BAB 4 HASIL DAN PEMBAHASAN
|
|
- Adi Widjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 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 Android. Pengujian ini dilakukan dengan menggunakan smartphone Android dan perangkat lunak dengan spesifikasi pada tabel 4.1 dan 4.2. Selain itu pengujian dilakukan pada ruangan yang memiliki cahaya yang memadai. Tabel 4.1 Spesifikasi Smartphone Android yang Digunakan Type Samsung I9300 Galaxy S III Operating System Android OS, v 4.1 (Jelly Bean) Processor Quad-core 1.4 GHz Cortex-A9 RAM 1 GB Front Camera 1.9 MP, 720p@30fps Resolution 720 x 1280 pixels, 4.8 inches (~306 ppi pixel density) Storage 5 MB Tabel 4.2 Spesifikasi Perangkat Lunak yang Digunakan Library OpenCV Tools Development Android NDK, Android SDK IDE Eclipse Helios Face Detection Pada tahap ini, pendeteksian wajah dilakukan dengan menggunakan algoritma Viola Jones. Algoritma Viola Jones membutuhkan sebuah classifier yang berfungsi untuk melakukan pendeteksian terhadap sebuah objek. Classifier menggunakan data yang disimpan pada file XML untuk memutuskan bagaimana mengklasifikasi setiap lokasi gambar. Terdapat 5 cascade classifier yang akan diuji dalam
2 69 pendeteksian wajah tampak depan. Dari kelima classifier ini akan dipilih sebuah classifier yang paling optimal untuk digunakan dalam penelitian ini. Kelima classifier yang akan digunakan untuk mendeteksi wajah tampak depan ialah classifier haarcascade_frontalface_alt_tree, harrcascade_frontalface_alt, haarcascade_frontalface_alt2, haarcascade_frontalface_default dan lbpcascade_frontalface. Diharapkan dari pengujian ini akan didapatkan sebuah classifier yang memiliki tingkat fps (frame per second) yang cukup tinggi serta tingkat akurasi pendeteksian wajah yang baik untuk digunakan dalam smartphone Android. Untuk kode aplikasi yang digunakan, dapat dilihat pada lampiran L5.
3 70 Hasil dari pengujian algoritma Viola-Jones sebagai berikut: 1. Haarcascade_frontalface_alt_tree Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan menggunakan classifier haarcascade_frontalface_alt_tree. Gambar 4.1. Pendeteksian wajah dengan classifier haarcascade_frontalface_alt_tree Berdasarkan gambar 4.1, ketika terdapat wajah pada kamera, maka akan muncul pesan Face Detected: haarcascade_frontalface_alt_tree.xml. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan Face Not Detected using haarcascade_frontalface_alt_tree.xml. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.3. Tabel 4.3 Hasil Pendeteksian Wajah dengan Classifier Haarcascade_frontalface_alt_tree Total wajah yang ditampilkan 54 wajah Total wajah yang terdeteksi 52 wajah Total wajah yang tidak terdeteksi 2 wajah Range FPS yang dihasilkan ~ 2-3 fps Tingkat akurasi x 100% = %
4 71 2. Haarcascade_frontalface_alt Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier haarcascade_frontalface_alt. Gambar 4.2. Pendeteksian wajah dengan classifier haarcascade_frontalface_alt Berdasarkan gambar 4.2, ketika terdapat wajah pada kamera, maka akan muncul pesan Face Detected: haarcascade_frontalface_alt. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan Face Not Detected using haarcascade_frontalface_alt. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.4. Tabel 4.4 Hasil Pendeteksian Wajah dengan Classifier Haarcascade_frontalface_alt Total wajah yang ditampilkan 54 wajah Total wajah yang terdeteksi 52 wajah Total wajah yang tidak terdeteksi 2 wajah Range FPS yang dihasilkan ~ 2-4 fps Tingkat akurasi x 100% = %
5 72 3. Haarcascade_frontalface_alt2 Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier haarcascade_frontalface_alt2. Gambar 4.3. Pendeteksian wajah dengan classifier haarcascade_frontalface_alt2 Berdasarkan gambar 4.3, ketika terdapat wajah pada kamera, maka akan muncul pesan Face Detected: haarcascade_frontalface_alt2. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan Face Not Detected using haarcascade_frontalface_alt2. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.5. Tabel 4.5 Hasil Pendeteksian Wajah Dengan Classifier Haarcascade_frontalface_alt2 Total wajah yang ditampilkan 54 wajah Total wajah yang terdeteksi 54 wajah Total wajah yang tidak terdeteksi 0 wajah Range FPS yang dihasilkan ~ 3-4 fps Tingkat akurasi x 100% = 100%
6 73 4. Haarcascade_frontalface_default Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier haarcascade_frontalface_default. Gambar 4.4. Pendeteksian wajah dengan classifier haarcascade_frontalface_default Berdasarkan gambar 4.4, ketika terdapat wajah pada kamera, maka akan muncul pesan Face Detected: haarcascade_frontalface_default..xml. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan Face Not Detected using haarcascade_frontalface_default.xml. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.6. Tabel 4.6 Hasil Pendeteksian Wajah dengan Classifier Haarcascade_frontalface_default Total wajah yang ditampilkan 52 wajah Total wajah yang terdeteksi 52 wajah Total wajah yang tidak terdeteksi 0 wajah Range FPS yang dihasilkan ~ 3-4 fps Tingkat akurasi x 100% = 100%
7 74 5. Lbpcascade_frontalface Berikut ini merupakan hasil pengujian terhadap pendeteksian wajah dengan classifier lbpcascade_frontalface. Gambar 4.5. Pendeteksian wajah dengan classifier lbpcascade_frontalface Berdasarkan gambar 4.5, ketika terdapat wajah pada kamera, maka akan muncul pesan Face Detected: lbpcascade_frontalface..xml. Namun, jika wajah tidak dapat terdeteksi pada kamera, akan muncul pesan Face Not Detected using lbpcascade_frontalface.xml. Pesan ditampilkan dalam selang waktu 150 ms. Untuk lebih jelasnya, dapat dilihat pada tabel 4.7. Tabel 4.7 Hasil Pendeteksian Wajah dengan Classifier Lbpcascade_frontalface Total wajah yang ditampilkan 85 wajah Total wajah yang terdeteksi 85 wajah Total wajah yang tidak terdeteksi 0 wajah Range FPS yang dihasilkan ~ 4-5 fps Tingkat akurasi x 100% = 100%
8 Face Recognition Pada tahap pengenalan wajah ini, akan dilakukan pengujian terhadap 3 algoritma yaitu Eigenface, Fisherface dan LBPH (Local Binary Pattern Histogram). Tahap ini terbagi menjadi 2 fase yaitu fase training dan fase testing. Pada fase training sekumpulan gambar akan ditraining dengan menggunakan ketiga algoritma secara bergantian kemudian hasil dari training akan disimpan dalam file XML. Setelah fase training, maka dilakukan testing terhadap hasil training untuk mendapatkan nilai prediction. Nilai prediction akan digunakan untuk menentukan nilai threshold yang berfungsi sebagai faktor penentu wajah dikenali atau tidak. Pengujian dilakukan dengan menggunakan sampel wajah seseorang yang kemudian di-testing sebanyak 50 orang. Berikut hasil dari pengujian masing-masing algoritma : Eigenface Tabel 4.8 Hasil Pengujian Algoritma Eigenface Nilai prediction saat wajah di-testing dengan wajah yang sama : Nilai prediction terkecil saat wajah ditesting dengan wajah yang berbeda : Nilai prediction terbesar saat wajah ditesting dengan wajah yang berbeda : Rata-rata FPS yang dihasilkan: 0.67 Berdasarkan uji coba terhadap algoritma eigenface, dapat disimpulkan bahwa proses pengenalan wajah memiliki FPS yang sangat rendah sehingga program terlihat seperti berhenti ketika melakukan proses pengenalan wajah. Selain itu, nilai prediksi untuk pengenalan wajah sangat besar berkisar antara hingga untuk wajah yang berbeda. Hal tersebut menjadikan proses pengenalan wajah menjadi sangat lama dan nilai prediksi yang didapatkan sangat besar sehingga
9 76 mengakibatkan ketidakakuratan program dalam melakukan pengenalan wajah Fisherface Tabel 4.9 Hasil Pengujian Algoritma Fisherface Nilai prediction saat wajah di-testing dengan wajah yang sama : Nilai prediction terkecil saat wajah ditesting dengan wajah yang berbeda : Nilai prediction terbesar saat wajah ditesting dengan wajah yang berbeda : Rata-rata FPS yang dihasilkan: 1.23 Berdasarkan uji coba algoritma fisherface, dapat disimpulkan bahwa proses pengenalan wajah memiliki FPS yang lebih tinggi jika dibandingkan dengan algoritma eigenface. Namun, FPS yang dimiliki oleh fisherface masih belum cukup untuk diaplikasikan secara real time pada smartphone. Selain itu, nilai prediksi untuk pengenalan wajah juga cukup besar berkisar antara hingga untuk wajah yang berbeda. Jika diperhatikan, nilai prediksi terkecil pada wajah yang berbeda bahkan jauh lebih kecil jika dibandingkan dengan nilai prediction pada wajah yang sama. Hal tersebut membuat uji coba dengan algoritma fisherface masih belum cukup baik dalam melakukan proses pengenalan wajah.
10 LBPH Tabel 4.10 Hasil Pengujian Algoritma LBPH Nilai prediction saat wajah di-testing dengan wajah yang sama : Nilai prediction terkecil saat wajah ditesting dengan wajah yang berbeda : Nilai prediction terbesar saat wajah ditesting dengan wajah yang berbeda : Rata-rata FPS yang dihasilkan: 6.58 Berdasarkan uji coba dengan menggunakan algoritma LBPH, dapat dilihat bahwa proses pengenalan wajah memiliki FPS yang tinggi dan cukup untuk melakukan proses pengenalan wajah secara real time oleh smartphone. Selain itu, nilai prediksi untuk pengenalan wajah juga cukup kecil berkisar antara dan untuk wajah yang berbeda. Hal ini menjadikan LBPH sebagai algoritma yang cukup akurat untuk melakukan proses pengenalan wajah Face Expression Penelitian akan dilakukan untuk mencari hasil yang paling optimal untuk pengenalan ekspresi wajah diantara teknik-teknik sebagai berikut:
11 Viola Jones Pada teknik ini, ekspresi wajah dikenali dengan menggunakan algoritma Viola Jones. Teknik ini akan menggunakan classifier Haar yang telah ditraining pada berbagai ekspresi seperti mulut yang tersenyum. Gambar 4.6. Pendeteksian ekspresi wajah dengan menggunakan classifier haarcascasde_smile Algoritma ini diujikan secara real time untuk mendeteksi ekspresi wajah. Hasil dari teknik ini sebagai berikut:
12 79 Tabel 4.11 Hasil Pendeteksian Ekspresi Wajah dengan Menggunakan Classifier Haarcascade_smile Total wajah tersenyum yang ditampilkan : 100 Total wajah tersenyum yang terdeteksi : 44 Total wajah tersenyum yang tidak 56 terdeteksi : Range FPS yang dihasilkan : Tingkat akurasi : Dari penelitian ini dapat disimpulkan bahwa tingkat akurasi terhadap pengenalan ekspresi masih sangat rendah sebesar 50%. Lebih lanjut, teknik ini tidak efisien digunakan karena hanya dapat menghasilkan fps dengan kisaran 1-2 fps sehingga tampilan terlihat tidak lancar (patah-patah) ASM (Active Shape Model) dan SVM (Support Vector Machine) SVM (Support Vector Machine) merupakan sebuah machine learning yang membutuhkan input data agar SVM dapat melakukan analisa terhadap input data dan mengambilkan kesimpulan dari input seperti yang telah dijelaskan pada Bab 2. Pada penelitian ini, input data yang diberikan pada SVM berupa kumpulan koordinat facial feature point dengan ekspresi-ekspresi wajah yang berbeda. Untuk mendapatkan facial feature point pada wajah, digunakan metode ASM (Active Shape Model).
13 80 Gambar 4.7. Ekstraksi facial point secara real time menggunakan ASM Seperti yang terlihat pada gambar 4.7, ASM akan menghasilkan facial feature point pada wajah. Selanjutnya koordinat facial feature point akan dinormalisasi (diberikan skala) terlebih dahulu agar koordinat ini bernilai 0 sampai 1. Normalisasi ini bertujuan untuk memudahkan SVM melakukan perhitungan matematika saat melakukan training yang didapatkan dengan rumus sebagai berikut : Setelah melakukan normalisasi, langkah selanjutnya ialah menentukan kernel yang akan dipakai saat SVM melakukan training. Karena facial feature point tersebar secara non-linier, maka dipilih kernel RBF (Radial Basis Function) karena kernel ini dapat mengklasifikasikan data non-linier. Namun untuk menggunakan RBF, perlu ditentukan nilai C dan gamma terbaik agar akurasi yang dihasilkan SVM akurat. Oleh karena itu dilakukan teknik grid search, untuk mendapatkan nilai parameter C dan gamma yang paling optimal.
14 81 Gambar 4.8. Grid Search terhadap facial points yang telah dinormalisasi Berdasarkan gambar 4.8, didapatkan parameter C terbaik sebesar dan parameter gamma terbaik sebesar 0.5 dengan tingkat akurasi dari cross validation sebesar 100%. Selanjutnya, nilai C dan gamma ini akan dipakai sebagai parameter pada SVM untuk melakukan training terhadap facial point yang telah dinormalisasi. Output dari training ini akan disimpan dalam bentuk file pada Android dan dipakai untuk mengklasifikasikan ekspresi wajah berdasarkan titik yang diekstrasi secara real-time. Gambar 4.9. Hasil Prediksi Wajah Model hasil training ini diujikan untuk 30 sampel wajah yang berbeda-beda dan menghasilkan akurasi sebesar 56.67%. Hal ini berarti
15 82 dari sekitar 30 wajah yang berbeda, hanya 17 ekspresi wajah yang berhasil dapat diprediksi dengan benar. Hal ini yang menjadi kendala pada saat menggunakan ASM library PCA (Principal Component Analysis) Principal Component Analysis adalah sebuah metode dalam dunia matematika untuk mengurangi tingkat kompleksitas dari data-data, namun tetap mempertahankan sebagian besar variasi dari kumpulan data tersebut. Pada teknik ini, pertama-tama perlu disiapkan sampel citra ekspresi wajah yaitu potongan mulut tersenyum dan potongan mulut pada saat ekspresi netral. Untuk mendapatkan potongan mulut ini, digunakan algoritma Viola-Jones untuk mendeteksi wajah pada gambar. Setelah wajah berhasil terdeteksi maka akan dilakukan pemotongan bagian mulut dari gambar wajah. Pemotongan ini dilakukan dengan cara melakukan perubahan ukuran pada kotak berwarna hijau menjadi kotak yang berwarna jingga seperti pada gambar Gambar Proses mendapatkan gambar potongan mulut pada wajah Misalkan ada sebuah variabel H. variabel H ini didapat dari 40% dari tinggi wajah. Variabel H akan digunakan sebagai tinggi mulut.
16 83 Gambar Proses pengambilan tinggi mulut Selanjutnya, posisi Y kotak jingga akan ditambahkan dengan 60% dari tinggi wajah. Gambar Proses pemindahan posisi Y kotak jingga Kemudian lebar kotak akan dipotong agar mendapatkan bagian mulut yang lebih spesifik seperti pada gambar Pertama-tama lebar kotak jingga akan diubah menjadi 60% dari lebar wajah. Gambar Proses pengambilan lebar mulut
17 84 Tahap selanjutnya ialah melakukan pergeseran terhadap sumbu X pada kotak jingga sebesar 0.2 dari lebar wajah sehingga sesuai dengan gambar Setelah pemotongan gambar mulut untuk ekspresi netral dan tersenyum didapatkan, maka potongan mulut akan diubah warna menjadi grayscale. Kemudian gambar yang telah di-grayscale diubah menjadi matriks dengan ukuran N x M, dimana : N = panjang gambar mulut x lebar gambar mulut. M = jumlah gambar mulut. Misalkan terdapat sebuah gambar mulut netral dan sebuah gambar mulut dengan ekspresi tersenyum, panjang gambar = 100 pixel, dan lebar gambar = 70 pixel maka N = 100 x 70 = 7000, sehingga matriks akan berukuran 7000 x 2. Setelah citra diubah menjadi matriks, maka akan dicari rata-rata dari matriks yang telah berisi mulut dengan ekspresi netral dan tersenyum. Kemudian, mengikuti aturan PCA, perlu ditentukan vektor eigen dan nilai eigen terbaik dari matriks covariance agar dapat dilakukan perbandingan terhadap ekspresi wajah yang ingin dikenali Evaluasi Evaluasi User Evaluasi dilakukan dengan cara menyebarkan kuesioner uji aplikasi secara fisik (tercetak) ke beberapa masyarakat yang menggunakan smartphone. Berdasarkan penyebaran kuesioner, terdapat 30 responden yang ikut berpartisipasi dalam pengujian aplikasi. Hasil kuesioner ini telah dirangkum dan disimpulkan sebagai berikut:
18 85 Pertanyaan 1: Apakah penggunaan aplikasi Locknia mudah digunakan? Gambar Diagram penggunaan aplikasi Locknia berdasarkan tingkat kesulitan penggunaan Berdasarkan gambar 4.14, dapat dilihat bahwa sebesar 22 orang merasa sangat mudah untuk menggunakan aplikasi Locknia. Sedangkan 8 orang merasa cukup mudah untuk menggunakan aplikasi Locknia. Tidak ada responden yang merasa kesulitan terhadap penggunaan aplikasi Locknia. Pertanyaan 2: Bagaimana tingkat keamanan dari aplikasi Locknia? Gambar Diagram penggunaan aplikasi Locknia berdasarkan tingkat keamanan Berdasarkan gambar 4.15, dapat dilihat bahwa sebesar 20 responden merasa tingkat keamanan aplikasi Locknia sudah sangat aman. Sedangkan 10 responden menjawab tingkat keamanan aplikasi
19 86 Locknia cukup aman. Tidak ada responden yang merasa tidak aman terhadap penggunaan aplikasi Locknia. Pertanyaan 3: Apakah ada kendala selama menggunakan aplikasi Locknia? Gambar Diagram penggunaan aplikasi Locknia berdasarkan kendala selama menggunakan aplikasi Berdasarkan gambar 4.16, sebanyak 17 responden menjawab tidak ada kendala ketika menggunakan aplikasi Locknia. Namun, sebanyak 13 responden menjawab terdapat sedikit kendala dalam menggunakan aplikasi Locknia. Jika dilihat, kendala tersebut antara lain: - Sulit ketika awal penggunaan aplikasi Locknia - Menu How to Use sulit terlihat - Wajah selalu terdeteksi tersenyum walau dalam keadaan netral - Aplikasi terlalu sensitive karena wajah tidak boleh keluar dari wilayah unlock
20 87 Pertanyaan 4: Bagaimana menurut anda tampilan layar aplikasi Locknia? Gambar Diagram penggunaan aplikasi Locknia berdasarkan tingkat ketertarikan berdasarkan user interface Berdasarkan gambar 4.17, dapat dilihat bahwa sebesar 16 responden merasa bahwa tampilan layar pada aplikasi Locknia sudah sangat menarik. Sedangkan 13 responden menjawab menarik. Selain itu, 1 responden merasa tampilan layar pada aplikasi Locknia kurang menarik. Pertanyaan 5: Apakah petunjuk yang disediakan pada aplikasi Locknia mudah dimengerti? Gambar Diagram penggunaan aplikasi Locknia berdasarkan tingkat kemudahan petunjuk Berdasarkan gambar 4.18, dapat dilihat bahwa sebanyak 20 responden merasa bahwa panduan yang diberikan aplikasi Locknia sangat mudah dimengerti. Sedangkan 10 responden menjawab mudah
21 88 dimengerti. Tidak ada responden yang menjawab panduan sulit dimengerti. Pertanyaan 6: Bagaimana tingkat efisiensi waktu terhadap penggunaan aplikasi Locknia? Gambar Diagram penggunaan aplikasi Locknia berdasarkan efisiensi waktu. Berdasarkan gambar 4.19, dapat dilihat bahwa sebanyak 18 responden merasa bahwa tingkat efisiensi waktu penggunaan aplikasi Locknia sangat efisien. Sedangkan 11 responden menjawab cukup efisien. Selain itu, 1 responden merasa bahwa tingkat efisiensi waktu aplikasi Locknia kurang efisien. Pertanyaan 7: Apakah kalian akan merekomendasikan aplikasi Locknia kepada teman atau kolega Anda? Gambar Diagram ketertarikan pengguna untuk merekomendasi aplikasi Locknia. Berdasarkan gambar 4.20, dapat dilihat bahwa sebanyak 22 responden sangat tertarik untuk merekomendasikan aplikasi Locknia kepada teman atau kolega mereka. Sedangkan 8 responden menjawab
22 89 tertarik untuk merekomendasikan aplikasi Locknia. Tidak ada responden yang tidak tertarik untuk merekomendasikan aplikasi Locknia. Setelah dilakukan implementasi dan testing, ditemukan beberapa kelebihan dan kekurangan dari aplikasi melalui kuesioner, antara lain: Kelebihan aplikasi yang dikembangkan: 1. Aplikasi secara umum sangat mudah digunakan. 2. Tingkat keamanan dari aplikasi Locknia ialah sangat aman. 3. User Interface pada aplikasi Locknia sangat menarik untuk digunakan. 4. Petunjuk yang disediakan sangat mudah dimengerti. 5. Waktu yang dibutuhkan sangat efisien untuk menggunakan aplikasi Locknia. 6. User sangat merekomendasikan aplikasi Locknia untuk digunakan sebagai lock screen. Kekurangan aplikasi yang dikembangkan: 1. Pencocokan wajah terhadap lingkaran yang disediakan yang dirasa cukup sulit. 2. Waktu untuk masuk ke menu PIN terlalu cepat. 3. Terkadang sulit untuk pendeteksian wajah. 4. Muka beberapa user selalu dianggap tersenyum Penggunaan Aplikasi Sebelum memulai menjalankan aplikasi Locknia, user perlu mendownload OpenCV Manager terlebih dahulu agar aplikasi Locknia dapat berfungsi dengan baik. OpenCV Manager dapat di download dari link sebagai berikut:
23 Pada saat aplikasi dijalankan, akan tampil menu utama seperti gambar Gambar Tampilan menu utama Langkah pertama yang dilakukan ialah menekan tombol Setting New password terlebih dahulu. Setting new password ini berfungsi untuk menyimpan citra yang nantinya akan digunakan untuk melakukan face processing. Gambar Tampilan pengambilan wajah untuk di-training Setelah menekan tombol Setting New Password, maka akan ditampilkan kamera seperti pada gambar Di sebelah kiri atas terdapat tulisan yang berupa petunjuk untuk menggunakan aplikasi. Kemudian, disebelah wajah terdapat timer dengan hitungan mundur dimulai dari angka 5 hingga angka 1. Selama timer berjalan, maka dilakukan proses pengambilan gambar.
24 91 Gambar Tampilan pengambilan PIN sebagai secondary password Setelah gambar berhasil diambil, user dapat memasukkan PIN dan confirm PIN sebagai alternatif jika terjadi kegagalan dalam melakukan face unlock. Setelah user menginput PIN dan confirm PIN, maka tampilan akan kembali ke menu utama. Jika button Lock ditekan, maka tampilan akan berubah seperti gambar Gambar Tampilan layar utama ketika aplikasi terkunci Jika button gambar Unlock ditekan, maka akan muncul kamera seperti gambar 4.25.
25 92 Gambar Tampilan pengambilan gambar dan ekspresi untuk melakukan unlock screen Pada gambar 4.25, dapat dilihat terdapat lingkaran hijau yang menandakan bahwa terdapat wajah. Selain itu, di sisi kiri atas, terdapat petunjuk yang menandakan bahwa ekspresi wajah harus netral untuk pertama kali. Jika ekspresi wajah telah netral, maka petunjuk akan berubah menjadi Change Your Expression. Jika ekspresi wajah berubah, maka layar akan terbuka kembali. Namun, jika terdapat kesalahan dalam melakukan unlock screen, misalnya tidak ada perubahan ekspresi (Expression Doesn t Change), maupun wajah tidak dikenali (Face Not Recognized) maka user akan diminta untuk meng-input PIN yang sesuai. Gambar Proses Unlock menggunakan PIN
PERANCANGAN APLIKASI UNLOCK SCREEN DENGAN MENGGUNAKAN FACE EXPRESSION PADA SMARTPHONE BERBASIS ANDROID
PERANCANGAN APLIKASI UNLOCK SCREEN DENGAN MENGGUNAKAN FACE EXPRESSION PADA SMARTPHONE BERBASIS ANDROID Jeklin Harefa 1, Alexander 2, Rhio Sutoyo 3 1,2,3 Universitas Bina Nusantara, Jl. K H. Syahdan No.
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 terperinciBAB IV IMPLEMENTASI DAN EVALUASI. Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat lunak
BAB IV IMPLEMENTASI DAN EVALUASI 4.1 Aplikasi Pengujian Untuk menguji kecepatan dan keakuratan metode pendeteksian wajah Viola Jones, kami membuat sebuah aplikasi sederhana, dengan spesifikasi perangkat
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN
BAB 4 IMPLEMENTASI DAN PENGUJIAN Pada bab ini berisi tentang implementasi dan pengujian meliputi penulisan kode program, pembuatan tampilan antarmuka, penerapan algoritma yang digunakan dan juga pengujian
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi 4.1.1 Spesifikasi Sistem Spesifikasi yang digunakan dalam menjalankan sistem kontrol akses berbasis real time face recognition dan gender information ditunjukkan
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi 4.1.1 Spesifikasi Sistem Adapun spesifikasi komputer yang digunakan pada aplikasi penelitian pengenalan ekspresi wajah ini seperti pada tabel Tabel 4.1 Spesifikasi
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 terperinciPERANCANGAN APLIKASI DETEKSI WAJAH MENGGUNAKAN ALGORITMA VIOLA-JONES
PERANCANGAN APLIKASI DETEKSI WAJAH MENGGUNAKAN ALGORITMA VIOLA-JONES TUGAS AKHIR Disusun sebagai salah satu syarat untuk kelulusan Program Strata 1, Program Studi Teknik Informatika, Universitas Pasundan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem merupakan penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya untuk mengidentifikasikan masalah
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan Aplikasi ini tergolong sebagai sistem kecerdasan buatan karena akan menggantikan peran seseorang yang mampu mengenali ekspresi wajah. Tiga ekspresi
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 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 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 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 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 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 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 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 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 IV IMPLEMENTASI DAN PENGUJIAN. Pada bab 4 ini akan dilakukan implementasi dan pengujian terhadap sistem.
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bab 4 ini akan dilakukan implementasi dan pengujian terhadap sistem. Tahapan ini dilakukan setelah perancangan selesai dan selanjutnya akan diimplementasikan pada
Lebih terperinciBAB IV IIMPLEMENTASI DAN PENGUJIAN. Implementasi merupakan tahap pengembangan dimana hasil analisis dan
BAB IV IIMPLEMENTASI DAN PENGUJIAN Implementasi merupakan tahap pengembangan dimana hasil analisis dan perancangan dijadikan acuan dalam pembuatan kode program. Pada awal bagian ini akan dijelaskan spesifikasi
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 IV IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM Pada bab ini membahas implementasi sistem yang merupakan tahap penerjemahan kebutuhan pembangunan aplikasi ke dalam perangkat lunak sesuai dengan hasil analisis
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Metodologi adalah tata cara yang disusun secara pasti, sistematis dan logis sebagai landasan untuk kegiatan tertentu. Metodologi yang diperlukan untuk tugas akhir ini terdiri
Lebih terperinciBAB III METODE PENELITIAN. tangan dengan menggunakan metode Support Vector Machine (SVM).
BAB III METODE PENELITIAN 3.1 Desain Penelitian Di dalam desain penelitian ini akan menggambarkan proses pengenalan tulisan tangan dengan menggunakan metode Support Vector Machine (SVM). Praproses Input
Lebih terperinciAplikasi Screen Lock pada Smartphone Menggunakan Identifikasi Wajah dengan Menerapkan Pointwise
Citec Journal, Vol. 1, No. 1, November 13 Januari 14 ISSN: 2354-5771 Aplikasi Screen Lock pada Smartphone Menggunakan Identifikasi Wajah dengan Menerapkan Pointwise 1 Andi Widiyanto* 1, Bintang Dian Mahardika
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 terperincipbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI uji coba terhadap program aplikasi pengenalan plat nomor kendaraan roda empat ini,
pbab 4 IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI Bab ini berisi penjelasan tentang implementasi sistem meliputi kebutuhan perangkat lunak dan perangkat keras yang digunakan untuk melakukan perancangan
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 terperinciSISTEM PENGAMANAN HANDPHONE MENGGUNAKAN FACE RECOGNITION BERBASIS ANDROID
Jurnal... Vol. XX, No. X, Bulan 20XX, XX-XX 1 SISTEM PENGAMANAN HANDPHONE MENGGUNAKAN FACE RECOGNITION BERBASIS ANDROID Mirna Astria 1, Juni Nurma Sari 2, Mardhiah Fadhli 3 Program Studi Teknik Informatika
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 terperinciBAB 4 HASIL DAN PEMBAHASAN. 4.1 Spesifikasi Aplikasi Berikut merupakan spesifikasi yang dibutuhkan agar aplikasi dapat berjalan dengan baik:
BAB 4 HASIL DAN PEMBAHASAN 4.1 Spesifikasi Aplikasi Berikut merupakan spesifikasi yang dibutuhkan agar aplikasi dapat berjalan dengan baik: 4.1.1 Spesifikasi Perangkat Keras Spesifikasi perangkat keras
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 terperinciHasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE
Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan dengan Bahasa Pemograman Java Eclipse IDE Fiqih Ismawan Dosen Program Studi Teknik Informatika, FMIPA Universitas Indraprasta
Lebih terperincipengambilan citra video, pemrosesan citra pada setiap frame,, pendeteksian objek
BAB IV MODEL SISTEM 4.1. Model Sistem Aplikasi yang dibangun adalah aplikasi yang dapat mengolah citra yang diambil dari kamera video, dan menganalisisnya untuk mengetahui keberadaan suatu objek. Ada beberapa
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 terperinciHASIL DAN PEMBAHASAN
HASIL DAN PEMBAHASAN Ekstraksi ciri Citra yang digunakan dalam penelitian ini berukuran 150 x 150 pixel, sehingga jika divektorkan akan menghasilkan vektor berukuran 22500. Melalui tahap ekstraksi ciri
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 I PENDAHULUAN. mampu mengubah manusia, dari cara pandang seseorang atas sesuatu hingga cara
BAB I PENDAHULUAN 1.1 Latar Belakang Computer vision, layaknya mata sebagai indra penglihatan pada manusia, juga mampu mengubah manusia, dari cara pandang seseorang atas sesuatu hingga cara seseorang berinteraksi
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat. Graphic Card dengan memory minimum 64 mb
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Driver 4.1.1 Spesifikasi Perangkat Keras Spesifikasi minimum dari perangkat keras yang diperlukan agar dapat menjalankan driver ini adalah: Prosesor Pentium
Lebih terperinciPengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality
Pengembangan Program Simulator Frame Kacamata Secara Real-Time 3D Face Tracking dengan Menggunakan Augmented Reality Endang Setyati Information Technology Department Sekolah Tinggi Teknik Surabaya endang@stts.edu,
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 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 terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB 2 LANDASAN TEORI 2.1 Computer Vision Computer Vision didefinisikan sebagai salah satu cabang ilmu pengetahuan yang mempelajari bagaimana computer dapat mengenali obyek yang diamati. Computer Vision
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 IMPLEMENTASI DAN EVALUASI SISTEM. Dalam merancang dan membangun aplikasi virtual store menggunakan
BAB IV IMPLEMENTASI DAN EVALUASI SISTEM 4.1 Kebutuhan Aplikasi Dalam merancang dan membangun aplikasi virtual store menggunakan photo barcode scanner pada android smartphone android ini ada beberapa spesifikasi
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 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 terperinciBAB I PENDAHULUAN. adalah penggunaan smartphone. Weiser (1999) mengatakan bahwa semakin
BAB I PENDAHULUAN 1.1 Latar belakang Di era modern ini, banyak hal yang tanpa disadari sudah mengalami banyak perubahan dan perkembangan seiring dengan berjalannya waktu. Salah satunya adalah kemajuan
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN
BAB V IMPLEMENTASI DAN PENGUJIAN Setelah dilakukan perancangan sistem pada bab sebelumnya, maka pada bab ini akan dibahas mengenai implementasi sistem. Pada bab ini, akan dijelaskan mengenai hardware dan
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciRANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM
RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM RULIAH Jurusan Sistem Informasi STMIK Banjarbaru Jl. Jend. Ahmad Yani Km. 33.3 Loktabat Banjarbaru twochandra@gmail.com
Lebih terperinciBAB III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya
Lebih terperinciBAB 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 III ANALISIS DAN PERANCANGAN
31 BAB III ANALISIS DAN PERANCANGAN III.1 Gambaran Umum Sistem Secara umum sistem pengenalan wajah ini mempunyai beberapa tahapan yaitu pendeteksian wajah, ekstraksi wajah, dan pengenalan wajah. Pendeteksian
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN
BAB V IMPLEMENTASI DAN PENGUJIAN Setelah dilakukan perancangan sistem pada bab sebelumnya, maka pada bab ini akan dibahas mengenai implementasi sistem. Pada bab ini, akan dijelaskan mengenai hardware dan
Lebih terperinciBAB IV IMPLEMENTASI DAN UJI COBA. Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi
BAB IV IMPLEMENTASI DAN UJI COBA 4.1 Kebutuhan Sistem Sebelum melakukan implementasi dan menjalankan aplikasi Model Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi perangkat lunak
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi 4.1.1 Spesifikasi Sistem Spesifikasi komputer yang digunakan dalam melakukan simulasi pada aplikasi perancangan pencarian daftar hitam dengan deteksi wajah berdasarkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Wajah sering digunakan sebagai sarana berekspresi dalam berkomunikasi interpersonal dalam kehidupan sehari hari. Dengan ekspresi wajah, seseorang dapat memahami emosi
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Sistem Absensi Berbasis Webcam
BAB PEMBAHASAN.1 Sistem Absensi Berbasis Webcam Sistem absensi berbasis webcam adalah sistem yang melakukan absensi karyawan berdasarkan input citra hasil capture webcam. Sistem akan melakukan posting
Lebih terperinciFace Identification For Presence Applications Using Violajones and Eigenface Algorithm
Face Identification For Presence Applications Using Violajones and Eigenface Algorithm Chandra Kirana Jurusan Teknik Informatika, STMIK Atma Luhur Pangkalpinang Jl. Jend. Sudirman Pangkalpinang (0717)
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM III.1 Analisis Sistem Analisis sistem merupakan penguraian dari suatu sistem yang utuh ke dalam beberapa komponen dengan maksud untuk mengidentifikasikan dan mengevaluasi
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 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program Aplikasi Pada bagian ini, Penulis akan menjelaskan kebutuhan spesifikasi perangkat keras dan perangkat lunak, serta menjelaskan bagaimana cara program
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN SISTEM
BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
76 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Pada bagian ini akan dijelaskan mengenai implementasi yang meliputi kebutuhan perangkat lunak dan perangkat keras, tata cara pengoperasian serta juga
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 III ANALISIS DAN PERANCANGAN SISTEM. keberadaan wajah secara langsung dari sebuah kamera. Dengan demikian
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1. Metode Penelitian Penelitian ini menggunakan metode untuk mendeteksi posisi dan keberadaan wajah secara langsung dari sebuah kamera. Dengan demikian penelitian
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN 4.1 Implementasi Tampilan pertama kali yang muncul ketika aplikasi ini dijalankan adalah layar splash. Layar splash ini memiliki gambar seorang perawat sebagai latar belakang
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. Waktu penelitian dilaksanakan semester ganjil
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 terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih 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 terperinciPrototype Pendeteksi Jumlah Orang Dalam Ruangan
e-issn: 2528-4053 36 Prototype Pendeteksi Jumlah Orang Dalam Ruangan Nesi Syafitri 1, Adri 2 1,2 Jurusan Teknik Informatika, Fakultas Teknik, Universitas Islam Riau E-mail: nesisyafitri@uir.ac.id, adrisaputra91@gmail.com
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM. Program yang telah dibuat melakukan proses deteksi dan pembelajaran. Proses deteksi
BAB 4 IMPLEMENTASI DAN EVALUASI PROGRAM 4.1 Implementasi Sistem 4.1.1 Spesifikasi Hardware Program yang telah dibuat melakukan proses deteksi dan pembelajaran. Proses deteksi pada gambar tidak bergerak
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Tanaman padi ( Oryzasativa,sp ) termasuk kelompok tanaman pangan yang sangat penting dan bermanfaat bagi kehidupan masyarakat Indonesia. Sampai saat ini, lebih dari
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Implementasi Berikut ini merupakan rincian spesifikasi untuk proses implementasi yang meliputi rincian spesifikasi perangkat keras dan perangkat lunak. 4.1.1 Spesifikasi
Lebih terperinci1. Pendahuluan Perumusan Masalah Dari latar belakang yang dipaparkan di atas, masalah yang dapat dirumuskan adalah:
1. Pendahuluan 1.1. Latar Belakang Wajah manusia dapat menunjukkan dimorfisme seksual yang cukup jelas [1][2][3][4][5]. Wajah pria dan wanita memiliki bentuk dan tekstur yang berbeda, dan petunjuk yang
Lebih terperinciBAB IV HASIL & UJI COBA
BAB IV HASIL & UJI COBA Aplikasi edge detection yang penulis rancang dengan menerapkan algoritma canny dapat dibuat dengan baik dan pengujian yang akan ditampilkan diharapkan bisa menampilkan cara kerja
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian komponennya dengan tujuan mengidentifikasikan dan mengevaluasi
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. Aplikasi pintu otomatis ini menggunakan spesifikasi perangkat keras dan
31 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Aplikasi pintu otomatis ini menggunakan spesifikasi perangkat keras dan perangkat lunak yang sama untuk semua pengujian. 4.1.1 Spesifikasi Perangkat
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISA
57 BAB 4 PENGUJIAN DAN ANALISA Pengujian dan analisa pada Bab 4 ini pada intinya adalah untuk mengetahui tingkat keberhasilan suatu sistem dengan metode yang sudah ditentukan. Masing masing metode mempunyai
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN II.1 Analisis Sistem Algoritma canny adalah salah satu operator yang digunakan untuk deteksi tepi pada citra, Operator ini mirip seperti operator sobel. Aloritma canny
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pendeteksian Objek Berdasarkan penelusuran pustaka, didapatkan beberapa algoritma terkait dengan hand detection yang telah diuji, antara lain sebagai berikut:
Lebih terperinciBAB III METODE PENELITIAN. Pengetahuan Alam Universitas Lampung dan di Dinas Pemuda dan Pariwisata
35 BAB III METODE PENELITIAN 3.1.Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung dan di Dinas Pemuda dan
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Sistem Dalam mengimplementasikan program sistem ANPR ini terdapat 2 (dua) buah komponen yang sangat berperan penting, yaitu perangkat keras atau hardware
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Implementasi merupakan tahap pengembangan rancangan menjadi kode program. Pada awal bagian ini dijabarkan spesifikasi perangkat keras dan lunak
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 terperinciBAB 3 PROSEDUR DAN METODOLOGI
BAB 3 PROSEDUR DAN METODOLOGI 3.1 Analisa Masalah Kemajuan teknologi di bidang multimedia, menuntut kemampuan sistem yang lebih baik dan lebih maju dari sebelumnya, sesuai dengan perkembangan teknologi.
Lebih terperinciBAB 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 terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Face Recognition Face recognition dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari
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 ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Kebutuhan Sistem (atau Produk) 3.1.1 Use Case Diagram Berikut adalah use case pada aplikasi yang akan dibangun. Pada aplikasi ini hanya ada 1 aktor, yaitu
Lebih terperinciBAB 3. ANALISIS dan RANCANGAN. eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses
BAB 3 ANALISIS dan RANCANGAN 3.1 Analisa metode Secara garis besar, tahap pada pengenalan wajah dengan metode eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses yang dilakukan
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. banyak dipelajari dan dikembangkan saat ini, baik oleh para pelajar, maupun para ahli.
BAB III PROSEDUR DAN METODOLOGI 3.1 Pendeteksian Objek Viola Jones Pendeteksian objek merupakan salah satu topik dalam visi komputer yang cukup banyak dipelajari dan dikembangkan saat ini, baik oleh para
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang
Lebih terperinci