MEMBANDINGKAN CITRA DIGITAL UNTUK MEMPREDIKSI KETERHUBUNGANNYA
|
|
- Widya Setiabudi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 A7 Seminar Nasional Teknologi Informasi 2016 MEMBANDINGKAN CITRA DIGITAL UNTUK MEMPREDIKSI KETERHUBUNGANNYA Pradita Chandra Kurniawan 1) Yulius Denny Prabowo 2) Teknik Informatika Institut Teknologi dan Bisnis Kalbis Jl. Pulomas Selatan Kav.22 Jakarta Timur 1) pchandrakurniawan@gmail.com 2) yulius.prabowo@kalbis.ac.id This research aims to develop applications that can compare digital image. The image comparison itself will be done using a feature matching method with OpenCV library. Feature matching compares the corner found in an image, this comparison generates keypoint value. This keypoint value will decide whether the said image is a match, not a match, or a possible match. The software development method used is incremental model. The development phase is done by comparing the face area and then comparing the background area. Comparing these images generates data that are stored into the database. Based on these data, the application makes predictions in the form of a list of names of people who may be known. Keywords digital image, feature matching, image comparison, opencv, prediction 1. Pendahuluan Di dalam media sosial, pengguna bisa mengunggah citra yang dimilikinya. Data yang terkandung pada citra yang diunggah pengguna, tidak hanya data seperti nilai warna di tiap piksel, ukuran dan resolusi citra, tapi juga data seperti siapa orang yang ada di dalam citra, dan di mana citra itu diambil. Dengan terapan ilmu computer vision, saat komputer menerima citra baru dengan wajah dan lokasi yang sudah dikenali, mungkin saja komputer bisa mengatakan A berfoto dengan B di lokasi Y. Lalu dengan meniru fitur orang yang mungkin anda kenal dalam media sosial seperti Facebook (Jika A berteman dengan B, dan B berteman dengan C, maka C akan direkomendasikan untuk menjadi teman A, begitu juga sebaliknya, A akan direomendasikan ke C),peneliti mencoba membuat suatu yang baru,komputer bisa memberikan prediksi berupa daftar orang yang mungkin dikenal dengan melihat keterhubungan orang-orang dari beberapa citra. Agar pembahasan tidak menyimpang dari pokok perumusan masalah yang ada, maka peneliti membatasi permasalahan pada: (1) Wajah manusia yang dideteksi dalam citra haruslah jelas, dan menghadap tepat ke kamera. (2) Posisi badan orang yang diambil harus tegap menghadap ke kamera, dan tidak tertutupi oleh objek apapun. (3) Diasumsikan jika A berfoto dengan B, lalu B berfoto dengan C, maka A kemungkinan kenal dengan C karena A dan C pernah berfoto dengan B. Penelitian bertujuan untuk (1) Mengetahui apakah featurematching dapat digunakan untuk face recognition. (2) Membangun aplikasi yang dapat memberikan kemungkinan nama orang yang ada di dalam citra dan lokasi pengambilan citra tersebut. (3) Melihat keterhubungan objek wajah dan kesamaan lokasi dari beberapa citra untuk menampilkan daftar nama orang yang mungkin dikenal. Metode pengembangan perangkat lunak yang digunakan pada penelitian ini adalahincremental model.incremental model merupakan salah satu evolutionary software process model yang cukup populer yang digunakan di industri pengembangan aplikasi. Incremental model merilis produk hanya sebagian diawal, setelah itu produk akan terus menerus dirilis dengan beberapa fungsi tambahan. [1] Pengembangan aplikasi dilakukan dengan dua kali incremental. Pada incremental satu, target yang ingin dicapai adalah komputer dapat mendeteksi area wajah, lalu menyimpan lokasi file citra, nama orang dan area wajah ke dalam basis data. Jika komputer mendapatkan citra baru, komputer bisa mengenali wajah yang ada di dalam citra tersebut, dengan cara membandingkan area wajah yang ada di citra yang baru dengan area wajah di citra yang telah tersimpan di dalam basis data. Di incremental dua, aplikasi akan ditambahkan fitur untuk bisa mengenali lokasi pengambilan citra. Area yang dibandingkan adalah seluruh citra tanpa area tubuh manusia. Setelah data citra seperti nama wajah dan lokasi sudah tersimpan di dalam basis data, pada incremental dua akan dilakukan pengecekan keterhubungan antar tiap wajah di tiap citra, sehingga komputer bisa memberikan daftar nama orang yang mungkin dikenal. 36
2 Seminar Nasional Teknologi Informasi 2016 A7 Pada setiap proses incremental, terdapat tahap analisis, desain, implementasi, dan pengujian aplikasi. Aplikasi ini dibangun untuk platform berbasis desktop (Windows 7) menggunakan bahasa pemrograman Python 2.7 dengan bantuan library OpenCV Pengembangan Aplikasi 2.1 Pembandingan area wajah Citra yang akan diproses adalah citra yang terdapat wajah atau tidak ada wajah di dalamnya. Pembandingan citra hanya akan dilakukan bilamana terdapat pola wajah di dalam citra. Jika tidak ditemukan wajah di dalam citra, maka hanya alamat file dari citra yang akan disimpan ke dalam basis data. Masukan data akan dimasukkan ke dalam basis data SQLite. Nama basis data yang digunakan aplikasi adalah DataCitra. Tabel basis data ini akan digunakan untuk pengembangan pada incremental satu dan dua. Gambar 2 Gelombang haar [2] Data area wajah yang ditemukan akan disimpan dalam array multi dimensional. Citra akan dipotong sesuai koordinat yang akan menyisakan area wajah saja. Pembandingan hanya akan dilakukan pada area wajah saja, ini dilakukan untuk mempersempit area pembandingan, agar proses pembandingan bisa lebih cepat. Gambar 3 Jendela dengan citra penuh Gambar 1 Desain basis data Saat komputer menerima citra baru untuk diproses, citra akan melewati proses pengolahan citra terlebih dahulu. Akuisisi citra dilakukan menggunakan kamera ponsel Xiaomi Redmi 2 Prime,dengan resolusi 8MP. Agar pembandingan bisa dilakukan lebih cepat, ukuran dari citra akan diperkecil tiga kali. Setelah itu, citra ini akan diubah menjadi citra berskala keabuan. Dengan bantuan library OpenCV, aplikasi akan mendeteksi area wajah. OpenCV face detector menggunakan metode Paul-Viola dan Michael Jones yang dipublikasikan pada tahun 2001 dalam paper "Rapid Object Detection using a Boosted Cascade of Simple Features". Viola dan Jones menggunakan bentuk gelombang haar dalam mendeteksi sebuah objek. Bentuk gelombang haaradalah sebuah gelombang kotak. Library OpenCV mendeteksi area wajah pada sebuah citra menggunakan gelombang haar, dan metode ini dinamakan haar cascades. [2] Gambar 4 Area wajah Area wajah ditemukan dengan menggunakan metode haar cascades yang terdapat pada library OpenCV. Gelombang haar akan mendeteksi objek yang ada di dalam citra. Ada beberapa pola area yang dideteksi oleh metode haar cascades milik OpenCV, sebagai contoh bisa dilihat pada Gambar 5. 37
3 A7 Seminar Nasional Teknologi Informasi 2016 membandingkan area wajah adalah Dengan nilai 0.76, keypoint yang dinyatakan cocok cukup akurat, walaupun jumlah keypoint yang didapatkan menjadi sedikit. Gambar 5Contoh gelombang haar pada objek wajah [2] Hasil daripengambilan data untuk pembandingan citra akan diurutkan berdasarkan total data area wajah dari tiap nama. Pengurutan ini dilakukan agar saatmembandingkan citra bisa dimulai dengan total area wajah yang sedikit terlebih dahulu, jadi pembandingan tidak akan terjebak untuk memproses nama orang dengan total area wajah yang banyak. Pembandingan citra satu dengan yang lain dilakukan dengan membandingkan feature. Feature yang digunakan adalah sudut yang ada di dalam citra.[3] Untuk dapat membandingkan feature, aplikasi harus menemukan keypoint dari citra terlebih dahulu.keypointini merujuk pada sudut yang ditemukan dalam suatu objek di citra digital. Sudut ini tercipta dari dua buah perpotongan garis. [4] Dengan algoritma harris corner detection yang ditemukan Chris Harris dan Mike Stephens, komputer akan menemukan perbedaan dalam intensitas untuk perpindahan (u, v) ke segala arah. [5] Lalu Algoritma harris dikembangkan lagi untuk citra yang telah dilakukan scalling, karena sebuah sudut objek tidak akan lagi seperti sudut jika telah dilakukan scaling. Maka dari itu D. Lowe dari Universitas British Columbia membuat algoritma baru, yang bernama Scale-Invariant Feature Transform (SIFT). Algoritma ini mengekstrak keypoint dan melakukan komputasi pada descriptor-nya. [6] Gambar 6Keypoint di area wajah Setelah keypoint untuk tiap citra ditemukan, citra akan dibandingkan dengan citra yang telah tersimpan dalam basis data. Nilai 0.7 digunakan padatutorial feature matching OpenCV[7], namun dalam pengembangan aplikasi ini, berdasarkan pengujian yang telah dilakukan, nilai yang digunakandalam Gambar 7 Membandingkan area wajah Dalam pembandingan area wajah, terdapat rentang dan nilai minimum sebuah citra dinyatakan cocok, berikut adalah nilainya: (1) Jika total keypoint di atas delapan atau di atas KeypointTemp tertinggi, maka Nama dan keypoint itu akan disimpan sebagai temp. Jika sampai akhir pembandingan tidak ditemukan citra yang cocok, variabel temp ini yang akan digunakan, dan citra akan dinyatakan mungkin cocok. (2) Jika total keypoint diantara nol sampai empat, maka nama akan disimpan sebagai data yang tidak cocok. Jika nama yang tidak cocok didapatkan sebanyak empat kali, maka pembandingan citra untuk nama orang itu tidak akan dilakukan lagi. (3) Jika total keypoint di atas nilai 13, maka citra ini dinyatakan cocok. Jika ditemukan area citra X cocok dengan wajah A, maka aplikasi akan menyimpan data area X dengan nama A ke dalam basis data. Jika X dinyatakan mungkin cocok dengan wajah A, mak aplikasi akan menampilkan confirmation box, jika pengguna memilih ya, maka area X akan diakui sebagai nama A, tapi jika pengguna memilih untuk area X secara manual. Lalu jika X tidak cocok dengan citra manapun, pengguna diharuskan memasukkan data nama orang untuk area X itu. Nilai rentang penentuan area wajah dinyatakan cocok, mungkin cocok, atau tidak cocok, didapatkan setelah melakukan pengujian pada 20 citra. Terdapat tujuh orang yang berbeda dalam 20 citra ini. Satu citra bisa terdapat satu hingga tiga wajah di dalamnya, namun ada juga citra yang tidak terdapat objek wajah di dalamnya. 2.2 Pembandingan area latar belakang Sama seperti pembandingan area wajah, ukuran citra akan diperkecil lalu di ubah menjadi citra berskala keabuan. Kali ini area yang dibandingkan lebih besar, jadi citra akan diperkecil tujuh kali.fokus pembandingan lokasi berada pada area latar belakang tanpa tubuh manusia, maka dari itu area wajah sampai badan dari tidak, pengguna bisa memasukkan nama orangmanusia 38
4 Seminar Nasional Teknologi Informasi 2016 A7 dihilangkan untuk mengurangi keypoint yang ditemukan. Citra akan bertransformasi menjadi seperti Gambar 8. Gambar 8 Area tubuh manusia diberi nilai warna hitam (1) Citra akan dideteksi area wajahnya terlebih dahulu untuk menghasilkan area kotak di sekitar wajah. (2) Lalu ukuran area wajah itu akan dibesarkan agar area lain seperti telinga, dan rambut bisa masuk ke dalam area tersebut. (3) Area wajah yang sudah dibesarkan ini akan dipanjangkan lagi sampai tepi bawah citra, setelah itu area ini akan diberi nilai warna hitam untuk menghilangkan objek. Hasil akhir dari proses ini adalah citra latar belakang tanpa tubuh manusia Saat membandingkan area latar belakang, nilai minimal kecocokan keypoint adalah 0,72. Lalu terdapat rentang dan nilai minimum sebuah citra dinyatakan cocok, berikut adalah nilainya: (1) Jika total keypoint di atas 16 atau KeypointTemp tertinggi, maka Lokasi dan keypoint itu akan disimpan sebagai temp. Jika sampai akhir pembandingan tidak ditemukan citra yang cocok, variabel temp ini yang akan digunakan, dan citra akan dinyatakan mungkin cocok. (2) Jika total keypoint diantara nol sampai tujuh, maka lokasi akan disimpan sebagai datayang tidak cocok. Jika lokasi yang tidak cocok didapatkan sebanyak tiga kali, maka pembandingan citra untuk nama lokasi itu tidak akan dilakukan lagi. (3) Jika total keypoint di atas nilai 22, maka citra ini dinyatakan cocok. Jika ditemukan area citra Ycocok dengan lokasi C, maka aplikasi akan menyimpan data area Y dengan nama lokasi C ke dalam basis data. Jika Y dinyatakan mungkin cocok dengan lokasi C, aplikasi akan menampilkan confirmation box, jika pengguna memilih ya, maka area Y akan diakui sebagai lokasi C, tapi jika pengguna memilih tidak, pengguna bisa memasukkan nama orang untuk area Y secara manual. Lalu jika Y tidak cocok dengan citra manapun, pengguna diharuskan memasukkan nama lokasi untuk area Y itu. Nilai rentang penentuan area latar belakang dinyatakan cocok, mungkin cocok, atau tidak cocok, didapatkan setelah melakukan pengujian pada 55 citra. Terdapat 14 orang, dan 10 area latar belakang yang berbeda dalam 55 citra ini. Gambar 9 Membandingkan area latar belakang 2.3 Daftar Nama Orang yang Mungkin Dikenal Gambar 10 Relasi orang melihat dari citra Dalam penelitian ini, diasumsikan jika A berfoto dengan B dalam satu citra yang sama, maka A dinyatakan mungkin kenal dengan B. Sama halnya jika B berfoto dengan C, maka B mungkin kenal dengan C. Lalu dengan melihat dua citra ini, maka A kemungkinan kenal dengan C, karena A dan C sama-sama pernah berfoto dengan B Tabel 1 Contoh data citra Lokasi File Citra C:/citra1.jpg C:/citra1.jpg C:/citra2.jpg C:/citra2.jpg Nama A B B C Tabel 2 Daftar nama orang yang mungkin dikenal (satu citra) Nama B E 39
5 A7 Seminar Nasional Teknologi Informasi 2016 Tabel 3 Daftar nama orang yang mungkin dikenal (dua citra) Nama C D 3. Hasil 3.1 Pembandingan Area Wajah Wajah yang terdeteksi menghasilkan area yang cukup baik, area wajah terambil semua dengan area rambut terambil sedikit. Jika wajah sedikit menoleh ke samping, maka area samping arah wajah akan terambil lebih banyak. Hasil pembandingan citra untuk wajah dengan ekspresi, rambut dan arah wajah yang sama cukup baik, citra bisa dikatakan cocok. Jika rambut atau arah wajahnya berbeda, nilai total keypoint yang cocok akan menurun, akibatnya citra bisa dikatakan mungkin atau tidak cocok. Jika area wajah yang ditemukan cukup kecil, maka saat area wajah itu dibandingkan, kemungkinan ditemukan ketidak cocokan yang sangat tinggi. Pencahayaan dan warna dari kulit wajah dengan kulit yang gelap juga mempengaruhi nilai keypoint yang didapatkan. Total keypoint yang didapatkan akan menjadi kecil (sekitar 0-4). 3.2 Pembandingan Area Latar Belakang Gambar 12 Citra B yang diambil di Rak Perpustakaan Jika dilihat, latar dalam pengambilan citra untuk Gambar 11 dan Gambar 12mirip, tapi karena area latar belakang yang dibandingkan cukup berbeda dari segisudut pengambilan citra dan besar area yang tertangkap oleh kamera, maka kedua latar belakang ini belum bisa dikatakan sebagai lokasi yang sama. Namun untuk citra dengan sudut dan area pengambilan citra yang tidak terlalu berbeda, keypoint cocok yang didapatkan akan cukup ting3.3 Daftar Nama Orang yang Mungkin Dikenal Jika latar belakang citra yang dibandingkan cukup berbeda dari segi sudut pengambilan citra dan besar area, maka total keypoint yang didapatkan tidak terlalu banyak, sekitar di bawah 12. Gambar 11 Citra A yang diambil di Rak Perpustakaan Gambar 13 Daftar nama orang yang mungkin dikenal Gambar 13 menunjukkan daftar nama orang yang mungkin dikenal. Jika pengguna menekan cell pada kolom total, maka akan muncul jendela seperti pada Gambar 14, 15 dan 16. Jendela ini akan menampilkan 40
6 Seminar Nasional Teknologi Informasi 2016 A7 citra yang menunjukkan adanya keterhubungan dari orang-orang tersebut. Pada Gambar 15 dan 16 menunjukkan keterhubungan antar dua orang yang dilihat dari dua citra. Untuk Gambar 15, dua orang ini dikatakan mungkin saling kenal karena mereka berdua sama-sama pernah berfoto dengan orang yang sama. Lalu untuk Gambar 16, menunjukan bahwa keduanya pernah berfoto di lokasi yang sama, namun data lokasi ini hanya dijadikan sebagai data pendukung, data utamanya tetap pada keterhubungan objek wajah. 4. Kesimpulan Gambar 14 Jendela yang menampilkan bukti keterhubungan Pada Gambar 14 menunjukkan keterhubungan antar dua orang yang dilihat dari satu citra. Dua orang ini dikatakan mungkin saling kenal karena mereka berdua pernah berfoto bersama. Gambar 15 Jendela yang menampilkan citra bersama orang yang menjadi penghubung Aplikasi pembandingan citra dengan metode feautre matching tidak cukup baik jika citra yang dibandingkan memiliki perbedaan area dan sudut pengambilan citra yang berbeda, namun jika kedua citra memiliki besar area dan sudut pengambilan yang sama, hasilnya baik. Feature matching dapat digunakan untuk face recognition, namun jika pencahayaan pada area wajah kurang, nilai total keypoint cocok yang didapatkan akan sedikit, ini mengakibatkan akurasi dari pembandingan citra menjadi menurun. Waktu pembandingan citra saat aplikasi menerima citra baru bisa lebih dipercepat dengan melakukan penyeleksian dan pengurutan daftar nama atau lokasi saat membandingkan citra. REFERENSI [1]. S. Sabharwal, Software Engineering. New Delhi: New Age International, hlm [2]. Face Detection using Haar Cascades [Online]. Diakses 27 Mei 2016 dari etection.html#gsc.tab=0 [3]. Understanding Features [Online]. Diakses 27 Mei 2016 dari s_meaning.html#gsc.tab=0 [4]. K. Demaagd et al. Practical Computer Vision. United States of America: O Reilly hlm [5]. Harris Corner Detection [Online]. Diakses 27 Mei 2016 dari s_harris.html#gsc.tab=0 [6]. Introduction to SIFT (Scale-Invariant Feature Transform) [Online]. Diakses 27 Mei 2016 dari o.html#gsc.tab=0 [7]. FeatureMatching [Online]. Diakses 27 Mei 2016 dari r.html#gsc.tab=0 Gambar 16 Jendela yang menampilkan dua citra di lokasi yang sama 41
1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Dalam beberapa tahun terakhir, perkembangan teknologi pengolahan citra semakin pesat. Salah satu bidang pengolahan citra tersebut adalah bidang identifikasi citra
Lebih terperinciPERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI
PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI Nadia R.W (0822084) Email: neko882neko@yahoo.co.id Jurusan Teknik Elektro, Fakultas Teknik,, Jl. Prof. Drg.
Lebih terperinciREALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES
REALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES Avrian Andreas Marjono NRP : 1222006 e-mail : avrianandreas@yahoo.co.id ABSTRAK Rasa
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 II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih 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 terperinciLAPORAN PENELITIAN DOSEN MUDA. Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah
LAPORAN PENELITIAN DOSEN MUDA Sistem Identifikasi Teroris Dengan Pelacakan Dan Pengenalan Wajah Oleh : Endah Sudarmilah, S.T, M.Eng Umi Fadlillah, S.T Dibiayai oleh Koordinasi Perguruan Tinggi Swasta Wilayah
Lebih terperinciDETEKSI DAN REPRESENTASI FITUR MATA PADA SEBUAH CITRA WAJAH MENGGUNAKAN HAAR CASCADE DAN CHAIN CODE
DETEKSI DAN REPRESENTASI FITUR MATA PADA SEBUAH CITRA WAJAH MENGGUNAKAN HAAR CASCADE DAN CHAIN CODE Riandika Lumaris dan Endang Setyati Teknologi Informasi Sekolah Tinggi Teknik Surabaya riandika.lumaris@gmail.com
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 terperinciPENCOCOKAN OBYEK WAJAH MENGGUNAKAN METODE SIFT (SCALE INVARIANT FEATURE TRANSFORM)
Jurnal Ilmiah NERO Vol. 1 No. 1 2014 PENCOCOKAN OBYEK WAJAH MENGGUNAKAN METODE SIFT (SCALE INVARIANT FEATURE TRANSFORM) Meidya Koeshardianto, S. Si., M. T. Program Studi D3Manajemen Informatika, Universitas
Lebih terperinciPrototype Pendeteksi Jumlah Orang Dalam Ruangan
e-issn: 2528-4053 36 Prototype Pendeteksi Jumlah Orang Dalam Ruangan Nesi Syafitri 1, Adri 2 1,2 Jurusan Teknik Informatika, Fakultas Teknik, Universitas Islam Riau E-mail: nesisyafitri@uir.ac.id, adrisaputra91@gmail.com
Lebih terperinciAPLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA
APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA Anita T. Kurniawati dan Afrilyan Ruli Dwi Rama Teknik Informatika-ITATS, Jl. Arief Rahman Hakim 100 Surabaya Email:
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Saat ini sampah merupakan masalah yang menjadi fokus utama di berbagai daerah. Hal tersebut terjadi karena setiap hari jumlah sampah semakin bertambah seiring dengan
Lebih terperinciIDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM
IDENTIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN EKSTRAKSI FITUR SCALE INVARIANT FEATURE TRANSFORM (SIFT) Vikri Ahmad Fauzi (0722098) Jurusan Teknik Elektro email: vikriengineer@gmail.com
Lebih terperinciANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE
ANALISIS PENGARUH EXPOSURE TERHADAP PERFORMA ALGORITMA SIFT UNTUK IMAGE MATCHING PADA UNDERWATER IMAGE HANANTO DHEWANGKORO A11.2009.04783 Universitas Dian Nuswantoro. Semarang, Indonesia Email: hanantodhewangkoro@gmail.com
Lebih terperinciDETEKSI WAJAH METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON
DETEKSI WAJAH METODE VIOLA JONES PADA OPENCV MENGGUNAKAN PEMROGRAMAN PYTHON Dedi Ary Prasetya 1, Imam Nurviyanto 2 1,2 Teknik Elektro Fakultas Teknik Universitas Muhammadiyah Surakarta Jl. A. Yani Tromol
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 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 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 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 terperinciKonsep Penambahan High Pass Filter pada Pengenalan Pola Metode SIFT
Konsep Penambahan High Pass Filter pada Pengenalan Pola Metode SIFT Argo Wibowo 1 1 Universitas Atma Jaya Yogyakarta,Yogyakarta 55281 ABSTRAK Salah satu tools pengenalan obyek yang sedang banyak dikembangkan
Lebih terperinciPERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2
PERANCANGAN dan REALISASI FACETRACKER WEBCAM MENGGUNAKAN METODE HAAR-LIKE FEATURE BERBASIS RASPBERRY PI 2 Disusun oleh : Steven Christian Santosa (1222038) Program Studi Teknik Elektro, Fakultas Teknik,
Lebih terperinciBAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia. Sidik jari, tanda tangan, DNA, telinga, wajah, infrared,
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN
BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Permasalahan Aplikasi ini tergolong sebagai sistem kecerdasan buatan karena akan menggantikan peran seseorang yang mampu mengenali ekspresi wajah. Tiga ekspresi
Lebih terperinciPELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM ABSTRAK ABSTRACT
PELACAKAN DAN DETEKSI WAJAH MENGGUNAKAN VIDEO LANGSUNG PADA WEBCAM Dhanar Intan Surya Saputra 1, Wahyu Septi Anjar 2, Kurnia Aswin Nuzul Ramadhan 3, Riki Aji Pamungkas 4 1234 Program Studi Teknik Informatika
Lebih terperinciFitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan
Fitur Matriks Populasi Piksel Untuk Membedakan Frame-frame Dalam Deteksi Gerakan Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak
Lebih terperinci1. Pendahuluan Latar Belakang
1. Pendahuluan 1.1. Latar Belakang Meningkatnya kebutuhan manusia akan sistem keamanan berbasis tracking yang dapat bekerja secara otomatis membuat ilmuwan mulai menciptakan berbagai macam teknologi dan
Lebih terperinciSistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones
Jurnal Emitor Vol.17 No. 01 ISSN 1411-8890 Sistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones Adinda Rizkita Syafira Program Studi Informatika Universitas Muhammadiyah Surakarta (UMS) Surakarta,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penelitian ini merupakan penelitian di bidang pemrosesan citra. Bidang pemrosesan citra sendiri terdapat tiga tingkatan yaitu operasi pemrosesan citra tingkat rendah,
Lebih terperinciFourier Descriptor Based Image Alignment (FDBIA) (1)
Fourier Descriptor Based Image Alignment (FDBIA) (1) Metode contour tracing digunakan untuk mengidentifikasikan boundary yang kemudian dideskripsikan secara berurutan pada FD. Pada aplikasi AOI variasi
Lebih terperinciPENGENALAN WAJAH DENGAN PERBANDINGAN HISTOGRAM
PENGENALAN WAJAH DENGAN PERBANDINGAN HISTOGRAM Endah Sudarmilah Jurusan Informatika, Fakultas Komunikasi dan Informatika, Universitas Muhammadiyah Surakarta Jl. A Yani Tromol Pos 1 pabelan Kartasura 57102
Lebih terperinciBAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media
BAB II LANDASAN TEORI 2.1 Webcam Kamera web (singkatan dari web dan camera) merupakan sebuah media yang berorientasi pada image dan video dengan resolusi tertentu. Umumnya webcam adalah sebuah perngkat
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pendeteksi senyum pada skripsi ini, meliputi metode Viola Jones, konversi citra RGB ke grayscale,
Lebih terperinciOleh: Riza Prasetya Wicaksana
Oleh: Riza Prasetya Wicaksana 2209 105 042 Pembimbing I : Dr. I Ketut Eddy Purnama, ST., MT. NIP. 196907301995121001 Pembimbing II : Muhtadin, ST., MT. NIP. 198106092009121003 Latar belakang Banyaknya
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN. Tahap & Hasil Langkah Penelitian Literatur & Referensi. Memahami konsep deteksi wajah
BAB 3 ANALISIS DAN PERANCANGAN Pada bab ini berisi tentang analisis dan perancangan terhadap permasalahan yang sedang diteliti seperti analisis kebutuhan data dan informasi serta teknik dan peralatan yang
Lebih terperinciBAB II DASAR TEORI. CV Dokumentasi CV berisi pengolahan citra, analisis struktur citra, motion dan tracking, pengenalan pola, dan kalibrasi kamera.
BAB II DASAR TEORI Pada bab ini akan dibahas teori yang berkaitan dengan skripsi ini, meliputi pustaka OpenCV, citra, yaitu citra grayscale dan citra berwarna, pengolahan citra meliputi image enhancement
Lebih terperinciBAB I PENDAHULUAN. pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi Informasi dan Komunikasi (TIK) merupakan suatu cabang ilmu pengetahuan yang sangat populer saat ini. Dengan ilmu pengetahuan ini, teknologi di dunia
Lebih terperinciAPLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD
APLIKASI PENGOLAHAN CITRA SEBAGAI PENDETEKSI JARI PADA VIRTUAL KEYPAD Akuwan Saleh, Haryadi Amran D, Ahmad Bagus L Dept. Teknik Elektro, Program Studi Teknik Telekomunikasi Politeknik Elektronika Negeri
Lebih terperinciPENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan
PENGENALAN WAJAH DENGAN METODE TEMPLATE MATCHING SEBAGAI SISTEM STARTER SEPEDA MOTOR BERBASIS MIKROKONTROLER ATMEGA 16 Oleh : Margito Hermawan 6907040024 Fajar Indra 6907040026 ABSTRACT Face recognition
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Aplikasi mobile atau yang sekarang sering disebut sebagai apps merupakan aplikasi yang berjalan pada perangkat mobile seperti smartphone dan tablet. Jenis-jenis apps
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pendeteksian objek dalam suatu citra merupakan hal mendasar dalam banyak aplikasi analisis citra (image analysis). Manusia bisa langsung mengenali objek yang dilihatnya
Lebih terperinciPERKEMBANGAN teknologi dalam bidang animasi 3
PROCEEDING TUGAS AKHIR 1 Perkiraan Pose Manusia Menggunakan 3D Cylindrical Model Hasbi Dwinanto Saputra, Mochammad Hariadi, Ahmad Zaini Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember, Surabaya
Lebih terperinciPERANCANGAN APLIKASI DETEKSI WAJAH MENGGUNAKAN ALGORITMA VIOLA-JONES
PERANCANGAN APLIKASI DETEKSI WAJAH MENGGUNAKAN ALGORITMA VIOLA-JONES TUGAS AKHIR Disusun sebagai salah satu syarat untuk kelulusan Program Strata 1, Program Studi Teknik Informatika, Universitas Pasundan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
48 BAB IV HASIL DAN PEMBAHASAN 4.1 Analisis Sistem Sistem yang akan dibangun dalam penelitian ini adalah Implementasi Algoritma Template Matching dan Feature Extraction untuk Pengenalan Pola Angka Untuk
Lebih terperinciPengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya
Pengenalan Jenis Pempek Menggunakan Metode Canny & K-Nearest Neighbor (KNN) Berdasarkan Bentuknya 1 Hafidz Surahman 1, Aisyah Fuja 2, Ir.Rubandi 3, Willy 4 1,2 STMIK GI MDP; Jalan Rajawali No.14 Palembang,
Lebih terperinciPERANCANGAN PERGERAKAN WEBCAM BERDASARKAN PERUBAHAN POSISI WAJAH MENGGUNAKAN METODE EIGENFACE BERBASIS RASPBERRY PI
PERANCANGAN PERGERAKAN WEBCAM BERDASARKAN PERUBAHAN POSISI WAJAH MENGGUNAKAN METODE EIGENFACE BERBASIS RASPBERRY PI Disusun oleh : Regina Vania Cahyadi (1122003) Jurusan Teknik Elektro, Fakultas Teknik,
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 terperinciAPLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI
APLIKASI MENGHITUNG JUMLAH KENDARAAN RODA EMPAT MENGGUNAKAN ALGORITMA VIOLA JONES PROPOSAL SKRIPSI PROGRAM STUDI TEKNOLOGI INFORMASI FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA
Lebih terperinciSistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones
Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones M. Dwisnanto Putro Mahasiswa Magister Instrumentasi Teguh Bharata Adji Staf Pengajar Jurusan Teknik Bondhan Winduratna Staf Pengajar Jurusan Teknik
Lebih terperinciRancang Bangun Aplikasi Pengenalan Ukiran Bali dengan Metode ORB
Rancang Bangun Aplikasi Pengenalan Ukiran Bali dengan Metode ORB I Gusti Lanang Trisna Sumantara, I Putu Agung Bayupati, Ni Kadek Ayu Wirdiani Jurusan Teknologi Informasi, Fakultas Teknik, Universitas
Lebih terperinciBAB III ANALISA DAN PERANCANGAN
BAB III ANALISA DAN PERANCANGAN 3.1 Analisa Sistem Tahapan analisa merupakan tahapan awal dalam perekayasaan perangkat lunak. Pada tahapan ini menjelaskan apa yang dilakukan sistem, siapa yang menggunakannya
Lebih terperinciIdentifikasi Sidik Jari Menggunakan Akurasi POC dan SIFT Fingerprint Identification Using POC Accuracy and SIFT
IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520 1 Identifikasi Sidik Jari Menggunakan Akurasi POC dan SIFT Fingerprint Identification Using POC Accuracy and SIFT Tendi Tri Wiyanto 1, Pulung Nurtantio
Lebih terperinciPENGGUNAAN METODE TEMPLATE MATCHING UNTUK KLASIFIKASI GAMBAR WAJAH
PENGGUNAAN METODE TEMPLATE MATCHING UNTUK KLASIFIKASI GAMBAR WAJAH TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang Oleh: Slamet Heri
Lebih terperinciPENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA
PENGENALAN OBJEK PADA CITRA BERDASARKAN SIMILARITAS KARAKTERISTIK KURVA SEDERHANA Dina Indarti Pusat Studi Komputasi Matematika, Universitas Gunadarma Jl. Margonda Raya no. 100, Depok 16424, Jawa Barat
Lebih terperinciARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR
ARTIKEL APLIKASI KLASIFIKASI JENIS JENIS BUAH JERUK MENGGUNAKAN METODE K-NEAREST NEIGHBOR Oleh: RIDHO ARY SUMARNO 13.1.03.02.0092 Dibimbing oleh : 1. Hermin Istiasih M.T., M.M. 2. Mochammad Bilal S.kom.,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
1.1 Latar Belakang BAB I PENDAHULUAN Sistem penginderaan jauh sekarang ini semakin berkembang pesat seiring dengan kemajuan alat dan teknologi yang ada, sehingga banyak kalangan yang memanfaatkan data
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN SISTEM
BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem merupakan penguraian dari suatu sistem informasi yang utuh ke dalam bagian-bagian komponennya untuk mengidentifikasikan masalah
Lebih terperinciEKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA TESIS OLEH: ANDRI SUPRAYOGI NIM :
EKSTRAKSI JALAN SECARA OTOMATIS DENGAN DETEKSI TEPI CANNY PADA FOTO UDARA (Menggunakan Transformasi Wavelet Untuk Penghalusan Citra ) TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar
Lebih terperinciPERANCANGAN DAN IMPLEMENTASI APLIKASI KAMERA DETEKSI KEMACETAN JALAN RAYA DENGAN CITRA PANORAMA
PERANCANGAN DAN IMPLEMENTASI APLIKASI KAMERA DETEKSI KEMACETAN JALAN RAYA DENGAN CITRA PANORAMA DESIGN AND IMPLEMENTATION APPLICATION TRAFFIC JAM DETECTION USING CAMERA ON HIGHWAY WITH PANORAMIC IMAGE
Lebih terperinciDeteksi Jenis Kendaraan di Jalan Menggunakan OpenCV
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) A-296 Deteksi Jenis di Jalan Menggunakan OpenCV Alvin Lazaro, Prof. Dr. Ir. Joko Lianto Buliali, M.Sc., Bilqis Amaliah S.Kom.,
Lebih terperinciPENERAPAN GRABBER PADA OPTICAL FLOW UNTUK MENGGERAKKAN CURSOR MOUSE MENGGUNAKAN BOLPOIN
PENERAPAN GRABBERPADA OPTICAL FLOWUNTUK MENGGERAKKAN CURSORMOUSEMENGGUNAKAN BOLPOIN PENERAPAN GRABBER PADA OPTICAL FLOW UNTUK MENGGERAKKAN CURSOR MOUSE MENGGUNAKAN BOLPOIN Anton Setiawan Honggowibowo,
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 terperinciIMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH
IMPLEMENTASI METODE SPEED UP FEATURES DALAM MENDETEKSI WAJAH Fitri Afriani Lubis 1, Hery Sunandar 2, Guidio Leonarde Ginting 3, Lince Tomoria Sianturi 4 1 Mahasiswa Teknik Informatika, STMIK Budi Darma
Lebih terperinciBAB 1 PENDAHULUAN. dalam kehidupan manusia. Perkembangan robot dari zaman ke zaman terus
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Teknologi robotika di masa sekarang sudah menjadi bagian penting dalam kehidupan manusia. Perkembangan robot dari zaman ke zaman terus meningkat dengan sangat
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 terperinciTUGAS AKHIR FACE RECOGNITION MENGGUNAKAN METODE VIOLA & JONES
TUGAS AKHIR HALAMAN JUDUL FACE RECOGNITION MENGGUNAKAN METODE VIOLA & JONES Diajukan guna melengkapi sebagian syarat dalam mencapai gelar Sarjana Strata Satu (S1) Disusun Oleh : Nama : Akhmad Amirushufi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Face Recognition Face recognition dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari
Lebih terperinciDesain dan Implementasi Face Recognition dan Live Streaming pada Sistem Digital Assistant untuk Staf Medik Fungsional Menggunakan Google Glass
Desain dan Implementasi Face Recognition dan Live Streaming pada Sistem Digital Assistant untuk Staf Medik Fungsional Menggunakan Muhammad Nur Pratama *1 dan Ary Setijadi Prihatmanto *2 Program Studi Teknik
Lebih terperinciVisualisasi Bentuk Ruangdari Gambar Denah dan Dinding
Visualisasi Bentuk Ruangdari Gambar Denah dan Dinding Kartika Gunadi, UK Petra, Siwalankerto 121 Surabaya, kgunadi@petra.ac.id Liliana, UK Petra, Siwalankerto 121 Surabaya, lilian@petra.ac.id Anthony Wibisono,
Lebih terperinciSISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI ABSTRAK
SISTEM PENGENALAN PENGUCAPAN HURUF VOKAL DENGAN METODA PENGUKURAN SUDUT BIBIR PADA CITRA 2 DIMENSI Adhi Fajar Sakti Wahyudi (0722062) Jurusan Teknik Elektro Email: afsakti@gmail.com ABSTRAK Teknologi pengenalan
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 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 terperinciKata kunci : citra, pendeteksian warna kulit, YCbCr, look up table
Pendeteksian Warna Kulit berdasarkan Distribusi Warna YCbCr Elrica Pranata / 0422002 Email : cha_nyo2@yahoo.com Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Marantha Jalan Prof. Suria Sumantri
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 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 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 terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) PEMBANGUNAN VIRTUAL MIRROR EYEGLASSES MENGGUNAKAN TEKNOLOGI AUGMENTED REALITY
79 PEMBANGUNAN VIRTUAL MIRROR EYEGLASSES MENGGUNAKAN TEKNOLOGI AUGMENTED REALITY Zaid Arham 1, Nelly Indriani W. 2 1,2 Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer - Universitas Komputer
Lebih terperinciPELACAKAN LEVEL KETINGGIAN AIR BERDASARKAN WARNA DENGAN BACKGROUND SUBSTRACTION
PELACAKAN LEVEL KETINGGIAN AIR BERDASARKAN WARNA DENGAN BACKGROUND SUBSTRACTION Adhadi Kurniawan 1), I Wayan Mustika 2), dan Sri Suning Kusumawardani 3) 1),2), 3) Laboratorium Sistem Elektronis, Jurusan
Lebih terperinciDETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL
DETEKSI GERAK BANYAK OBJEK MENGGUNAKAN BACKGROUND SUBSTRACTION DAN DETEKSI TEPI SOBEL Muhammad Affandes* 1, Afdi Ramadani 2 1,2 Teknik Informatika UIN Sultan Syarif Kasim Riau Kontak Person : Muhammad
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 terperinciImplementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG)
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) 1 Implementasi Deteksi Copy-move Forgery pada Citra menggunakan Metode Histogram of Oriented Gradients (HOG) Ni Luh Made Asri Mulyasari,
Lebih terperinciHUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR
HUMAN COUNTER DENGAN METODE FACE DETECTION MENGGUNAKAN OPENCV PADA PLATFORM ANDROID TUGAS AKHIR Sebagai Persyaratan Guna Meraih Gelar Sarjana Strata 1 Teknik Informatika Universitas Muhammadiyah Malang
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 terperinci2016 DETEKSI MOOD PESERTA DIDIK PADA RUANG KELAS MENGGUNAKAN METODE DEEP LEARNING
BAB I PENDAHULUAN Bab ini akan menguraikan latar belakang, rumusan masalah, tujuan penelitian, batasan masalah dan sistematika penulisan laporan. 1.1 Latar Belakang Tidak bisa dipungkiri bahwa suasana
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra atau gambar merupakan salah satu komponen penting dalam dunia multimedia karena memiliki peranan penting dalam hal menyajikan suatu informasi dalam bentuk gambar
Lebih terperinciPENGENALAN ABJAD AKSARA LATIN PADA KOMPUTER MENGGUNAKAN METODE SKELETONING
PENGENALAN ABJAD AKSARA LATIN PADA KOMPUTER MENGGUNAKAN METODE SKELETONING Elisa Cahyadi dan Joan Santoso Teknologi Informasi Sekolah Tinggi Teknik Surabaya elisa@stts.edu dan joan@stts.edu ABSTRAK Pada
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 terperinciPEMANFAATAN REAL-TIME FACE TRACKING DALAM APLIKASI AUGMENTED REALITY FRAME KACAMATA ABSTRAK
PEMANFAATAN REAL-TIME FACE TRACKING DALAM APLIKASI AUGMENTED REALITY FRAME KACAMATA 1 Endang Setyati, 2 David Alexandre Teknik Informatika Sekolah Tinggi Teknik Surabaya 1 endang@stts.edu, 2 v.davidalexandre@gmail.com
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciVERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN METODA PHASE ONLY CORRELATION ABSTRAK
VERIFIKASI SESEORANG BERDASARKAN CITRA PEMBULUH DARAH MENGGUNAKAN METODA PHASE ONLY CORRELATION Roland Stefanus Weku (0822092) Jurusan Teknik Elektro email: rolandweku@gmail.com ABSTRAK Pembuluh darah
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Seiring perkembangan teknologi yang amat pesat, menuntut pula adanya otomatisasi dan efisiensi dalam memperoleh informasi. Hal ini didukung pula oleh perkembangan mobile
Lebih terperinciBAB III PERANCANGAN PERANGKAT LUNAK
BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pendeteksi Senyum Sistem pendeteksi senyum dalam skripsi ini dibuat dengan membandingkan tiga buah metode, yaitu Harris Corner Detection, Edge Based Corner
Lebih terperinci1. BAB I PENDAHULUAN
1. BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Deteksi kulit manusia berperan penting dan digunakan secara luas sebagai langkah awal pada aplikasi pengolahan citra seperti gesture analysis, content based
Lebih terperinciAPLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR
APLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR Mika Tandililing Program Studi Teknik Komputer, STMIK Profesional ladabarra@gmail.com
Lebih 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 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 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 terperinciDeteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV
Jati Sasongko Wibowo Program Studi Teknik Informatika, Universitas Stikubank email : jatisw@gmail.com Abstrak Dalam model HSV (Hue Saturation Value) ini digunakan untuk segmentasi warna kulit manusia dan
Lebih terperinciREALISASI SISTEM PENJEJAKAN WAJAH DENGAN ALGORITMA FISHERFACE BERBASIS RASPBERRY PI ABSTRAK
REALISASI SISTEM PENJEJAKAN WAJAH DENGAN ALGORITMA FISHERFACE BERBASIS RASPBERRY PI Disusun oleh : Natalio Andor Pangihutan Sihite (1022052) Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen
Lebih terperinci