BAB V IMPLEMENTASI DAN PENGUJIAN
|
|
- Yohanes Tanuwidjaja
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB V IMPLEMENTASI DAN PENGUJIAN Bab ini membahas tentang implementasi dan pengujian dari sistem yang dikembangkan berdasarkan hasil perancangan yang didapat pada BAB IV. V.1 Implementasi V.1.1 Spesifikasi Lingkungan Implementasi Pembahasan spesifikasi lingkungan implementasi dalam pengembangan sistem pengenalan orientasi kepala untuk keperluan interaksi lingkungan virtual mencakup perangkat keras dan perangkat lunak yang digunakan. Spesifikasi perangkat keras dapat dilihat pada Tabel V.1-1, sedangkan spesifikasi perangkat lunak dan kakas pengembangan yang digunakan dapat dilihat pada Tabel V.1-2. Tabel V.1-1 Spesifikasi Perangkat Keras Nama Perangkat Deskripsi Komputer Notebook Dell Inspiron 6400 Prosesor Intel Core 2 Duo 2.00 GHz Kartu Grafis NVIDIA GeForce Go MB Memori 1024MB Perangkat Lain Logitech Quickcam Messenger V-UM14, 352x288 24fps Tabel V.1-2 Spesifikasi Perangkat Lunak Nama Perangkat Sistem Operasi Bahasa Pemrograman Mesin Kompilasi Kakas Pengembangan Library Grafis Library Pemrosesan Citra Library Jaringan Saraf Tiruan Deskripsi Windows Vista C++ Microsoft 32-bit C/C++ Optimizing Compiler Version for 80x86 Microsoft Visual Studio 2005 SP1 Ogre3D OpenCV FANN V-1
2 V.1.2 Batasan Implementasi Batasan yang digunakan untuk implementasi sistem pengenalan isyarat kepala untuk keperluan interaksi navigasi lingkungan virtual ini seluruhnya merupakan dampak dari keterbatasan perangkat keras sensor video yang digunakan. Batasanbatasan tersebut adalah sebagai berikut: 1. Pengguna sistem tidak mengenakan pakaian dengan warna menyerupai warna kulit seperti krem atau coklat. Hal ini dikarenakan sistem dapat mengenali pakaian tersebut sebagai warna kulit dan melakukan kesalahan dalam pengenalan citra area wajah dari citra keseluruhan. Contoh kesalahan ini dapat dilihat pada Gambar III Untuk pengguna sistem yang memiliki rambut panjang berwarna pirang atau coklat, disarankan untuk mengikat rambutnya agar tidak menganggu proses pengenalan citra area wajah dari citra keseluruhan karena rambut tersebut berpotensi untuk dideteksi sebagai bagian dari citra yang berwarna kulit. Gambar III-13 menunjukkan contoh kesalahan yang diakibatkan batasan ini. 3. Pencahayaan lingkungan pengguna merata. Contoh pencahayaan tidak merata adalah pencahayaan dari arah kiri atau kanan yang menyebabkan munculnya bayangan pada wajah yang dapat menganggu proses pengenalan orientasi kepala oleh jaringan saraf tiruan. Gambar V-1 mengilustrasikan pencahayaan seperti ini. Gambar V-1 Contoh Pencahayaan dari Samping V-2
3 Contoh lain yang dapat dilihat pada Gambar V-2 adalah pencahayaan terlalu kuat dari arah belakang seperti yang terjadi ketika latar belakang pengguna berupa jendela atau lampu. Gambar V-2 Contoh Pencahayaan dari Belakang yang Terlalu Kuat 4. Pencahayaan lingkungan pengguna konstan dan tidak berubah-ubah. Pencahayaan yang tidak konstan mengakibatkan kamera yang digunakan sulit beradaptasi dengan perubahan kondisi pencahayaan tersebut. Hal ini berpotensi untuk menganggu proses pengenalan warna kulit karena proses adaptasi otomatis terhadap pencahayaan yang berubah-ubah dapat menyebabkan warna yang dihasilkan oleh webcam menjadi tidak natural. Contoh pencahayaan yang berubah-ubah dapat dilihat pada Gambar V-3. Gambar V-3 Contoh Pencahayaan Tidak Konstan 5. Posisi wajah dalam citra yang ditangkap oleh kamera setidaknya mencakup ujung rambut sampai dengan di bawah dagu pengguna. Untuk kebanyakan orang, hal ini berarti kamera harus berjarak setidaknya 90 cm dari wajah subjek. 6. Hanya ada satu wajah manusia dalam citra hasil tangkapan sensor video. Citra wajah lebih dari satu membingungkan sistem dalam memilih wajah mana yang dikenali orientasinya. Umumnya sistem memilih wajah yang V-3
4 terdekat dengan kamera atau dengan ukuran paling besar, namun hal ini bisa jadi merupakan perilaku yang tidak diinginkan oleh pengguna. 7. Karena data pelatihan dalam Pointing 04 Head Pose Image Database yang digunakan untuk melatih sistem sangat terbatas, maka sistem belum dapat mengakomodasi pengguna yang menggunakan jilbab atau topi. 8. Pose kepala pengguna tidak miring terlalu jauh ke arah kiri atau kanan. Pose yang demikian mengganggu pengenalan orientasi vertikal dan horisontal yang dilakukan oleh sistem. Gambar V-4 menunjukkan contoh pose kepala yang terlalu miring ke arah kanan dari pengguna. Gambar V-4 Contoh Pose Miring Kepala Pengguna V.1.3 Implementasi Kelas Implementasi kelas mengambil referensi dari Tabel IV.2-6 Daftar Kelas dalam Rancangan Terintegrasi. Daftar seluruh kelas yang diimplementasikan berserta nama berkas untuk kelas masing-masing dapat dilihat pada Tabel V.1-3. Tabel V.1-3 Daftar Implementasi Kelas Nama Kelas RecognitionFactory RecognitionTechnique NeuralNetBasicTechnique NeuralNetEdgeTechnique GestureApplication GestureData GestureInterpreter GUIManager Nama Berkas RecognitionTechnique.cpp dan RecognitionTechnique.h GestureApplication.cpp dan GestureApplication.h GestureData.cpp dan GestureData.h GestureInterpreter.cpp dan GestureInterpreter.h GUIManager.cpp dan GUIManager.h V-4
5 Sedangkan library tambahan yang digunakan untuk membangun sistem pengenalan ini adalah sebagai berikut: Tabel V.1-4 Daftar Library Tambahan Nama Library Static Library Runtime Library Ogre3D OgreMain.lib OgreMain.dll CEGUIBase.lib OgreGUIRenderer.lib OIS.lib Plugin_Webcam.lib CEGUIBase.dll OgreGUIRenderer.dll RenderSystem_Direct3D9.dll RenderSystem_GL.dll OIS.dll Plugin_Webcam.dll OpenCV cv.lib cv100.dll cvaux.lib cvcam.lib cxcore.lib cxts.lib highgui.lib ml.lib cvaux100.dll cvcam100.dll cxcore100.dll cxts001.dll highgui100.dll ml100.dll cvhaartraining.lib FANN fannfloatmt.lib fannfloatmt.dll V.1.4 Implementasi Teknik Pengenalan Orientasi Kepala Terdapat dua kelas tambahan dalam Tabel V.1-3 jika dibandingkan dengan Tabel IV.2-6. Kedua kelas tersebut adalah kelas NeuralNetBasicTechnique dan kelas NeuralNetEdgeTechnique, yang masing-masing merupakan implementasi dari dua teknik pengenalan terpisah yang disediakan oleh sistem. Pengguna dapat memilih teknik pengenalan mana yang hendak digunakan secara runtime ketika sistem sedang berjalan. Algoritma V-1 menjelaskan alur program yang dieksekusi saat sistem meminta hasil pengenalan kepada teknik pengenalan yang sedang digunakan saat itu. Kelas GestureApplication merupakan kelas utama dari seluruh aplikasi, dan fungsi newframe(webcam *webcam) menerima citra terbaru hasil tangkapan dari webcam. Fungsi tersebut lalu meminta teknik pengenalan V-5
6 yang sedang digunakan saat itu pada kelas GestureInterpreter. Kemudian citra webcam diteruskan pada teknik pengenalan yang melalui fungsi RecognitionTechnique::RecognizeImage(webcam). Fungsi ini kemudian mengembalikan data navigasi yang dibungkus dalam kelas GestureData. Data navigasi tersebut lalu digunakan oleh kelas GestureApplication untuk menggerakan pandangan pada lingkungan virtual dengan fungsi GestureApplication::ExecuteMovement(gestureData). GestureApplication::newFrame(Webcam * webcam) { RecognitionTechnique * recognitiontechnique; recognitiontechnique = GestureInterpreter::GetSelectedTechnique(); GestureData * gesturedata = recognitiontechnique->recognizeimage(webcam); ExecuteMovement(gestureData); } Algoritma V-1 Alur Eksekusi Pengenalan dalam Sistem Terdapat dua macam kelas implementasi teknik pengenalan yang disediakan oleh sistem, yaitu NeuralNetBasicTechnique dan NeuralNetEdgeTechnique. Perbedaan antara kedua teknik implementasi tersebut adalah pada citra masukan ke dalam jaringan saraf tiruan serta arsitektur jaringan saraf tiruan yang digunakan. Teknik pengenalan NeuralNetBasicTechnique menggunakan citra masukan berupa satu citra wajah seperti yang terdapat pada Gambar V-5. Gambar V-5 Contoh Masukan NeuralNetBasicTechnique Nilai keluaran yang dihasilkan oleh NeuralNetBasicTechnique kemudian dipetakan menjadi salah satu diantara tiga target orientasi sesuai dengan aturan yang terdapat dalam Tabel V.1-5. V-6
7 Tabel V.1-5 Interpretasi Orientasi Kepala dari Nilai Keluaran NeuralNetBasicTechnique Interpretasi Orientasi Batas Nilai Keluaran Terkecil Batas Nilai Keluaran Terbesar Horisontal Kiri 0.0 < 0.25 Horisontal Tengah Horisontal Kanan > Vertikal Bawah 0.0 < 0.33 Vertikal Tengah Vertikal Atas > Sedangkan untuk teknik pengenalan NeuralNetEdgeTechnique, terdapat pemrosesan citra masukan lebih lanjut dengan cara melakukan operasi pendeteksian sisi dengan menggunakan algoritma sobel. Terdapat dua macam pendeteksian sisi yang dilakukan, yaitu pendeteksian sisi horisontal dan sisi vertikal, dan operasi ini menghasilkan dua citra tambahan yang dijadikan masukan jaringan saraf tiruan seperti pada Gambar V-6. Gambar V-6 Contoh Masukan NeuralNetEdgeTechnique Nilai keluaran yang dihasilkan oleh NeuralNetEdgeTechnique kemudian dipetakan menjadi salah satu diantara tiga target orientasi sesuai dengan aturan yang terdapat dalam Tabel V.1-6. V-7
8 Tabel V.1-6 Interpretasi Orientasi Kepala dari Nilai Keluaran NeuralNetEdgeTechnique Interpretasi Orientasi Batas Nilai Keluaran Terkecil Batas Nilai Keluaran Terbesar Horisontal Kiri 0.0 < 0.25 Horisontal Tengah Horisontal Kanan > Vertikal Bawah 0.0 < 0.41 Vertikal Tengah Vertikal Atas > Perbedaan arsitektur jaringan saraf tiruan untuk kedua teknik implementasi dapat dilihat pada Tabel V.1-7. Perbedaan tersebut dikarenakan jumlah pixel masukan untuk teknik pengenalan NeuralNetEdgeTechnique lebih banyak. Selain itu, untuk membatasi ukuran jaringan saraf tiruan yang dihasilkan, citra masukan pada NeuralNetEdgeTechnique memiliki ukuran lebih kecil. Referensi dari [STI04] menyatakan bahwa citra masukan sebesar 20 x 30 pixel sudah memadai untuk melakukan pengenalan dengan baik. Sebagai perbandingan, ukuran citra masukan bagi NeuralNetBasicTechnique adalah sebesar 30 x 32 pixel. Karena NeuralNetEdgeTechnique menggunakan tiga citra masukan, maka jumlah node masukan pada jaringan saraf tiruan yang digunakan teknik tersebut adalah sebanyak 20 x 30 x 3 node, atau sebanyak 1800 node. Tabel V.1-7 Perbedaan Arsitektur Jaringan Saraf Tiruan Antara Teknik Implementasi Teknik Implementasi Node Masukan Node Tersembunyi Node Keluaran NeuralNetBasicTechnique sampai dengan 13 1 NeuralNetEdgeTechnique 1800 V.1.5 Implementasi Antar Muka Implementasi dilakukan dengan menggunakan rancangan yang terdapat pada subbab IV.2.2. Empat panel yang tersedia digunakan untuk menampilkan citra dari webcam, citra wajah dengan ukuran kecil, citra dalam spectrum YCrCb dengan bagian putih menunjukkan warna kulit, serta citra wajah berwarna dengan area wajah yang terdeteksi ditandai dengan kotak merah. Urutan panel tersebut dapat dilihat pada Gambar V-7. V-8
9 Gambar V-7 Urutan Panel Citra yang Diimplementasikan Gambar V-8 menunjukkan tampilan sistem ketika melakukan pengenalan orientasi wajah ke arah kanan. Dapat dilihat pada pojok kiri bawah di bagian yang ditandai kotak merah, jaringan saraf tiruan mengenali orientasi kepala tersebut sebagai orientasi ke arah kanan dengan nilai keluaran jaringan saraf tiruan horisontal sebesar Gambar V-8 Tampilan Sistem dalam Pengenalan Orientasi Arah Kanan Gambar V-9 menunjukkan tampilan sistem ketika melakukan pengenalan orientasi wajah ke arah kanan. Jaringan saraf tiruan mengenali orientasi kepala tersebut sebagai orientasi ke arah kiri dengan nilai keluaran jaringan saraf tiruan horisontal sebesar V-9
10 Gambar V-9 Tampilan Sistem dalam Pengenalan Orientasi Arah Kiri Gambar V-10 menunjukkan tampilan sistem ketika melakukan pengenalan orientasi wajah ke arah atas. Jaringan saraf tiruan mengenali orientasi kepala tersebut sebagai orientasi ke arah atas dengan nilai keluaran jaringan saraf tiruan vertikal sebesar Gambar V-10 Tampilan Sistem dalam Pengenalan Orientasi Arah Atas Gambar V-11 menunjukkan tampilan sistem ketika melakukan pengenalan orientasi wajah ke arah bawah. Jaringan saraf tiruan mengenali orientasi kepala tersebut sebagai orientasi ke arah bawah dengan nilai keluaran jaringan saraf tiruan vertikal sebesar V-10
11 Gambar V-11 Tampilan Sistem dalam Pengenalan Orientasi Arah Bawah V.1.6 Implementasi Navigasi dalam Lingkungan Virtual Perintah-perintah untuk pergerakan navigasi yang diinterpretasikan oleh sistem ditranslasikan sebagai perubahan posisi dan orientasi kamera dalam lingkungan virtual. Tabel V.1-8 menunjukkan implementasi perubahan posisi dan orientasi untuk setiap perintah navigasi yang diterima. Orientasi Kepala Tabel V.1-8 Perubahan Posisi dan Orientasi Terhadap Perintah Navigasi Perintah Navigasi Perubahan Posisi atau Orientasi Kiri Rotasi ke kiri Orientasi sumbu X berkurang 0.06 radian / detik Kanan Rotasi ke kanan Orientasi sumbu X bertambah 0.06 radian / detik Atas Gerak ke belakang Kamera bergerak ke sumbu Z kamera sebanyak +8 unit / detik Bawah Gerak ke depan Kamera bergerak ke sumbu Z kamera sebanyak -8 unit / detik V.2 Pengujian V.2.1 Tujuan Pengujian Pengujian terhadap sistem yang dikembangkan memiliki dua tujuan terpisah. Tujuan yang pertama adalah untuk melihat tingkat akurasi dari pengenalan orientasi kepala yang dibangun. Pengujian untuk tingkat akurasi terdiri dari dua pengujian, yaitu untuk mengetahui tingkat akurasi pengenalan wajah sebagai pemrosesan awal dari sistem, serta untuk mengetahui tingkat akurasi pengenalan orientasi kepala. V-11
12 Hasil pengujian tingkat akurasi pengenalan orientasi kepala ini dapat dibandingkan dengan sistem pengenalan orientasi kepala lain yang dijadikan sebagai referensi pengembangan. Dalam hal ini, sistem pengenalan orientasi kepala dibandingkan dengan yang terdapat pada [STI04]. Pemilihan kasus perbandingan dikarenakan paper tersebut menggunakan data pelatihan dan pengujian yang sama dengan yang digunakan pada sistem yang sedang dibangun, sehingga lebih mudah membandingkan tingkat akurasi kedua sistem. Sedangkan tujuan yang kedua adalah mengecek fungsionalitas dari sistem yang dikembangkan dengan berpanduan pada daftar fungsionalitas yang terdapat pada Tabel IV.3-1. Fungsionalitas utama dari sistem yang hendak diuji adalah fungsionalitas navigasi sistem. V.2.2 Lingkungan Pengujian Lingkungan yang digunakan untuk keperluan pengujian memiliki spesifikasi yang sama dengan lingkungan yang digunakan dalam pengembangan sistem. Spesifikasi tersebut dapat dilihat pada subbab V.1.1. V.2.3 Data Pengujian Data pengujian terbagi menjadi dua jenis. Untuk pengujian fungsionalitas, data yang digunakan berasal dari sensor video yang dimiliki. Sedangkan untuk pengujian tingkat akurasi sistem, data yang digunakan berasal dari kumpulan citra dalam Pointing 04 Head Pose Image Database yang juga digunakan dalam [STI04]. Pembahasan mengenai basis data citra ini dapat dilihat pada subbab III.3.4. Terdapat dua kumpulan citra yang digunakan dalam pengujian. Kumpulan citra yang pertama diuji dengan menggunakan kriteria data yang sama dengan data yang digunakan dalam pelatihan, yaitu kumpulan citra yang sudah dibersihkan V-12
13 dari citra yang mengalami kesalahan proses pengenalan wajah. Kumpulan citra kedua tetap memasukkan citra-citra yang mengalami kesalahan pengenalan untuk melihat dampak akurasi proses pengenalan citra wajah ke akurasi proses pengenalan orientasi kepala. V.2.4 Skenario dan Hasil Pengujian Fungsionalitas Untuk pengujian fungsionalitas, skenario pengujian adalah pengguna berusaha mengikuti sebuah jalan yang terdapat pada lingkungan virtual. Skenario ini bertujuan untuk menguji apakah pengguna dapat melakukan navigasi sesuai dengan keinginan. Gambar V-12 menunjukkan tampilan jalan yang digunakan dalam pengujian fungsionalitas. Gambar V-12 Tampilan Jalan yang Digunakan dalam Pengujian Fungsionalitas Panduan dari pengujian fungsionalitas ini adalah pada rancangan fungsionalitas yang terdapat dalam subbab IV.3. Kriteria pengujian fungsionalitas yang dihasilkan dengan menggunakan panduan dalam subbab tersebut dapat dilihat pada Tabel V.2-1. V-13
14 Tabel V.2-1 Skenario Pengujian Fungsionalitas No. Nama Fungsionalitas Kriteria Sukses 1 Pengenalan dan isolasi wajah, sistem mampu mengenali dan mengisolasi citra area wajah pengguna dari citra keseluruhan. - Citra hasil isolasi hanya menunjukkan citra wajah pengguna saja. - Batas kiri dan kanan dari citra wajah adalah pipi atau telinga pengguna - Batas atas dari wajah adalah bagian rambut paling atas - Batas bawah dari wajah mencapai bagian leher. 2 Pengenalan orientasi kepala ke arah atas. 3 Pengenalan orientasi kepala ke arah bawah. 4 Pengenalan orientasi kepala ke arah kanan. 5 Pengenalan orientasi kepala ke arah kiri. 6 Navigasi dalam lingkungan virtual Ketika pengguna mengarahkan kepalanya ke arah atas, sistem menggerakan pandangan dalam lingkungan virtual ke arah belakang. Ketika pengguna mengarahkan kepalanya ke arah bawah, sistem menggerakan pandangan dalam lingkungan virtual ke arah depan. Ketika pengguna mengarahkan kepalanya ke arah kanan, sistem menggerakan pandangan dalam lingkungan virtual ke arah kanan. Ketika pengguna mengarahkan kepalanya ke arah kiri, sistem menggerakan pandangan dalam lingkungan virtual ke arah kiri. Pengguna dapat berjalan dari satu ujung jalan dalam lingkungan virtual ke ujung jalan lainnya dengan menggunakan fungsionalitas navigasi yang sudah diuji dalam poin sebelumnya Pengujian fungsionalitas dilakukan terhadap pengguna dengan menggunakan batasan-batasan implementasi yang tercantum dalam subbab V.1.2. Masukan dari pengujian ini berasal dari sensor video atau webcam. Pengguna diminta untuk melakukan navigasi dari satu titik dalam dunia virtual menuju titik lain dengan jalan sebagai penanda jalur yang harus dilaluinya. Hasil dari pengujian fungsionalitas ini dapat dilihat pada Tabel V.2-2. Tabel V.2-2 Hasil Pengujian Fungsionalitas No. Nama Fungsionalitas Hasil Pengujian 1 Pengenalan dan isolasi wajah, sistem mampu mengenali dan mengisolasi citra area wajah pengguna dari citra keseluruhan. Sukses 2 Pengenalan orientasi kepala ke arah atas. Sukses 3 Pengenalan orientasi kepala ke arah bawah. Sukses 4 Pengenalan orientasi kepala ke arah kanan. Sukses 5 Pengenalan orientasi kepala ke arah kiri. Sukses 6 Navigasi dalam lingkungan virtual Sukses V-14
15 V.2.5 Skenario dan Hasil Pengujian Akurasi Pengenalan Wajah Pengujian tingkat akurasi pengenalan wajah dilakukan dengan melihat hasil proses pengenalan wajah dari kumpulan citra dalam Pointing 04 Head Pose Image Database. Kriteria yang digunakan dalam menentukan apakah sebuah citra hasil proses pengenalan menghasilkan pengenalan wajah yang benar atau tidak mengikuti butir pertama kriteria fungsionalitas yang terdapat dalam Tabel V.2-1. Proses pengenalan apakah sebuah citra hasil pengenalan wajah memenuhi kriteria tersebut atau tidak dilakukan secara manual terhadap citra wajah yang terdapat dalam kumpulan citra yang digunakan. Hasil dari proses pengenalan ini menemukan 50 citra wajah yang dianggap mengalami kesalahan pengenalan. Angka kesalahan tersebut menghasilkan tingkat akurasi pengenalan wajah sebesar 98.2% dengan tingkat kesalahan sebesar 1,8%. Contoh citra yang mengalami kesalahan pengenalan wajah terdapat pada Gambar V-13. Gambar V-13 Contoh Kesalahan dari Hasil Pengujian Pengenalan Wajah V-15
16 Citra pertama dalam Gambar V-13 dinyatakan salah karena tidak memenuhi kriteria batas atas dimana dahi pengguna harus masuk ke dalam citra wajah yang dikenali. Citra kedua mengira area rambut sebagai area wajah. Citra ketiga tidak memenuhi kriteria batas kiri dan kanan dimana batas citra wajah yang dikenali hanya sampai bagian telinga saja. Dalam citra keempat, subjek yang melihat ke arah bawah menunjukkan citra wajah yang sangat kecil dan tidak berhasil dikenali oleh sistem. Dalam pengujian ini, sistem mengembalikan seluruh area citra masukan sebagai area wajah sebagai penanda kegagalan proses pendeteksian wajah. Analisis penyebab dari kesalahan-kesalahan ini sudah dibahas pada subbab III.4.3 mengenai Batasan Citra untuk Ekstraksi Wajah. V.2.6 Skenario Pengujian Akurasi Pengenalan Orientasi Kepala Pengujian tingkat akurasi sistem menggunakan kumpulan citra yang terdapat di dalam Pointing 04 Head Pose Image Database. Pengujian dilakukan terhadap dua teknik implementasi yang didukung oleh sistem untuk melihat performansi teknik implementasi mana yang lebih baik. Selain itu, pengujian dilakukan dengan menggunakan dua kumpulan citra berbeda, yaitu kumpulan citra dengan kesalahan pengenalan wajah yang sudah dihilangkan dan kumpulan citra yang masih mengandung citra-citra yang mengalami kesalahan pengenalan wajah. Hal ini bertujuan untuk melihat dampak akurasi pengenalan wajah terhadap akurasi pengenalan orientasi kepala. Kedua pengujian dilakukan dengan menggunakan kriteria penilaian pengujian yang membandingkan derajat orientasi citra masukan dengan derajat hasil interpretasi sistem. Dengan kriteria ini, sebuah sistem yang menginterpretasikan derajat orientasi horisontal sebesar -60 o dari yang sebenarnya -75 o dihitung sebagai kesalahan interpretasi. Kriteria ini serupa dengan yang digunakan pada [STI04] dan dapat digunakan untuk memperbandingkan tingkat akurasi antara kedua sistem. V-16
17 Sistem pengenalan orientasi kepala yang digunakan dalam tugas akhir ini mengklasifikasikan derajat orientasi hasil interpretasi menjadi tiga kelompok orientasi: kelompok kiri, tengah, dan kanan untuk orientasi horisontal serta kelompok bawah, tengah, dan atas untuk orientasi vertikal. Hal ini menjadikan penentuan batas-batas antara kelompok sangat mempengaruhi akurasi sistem pengenalan. Misalnya, interpretasi sistem sebesar -60 o dari nilai orientasi sebenarnya -75 o tetap dihitung sebagai interpretasi yang benar karena kedua nilai tersebut masuk ke dalam kelompok kiri. Hal ini berbeda dengan kriteria yang digunakan sebelumnya dimana kedua hasil ini dianggap masuk ke dalam kelas yang berbeda dan merupakan kesalahan klasifikasi. Namun, kesalahan interpretasi masih dapat terjadi jika misalnya sistem menghasilkan interpretasi sebesar 15 o dari nilai sebenarnya sebesar 45 o, dan kedua nilai tersebut dikelompokkan ke dalam kelompok yang berbeda. Dalam kasus ini, jika 15 o dikelompokkan ke dalam kelompok tengah dan 45 o ke dalam kelompok kanan, misalnya. Karena kriteria yang digunakan untuk pengelompokan sangat mempengaruhi akurasi sistem, maka pengujian dilakukan terhadap beberapa kriteria pengelompokan sekaligus untuk melihat kriteria mana yang menghasilkan tingkat akurasi tertinggi. Tabel V.2-3 dan Tabel V.2-4 memuat beberapa alternatif kriteria penilaian yang dapat digunakan untuk menilai tingkat akurasi sistem, masing-masing untuk jaringan saraf tiruan tertentu, dimana alternatif A merupakan kriteria pengukuran tingkat akurasi yang membandingkan derajat hasil keluaran dan masukan tanpa menggunakan kriteria pengelompokan menjadi tiga kelompok besar. Sebagai contoh, untuk alternatif B dalam pengenalan orientasi horisontal, batas antara derajat hasil interpretasi -60 o dan -45 o menyatakan bahwa batas sebuah derajat hasil interpretasi untuk masuk ke dalam kelompok Kiri adalah lebih kecil dari o dan lebih besar dari -90 o. V-17
18 Tabel V.2-3 Alternatif Kriteria Pengelompokan Nilai Pengenalan Orientasi Horisontal Derajat Alternatif Kriteria A B Kiri Tengah Kanan C Kiri Tengah Kanan D Kiri Tengah Kanan E Kiri Tengah Kanan Tabel V.2-4 Alternatif Kriteria Pengelompokan Nilai Pengenalan Orientasi Vertikal Derajat Alternatif Pendekatan A B Bawah Tengah Atas C Bawah Tengah Atas D Bawah Tengah Atas Untuk semua pengujian akurasi sistem pengenalan orientasi kepala, digunakan seluruh data citra wajah yang terdapat dalam Pointing 04 Head Pose Image Database sebagai data pengujian. V.2.7 Hasil Pengujian Akurasi Pengenalan Orientasi Kepala Pengujian pertama adalah untuk membandingkan dua teknik implementasi yang digunakan dalam sistem dan melihat teknik implementasi mana yang memiliki tingkat akurasi yang lebih baik. Pengujian ini menggunakan kriteria penilaian A seperti yang terdapat pada Tabel V.2-3 dan Tabel V.2-4, yaitu kriteria penilaian tanpa adanya pengelompokan menjadi tiga kelompok besar. Perbandingan hasil pengujian baik untuk jaringan saraf tiruan horisontal maupun vertikal dapat dilihat dalam Tabel V.2-5. Untuk pengujian ini, digunakan data pelatihan yang sudah dibersihkan dari kesalahan pengenalan wajah. Tabel V.2-5 Perbandingan Hasil Pengujian Akurasi antara Teknik Implementasi Arah Orientasi Jaringan Saraf Tiruan NeuralNetBasicTechnique NeuralNetEdgeTechnique Horisontal 22,99% 47,59% Vertikal 40,90% 54,70% V-18
19 Dari tabel tersebut dapat dilihat bahwa teknik implementasi dengan menggunakan pengenalan sisi memiliki tingkat akurasi yang lebih baik dibandingkan dengan teknik implementasi yang hanya melakukan proses pengenalan dari citra grayscale yang ternormalisasi saja. Perbedaan tingkat akurasi ini menyebabkan teknik implementasi menggunakan pengenalan sisi digunakan sebagai teknik implementasi utama dalam sistem pengenalan orientasi kepala yang dikembangkan dalam tugas akhir ini. Pengujian-pengujian berikutnya dilakukan dengan menggunakan teknik implementasi ini. Pengujian selanjutnya adalah untuk membandingkan tingkat akurasi antara sistem pengenalan orientasi yang dilatih dengan dua macam data masukan. Yang pertama adalah sistem pengenalan orientasi yang menggunakan keseluruhan citra wajah masukan, termasuk kumpulan citra wajah yang mengalami kesalahan pengenalan wajah. Sedangkan yang kedua adalah sistem pengenalan orientasi yang dilatih dengan data masukan yang sudah dibersihkan terlebih dahulu dari citra yang mengalami kesalahan pengenalan wajah. Tabel V.2-6 menunjukkan perbandingan tingkat akurasi dari kedua jenis jaringan saraf tiruan. Tabel V.2-6 Perbandingan Hasil Pengujian Akurasi antara Data Masukan Bersih dan Tidak Arah Orientasi Jaringan Saraf Tiruan Data Masukan yang Belum Dibersihkan Data Masukan yang Sudah Dibersihkan Horisontal 46,09% 47,59% Vertikal 52,99% 54,70% Dapat dilihat dari tabel tersebut bahwa jaringan saraf tiruan yang dilatih dengan menggunakan data masukan yang belum dibersihkan memiliki tingkat akurasi sedikit lebih rendah dibandingkan dengan tingkat akurasi jaringan saraf tiruan yang dilatih dengan data masukan yang sudah dibersihkan. Hal ini dikarenakan citra dengan kesalahan pengenalan wajah memberikan pelatihan yang salah terhadap jaringan saraf tiruan, namun karena tingkat kesalahan pengenalan wajah hanya sebesar 1,8% seperti yang tercantum pada subbab V.2.5, maka dampak kesalahan pengenalan wajah ke akurasi pengenalan orientasi kepala relatif kecil. V-19
20 Pengujian berikutnya dilakukan untuk mengetahui kriteria pengelompokan mana yang memberikan tingkat akurasi tertinggi. Terdapat lima buah alternatif kriteria horisontal dan empat buah alternatif kriteria vertikal yang menjalani pengujian. Seluruh pengujian menggunakan teknik implementasi dengan pengenalan sisi serta data pelatihan yang sudah dibersihkan dari kesalahan pengenalan wajah. Confusion matrix yang dihasilkan dari seluruh alternatif kriteria pengelompokan dapat dilihat pada Lampiran A, sedangkan rekapitulasi hasil pengujian ini tercantum pada Tabel V.2-7. Tabel V.2-7 Rekapitulasi Pengujian Alternatif Kriteria Pengenalan Orientasi Kepala Alternatif Kriteria Akurasi Horisontal Akurasi Vertikal A 47.59% 54,70% B 89.09% 84,16% C 91.46% 85,88% D 89.05% 82,76% E 89.42% - Tabel tersebut menunjukkan bahwa penggunaan alternatif kriteria C untuk kedua jaringan saraf tiruan memberikan tingkat akurasi yang paling tinggi dibandingkan dengan alternatif-alternatif lainnya. Hal ini berarti kriteria batasan derajat yang digunakan dalam sistem ini menggunakan batasan yang tercantum dalam Tabel V.2-8 yang bersumber pada definisi kriteria C dalam Tabel V.2-3 dan Tabel V.2-4. Angka -52,5 o sebagai batas kiri maksimal, misalnya, didapat dari titik tengah antara -60 o dan -45 o yang merupakan batas antara kelompok kiri dan tengah pada tabel yang mendefinisikan kriteria pengelompokan. Tabel V.2-8 Kriteria Pengelompokan yang Digunakan dalam Sistem Kriteria Batasan Kelompok Derajat Minimal Derajat Maksimal Batas Kiri -90,0 o Horisontal -52,5 o Horisontal Batas Tengah -52,5 o Horisontal 37.5 o Horisontal Batas Kanan 37.5 o Horisontal 90,0 o Horisontal Batas Bawah -90 o Vertikal -22,5 o Vertikal Batas Tengah -22,5 o Vertikal 45 o Vertikal Batas Atas 45 o Vertikal 90 o Vertikal V-20
21 Dalam kaitannya dengan penggunaan sistem pengenalan orientasi kepala, tabel ini berarti pengguna harus menolehkan kepalanya setidaknya sebesar 37,5 o ke arah kanan agar sistem menginterpretasikan orientasi kepala tersebut sebagai perintah bergerak ke kanan. Demikian pula untuk arah-arah lainnya. Namun dalam praktiknya, derajat orientasi kepala yang terletak tepat di batas antara kedua kelompok tersebut rentan terhadap kesalahan klasifikasi, sehingga pengguna sebaiknya menolehkan kepalanya dengan derajat yang lebih besar agar kesalahan klasifikasi dapat ditekan. Untuk keperluan analisis mengenai kesulitan sistem dalam melakukan klasifikasi, Tabel V.2-9 dan Tabel V.2-10 mencantumkan confusion matrix dari masingmasing jaringan saraf tiruan dengan menggunakan kriteria penilaian A. Kedua tabel ini diambil dari Tabel A-1 dan Tabel A-6 yang terdapat dalam Lampiran A. Tabel V.2-9 Hasil Pengujian Pengenalan Orientasi Horisontal Kriteria A Hasil Klasifikasi JST Target Klasifikasi JST Dari tabel di atas, terdapat kecenderungan semakin ke kanan orientasi kepala semakin sulit pula jaringan saraf tiruan untuk melakukan klasifikasi dengan benar. Bahkan untuk derajat orientasi 90 o, sistem sama sekali tidak berhasil melakukan klasifikasi dengan benar dan mengklasifikasikannya sebagai orientasi 75 o. Hal ini tidak terjadi pada orientasi sebaliknya ke arah kiri, dimana sistem mengklasifikasikan dengan benar 125 citra dengan orientasi -90 o dari seluruh citra orientasi -90 o sebanyak 210 buah, atau dengan tingkat akurasi 59,5%. V-21
22 Sedangkan untuk tabel Tabel V.2-10 di bawah, sistem relatif lebih baik melakukan pengenalan orientasi kepala ke arah atas dibandingkan dengan pengenalan ke arah depan atau bawah. Untuk derajat orientasi 15 o sampai dengan 90 o, sebagian besar citra pengujian yang diterima sistem berhasil diklasifikasikan dengan benar ke dalam derajat orientasi yang seharusnya. Namun, pada derajat orientasi 0 o dan -60 o, tingkat akurasi sistem relatif lebih kecil, dimana untuk derajat orientasi 0 o lebih sering diklasifikasikan sebagai -15 o dan untuk derajat orientasi -60 o lebih sering diklasifikasikan sebagai -30 o. Terdapat kecenderungan dari jaringan saraf tiruan untuk mengklasifikasikan orientasi kepala bawah dan tengah menjadi sekitar -30 o. Tabel V.2-10 Hasil Pengujian Pengenalan Orientasi Vertikal Kriteria A Hasil Klasifikasi JST Target Klasifikasi JST V.2.8 Perbandingan dengan Related Work Sistem pengenalan orientasi kepala yang dibandingkan dengan tugas akhir ini adalah sistem yang terdapat pada [STI04]. Penjelasan mengenai pengujian yang dilakukan dalam [STI04] terdapat dalam subbab II.5. Hasil dari pengujian dalam [STI04] dicantumkan dalam bentuk confusion matrix dalam Tabel V.2-11 dan Tabel V Salah satu perbedaan hasil pengujian dengan yang terdapat dalam tugas akhir ini adalah [STI04] tidak melakukan pengujian untuk orientasi kepala vertikal dengan derajat orientasi -15 o dan 15 o. Tabel V.2-11 Confusion Matrix untuk Klasifikasi Orientasi Kepala Vertikal [STI04] Hasil Klasifikasi JST Target Klasifikasi JST V-22
23 Tabel V.2-12 Confusion Matrix untuk Klasifikasi Orientasi Kepala Horisontal [STI04] Hasil Klasifikasi JST Target Klasifikasi JST Dalam confusion matrix tersebut, data pada diagonal tabel yang diberi latar abuabu merupakan hasil klasifikasi yang sesuai dengan target klasifikasi jaringan saraf tiruan. Tingkat akurasi dihitung dari perbandingan antara jumlah citra dalam data tersebut dengan jumlah citra yang terletak di luar diagonal tabel. Dari perhitungan tersebut, dihasilkan tingkat akurasi [STI04] yang perbandingannya dengan sistem yang dikembangkan dalam tugas akhir ini dapat dilihat pada Tabel V Tabel V.2-13 Perbandingan Akurasi Sistem dalam Tugas Akhir dengan [STI04] Jenis Pengenalan Asal Sistem Akurasi Horisontal Tugas Akhir 52.9% [STI04] 66.3% Vertikal Tugas Akhir 54.7% [STI04] 52.0% Sistem yang dikembangkan dalam tugas akhir ini memiliki akurasi yang relatif lebih rendah dalam pengenalan orientasi kepala horisontal, namun relatif lebih tinggi dalam pengenalan orientasi kepala vertikal. Salah satu dugaan penyebab perbedaan akurasi ini adalah data pelatihan orientasi horisontal dalam [STI04] yang lebih banyak dikarenakan digunakannya proses pencerminan citra untuk melipatgandakan jumlah citra orientasi horisontal yang dapat digunakan oleh sistem. V-23
Bab ini membahas tentang latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi, dan sistematika pembahasan dari tugas akhir ini.
BAB I PENDAHULUAN Bab ini membahas tentang latar belakang, rumusan masalah, tujuan, batasan masalah, metodologi, dan sistematika pembahasan dari tugas akhir ini. I.1 Latar Belakang Perkembangan interaksi
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 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 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 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Piranti yang digunakan untuk pelatihan maupun pengujian sistem terdiri dari perangkat keras dan perangkat lunak. 4.1.1 Perangkat Keras Perangkat keras
Lebih terperinciBAB III METODOLOGI PENELITIAN. dan menarik kesimpulan dengan masalah penelitian tertentu.
BAB III METODOLOGI PENELITIAN Metode penelitian atau dikenal dengan metodologi penelitian adalah caracara yang digunakan oleh peneliti dalam merancang, melaksanakan, pengolah ata, dan menarik kesimpulan
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 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 terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM 3.1 Metode Perancangan Perancangan sistem didasarkan pada teknologi computer vision yang menjadi salah satu faktor penunjang dalam perkembangan dunia pengetahuan dan teknologi,
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 4 IMPLEMENTASI DAN EVALUASI. menjalankan aplikasi ini adalah : Prosesor Pentium IV 2.6 Ghz. Graphic Card dengan memori minimum 64 MB
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Perangkat Lunak Aplikasi 4.1.1 Spesifikasi Perangkat Keras Spesifikasi minimum dari perangkat keras yang dibutuhkan agar dapat menjalankan aplikasi ini adalah
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 terperinciBAB 3 PERANCANGAN SISTEM
BAB 3 PERANCANGAN SISTEM Sistem vision yang akan diimplementasikan terdiri dari 2 bagian, yaitu sistem perangkat keras dan perangkat lunak. Perangkat lunak yang digunakan dalam sistem vision ini adalah
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Sistem-sistem pendukung yang digunakan oleh penulis dalam menjalankan aplikasi yang telah dirancang ini dibedakan menjadi 2 yaitu kelompok hardware
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 III PERANCANGAN SISTEM
BAB III PERANCANGAN SISTEM 3.1 Diagram Blok Sistem ini terdiri dari 2 blok utama yaitu blok proses pelatihan dan proses pengenalan. Blok proses pelatihan terdiri dari webcam dan perangkat lunak yang memproses
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 III METODOLOGI PENELITIAN
42 BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian Observasi, serta konsultasi dengan ahli grafologi mengenai pengenalan tulisan tangan untuk melihat karakter psikologi dengan melihat bentuk huruf
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan
BAB IV IMPLEMENTASI DAN EVALUASI Implementasi dan Evaluasi yang dilakukan penulis merupakan implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan perangkat lunak dari sistem secara keseluruhan
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bab ini, akan membahas implementasi dan hasil pengujian dari program aplikasi yang telah dibuat. Pada perancangan aplikasi ini meliputi perbedaan citra hasil foto
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 IMPLEMENTASI DAN EVALUASI. Memory : DDR2 SDRAM 1 Gb (min 512Mb) Webcam : Logitech Quickcam Pro Telepon seluler : Sony Ericsson K618i
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Spesifikasi Sistem Program pendeteksi objek ini diuji dengan menggunakan spesifikasi komputer sebagai berikut : a. Hardware : Processor : Intel Pentium core 2 duo 2.0
Lebih terperinciIMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini dibahas mengenai implementasi serta evaluasi terhadap metode transformasi wavelet dalam sistem pengenalan sidik jari yang dirancang. Untuk mempermudah evaluasi,
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 I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Bertambahnya jumlah mahasiswa dari tahun ke tahun di IT Telkom mengakibatkan semakin banyak buku buku Tugas Akhir yang dibuat. Dengan semakin banyaknya buku
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah:
BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: PC dengan spesifikasi: a. Sistem Operasi : Microsoft Windows 10 Enterprise 64-bit
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
54 BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program 4.1.1 Spesifikasi Kebutuhan Program Spesifikasi Perangkat Keras Perangkat keras yang digunakan untuk merancang sistem ini adalah : Processor
Lebih terperinciCalculati Alfi Jannati Mujiono Pembimbing : Dr. Singgih Jatmiko, SSi., MSc
ANALISIS PERBANDINGAN METODE EIGENFACE DENGAN FISHERFACE PADA PROSES PENGENALAN WAJAH Calculati Alfi Jannati Mujiono 51410506 Pembimbing : Dr. Singgih Jatmiko, SSi., MSc Latar Belakang Perkembangan Teknologi
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 III Perangkat Pengujian
Bab III Perangkat Pengujian Persoalan utama dalam tugas akhir ini adalah bagaimana mengimplementasikan metode pengukuran jarak menggunakan pengolahan citra tunggal dengan bantuan laser pointer dalam suatu
Lebih terperinciBab V Metode Penelitian
Bab V Metode Penelitian V.1. Waktu dan Tempat Penelitian Penelitian dilakukan di dua tempat, yakni Laboratorium Tesis Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung dan Laboratorium
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI
PENGENALAN WAJAH DENGAN METODE ADJACENT PIXEL INTENSITY DIFFERENCE QUANTIZATION TERMODIFIKASI Nama Mahasiswa : Yuliono NRP : 1206 100 720 Jurusan : Matematika Dosen Pembimbing : Drs. Soetrisno, M.IKomp
Lebih terperinciBAB 1 PENDAHULUAN. Augmented Reality menjadi semakin luas. Teknologi Computer Vision berperan
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi Augmented Reality dapat memvisualisasikan dengan baik model 3 dimensi, video, paparan area, maupun animasi 3 dimensi dengan hanya membutuhkan deteksi visual
Lebih terperinciIII. METODE PENELITIAN. Penelitian mengenai analisis pola interferensi pada interferometer Michelson
22 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian mengenai analisis pola interferensi pada interferometer Michelson akibat perbedaan ketebalan benda transparan dengan metode image processing
Lebih terperinciBAB I: PENDAHULUAN. lingkup dari Tugas Akhir ini, serta diakhiri dengan sistematika penulisan laporan.
BAB I: PENDAHULUAN Bab I ini berisikan penjelasan mengenai latar belakang, permasalahan, tujuan, dan ruang lingkup dari Tugas Akhir ini, serta diakhiri dengan sistematika penulisan laporan. 1.1 LATAR BELAKANG
Lebih terperinciTRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION
TRACKING OBJECT MENGGUNAKAN METODE TEMPLATE MATCHING BERBASIS STEREO VISION Indra Pramana, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. menggunakan serial port (baudrate 4800bps, COM1). Menggunakan Sistem Operasi Windows XP.
BAB 4 IMPLEMENTASI DAN EVALUASI Bab ini menjelaskan tentang hasil penelitian yang berupa spesifikasi sistem, prosedur operasional penggunaan program, dan analisa sistem yang telah dibuat. 4.1 Spesifikasi
Lebih terperinciBAB I PENDAHULUAN. Perkembangan sistem komputer semakin berkembang pesat dan telah
BAB I PENDAHULUAN 1.1 LATAR BELAKANG MASALAH Perkembangan sistem komputer semakin berkembang pesat dan telah banyak memegang peranan penting dalam kehidupan sehari hari. Salah satu bagian yang terkait
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bab ini akan dilakukan implementasi dan pengujian terhadap aplikasi yang dibangun. Tahapan ini dilakukan setelah analisis dan perancangan selesai dilakukan dan selanjutnya
Lebih terperinciBAB 3 PERANCANGAN SISTEM
21 BAB 3 PERANCANGAN SISTEM 3.1 Arsitektur Sistem Template Formulir Sample Karakter Pengenalan Template Formulir Pendefinisian Database Karakter Formulir yang telah diisi Pengenalan Isi Formulir Hasil
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam tugas akhir ini penguji melakukan pengujian dari judul tugas akhir sebelumnya, yang dilakukan oleh Isana Mahardika. dalam tugas akhir tersebut membahas pendeteksian tempat
Lebih terperinciBAB 4 PENGUJIAN DAN EVALUASI. dengan menggunakan 15 tanda tangan yang berasal dari 1 user yang masing masing
BAB 4 PENGUJIAN DAN EVALUASI 4.1 Pengujian Pengujian tanda tangan dilakukan dengan cara meminta masing masing user untuk melakukan 60 tanda tangan. Lalu kami akan menyeleksi tanda tangan mereka dengan
Lebih terperinciBAB IV IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI SMART READER
BAB IV IMPLEMENTASI DAN EVALUASI PROGRAM APLIKASI SMART READER Pada bab ini akan diuraikan pembahasan mengenai implementasi dan evaluasi dari program aplikasi Smart Reader ini. Adapun implementasi dan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Gambar 3.1 merupakan desain penelitian yang akan digunakan pada
BAB III METODOLOGI PENELITIAN 1.1. Desain Penelitian Gambar 3.1 merupakan desain penelitian yang akan digunakan pada proses pengenalan huruf tulisan tangan Katakana menggunakan metode Fuzzy Feature Extraction
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui tahapan awal didalam sebuah sistem pendeteksian filter sobel. Didalam aplikasi filter sobel ini
Lebih terperinciBAB 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 IV IMPLEMENTASI DAN PENGUJIAN SISTEM
69 BAB IV IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 IMPLEMENTASI BASIS DATA Dalam upaya menyimpan data-data pelaksanaan training pada satu basis data, maka penulis menyiapkan tabel-tabel data yang akan menampung
Lebih terperinciPengenalan Orientasi Kepala Berbasis Visual untuk Interaksi Navigasi Lingkungan Virtual
Pengenalan Orientasi Kepala Berbasis Visual untuk Interaksi Navigasi Lingkungan Virtual LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh: Ibrahim Arief / 13503038 PROGRAM STUDI
Lebih terperinciBAB IV PENGUJIAN SISTEM. koordinat pada tiap-tiap area, akses pixel, contrast streching, histogram. yang
BAB IV PENGUJIAN SISTEM Sistem yang di ujicoba merupakan dari hasil program yang telah selesai dibuat. Dimulai dari pengambilan citra dari WebCam, pengolahan citra yang dimulai dengan update citra kondisi
Lebih terperinciBAB I PENDAHULUAN. Citra digital adalah gambaran dari suatu objek yang bersifat analog berupa
BAB I PENDAHULUAN I.1 Latar Belakang Citra digital adalah gambaran dari suatu objek yang bersifat analog berupa sinyal-sinyal video pada monitor teleovisi, atau bersifat digital yang dapat langsung disimpan
Lebih terperinciIII. METODE PENELITIAN. Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari
48 III. METODE PENELITIAN A. Waktu dan Tempat Penelitian Penelitian ini mulai dilaksanakan pada bulan September 2011 s/d bulan Februari 2012. Pembuatan dan pengambilan data dilaksanakan di Laboratorium
Lebih terperinciBAB 5 UJI COBA DAN ANALISA HASIL
BAB 5 UJI COBA DAN ANALISA HASIL Pada bab ini diuraikan mengenai lingkungan uji coba, hasil uji coba serta analisa hasil uji coba dari perangkat lunak. 5.1 Lingkungan Lingkungan uji coba merupakan komputer
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Mata kuliah kerja praktik yang ada di Universitas Kristen Duta Wacana merupakan mata kuliah yang bersifat mandiri. Dimana mahasiswa yang mengambil mata kuliah
Lebih terperinciBAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM
BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM 4.1 Implementasi Tahap implementasi sistem merupakan tahap penciptaan perangkat lunak, tahap kelanjutan dari kegiatan perancangan sistem. Tahap implementasi merupakan
Lebih terperincidan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. akurasi =.
dan 3. Jumlah partisi vertikal (m) dari kiri ke kanan beturut-turut adalah 1, 2, 3, 4, dan 5. Gambar 5 Macam-macam bentuk partisi citra. Ekstraksi Fitur Pada tahap ini semua partisi dari citra dihitung
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 I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini penggunaan citra digital semakin meningkat karena kelebihan-kelebihan yang dimiliki oleh citra digital tersebut, antara lain kemudahan dalam mendapatkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.
Lebih terperinciSistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot
Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot Mara Nugraha Teknik Informatika Universitas Gunadarma Jl. Margonda Raya 100, Depok maranugraha@sta.gunadarma.ac.id Abstrak Pengenalan
Lebih 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 SISTEM DAN EVALUASI. Aplikasi Virtual Punch Training ini membutuhkan Kinect sebagai media
48 BAB IV IMPLEMENTASI SISTEM DAN EVALUASI 4.1 Implementasi Sistem Tahap ini merupakan pembuatan perangkat lunak yang disesuaikan dengan rancangan atau desain sistem yang telah dibuat. Aplikasi yang dibuat
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Menurut Silva, dkk(2003) ketika mendesain sebuah sistem AR, ada tiga aspek yang harus ada, yaitu kombinasi dari dunia nyata dan dunia virtual, interaksi secara real-time, dan registrasi
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM Bab ini merupakan pembahasan tentang analisis dan implementasi metode 2D Haar Wavelet Transform dan Least Significant Bit dalam proses penyisipan watermark pada citra
Lebih terperinciSISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING
SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING Mohamad Aditya Rahman, Ir. Sigit Wasista, M.Kom Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis 3.1.1 Permasalahan Pemanfaatan Augmented Reality pada umumnya berfokus pada kemampuan visualnya, yaitu berupa bentuk tiga dimensi, lingkungan tiga dimensi, animasi,
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Dalam penelitian ini diperlukan sebuah desain dan metode penelitian agar dalam pelaksanaaannya dapat menjadi lebih teratur dan terurut. 3.1. Desain Penelitian Bentuk dari desain
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam implementasi persamaan Pulse
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 terperinciCOMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA
Seminar Nasional Teknologi Terapan SNTT 2013 (26/10/2013) COMPUTER VISION UNTUK PENGHITUNGAN JARAK OBYEK TERHADAP KAMERA Isnan Nur Rifai *1 Budi Sumanto *2 Program Diploma Elektronika & Instrumentasi Sekolah
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 terperinciIDENTIFIKASI DAN TRACKING OBJEK BERBASIS IMAGE PROCESSING SECARA REAL TIME
IDENTIFIKASI DAN TRACKING OBJEK BERBASIS IMAGE PROCESSING SECARA REAL TIME Hendy Mulyawan, M Zen Hadi Samsono, Setiawardhana Jurusan Telekomunkasi - Politeknik Elektronika Negeri Surabaya Institut Teknologi
Lebih terperinciSecara garis besar, arsitektur sistem Real Time Auto Door-Lock terbagi menjadi 6 bagian, yaitu:
7 DOOR-Lock BAB 2 SISTEM REAL TIME AUTO SISTEM REAL TIME AUTO DOOR-LOCK Bab ini akan menjelaskan tentang arsitektur dari sistem, proses analisis kebutuhan dan desain dari perangkat lunak sistem, skema
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi 4.1.1 Spesifikasi Perangkat Keras Agar memperoleh hasil yang memuaskan, sebagiknya program aplikasi ini menggunakan komputer dengan aplikasi minimal sebagai
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisa Sistem Tahap analisis merupakan tahapan yang paling awal dalam sistem sebuah pendeteksian tepi pada citra digital. Analisis sistem dilakukan dengan tujuan untuk
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 terperinciBAB V PENGUJIAN DAN IMPLEMENTASI SISTEM. perangkat lunak secara manual maupun otomatis untuk menguji apakah
BAB V PENGUJIAN DAN IMPLEMENTASI SISTEM 5.1. Pengujian Pengujian adalah proses menjalankan dan mengevaluasi sebuah perangkat lunak secara manual maupun otomatis untuk menguji apakah perangkat lunak sudah
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Face recognition masih menjadi area yang diteliti secara luas dalam bidang ilmu komputer. Untuk mengenali wajah dalam pencahayaan yang baik dan arah yang tetap tanpa
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Dalam analisis ini berisi penjelasan tentang analisis dan perancangan sistem yang akan dibangun. Analisis akan terdiri dari analisis permasalahan, analisis kebutuhan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Alat yang digunakan dalam penelitian ini adalah: b. Memori : 8192 MB. c. Sistem Model : Lenovo G40-45
20 BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : AMD A8-6410 APU (4 CPUs), ~2.0 GHz b. Memori : 8192
Lebih terperinciBAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra
BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Menurut Kamus Besar Bahasa Indonesia, analisis adalah penyelidikan terhadap suatu peristiwa (karangan, perbuatan, dan sebagainya) untuk mengetahui keadaan
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 terperinciProses Deteksi Kerangka
Proses Deteksi Kerangka ALIRAN DATA DATA PEMAIN Proses Baca Model 3D DATA MODEL 3D Proses Transformasi dan Pemasangan Kerangka DATA PEMAIN DATA MODEL 3D MODEL HASIL TRANSFORMASI MODEL HASIL TRANSFORMASI
Lebih terperinciBAB 4 IMPELEMENTASI DAN EVALUSAI. aplikasi dengan baik adalah sebagai berikut : a. Prosesor intel premium Ghz atau yang setara.
BAB 4 IMPELEMENTASI DAN EVALUSAI 4.1 Implementasi Sistem 4.1.1 Spesifikasi Hardware Spesifikasi minimum hardware yang digunakan untuk menjalankan aplikasi dengan baik adalah sebagai berikut : a. Prosesor
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bagian ini, diberikan gambaran implementasi dan pengujian perangkat lunak AVISteg berdasarkan hasil perancangan perangkat lunak pada Bab III. 4.1 Implementasi Penjelasan
Lebih terperinci3.2.1 Flowchart Secara Umum
BAB III ANALISIS DAN PERANCANGAN 3.1 Analisis Sistem Tahapan analisis merupakan tahapan untuk mengetahui dan memahami permasalahan dari suatu sistem yang akan dibuat. Dalam aplikasi menghilangkan derau
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem dapat didefinisikan sebagai penguraian dari suatu sistem informasi yang utuh kedalam bagian-bagian komponennya dengan maksud
Lebih terperinciBAB III METODOLOGI PENELITIAN. pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based
BAB III METODOLOGI PENELITIAN Pada bab ini diuraikan metode penelitian yang digunakan penulisan dalam pengembangan sistem pemugaran citra digital dengan algoritma exemplar-based image inpainting dan metode
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh
Lebih terperinciPEMBUATAN ALAT KEMUDI DENGAN MENGGUNAKAN OPEN COMPUTER VISION UNTUK SPACESHIP PADA GAME ORBITER SPACE FLIGHT SIMULATOR
PEMBUATAN ALAT KEMUDI DENGAN MENGGUNAKAN OPEN COMPUTER VISION UNTUK SPACESHIP PADA GAME ORBITER SPACE FLIGHT SIMULATOR Suryawan Bimantoro, Imam Kuswardayan, Sarwosri Jurusan Teknik Informatika, Fakultas
Lebih terperinciBAB 3 METODOLOGI PENELITIAN. a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah
BAB 3 METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian 3.1.1 Alat Penelitian a. Spesifikasi komputer yang digunakan dalam penelitian ini adalah sebagai berikut: 1) Prosesor Intel (R) Atom (TM) CPU N550
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI. komponen pendukung, yaitu konfigurasi perangkat keras (hardware) dan
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Untuk mengimplementasikan aplikasi ini diperlukan adanya beberapa komponen pendukung, yaitu konfigurasi perangkat keras (hardware) dan perangkat lunak (software)
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisa Sistem Dokumentasi merupakan suatu hal yang dibutuhkan manusia pada era globalisasi pada saat ini. Karena pentingnya suatu nilai dokumentasi membuat pengguna
Lebih terperinciRaycasting Pada Augmented Reality Dimensi Tiga
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-7 1 Raycasting Pada Augmented Reality Dimensi Tiga Wahyu Setyo Budi, Supeno Mardi Susiki Nugroho, dan Christyowidiasmoro Jurusan Teknik Elektro, Fakultas Teknologi
Lebih terperinciSISTEM PELACAKAN WAJAH METODE HAAR
SISTEM PELACAKAN WAJAH METODE HAAR Endah Sudarmilah Jurusan Teknik Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Email : endah_te@yahoo.com Abstrak. Penelitian deteksi
Lebih terperinciBAB IV PENGUJIAN DAN ANALISIS HASIL PENGUJIAN
BAB IV PENGUJIAN DAN ANALISIS HASIL PENGUJIAN Pada bab ini akan dijelaskan proses pengujian, hasil, dan analisis dari hasil pengujian. Ada tiga bagian yang diuji, yaitu perangkat keras, perangkat lunak,
Lebih terperinciBAB 1 PENDAHULUAN. pemograman juga mengalami peningkatan kerumitan dan fungsi. Salah satu bidang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan perkembangan teknologi informasi, kemajuan dibidang pemograman juga mengalami peningkatan kerumitan dan fungsi. Salah satu bidang yang sedang berkembang
Lebih terperinciBAB V IMPLEMENTASI DAN PENGUJIAN
BAB V IMPLEMENTASI DAN PENGUJIAN Bab ini membahas mengenai implementasi dan pengujian perangkat lunak yang dibangun pada Tugas Akhir ini. Pembahasan mengenai implementasi dipaparkan pada subbab 5.1 sedangkan
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Berikut adalah alur metodologi penelitian yang akan digunakan dalam menyelesaikan penelitian tugas akhir ini : 3.2 Pengumpulan Data Gambar 3.1
Lebih terperinci