingin tahu sehingga bisa mendorongnya untuk bertanya dan juga mencari jawaban dari pertanyaan tersebut. Penelitian sering diidentikkan dengan beberapa hal antara lain: proses pengumpulan informasi dan pengumpulan data, kajian dokumentasi, studi pustaka, perubahan produk, perubahan metode atau cara, perubahan algoritma, pengembangan metode, dan lain sebagainya. Dari beberapa konsep di atas, maka ditarik definisi riset atau penelitian adalah : - Penelitian merupakan suatu proses yang dilakukan secara sistematis dengan cara melakukan pengumpulan data, pengolahan data dan melakukan analisis terhadap data. - Penelitian merupakan suatu proses ilmiah yang didalamnnya mencakup sifat intensif dan formal yang disebabkan karena adanya ikatan terkait dengan urutan, aturan dan cara 82
3 PENERAPAN PCA DAN K-NN UNTUK MENINGKATKAN NILAI AKURASI PENGENALAN WAJAH penyajian supaya menghasilkan sesuatu yang baik untuk kemajuan ilmu pengetahuan dalam upaya meningkatkan kehidupan. Pengenalan wajah (Face Recognition) telah menjadi wilayah penelitian yang populer. Dalam penelitian pengenalan wajah menggunakan visi komputer (Computer Vision) dan merupakan salah satu aplikasi yang paling sukses dari analisis gambar dan pengertian. Karena masalah face recognition ini, maka tidak hanya peneliti dari disiplin ilmu komputer saja yang tertarik didalamnya, akan tetapi ahli saraf dan psikolog pada akhirnya melalukan penelitian yang sama sehingga memberikan warna yang sangat bervariasi [12]. Penelitian dalam face recognition, dapat diarahkan pada beberapa bagian antara lain : - Pengakuan dari gambar wajah luar ruangan. - Pengakuan dari gambar wajah non-frontal. - Memahami mengapa laki-laki lebih mudah untuk mengenali daripada perempuan. - Pemahaman yang lebih besar dari efek faktor demografi terhadap kinerja. - Pengembangan metode statistik yang lebih baik untuk memahami kinerja. - Mengembangkan model yang lebih baik untuk memprediksi kinerja identifikasi pada galeri yang sangat besar. - Pengaruh algoritma dan sistem pelatihan terhadap kinerja kovariat. - Integrasi model morphable menjadi kinerja pengenalan wajah. Kerangka Pemikiran 83
4 Yahya, Indra Gunawan, Bambang Harianto METODE PENELITIAN Tahapan-tahapan Penelitian Penelitian yang dilakukan merupakan penelitian eksperimen dengan menggunakan tahapan-tahapan penelitian : Studi Literatur (Studi literatur digunakan untuk mendapatkan pengetahuan tentang pengolahan citra diantaranya pre-procecing, ektrasi fitur dan klasifikasi atau identifikasi dan mendapatkan informasi-informasi penelitian sebelumnya tentang pengenalan wajah yang sudah dilakukan). Design Penelitian (Design penelitian merupakan bagian dari proses jalannya penelitian yang akan dilakukan dalam pengembangan system). Tahapan-tahapan rangkaian design penelitian yang akan dilakukan sebagai berikut : 1) Pengumpulan Data (Pada bagian pengumpulan data, dijelaskan tentang bagaimana data penelitian diperoleh, darimana data diperoleh dalam penelitian ini, jenis data yang digunakan apakah data primer dan data sekunder. Data primer adalah data yang diperoleh melalui pengamatan langsung atau hasil penelitian terhadap studi objek sedangkan data sekunder adalah data yang diperoleh dari pihak lain atau instansi terkait, dengan kata lain menggunakan data yang telah ada. Database yang digunakan terbagi menjadi 40 bagian dengan masing-masing bagian terdiri dari 10 gambar sehingga jumlah keseluruhan gambar adalah 400 gambar). 2) Pengolahan awal data (Pada bagian ini, data yang telah diperoleh dari berbagai sumber ataupun data yang diproleh dari satu sumber, akan dibagi menjadi beberapa kelompok, tiap kelompok terdiri dari 10 data dengan 10 posisi yang berbeda. Untuk memudahkan membaca data yang digunakan, maka seluruh data yang berupa gambar dibuat dalam bentuk.pgm. Tiap-tiap bagian dibagi menjadi 2 bagian yaitu sebagai data training dan sebagian lagi menjadi data testing, dengan komposisi: 30% sebagai data training dan 70% data testing, 40% data training dan 60% sebagai data testing, 50% data training dan 50% data testing, 60% sebagai data training dan 40% sebagai data testing). 3) Penentuan metode yang digunakan (Metode yang digunakan untuk mengolah data yang diperoleh dari data publik yang diaktegorikan sebagai data sekunder adalah metode Klasifikasi Nearest Neighbor dan Principal Component Analysis. Klasifikasi Nearest Neighbor dalam penentuan komponen terdekat dapat dilakukan dengan menggunakan berbagai cara antara lain : CityBlock, Correlation, Covariance, Mahalinobis CityBlock, Mahalinobis Euclidean, Hellinger, Canberra, Czekanowski, Euclidean Distance dan Mahalinobis Cosine). 84
5 PENERAPAN PCA DAN K-NN UNTUK MENINGKATKAN NILAI AKURASI PENGENALAN WAJAH 4) Eksperimen dan Pengujian Metode (Eksperimen dan pengujian metode dilakukan beberapa kali dan mengacu pada pengolahan awal data. Eksperimen dilakukan sebanyak 4 kali dan penelitian ini, penulis menfokuskan perhitungan jarak terdekat dengan menggunakan satu cara yaitu : EUC(Euclidean Distance). Hasil eksperimen dijadikan sebagai bahan dalam melakukan analisa dan pembahasan. Pengumpulan Data Kegiatan dalam penelitian tidak akan terlepas dari keberadaan data yang merupakan bahan baku informasi untuk memberikan gambaran spesifik mengenai obyek penelitian. Data adalah fakta empirik yang dikumpulkan oleh peneliti untuk kepentingan memecahkan masalah atau menjawab pertanyaan penelitian. Data penelitian dapat berasal dari berbagai sumber yang dikumpulkan dengan menggunakan berbagai teknik selama kegiatan penelitian berlangsung. Proses pengumpulan data dan informasi merupakan tahap awal dari penelitian yang dilakukan. Suatu penelitian tidak akan bisa dilakukan apabila data yang digunakan tidak sempurna. Data yang digunakan dalam penelitian ini adalah data sekunder yaitu data yang diperoleh atau dikumpulkan peneliti dari berbagai sumber yang telah ada (peneliti sebagai tangan kedua). Data sekunder dapat diperoleh dari berbagai sumber seperti Biro Pusat Statistik (BPS), buku, laporan, jurnal, dan lain-lain. Penelitian ini menggunakan data publik yang dapat diakses oleh siapapun yang ingin melakukan penelitian. Data yang digunakan diambil dari ORL Database. Dataset yang diambil dari ORL Database terdiri dari 40 kelompok gambar wajah, tiap kelompok terbagi menjadi 10 gambar wajah dengan berbagai posisi, sehingga diperoleh gambar wajah yang digunakan sebanyak 400 gambar yang digunakan untuk melakukan penelitian. Keseluruhan gambar wajah ini, akan dibagi menjadi data training dan data testing sesuai dengan komposisi yang telah ditetapkan dan akan digunakan dalam proses pengolahan data [18]. Metode yang diusulkan Metode yang akan diusulkan dalam penelitian ini menggunakan metode PCA (Principal Component Analysis) untuk proses ekstrak fitur dan metode klasifikasi K-NN yang digunakan untuk melakukan proses klasifikasi data sehingga diperoleh nilai akurasi yang diinginkan. 85
6 Yahya, Indra Gunawan, Bambang Harianto Metode pengukuran ini bertujuan untuk menentukan tingkat akurasi dalam proses pengenalan wajah yaitu melalui proses ekstraksi gambar dengan Principal Component Analysis sampai dengan proses klasifikasi menggunakan K_Nearest Neighbor menggunakan tahapan-tahapan sebagai berikut: 1) Data gambar wajah diambil dari Olivetti Research Laboratorium (ORL) Database. 2) Wajah diambil dengan beberapa variasi yang terdiri dari seluruh training image. Dataset wajah yang digunakan terdiri dari 40 kelompok gambar wajah dengan masing-masing 10 variasi. 3) Proses preprocessing bertujuan merubah RGB to Grey (merubah data gambar ke bentuk keabuan). 4) Lakukan proses crooping (pemotongan) yang bertujuan untuk memotong bagian-bagian gambar/latar/background jika ada gambar yang tidak diperlukan. 5) /Melakukan partisi dataset baik ORL database, dengan cara membagi data menjadi dua yaitu data trainning dan data testing. Pada penelitian ini penentuan tingkat akurasi pengenalan. 6) Melakukan ekstraksi gambar wajah dengan algoritma PCA. Tools yang digunakan Proses pengolahan gambar untuk mendapat data numeric pada penelitian ini, menggunakan program Mathlab. Untuk mengekstraksi gambar menggunakan kombinasi PCA + K_NN yang sudah disediakan pada toolbox. Toolbox yang dipakai dalam penelitian ini menggunakan PhD Toolbox dari Vitomir Struc tahun 2012, dimana toolbox ini hanya digunakan untuk membantu mendapat data antara matrik yang satu dengan yang lain, dengan komposisi PCA+K_NN+Euc. HASIL PENELITIAN DAN PEMBAHASAN Hasil Pengujian Metode yang digunakan dalam dalam penelitian terhadap pengujian data menggunakan metode PCA untuk ekstraksi fitur dan metode K_Nearest Neighbor (KNN) menggunakan Euclidean Distance sebagai klasifikasi pada ORL database untuk mencari nilai kedekatan fitur training dan testing. 86
7 PENERAPAN PCA DAN K-NN UNTUK MENINGKATKAN NILAI AKURASI PENGENALAN WAJAH 1) Menggunakan 30% data training dan 70% data testing. Pengujian yang dilakukan dengan menggunakan 30% yang dijadikan sebagai data training (120 gambar) dan 70% (280 gambar) yang dijadikan sebagai data testing dari 400 gambar yang dijadikan datasets, memperoleh hasil 85.36%. 2) Menggunakan 40% data training dan 60% data testing. Pengujian yang dilakukan dengan menggunakan 40% yang dijadikan sebagai data training (160 gambar) dan 60% (240 gambar) yang dijadikan sebagai data testing dari 400 gambar yang dijadikan datasets, memperoleh hasil 88.33%. 3) Menggunakan 50% data training dan 50% data testing. Pengujian yang dilakukan dengan menggunakan 50% yang dijadikan sebagai data training (200 gambar) dan 50% (200 gambar) yang dijadikan sebagai data testing dari 400 gambar yang dijadikan datasets, memperoleh hasil 91.00%. 4) Menggunakan 60% data training dan 40% data testing. Pengujian yang dilakukan dengan menggunakan 60% yang dijadikan sebagai data training (240 gambar) dan 40% (160 gambar) yang dijadikan sebagai data testing dari 400 gambar yang dijadikan datasets, memperoleh hasil 95.63%. a. Rekapitulasi akurasi hasil pengujian ORL Database Jenis Percobaan Tingkat Akurasi yang diperoleh PCA+KNN+ Euc 3 image trainning, 7 image test 85.36% 4 image trainning, 6 image test 88.33% 5 image trainning, 5 image test 91.00% 6 image trainning, 4 image test 95.63% b. Pembahasan Dari data hasil pengujian yang dilakukan terhadap 2 kelompok pengujian dengan melakukan 4 kali percobaan, dapat dilakukan beberapa analisa terhadap hasil yang diperoleh. Analisa yang dilakukan terhadap beberapa hal antara lain : hasil pengujian data menggunakan ORL Database. Hasil pengujian dengan mengambil input dataset dari ORL Database, memberikan beberapa gambaran : 87
8 Yahya, Indra Gunawan, Bambang Harianto 1) Pengujian yang dilakukan dengan menggunakan algoritman PCA + KNN + Euc diperoleh hasil sebagai berikut : 3 images data training dan 7 images data testing menghasilkan akurasi sebesar 85.36%, 4 images data training dan 6 images data testing menghasilkan 88.33%, 5 images data training dan 5 images data testing menghasilkan 91.00%, 6 images data training dan 3 images data testing menghasilkan 95.63%. 2) Semakin besar dataset yang dijadikan sebagai data training, maka data testing akan berkurang. Apabila data training semakin diperbanyak, maka nilai akurasi cenderung akan semakin besar. Hal ini dibuktikan dengan nilai akurasi yang diperoleh. Dari hasil pengujian menggunakan ORL dataset, maka dapat disimpulkan bahwa nilai akurasi tertinggi dihasilkan oleh kombinasi algoritma PCA + KNN + Euc dengan 60% data training sebesar 95.63%. KESIMPULAN Dari hasil pengolahan datasets berupa gambar menggunakan KNN dan PCA, dapat ditarik beberapa kesimpulan antara lain : 1) Semakin banyak dataset yang digunakan sebagai data training, maka nilai akurasi yang dihasilkan cenderung semakin besar. 2) Tingkat akurasi yang dihasilkan dalam penelitian menggunakan Principal Component Analysis yang dikombinasikan KNN + Euc dengan mencapai 95.63%. 3) Penggunaan PhD Toolbox, untuk menghitung tingkat akurasi belum bisa dipecahkan oleh peneliti kasus ini, namun hanya berfungsi sebagai alat untuk melakukan ekstraksi dalam usaha menemukan nilai terdekat berdasarkan metode jarak yang ditentukan. Saran Mengingat tingkat akurasi tertinggi yang peroleh menggunakan metode PCA + KNN dengan metode hitung jarak terdekat mencapai 95.63%, maka disarankan : a. Penggunaan algoritma PCA + KNN + Euc, dapat digunakan untuk aplikasi pengenalan wajah. b. Pengenalan wajah (face recognition), masih mempunyai titik lemah apabila menggunakan kombinasi algoritma yang digunakan dalam penelitian ini, sehingga perlu peningkatan performance yang lebih baik dengan menggunakan komponen-komponen, metode-metode dan algoritma yang lain. 88
9 PENERAPAN PCA DAN K-NN UNTUK MENINGKATKAN NILAI AKURASI PENGENALAN WAJAH c. Penggunaan PhD Toolbox yang direkomendasikan oleh Vitonir Struc, dapat digunakan untuk mendapatkan nilai ekstraksi gambar agar perhitungan nilai jarak terdekat dapat dilakukan, untuk mendapatkan nilai akurasi perlu adanya kajian yang lebih mendalam, karena peneliti dalam hal ini tidak mendapatkan solusi yang sesuai dengan yang diharapkan. DAFTAR PUSTAKA [1] F. T. Ui, Sistem pengenalan..., Sepritahara, FT UI, 2012, [2] Cohen, Moris R., and Ernest Nagel An Introduction to Logic and Scientific Method. New york: Harcourt, p. 1939, [3] S. Bayu, A. Hendriawan, and R. Susetyoko, Penerapan Face Recognition Dengan Metode Eigenface Dalam Intelligent Home Security. [4] D. A. N. Jaringan, S. Tiruan, H. Zayuman, I. Santoso, and R. R. Isnanto, yaitu vektor eigen dari matriks ( X * X t ) dengan menggunakan vektor eigen dari matriks ( X t * X ), pp [5] O. Camps and S. Narasimhan, PCA-based Object Recognition. [6] F. Damayanti, A. Z. Arifin, and R. Soelaiman, PENGENALAN CITRA WAJAH MENGGUNAKAN METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT, vol. 5, no. 3, pp , [7] C. Digital and L. Belakang, Pengenalan wajah menggunakan analisis komponen utama (, pp [8] W. Zhao and A. Rosenfeld, Face Recognition : A Literature Survey AND, vol. 35, no. 4, pp , [9] E. Pca, Sistem Pengenalan Wajah Secara Real-Time, vol. 7, no. 2, pp , [10] Y. Zana, R. M. Cesar-Jr, R. Feris, and M. Turk, Local approach for face verification in polar frequency domain, Image Vis. Comput., vol. 24, no. 8, pp , Aug [11] N. Krisandi, B. Prihandono, and N. Bayes, ALGORITMA k - NEAREST NEIGHBOR DALAM KLASIFIKASI DATA HASIL PRODUKSI KELAPA SAWIT PADA PT. MINAMAS, vol. 02, no. 1, pp , [12] T. Basics, P. C. Analysis, V. R. Procedure, A. Illustration, V. Redundancy, P. Component, O. Solutions, N. F. Analysis, P. O. Inventory, M. Instrument, M. Adequate, S. Size, S. A. S. Program, T. Data, T. P. Factor, P. Factor, T. Var, C. Principal, C. Analysis, I. Extraction, F. Solution, R. Solution, C. F. Scores, F. Scores, and F. Description, Introduction : The Basics of Principal Component Analysis, pp [13] M. S. El-bashir and I. Technology, Face Recognition Using Multi-Classifier, vol. 6, no. 45, pp , [14] D. Pandit, K. S. Vishwavidyalaya, and A. Mathematics, Different distance based PCA + LDA fusion Technique for Face recognition, pp [15] M. A. Kashem, N. Akhter, S. Ahmed, M. Alam, and I. Ntroduction, Face Recognition System Based on Principal Component Analysis ( PCA ) with Back Propagation Neural Networks ( BPNN ), vol. 2, no. 6, pp. 1 10, [16] P. Miller and J. Lyle, The Effect of Distance Measures on the Recognition Rates of PCA and LDA Based Facial Recognition Digitial Image Processing. 89
10 Yahya, Indra Gunawan, Bambang Harianto [17] R. Beveridge, D. Bolme, M. Teixeira, and B. Draper, The CSU Face Identification Evaluation System User s Guide : Version 5. 0, pp. 1 29, [18] B. A. B. Iii, Bab iii metodologi penelitian 3.1., pp [19] K. Kepemilikan and K. Bemotor, Penerapan algoritma k-nearest neighbor untuk penentuan resiko kredit kepemilikan kendaraan bemotor, vol. 1, no. 1, pp ,
BAB 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 terperinciEKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH. Oleh: Kholistianingsih
EKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH Oleh: Kholistianingsih Abstract Face recognition is a non-contact biometric identification that tries to verify individuals automatically based
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
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 I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
Lebih terperinciBAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap metode Independent Component Analysis (ICA) dan Principal Component Analysis (PCA). Fokus utama penelitian
Lebih 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 terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciBAB 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
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 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 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 terperinciPengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP : Kelas :2D4 IT(B)
Pengolahan Citra untuk Bidang Pertanian(Menentukan Kematangan Buah) Oleh Nama:Wahyu Abid A. NRP :2110151042 Kelas :2D4 IT(B) Latar Belakang Buah pisang dan alpukat sangatlah familiar dengan warga asia,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Seiring dengan perkembangan zaman yang secara tidak disadari diikuti oleh perkembangan teknologi sangat banyak memberi pengaruh terhadap perkembangan ilmu
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 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 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 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi informasi, kemajuan di bidang pengembangan aplikasi sedang mendapatkan perhatian penting bagi perkembangan teknologi informasi.
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 terperinciBAB I PENDAHULUAN. Sistem biometrik merupakan penerapan teknologi yang mempelajari
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrik merupakan penerapan teknologi yang mempelajari karakteristik biologi yang menjadi keunikan tersendiri pada manusia. Salah satu bagian sistem biometrik
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh. NamaMhs NIM: XX.YY.ZZZ. Kepada
SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (PROPOSAL SKRIPSI) diajukan oleh NamaMhs NIM: XX.YY.ZZZ Kepada JURUSAN TEKNIK INFORMATIKA STMIK STIKOM BALIKPAPAN LEMBAR PERSETUJUAN Proposal Skripsi
Lebih terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinci1. PENDAHULUAN. 1.1 Latar Belakang. 1.2 Perumusan masalah
1. PENDAHULUAN 1.1 Latar Belakang Formulir C1 Komisi Pemilihan Umum (KPU) merupakan dokumen hasil perolehan suara pemilu di setiap Tempat Pemungutan Suara (TPS). Formulir C1 kemudian dikumpulkan dan dilakukan
Lebih terperinciAPLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR
APLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR Mika Tandililing Program Studi Teknik Komputer, STMIK Profesional ladabarra@gmail.com
Lebih terperinciJURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS)
JURNAL SISTEM IDENTIFIKASI CITRA TANDA TANGA MENGGUNAKAN METODE 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) SIGNATURE RECOGNITION USING 2D-PCA (TWO DIMENSIONAL PRINCIPAL COMPONENT ANALISYS) Oleh:
Lebih terperinci1. Pendahuluan. 1.1 Latar belakang
1. Pendahuluan 1.1 Latar belakang Keamanan data pribadi merupakan salah satu hal terpenting bagi setiap orang yang hidup di era dimana Teknologi Informasi (TI) berkembang dengan sangat pesat. Setiap orang
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS
ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS Fetty Tri Anggraeny, Wahyu J.S Saputra Jurusan Teknik Informatika, Universitas
Lebih terperinciSISTEM KONTROL AKSES BERBASIS REAL TIME FACE RECOGNITION DAN GENDER INFORMATION
SISTEM KONTROL AKSES BERBASIS REAL TIME FACE RECOGNITION DAN GENDER INFORMATION Putri Nurmala 1 ; Wikaria Gazali 2 ; Widodo Budiharto 3 1, 2 Mathematics and Statistics Department, School of Computer Science,
Lebih terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih terperinciBAB 1 PENDAHULUAN. termasuk dalam bidang Computer Vision. Computer Vision membuat komputer
BAB 1 PENDAHULUAN 1.1. Latar Belakang Perkembangan teknologi komputer pada dewasa ini telah mengalami kemajuan, termasuk dalam bidang Computer Vision. Computer Vision membuat komputer dapat melihat dan
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih 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 terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS)
PENGENALAN WAJAH DENGAN MENGGUNAKAN NLDA (NULL-SPACE LINEAR DISCRIMINANT ANALYSIS) Disusun oleh : Yudi Setiawan (0722095) Jurusan Teknik Elektro, Fakultas Teknik, Jl. Prof. Drg. Suria Sumantri, MPH, No.
Lebih terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciSISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR. Febrian Ardiyanto NIM :
SISTEM PENGENALAN WAJAH BERBASIS METODA FISHERFACE TUGAS AKHIR Oleh Febrian Ardiyanto NIM : 13203137 PROGRAM STUDI TEKNIK ELEKTRO SEKOLAH TEKNIK ELEKTRO DAN INFORMATIKA INSTITUT TEKNOLOGI BANDUNG 2007
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciPENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS
PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE DISCRIMINATIVE LOCAL DIFFERENCE PATTERNS Widyawan Tarigan NRP : 0222062 email : widyawan_tarigan@yahoo.com ABSTRAK Pada sistem pengenalan wajah, merancang deskriptor
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Data mining adalah proses mengeksplorasi dan menganalisis data dalam jumlah besar untuk menemukan pola dan rule yang berarti (Berry & Linoff, 2004). Klasifikasi adalah
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS. Skripsi
PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS Skripsi Di susun oleh : M. RIDHO MAJIDI (0934010056) PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVESITAS PEMBANGUNAN
Lebih terperinciPengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Setiap manusia diciptakan dengan bentuk fisik dan rupa yang berbeda sehingga manusia tersebut dapat dibedakan satu dengan yang lainnya. Pada teknologi informasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menjelaskan mengenai Latar Belakang, Identifikasi Masalah, Tujuan Tugas Akhir, Lingkup Tugas Akhir, Metodologi Tugas Akhir dan Sistematika Penulisan Tugas Akhir. 1.1 Latar Belakang
Lebih terperinciPengenalan Wajah Menggunakan Two Dimensional Linier Discriminant Analysis Berbasis Feature Fussion Strategy
Pengenalan Wajah Menggunakan Two Dimensional Linier Discriminant Analysis Berbasis Feature Fussion Strategy Benny Afandi Institut Teknologi Sepuluh Nopember Surabaya b2nafandi@gmail.com Sahmanbanta Sinulingga
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Artificial Intelligence Artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
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 Metode Linear Discriminant Analysis dan k Nearest Neighbor
Pengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor Fandiansyah 1, Jayanti Yusmah Sari 2, Ika Purwanti Ningrum 3, Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciPROTOTIPE SISTEM PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN METODE CBIR
PROTOTIPE SISTEM PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN METODE CBIR Irawan Program Studi Teknik Informatika, STIKOM Dinamika Bangsa, Jambi Jl. Jendral Sudirman Thehok - Jambi E-mail: irawanirend@stikom-db.ac.id
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 terperinciIMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT
IMPLEMENTASI K-NEAREST NEIGHBOR UNTUK MENGENALI POLA CITRA DALAM MENDETEKSI PENYAKIT KULIT Sebastian Rori Listyanto Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro
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 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 1 PENDAHULUAN. Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai
BAB 1 PENDAHULUAN 1.1 Latar Belakang Manusia memiliki insting untuk berinteraksi satu sama lain demi mencapai suatu tujuan, dan dalam interaksi itu, mengintepretasi kondisi emosional menjadi penting dalam
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih terperinciIMPLEMENTASI TRANSFORMASI HAAR WAVELET UNTUK DETEKSI CITRA JERUK NIPIS YANG BUSUK
IMPLEMENTASI TRANSFORMASI HAAR WAVELET UNTUK DETEKSI CITRA JERUK NIPIS YANG BUSUK Lidya Andriani Sunjoyo 1 R. Gunawan Santosa 2 Kristian Adi Nugraha 3 lidya.andriani@ti.ukdw.ac.id gunawan@staff.ukdw.ac.id
Lebih terperinciESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH
ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH Akhyar 1*, Risanuri Hidayat 1, Bimo Sunarfri Hantono 1 1 Department of Electrical Engineering and Information Technology, Universitas Gadjah Mada *
Lebih terperinciBAB II TINJAUAN PUSTAKA
2.1 Tinjauan Empiris BAB II TINJAUAN PUSTAKA Pada penelitian ini, peneliti menggunakan beberapa penelitian yang pernah dilakukan sebelumnya sebagai tinjauan studi. Berikut ialah tinjauan empiris yang digunakan:
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Artificial Intelligence Artificial intelligence menurut U.S. National Library of Medicine adalah ilmu dan implementasi teknik dan metode untuk merancang sistem komputer yang dapat
Lebih terperinciIdentifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur
Identifikasi Tanda Tangan Dengan Ciri Fraktal dan Perhitungan Jarak Euclidean pada Fakultas Teknologi Informasi Universitas Budi Luhur Cahya Hijriansyah 1, Achmad Solichin 2 1,2 Program Studi Teknik Informatika
Lebih terperinciImplementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)
46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini, pencemaran lingkungan sangat memprihatinkan, hal ini membuat balita sangat rentan terhadap serangan penyakit, terutama penyakit pencernaan. Salah satu penyakit
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 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 terperinciSISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE
SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE Agus Budi Dharmawan 1), Lina 2) 1), 2) Teknik Informatika FTI - UNTARJakarta Jl S. Parman No.1, Jakarta 11440
Lebih 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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap instansi, terutama instansi pendidikan tinggi yang memiliki kegiatan secara rutin setiap harinya selalu mengadakan proses pendidikan dengan cara melakukan tatap
Lebih terperinciKlasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor
Klasifikasi Mutu Telur Berdasarkan Kebersihan Kerabang Telur Menggunakan K-Nearest Neighbor Puspa Rizky Trisnaningtyas 1, Maimunah 2 Program Studi Teknik Komputer Universitas Islam 45 Bekasi, Indonesia
Lebih terperinciElisabeth Patricia Chandra 1, Astri Novianty 2, Agung Nugroho Jati 3. Abstrak
IMPLEMENTASI ALGORITMA PRINCIPAL COMPONENT ANALYSIS PADA SISTEM KEAMANAN PARKIR BERBASIS RASPBERRY PI PRINCIPAL COMPONENT ANALYSIS ALGORITHM IMPLEMENTATION IN PARKING SECURITY SYSTEM BASED RASPBERRY PI
Lebih terperinciPROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA)
PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA) Jemmy E.Purwanto Jemmy.e.Purwanto@Gmail.com Pembimbing I :
Lebih terperinciBAB 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 III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem
21 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem pengenalan wajah ini yaitu input, proses dan output. Dengan input bahan penelitian
Lebih terperinciJURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI
JURNAL TEODOLITA VOL. 14 NO. 1, Juni 2013 ISSN 1411-1586 DAFTAR ISI Perpaduan Arsitektur Jawa dan Sunda Pada Permukiman Bonokeling Di Banyumas, Jawa Tengah...1-15 Wita Widyandini, Atik Suprapti, R. Siti
Lebih terperinciIdentifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Shorea Leaves Identification using KNN with 2DPCA Feature Extraction
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 19-27 ISSN: 2089-6026 Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA Shorea Leaves Identification
Lebih terperinciBAB I PENDAHULUAN. Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem penglihatan manusia memiliki akurasi yang besar dalam mengenali objek 3 dimensi. Sistem penglihatan manusia dapat membedakan berbagai macam objek 3 dimensi
Lebih terperinciKombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah
Kombinasi KPCA dan Euclidean Distance untuk Pengenalan Citra Wajah Rima Tri Wahyuningrum 1,2 Prodi Teknik Informatika, Fakultas Teknik, Universitas Trunojoyo Jl. Raya Telang, PO BOX 2 Kamal, Bangkalan
Lebih terperinciKOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION
KOMPRESI DAN PENGENALAN CITRA WAJAH DENGAN PENDEKATAN NON-NEGATIVE MATRIX FACTORIZATION Christianto Mewlando Binus University, Jakarta, DKI Jakarta, Indonesia Fictor Benny Kurniawan Usodo Binus University,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih
Lebih terperinciBAB V KESIMPULAN. Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces
BAB V KESIMPULAN Berdasarkan uji coba dan analisis hasil pengujian terhadap Sistem Pengenalan Wajah pada Subruang Orthogonal dengan Menggunakan Laplacianfaces Terdekomposisi QR dapat disimpulkan sebagai
Lebih terperinciSistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa Menggunakan Metode PCA Dan DTW
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan makanan pokok penduduk dunia salah satunya Indonesia sebagai Negara dengan tingkat konsumsi beras mencapai 139 kilogram perkapita per tahun dan menjadikan
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 terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE
PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE Nunu Kustian Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: kustiannunu@gmail.com Abstrak
Lebih terperinciBAB 1 PENDAHULUAN. sistem analog menjadi sistem komputerisasi. Salah satunya adalah sistem
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Perkembangan teknologi digital pada era ini berkembang sangat pesat. Hampir setiap tahun telah ditemukan ataupun dikembangkan sebuah inovasi teknologi baru.
Lebih terperinciKLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER
KLASIFIKASI KAYU DENGAN MENGGUNAKAN NAÏVE BAYES-CLASSIFIER ACHMAD FAHRUROZI 1 1 Universitas Gunadarma, achmad.fahrurozi12@gmail.com Abstrak Masalah yang akan diangkat dalam makalah ini adalah bagaimana
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi senantiasa membawa dampak secara langsung maupun tidak langsung, baik itu berdampak positif maupun negatif dan akan sangat berpengaruh terhadap
Lebih terperinciPENGOLAHAN CITRA DIGITAL UNTUK MENGKLASIFIKASI GOLONGAN KENDARAAN DENGAN METODE PARAMETER DASAR GEOMETRIK
ISSN : 2355-9365 e-proceeding of Engineering : Vol.4, No.1 April 2017 Page 115 PENGOLAHAN CITRA DIGITAL UNTUK MENGKLASIFIKASI GOLONGAN KENDARAAN DENGAN METODE PARAMETER DASAR GEOMETRIK (IMAGE PROCESSING
Lebih terperinciISSN : e-proceeding of Engineering : Vol.5, No.1 Maret 2018 Page 578
ISSN : - e-proceeding of Engineering : Vol., No. Maret 2 Page 7 KLASIFIKASI KANKER USUS BESAR MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Classification of Colon Cancer Using K-Nearesr Neighbor (K-NN)
Lebih terperinciANALISA DETEKSI KELOMPOK USIA DAN GENDER BERDASARKAN KONTUR WAJAH DENGAN PENGOLAHAN CITRA DIGITAL
Powered by TCPDF (www.tcpdf.org) WAJAH DENGAN PENGOLAHAN CITRA DIGITAL Marlina Novalinda Br Purba¹, Achmad Rizal², Suryo Adhi Wibowo³ ¹Teknik Telekomunikasi,, Universitas Telkom Abstrak Teknologi pengolahan
Lebih terperinciPERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB)
JIMT Vol. 12 No. 2 Desember 2016 (Hal 115-124) ISSN : 2450 766X PERBANDINGAN ANALISIS DISKRIMINAN DAN K-NEAREST NEIGHBOR (KNN) UNTUK MENGKLASIFIKASIKAN PENDERITA PENYAKIT TUBERKULOSIS (TB) Nurfajri 1,
Lebih terperinciPengenalan Wajah Wanita Berkerudung Menggunakan Metode 2DPCA dan K-Nearest Neighbor
1 Pengenalan Wajah Wanita Berkerudung Menggunakan Metode 2DPCA dan K-Nearest Neighbor Endra Budi Utomo Program Studi Teknik Informatika - S1, Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang
Lebih terperinciPERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR
PERBANDINGAN ANALISIS PENGENALAN HURUF ARAB MENGGUNAKAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN K-NEAREST NEIGHBOR Ragil Anggararingrum Perwira Nagara¹, Adiwijaya², Ratri Dwi Atmaja³ ¹Teknik
Lebih terperinci