Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA)
|
|
- Susanti Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Pengembangan Perangkat Lunak untuk Pengenalan Wajah dengan Filter Gabor Menggunakan Algoritma Linear Discriminant Analysis (LDA) Erma Rachmawati Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60 ema_love_snoopy@yahoo.co.id Abstrak - Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur dan pendekatan penampilan. Pada tugas akhir ini digunakan teknik pengenalan wajah dengan pendekatan fitur berdasarkan fitur gabor yang dihasilkan dari ekstraksi filter gabor. Tugas akhir ini bertujuan untuk merepresentasikan pengenalan wajah dengan tiga metoda berdasarkan fitur gabor, metoda yang pertama yaitu pengenalannya berdasarkan titik-titik fitur gabor pada citra dengan diambil energi tertinggi, metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis) dan metoda yang ke tiga adalah pengenalannya dengan cara pendekatan holistic static berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini menggabungkan PCA dan LDA dimana titik-titik fitur gabor pada citra wajah diproyeksikan ke PCA dan hasil proyeksi diproyeksikan lagi menuju ruang klasifikasi LDA. Hasil dari penelitian ini menunjukkan bahwa terjadi peningkatan laju pengenalan dari filter gabor, gabor-pca dan gabor-lda, dimana pemilihan jumlah eigenface yang dipakai juga menentukan kerja pengenalan. Kata kunci : Pengenalan Wajah, Ekstraksi Filter Gabor, Algoritma PCA, Subspace LDA I. PENDAHULUAN Pengenalan wajah manusia adalah salah satu bidang penelitian yang penting dengan banyak aplikasi yang dapat menerapkannya. Proses pengenalan wajah dipengaruhi oleh faktor-faktor variabilitas intrapersonal yang memiliki dimensi tinggi sehingga harus melalui proses reduksi terlebih dahulu sebelum data diolah. Algoritma pengenalan wajah dapat dibedakan menjadi 2 bagian yaitu berdasarkan pendekatan fitur (feature-based) dan pendekatan penampilan (appearance-based) []. Pada tugas akhir ini digunakan pendekatan fitur berdasarkan Gabor Filter yaitu filter linier yang digunakan dalam pengekstrasian fitur wajah sebagai detektor ciri [2]. Salah satu metoda yang digunakan untuk mengurangi dimensi-dimensi fitur yaitu, algoritma PCA (Principal Component Analysis)[][3] dikarenakan dapat mengurangi dimensi ruang fitur dan algoritma LDA (Linear Discriminant Analysis)[8] yang memberlakukan properti statistik yang terpisah untuk tiap-tiap kelas.. II. TEORI PENUNJANG 2. Pengolahan Citra Pengolahan citra adalah suatu pengolahan data yang masukannya berupa gambar dan luarannya juga gambar. Tujuan dari pengolahan citra adalah memperbaiki informasi pada gambar sehingga mudah terbaca atau memperbaiki kualitas dari gambar itu sendiri [4]. 2.2 Pengenalan wajah Algoritma pengenalan wajah pendekatan fitur (feature-based) menggunakan suatu landmark atau marker (penanda) yang digunakan sebagai detektor ciri. Dalam hal ini informasi pada citra wajah diharapkan dapat diperoleh atau diekstrak sehingga memungkinkan untuk digunakan sebagai pembanding dalam pengenalan wajah. Salah satu teknik feature extraction adalah dengan menggunakan gabor filter. Representasi fitur wajah menggunakan filter gabor telah menjadi bahasan yang luas dan sukses digunakan dalam pengenalan wajah karena fungsi gabor dikenal sangat variatif dalam proses ekstraksi untuk pengenalan wajah [2] 2.3 Filter gabor [2] Fungsi Gabor pertama kali diperkenalkan oleh Denis Gabor sebagai tools untuk deteksi sinyal dalam noise. Daugman mengembangkan kerja Gabor kedalam filter dua dimensi. Filter gabor adalah filter linier yang digunakan dalam pengekstrasian fitur wajah sebagai detektor ciri. Filter Gabor dikenal sebagai detektor ciri yang sukses karena memiliki kemampuan menghilangkan variabilitas yang disebabkan oleh iluminasi kontras dan sedikit pergeseran serta deformasi citra, output filter Gabor telah digunakan dengan sukses untuk pengenalan wajah. Gabor filter (G (x,y)) merupakan suatu kompleks sinusoida yang berkombinasi dengan gaussian envelope yang berdomain spasial. Gabor kernel dengan 5 frekuensi spasial (ω=0,, 2, 3, 4) dan 8 orientasi (θ = 0,, 2, 3, 4, 5, 6, 7) [3, 5, 6, 0] Gambar seperti di tunjukkan Gambar.
2 test. Selisih terkecil, yang mendekati 0 merupakan citra yang dikenali Variasi frekuensi spasial Gambar. Gabor kernel dengan 5 frekuensi spasial dan 8 orientasi sudut [2] bentuk umum persamaan gabor kernel Setelah cita di konvolusi dengan gabor kernel maka terbentuklah 40 magnitude, dimana magnitude pertama dicari nilai maksimum dengan prosedur menempatkan window Wo dengan ukuran 4x4, nilai maksimum tersebut merupakan feature points yang koordinatnya akan di proyeksikan ke magnitude 2 sampai 40. Sehingga bentuknya seperti berikut RRRR (xx oo, yy oo ) = RRRR (xx oo, yy oo ) > Variasi sudut orientasi kernel G(x,y) = exp 2 2ππσσ 2 xx + yy 2 exp (j(2ππ(ωω cos θθ x + ωω sin θθ y))) 2σσ 2 max (xx,yy ) WWWW (RRRR (xx, yy)) NN NN2 RRRR (xx, yy) NN NN2 xx= yy= Setelah didapatkan feature points maka disusun untuk membentuk suatu feature vector dimana dari citra menjadi 40 gabor hasil ekstraksi, maka terdapat 42 komponen feature vector dimana 2 adalah representasi lokasi feature points dengan x,y koordinat dan 40 merupakan komponen respon gabor filter yaitu feature point, yang didefinisikan dengan persamaan berikut, VV ii,kk = xx kk, yy kk, RR ii,jj (xx kk, yy kk jj =,,40) Selanjutnya yaitu proses similarity yaitu proses matching dengan mengukur kesamaan antara 2 fitur vv ii,kk (ll) vv (tt,jj ) (ll) SS ii (kk, jj) = vv (ii,kk) (ll) 2 vv (tt,jj ) (ll) 2 Si (k, j) merupakan persamaan fitur vektor j dari wajah tes, (vt, j), ke k yang merupakan vektor fitur wajah referensi dengan, (vi, k), di mana l adalah jumlah elemen vektor. Untuk mengukur kesamaan antara dua vektor harus memenuhi batasan 0<Si< dan jika foto training wajah digunakan juga sebagai image tes, maka S i (j, j) =. Proses pengenalannya adalah dengan mencari nilai maksimum dari hasil similarity citra training dan citra 2.4 Metoda PCA (Principal Component Analysis)[] PCA adalah ekstrasi fitur klasik dan teknik representasi data yang umum digunakan pada pola pengenalan dan computer vision. Ide dasar dari algoritma PCA ini adalah menentukan komponenkomponen atau dimensi-dimensi dimana koleksi dari semua citra-citra diharapkan memperoleh distribusi energi maksimal pada komponen-komponen tersebut. Maka dimensi-dimensi yang berkontribusi tersebutlah yang dipertahankan dan sisanya dihilangkan untuk tahap pemrosesan berikutnya. Penggunaan algoritma PCA pada Tugas Akhir ini digunakan untuk mereduksi dimensi dari titik yang berdimensi tinggi menuju titik yang berdimensi lebih rendah sehingga dapat lebih mudah dalam proses penghitungannya Eigenface, eigenvector, eigenvalue Metode eigenface digunakan untuk mencari komponen prinsip (principal component) dari distribusi citra wajah atau eigenvector dari covariant matrix dari kumpulan citra wajah. Eigenvector ini dapat juga dinyatakan sebagai kumpulan fitur-fitur, dimana didapat dari variasi antar citra wajah. Satu hal yang penting dari metode eigenface ini adalah mendapatkan eigenvector-eigenvector dari matrik kovarian pada citra wajah dengan ukuran (Nx x Ny) fitur. Matrik kovarian ini berukuran (N x N), dimana N adalah (Nx x Ny) sehingga sangat sulit untuk dikerjakan karena ukurannya yang sangat besar (computational complexity). Oleh karena itu pada metode ini, perhitungan eigenvector tidak diperoleh secara langsung dari matrik (N x N) melainkan melalui matrik (Mt x Mt). Dengan Mt merupakan jumlah dari citra-citra wajah. Eigenvector dari matrik (N x N) kemudian diperoleh melalui eigenvectoreigenvector matrik (Mt x Mt) tersebut. 2.5 Metoda subspace LDA (Linear Discriminant Analysis) [5] Linear Discriminant Analysis (LDA) pertama kali diterapkan pada proses pengenalan wajah oleh etemad dan chellapa. LDA bekerja berdasarkan analisa matrik penyebaran (scatter matrix analysis) yang bertujuan menemukan suatu proyeksi optimal yang dapat memaksimumkan penyebaran antar kelas dan meminimumkan penyebaran dalam kelas data wajah. Algoritma LDA memiliki karakteristik perhitungan matriks yang hampir sama dengan PCA. Perbedaan dasarnya adalah pada LDA diusahakan adanya perbedaan yang minimum dari citra dalam kelas. Perbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). Matriks covariance didapatkan dari kedua matriks tersebut. Untuk memaksimalkan jarak antar kelas dan meminimumkan jarak dalam kelas digunakan suatu discriminant power 2
3 JJ(WW) = WWTT. SS bb. WW WW TT. SS w. WW 2.6 Euclidean distance Ruang Euclidean merupakan ruang dengan dimensi terbatas yang bernilai riil. Dalam ruang tersebut anggap saja terdapat dua titik dua dimensi yang memiliki koordinat masing-masing. Jarak Euclidean antara dua titik adalah panjang sisi miring dari sebuah segitiga siku-siku. Dimana x adalah citra training, dan y adalah citra input test. Jika x = (x, x 2, x 3,, x n ) dan y = (y, y 2, y 3,, y n ) merupakan dua titik dalam Euclidean ruang n, maka jarak Euclidean x ke y adalah: dd(xx, yy) = (xx yy ) 2 + (xx 2 yy 2 ) 2 + +(xx nn yy nn ) 2 Gambar 2 Tampilan Matlab GUI 3.4 Perancangan Algoritma Gabor Proses ekstraksi fitur adalah dengan mengkonvolusikan citra dengan gabor filter, dan untuk pengenalannya dilakukan proses similarity. Start dd(xx, yy) = (xx ii yy ii ) 2 nn ii= Citra wajah III. PERANCANGAN SISTEM 3. Perancangan Perangkat Lunak Perancangan perangkat lunak pada proses pengenalan wajah pada Tugas Akhir ini, diimplementasikan melalui program MATLAB versi 7.5 serta pembuatan tampilan menggunakan GUI (Graphic User Interface) seperti pada Gambar Perancangan Data Pada perancangan data digunakan dua macam database citra wajah yang berbeda, yaitu database YaleB dengan beda pencahayaan serta Att_face dengan beda headpose. 3.3 Perancangan Algoritma Blok diagram sistem pengenalan wajah keseluruhan ini dapat dilihat pada Gambar 6. Pada awal proses pengenalan wajah dimulai dengan Preprocessing yang dimaksud proses pre-processing dalam tugas akhir ini yaitu dengan normalisasi intensitas piksel, menentukan keseragaman nilai piksel serta memperkecil dimensi piksel menjadi lebih kecil, dilakukan dengan proses cropping dan resize. Proses cropping dilakukan terpisah dengan program agar hasil cropping dapat sesuai dengan yang diinginkan. Normalisasi ukuran menyamakan ukuran citra training dan citra test dari ukuran sebenarnya 68 x 92 menjadi 64 x 64. selanjutnya Gabor Feature points Feature vector Stop Gambar 3 Diagram alir ekstraksi fitur gabor Gambar 4 Mencari fitur point Gambar 5 Membentuk fitur vektor 3
4 Gambar 6 Blok diagram sistem keseluruhan 3.5 Perancangan Algoritma PCA Metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis). Diagram alir dapat dilihat pada Gambar Perancangan Algoritma LDA Metoda yang ke tiga pengenalannya berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini terdiri dari dua tahap yaitu citra wajah diproyeksikan ke ruang eigenface yang telah dibentuk oleh PCA dan kemudian vektor-vektor yang telah terproyeksi diproyeksikan kembali menuju ruang klasifikasi LDA untuk membentuk suatu classifier linier. Perbedaan antar kelas direpresentasikan oleh matriks S b (scatter between class) dan perbedaan dalam kelas direpresentasikan oleh matriks S w (scatter within class). IV. PENGUJIAN DAN ANALISA SISTEM Dalam perancangan sistem pengenalan wajah ini, terdapat dua macam masukan citra, yaitu citra training dan tes. Kedua citra ini akan dilakukan pengujian dengan tiga metoda. Metoda yang pertama yaitu pengenalannya berdasarkan titik-titik fitur gabor pada citra dengan diambil energi tertinggi, metoda yang kedua yaitu pengenalannya dengan cara mereduksi titik-titik fitur gabor, dengan algoritma PCA (Principal Component Analysis) dan metoda yang ke tiga adalah pengenalannya dengan cara pendekatan holistic static berdasarkan metoda proyeksi subspace LDA (Linear Discriminant Analysis). Metoda ini menggabungkan PCA dan LDA dimana titik-titik fitur gabor pada citra wajah diproyeksikan ke PCA dan hasil proyeksi diproyeksikan lagi menuju ruang klasifikasi LDA. Pada awalnya dilakukan pengujian citra training terlebih dahulu untuk mengetahui apakah sistem mengenali dirinya sendiri. 4. Pengujian Citra Training Untuk pengujian citra training hasil yang diperoleh adalah tingkat pengenalannya sebesar 00% baik untuk database YaleB dengan beda pencahayaan maupun database att_face dengan beda headpose. 4.2 Pengujian filter gabor Untuk database YaleB, citra training yang digunakan berjumlah 0 citra dengan ketentuan orang dengan masing-masing citra, citra tes yang digunakan sebanyak 00 citra dengan ketentuan 0 orang dengan masing-masing 0 citra. Dengan hasil persentase laju pengenalan dengan rata rata kecocokan 80,6%. Untuk database Att_Faces, citra training yang digunakan berjumlah 0 citra dengan ketentuan orang dengan msing-masing citra, citra tes yang digunakan sebanyak 90 citra dengan ketentuan 0 orang dengan masing-masing 9 citra. Dengan hasil persentase laju pengenalan dengan rata rata kecocokan 50% Gambar 7 Diagram Alir Perancangan Algoritma PCA 4.3 Pengujian filter Gabor PCA dan Gabor-LDA Citra training terdiri dari 5 kelas dimana tiap kelas berisi orang dengan 5 pencahayaan., sehingga citra training berjumlah 75 citra yang nantinya akan disimpan dalam database dan 4
5 digunakan dalam proses pengenalan. Sedangkan citra tes yang digunakan terdiri dari 5 orang dengan masing-masing 0 perbedaan pencahayaan, sehingga total 50 citra. Pada pengujian dilakukan seleksi pemilihan eigenvector dari 00%, 80%, 60%, 40%, 20% dengan tujuan untuk mengetahui perbedaan tingkat pengenalan. Dengan hasil persentase laju pengenalan untuk Gabor-PCA seperti pada Gambar 8 dan persentase laju pengenalan untuk Gabor-LDA seperti pada Gambar 9 Laju Pengenalan (%) Gambar 8 Grafik rata rata pengujian filter gabor- PCA Laju Pengenalan (%) Perbandingan laju pengenalan Gabor-PCA Yale-B Att_Faces Perbandingan Laju Pengenalan Gabor-LDA Yale-B Att_Faces Gambar 9 Grafik rata rata pengujian filter gabor- LDA V. KESIMPULAN database att_faces dan pada eigenvector 40 sampai Penambahan algoritma Linear Discriminant Analysis (LDA) dapat memperbaiki pengenalan dengan peningkatan menjadi 00% untuk database Yale-B dan pada eigenvector 40 sampai Penambahan algoritma Linear Discriminant Analysis (LDA) dapat memperbaiki pengenalan dengan peningkatan menjadi 94.6% untuk database att_faces dan pada eigenvector 40 sampai 60. DAFTAR PUSTAKA [] Hendra Kusuma dan Wirawan., Appearance-based face recognition dengan menggunakan Principal Component analysis (PCA) dan Nearest Mean Classifier, 2008 [2] Burcu Kepenekci. Face recognition using gabor wavelet transform, September 200. [3] David Zhang, Xiaoyuan Jing, Jian Yang.. Biometric Image Discrimination Technologies , July [4] T Suyono, S.Si, Teori Pengolahan Citra Digital, Universitas Dian Nuswantoro, [5] Hendra Kusuma dan Wirawan., Teknik Pengenalan Wajah dengan Metoda Subspace LDA (Linear Discriminant Analysis), 2008 RIWAYAT PENULIS Erma Rachmawati, lahir di Sidoarjo pada tanggal 22 Agustus 987, merupakan anak kedua dari empat bersaudara pasangan Bapak Samuri dan Ibu Supiyati. Melanjutkan pendidikan di SLTPN I Waru, Sidoarjo hingga selesai pada tahun Kemudian melanjutkan pendidikan di SMA Negeri 7 Surabaya dan lulus tahun Dilanjutkan dengan menempuh studi di Diploma 3 Jurusan Komputer Kontrol, ITS. Kemudian penulis melanjutkan studi Lintas Jalur di Jurusan Teknik Elektro ITS, bidang Studi Telekomunikasi Multimedia pada tahun Berdasarkan hasil perancangan, pengujian serta analisa pada tugas akhir ini dapat disimpulkan bahwa:. Ekstraksi fitur gabor dengan pengambilan nilai maksimum hasil gabor dapat digunakan untuk mengenali wajah dengan hasil pengenalan 80.6% untuk database Yale-B dan 50% untuk database att_faces. 2. Penambahan kelas pada algoritma Principal Component Analysis (PCA) dapat memperbaiki laju pengenalan dengan peningkatan menjadi 84% untuk database Yale-B dan pada eigenvector 60 sampai Penambahan kelas pada algoritma Principal Component Analysis (PCA) dapat memperbaiki laju pengenalan dengan peningkatan menjadi 92% untuk 5
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis)
Pengenalan Wajah dengan Metode Subspace LDA (Linear Discriminant Analysis) Ratna Nur Azizah Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciTEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR
TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra
Lebih terperinciPenerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis
Penerapan Metode Phase Congruency Image (PCI) dalam Pengenalan Citra Wajah secara Otomatis Puspita Ayu Ningsih Putri. SY, Wirawan, Hendra Kusuma Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciPrincipal Component Analysis
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Pembimbing: Dr.Ir.Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) Nimas Setya Yaniar 2208.100.616 POSE (posisi
Lebih terperinciTeknik pengenalan wajah berbasis fitur local binary pattern (LBP)
Teknik pengenalan wajah berbasis fitur local binary pattern (LBP) Oleh: Eko Wahyudi NRP. 2208 100 629 Dosen Pembimbing: Dr. Ir. Wirawan, DEA Ir. Hendra Kusuma, M.Eng Latar Belakang ( Permasalahan Sistem
Lebih terperinciBAB 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 terperinciIdentifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski
Identifikasi Tanda Tangan Menggunakan Transformasi Gabor Wavelet dan Jarak Minskowski Junia Kurniati Computer Engineering Department Faculty of Computer Science Sriwijaya University South Sumatera Indonesia
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra
Lebih 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 terperinciPengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA)
JURNAL EKNIK IS ol 1, (Sept, 212) ISSN: 231-9271 A-439 Pengenalan Wajah Dengan Algoritma Canonical Correlation Analysis (CCA) Ratna Dwi Kartika Rini, Wirawan dan Hendra Kusuma Jurusan eknik Elektro-FI,
Lebih terperinciImplementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)
46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman
Lebih terperinciSISTEM PENDETEKSI CACAT PRODUKSI PADA PRODUK BOTOL BERBAHAN GELAS
1 SISTEM PENDETEKSI CACAT PRODUKSI PADA PRODUK BOTOL BERBAHAN GELAS Titus Andrinato 1), Ahmad Zaini, ST.,MT 2), Dr. I Ketut Eddy Purnama, ST., MT. 3) 1) Jurusan teknik Elektro ITS Surabaya (titusaja@elect-eng.its.ac.id)
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Definisi Citra, Pengolahan Citra, dan Pengenalan Pola Citra dapat dijelaskan sebagai dua dimensi dari fungsi f(x,y) dimana x dan y tersebut adalah sebuah koordinat pada bidang
Lebih terperinciTeknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector
eknik Pengenalan Wajah Dengan Algoritma PCA Berbasis Seleksi Eigenvector Dwi Achti Noviatur Rahmah Jurusan eknik Elektro FI, Institut eknologi Sepuluh Nopember Kampus IS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciTEKNIK PENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY PATTERN (LBP)
TEKNIK ENGENALAN WAJAH BERBASIS FITUR LOCAL BINARY ATTERN (LB) Eko Wahyudi, Wirawan dan Hendra Kusuma Jurusan Teknik Elektro- FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya-60111
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D
30 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Pengembangan Sistem Pengenalan Wajah 2D Penelitian ini mengembangkan model sistem pengenalan wajah dua dimensi pada citra wajah yang telah disiapkan dalam
Lebih terperinciBAB III 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 terperinciPerbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA)
Perbandingan Ukuran Jarak pada Proses Pengenalan Wajah Berbasis Principal Component Analysis (PCA) Nimas Setya Yaniar Jurusan Teknik Elektro FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo,
Lebih terperinciBAB III PERANCANGAN PERANGKAT LUNAK
BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pengenalan Gender Sistem pengenalan gender dalam skripsi ini dibuat dengan membandingkan 3 buah metode, yaitu 1 metode tanpa ekstraksi fitur yaitu subtraction
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 III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.
BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian
Lebih terperinciBAB 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 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 terperinciPERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN ABSTRAK
PERBANDINGAN METODE KDDA MENGGUNAKAN KERNEL RBF, KERNEL POLINOMIAL DAN METODE PCA UNTUK PENGENALAN WAJAH AKIBAT VARIASI PENCAHAYAAN Jurusan Teknik Elektro, Fakultas Teknik Jl. Prof. Drg. Suria Sumantri
Lebih terperinciPerbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square
PAPER ID : 102 Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square Eko Wahyudi 1), Hendra Kusuma 2), Wirawan 3) 1,2,3) Jurusan Teknik Elektro
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR
PENGENALAN WAJAH MENGGUNAKAN METODE LINEAR DISCRIMINANT ANALYSIS DAN K NEAREST NEIGHBOR 1 Fandiansyah, 2 Jayanti Yusmah Sari, 3 Ika Purwanti Ningrum Jurusan Teknik Informatika, Fakultas Teknik Universitas
Lebih terperinciYOGI WARDANA NRP
PENGEMBANGAN ALGORITMA SISTEM IDENTIFIKASI MATA MANUSIA BERBASIS PENGOLAHAN CITRA DENGAN METODE GABOR PADA PERALATAN AOI ( AUTOMATED OPTICAL INSPECTION ) YOGI WARDANA NRP. 2107 100 115 JURUSAN TEKNIK MESIN
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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab ini menjelaskan landasan teori dari metode yang digunakan dalam proses pengenalan wajah, yaitu terdiri atas: metode Eigenface, dan metode Jarak Euclidean. Metode Eigenface digunakan
Lebih 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 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Landasan Teori 2.1.1 Artificial Intelligence Artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada perkembangan teknologi informasi seperti saat ini, kebutuhan akan informasi dan sistem yang dapat membantu kebutuhan manusia dalam berbagai aspek sangatlah penting.
Lebih terperinciUNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH
ISSN : 1693 1173 UNJUK KERJA METODE KLASIFIKASI SUPPORT VECTOR MACHINE (SVM) DENGAN LEARNING VECTOR QUANTIZATION (LVQ) PADA APLIKASI PENGENALAN WAJAH Yustina Retno Wahyu Utami 1), Teguh Susyanto 2). Abstract
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 terperinciFACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK
FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) Kurnia Novita Mutu (0722029) Jurusan Teknik Elektro email: mutunia@gmail.com ABSTRAK Perkembangan biometrik pada
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 terperinciPENDAHULUAN. Latar Belakang
Latar Belakang PENDAHULUAN Penelitian mengenai pengenalan wajah termotivasi oleh banyaknya aplikasi praktis yang diperlukan dalam identifikasi wajah. Pengenalan wajah sebagai salah satu dari teknologi
Lebih 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 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer sekarang sangat pesat, ini ditandai dengan hampir semua pengolahan data dan informasi telah dilakukan dengan komputer. Hal ini diakibatkan
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 terperinciAPLIKASI ABSENSI KULIAH BERBASIS IDENTIFIKASI WAJAH MENGGUNAKAN METODE GABOR WAVELET
APLIKASI ABSENSI KULIAH BERBASIS IDENTIFIKASI WAJAH MENGGUNAKAN METODE GABOR WAVELET Agus Kurniawan, Akuwan Saleh, Nana Ramadijanti Jurusan Teknik Telekomunikasi, Politeknik Elektronika Negeri Surabaya,
Lebih 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 terperinciJurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya
Pengenalan Wajah Menggunakan Metode Adjacent Pixel Intensity Difference Quantization Histogram Generation Oleh : ANDIK MABRUR 1206 100 716 Dosen Pembimbing : Drs. Soetrisno, MI.Komp. Jurusan Matematika
Lebih terperinciBAB 3. 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 terperinciPENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) Riza Firdaus Ardiansyah NIM : A11.2009.05106 Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas
Lebih terperinciProgram Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini
Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak
Lebih terperinciJurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE
PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE Nunu Kustian Program Studi Teknik Informatika, Universitas Indraprasta PGRI Email: kustiannunu@gmail.com Abstrak
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang Universitas Sumatera Utara
BAB 1 PENDAHULUAN Pada bab ini dijelaskan tentang latar belakang penelitian dibuat, rumusan masalah, batasan masalah yang akan dibahas, tujuan penelitian, manfaat penelitian, metodologi penelitian yang
Lebih terperinciPROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA)
PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA) Jemmy E.Purwanto Jemmy.e.Purwanto@Gmail.com Pembimbing I :
Lebih terperinciPERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN
Jurnal Teknik Informatika Vol. 1 September 2012 1 PERANCANGAN DAN PEMBUATAN APLIKASI UNTUK MENDETEKSI UANG LOGAM DENGAN METODE EUCLIDEAN Wahyu Saputra Wibawa 1, Juni Nurma Sari 2, Ananda 3 Program Studi
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Eksperimen Pada penelitian ini, eksperimen dilakukan terhadap metode Independent Component Analysis (ICA) dan Principal Component Analysis (PCA). Fokus utama penelitian
Lebih terperinciBAB 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 terperinciPENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN
PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN Herfina 1) 1) Program Studi Ilmu Komputer, FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Ciheuleut Bogora email : herfinario@yahoo.com
Lebih terperinciBAB 2 Landasan Teori
BAB 2 Landasan Teori Pengenalan manusia secara otomatis menggunakan mesin merupakan masalah yang menantang dan telah menjadi banyak perhatian selama beberapa tahun terakhir. (Jawad, Syed, dan Farrukh,
Lebih terperinciPengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor
Pengenalan Wajah Menggunakan Metode Linear Discriminant Analysis dan k Nearest Neighbor Fandiansyah 1, Jayanti Yusmah Sari 2, Ika Purwanti Ningrum 3, Jurusan Teknik Informatika, Fakultas Teknik, Universitas
Lebih terperinciJURNAL TEODOLITA. VOL. 14 NO. 1, Juni 2013 ISSN DAFTAR ISI
JURNAL TEODOLITA VOL. 14 NO. 1, Juni 2013 ISSN 1411-1586 DAFTAR ISI Perpaduan Arsitektur Jawa dan Sunda Pada Permukiman Bonokeling Di Banyumas, Jawa Tengah...1-15 Wita Widyandini, Atik Suprapti, R. Siti
Lebih terperinciBAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN
BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN Pengenalan suatu objek tentu saja tidak bisa dilakukan tanpa persiapan sama sekali. Ada beberapa proses yang perlu dilakukan sebelum
Lebih terperinciBAB IV ANALISA DAN PERANCANGAN
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Folder Sebuah directory (folder) adalah seperti ruangan-ruangan (kamar-kamar) pada sebuah komputer yang berfungsi sebagai tempat penyimpanan dari berkas-berkas (file). Sedangkan
Lebih terperinciBAB 3 PERANCANGAN PERANGKAT LUNAK
A 3 PERANCANGAN PERANGKAT LUNAK Pada bab ini diuraikan mengenai perancangan perangkat lunak untuk implementasi aplikasi pengenalan obyek tiga dimensi dengan metode Subclass Discriminant Analysis (SDA).
Lebih terperinciBAB I PENDAHULUAN. dengan memanfaatkan ciri wajah yang telah tersimpan pada database atau wajah
BAB I 1. asd PENDAHULUAN 1.1. Latar Belakang Masalah Dewasa ini perkembangan teknologi di bidang informasi khususnya dengan menggunakan komputer telah berkembang, hal ini menyebabkan banyak aplikasi baru
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Pengertian Citra Digital Citra digital merupakan sebuah fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat spasial dan harga fungsi f tersebut pada setiap
Lebih 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 terperinciPENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)
ISSN: 1693-6930 177 PENGENALAN WAJAH MANUSIA DENGAN MEODE PRINCIPLE COMPONEN ANALYSIS (PCA) Murinto Program Studi eknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus III UAD Jl Prof Dr. Supomo,
Lebih terperinciBAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.
BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun
Lebih 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 terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FILTER GABOR Eric (0822026) Jurusan Teknik Elektro Universitas Kristen Maranatha email: eric.wennas@gmail.com ABSTRAK Pola pembuluh
Lebih terperinciIMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION
IMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION Garibaldy W Mukti 13506004 Teknik Informatika ITB alamat : Srigading 29, Bandung 40132 email: subghost1802000@yahoo.com ABSTRAK
Lebih terperinciMenurut Ming-Hsuan, Kriegman dan Ahuja (2002), faktor-faktor yang mempengaruhi sebuah sistem pengenalan wajah dapat digolongkan sebagai berikut:
BAB 2 LANDASAN TEORI Bab ini akan menjelaskan berbagai landasan teori yang digunakan oleh penulis dalam penelitian ini dan menguraikan hasil studi literatur yang telah dilakukan penulis. Bab ini terbagi
Lebih terperinciBAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.
BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem
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 terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih
Lebih terperinciPengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature
Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature Dosen Pembimbing : 1) Prof.Dr.Ir. Mauridhi Hery Purnomo M.Eng. 2) Dr. I Ketut Eddy Purnama ST., MT. Oleh : ATIK MARDIYANI (2207100529)
Lebih terperinciBAB I PENDAHULUAN. Sistem biometrik merupakan penerapan teknologi yang mempelajari
1 BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrik merupakan penerapan teknologi yang mempelajari karakteristik biologi yang menjadi keunikan tersendiri pada manusia. Salah satu bagian sistem biometrik
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH ABSTRAK
IDENTIFIKASI SESEORANG BERDASARKAN CITRA TELINGA DENGAN MENGGUNAKAN METODE TRANSFORMASI HOUGH Syafril Tua (0822088) Jurusan Teknik Elektro email: syafrilsitorus@gmail.com ABSTRAK Struktur telinga adalah
Lebih terperinciIDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET ABSTRAK
IDENTIFIKASI WAJAH SESEORANG BERDASARKAN CITRA BIBIR MENGGUNAKAN METODE EIGEN FUZZY SET Disusun oleh : Moriska Beslar 0422101 Jurusan Teknik Elektro, Fakultas Teknik,, Jl.Prof.Drg.Suria Sumantri, MPH no.65,
Lebih terperinciKLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)
KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program
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 terperinciANALISIS DAN PERANCANGAN SISTEM
ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya
Lebih terperinciImplementasi Pengenalan Wajah Menggunakan PCA (Principal Component Analysis)
IJEIS, Vol.3, No.2, October 2013, pp. 175~184 ISSN: 2088-3714 175 Implementasi Pengenalan Wajah Menggunakan PCA (Principal Component Analysis) Dian Esti Pratiwi* 1, Agus Harjoko 2 1 Program Studi Elektronika
Lebih terperinciIDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI PCA DAN GLCM
1 IDENTIFIKASI BIOMETRIK FINGER KNUCKLE PRINT MENGGUNAKAN FITUR EKSTRAKSI DAN Ratna Dwi Jayanti A11.2011.05949 Program Studi Teknik Informatika S1 Fakultas Ilmu Komputer Universitas Dian Nuswantoro, Jl.
Lebih terperinciBAB 3 METODOLOGI. seseorang. Hal inilah yang mendorong adanya perkembangan teknologi
BAB 3 METODOLOGI 3.1. Kerangka Berpikir Pengenalan ekspresi wajah adalah salah satu bentuk representasi kecerdasan manusia yang dapat digunakan untuk mendeteksi kondisi emosi seseorang. Hal inilah yang
Lebih terperinciIMPLEMENTASI SISTEM PENDETEKSI CACAT PADA KAYU MENGGUNAKAN METODE GABOR WAVELET TRANSFORM
IMPLEMENTASI SISTEM PENDETEKSI CACAT PADA KAYU MENGGUNAKAN METODE GABOR WAVELET TRANSFORM IMPLEMENTATION OF WOOD DEFECT DETECTOR SYSTEM BY USING GABOR WAVELET TRANSFORM METHOD Muhammad Panji Kusuma Praja
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 terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciPERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA
PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinciPERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT)
PERBANDINGAN TEKNIK SCALE INVARIANT FEATURE TRANSFORM (SIFT) DAN MULTISCALE LOCAL BINARY PATTERN (MLBP) DALAM PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH Yuwono (0922013) Jurusan Teknik
Lebih terperinciPENGENALAN WAJAH DENGAN METODE GABOR WAVELET
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Skripsi Sarjana Komputer Semester Ganjil tahun 2007/2008 PENGENALAN WAJAH DENGAN METODE GABOR WAVELET SUKARDY 0800762350 ROBINSON 0800760931 NOVITA
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
68 BAB 4 HASIL DAN PEMBAHASAN 4.1. Uji Algoritma Pengujian dilakukan untuk mendapatkan algoritma yang paling optimal dari segi kecepatan dan tingkat akurasi yang dapat berjalan secara real time pada smartphone
Lebih terperinciBAB II TINJAUAN PUSTAKA
7 BAB II TINJAUAN PUSTAKA Penelitian maupun pembuatan aplikasi mengenai pengenalan karakter / pengenalan pola ataupun yang berhubungan dengan Jaringan Syaraf Tiruan terlebih dengan metode Backpropagation
Lebih terperinciSISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS DISKRIMINATOR SEMINAR HASIL TUGAS AKHIR
SISTEM PENGENALAN INDIVIDU MELALUI IDENTIFIKASI TELAPAK TANGAN DENGAN MENGGUNAKAN MATRIKS DISKRIMINATOR SEMINAR HASIL TUGAS AKHIR Oleh: Ahmad Sirojuddin Luthfi - 1210100052 Dosen Pembimbing : Drs. Nurul
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 terperinciPENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Setiap instansi, terutama instansi pendidikan tinggi yang memiliki kegiatan secara rutin setiap harinya selalu mengadakan proses pendidikan dengan cara melakukan tatap
Lebih terperinciSeminar Nasional Inovasi Dan Aplikasi Teknologi Di Industri 2017 ISSN ITN Malang, 4 Pebruari 2017
PENGENALAN INDIVIDU BERDASARKAN SIDIK RUGAE PALATINA DENGAN MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION SEBAGAI PENGOLAH EKSTRAKSI CIRI DAN SUPPORT VECTOR MACHINE SEBAGAI KLASIFIKATOR Shofi Annisa
Lebih terperinciAPLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK
APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111
Lebih 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 terperinci