PENGEMBANGAN SISTEM PENENTU SUDUT PANDANG WAJAH 3-D DENGAN MENGGUNAKAN PERHITUNGAN JARAK TERPENDEK PADA GARIS CIRI DALAM RUANG EIGEN
|
|
- Ade Atmadjaja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS 2002 PENGEMBANGAN SISTEM PENENTU SUDUT PANDANG WAJAH 3-D DENGAN MENGGUNAKAN PERHITUNGAN JARAK TERPENDEK PADA GARIS CIRI DALAM RUANG EIGEN Benyamin Kusumoputro dan Rina Sripomo Laboratorium Kecerdasan Komputasional, Fakultas Ilmu Komputer, Universitas Indonesia, Depok, Abstrak Dalam makalah ini, penulis akan mengemukakan Sistem Penentu Sudut Pandang obyek wajah 3D dengan menggunakan metoda perhitungan jarak terpendek pada garis ciri yang dibentuk dalam ruang eigen. Sistem penentu sudut pandang ini merupakan sebuah subsistem bagi Sistim Pengenal Wajah 3-D yang sedang dikembangkan dengan menggunakan jaringan neural buatan. Sebagai citra masukan bagi pembentukan garis ciri dalam ruang eigen ini, digunakan beberapa citra wajah orang Indonesia dalam perbagai sudut pandang dan ekspresi. Dan sebagai citra uji, penulis menggunakan beberapa citra dengan sudut pandang pengamatan yang tidak dipergunakan dalam pembentukan garis ciri dalam ruang eigen. Hasil penelitian menunjukkan bahwa tingkat pengenalan sistem penentu sudut pandang ini dapat mencapai derajat yang cukup tinggi, dengan tingkat kebenaran tertinggi sekitar 90 persen. Abstract In this paper, we implemented a visual point estimation system using the nearest feature line method that is developed on human face s eigenspace representation. This methodology is developed as a subsistim in a 3-D face recognition system using a neural networks, in order to develop a high accuracy Automatic Face Recognition (AFR) system with low computational cost. Several images of Indonesian human faces with various visual points and expressions are used as the input to the developed visual points estimation system, and another images, with their visual points is not used in the generating the feature lines, then used as the testing images. Results of experiments show that the visual points estimation system could determined the pose of the unknown position of 3-D face with its highest accuracy is about 90%. Keywords: 3D face recognition system, nearest feature line method, eigenspace representation, principal component analysis Pendahuluan
2 Kemampuan untuk dapat mengidentifikasi wajah sangat diperlukan dalam bidang kepolisian, hukum dan forensik, juga dalam penggunaan wajah sebagai identitas untuk memasuki daerah terlarang. Hal ini menyebabkan pengembangan sistem pengenal wajah (automatic face recognition AFR) menjadi bahan riset yang sangat penting akhir-akhir ini [1-7]. Pada dasarnya sistem AFR ini terdiri dari subsistem deteksi wajah, yang berfungsi untuk dapat menentukan posisi dan ukuran wajah dalam sebuah citra; subsistem pengenal wajah yang bertugas memperbandingkan citra wajah masukan dengan sekumpulan wajah dalam suatu basis-data; dan subsistem penentu wajah untuk dapat menentukan tingkat pengenalan terhadap citra wajah tersebut. Pada umumnya penelitian sistem pengenal wajah ini dilakukan untuk citra wajah 2 dimensi saja. Sistim pengenal wajah untuk mampu mengenali wajah secara 3 dimensi kemudian dikembangkan berdasarkan metodologi yang telah dilakukan pada sistim pengenal wajah 2 dimensi. Seperti dinyatakan dalam referensi [8]dan [9], kita dapat membuat sistim pengenal obyek tiga dimensi dengan menggunakan beberapa citra obyek dua dimensi dari beberapa sudut pandang. Penulis telah mengembangkan sistem pengenal obyek 3 dimensi dengan menggunakan jaringan saraf tiruan yang mempunyai lapis tersembunyi berbentuk silinder [10][11]. Akan tetapi Sistem Pengenal Wajah 3-D ini memerlukan informasi sudut pandang obyek 3-D yang tidak kita ketahui sebelumnya. Dalam makalah ini kita akan membahas dan mengajukan metoda penentuan 83 sudut pandang objek tiga dimensi berbasis perhitungan jarak terpendek objek baru tersebut terhadap sekumpulan garis yang dibentuk oleh seluruh obyek awal dalam ruang eigennya. Metode yang digunakan dalam sistem ini merupakan pengembangan dari metode Nearest Feature Line [12]. Seperti halnya dengan pengenalan obyek wajah atau obyek tiga dimensi, dalam pengembangan sistem penentu sudut pandang ini, perlu dibangun sebuah basis data sekumpulan citra obyek dengan berbagai sudut pandang yang berlainan. 84 MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS Dalam makalah ini, basis data wajah akan disimpan dalam ruang eigen yang dibentuk berdasarkan sekumpulan ciri penting dari obyek tersebut. Apabila diberikan sebuah obyek dengan sudut pandang yang tidak diketahui, maka obyek tersebut harus di transformasikan terlebih dahulu kedalam ruang eigen, dan proses penentuan sudut pandang akan dilakukan dalam ruang eigen tersebut. Tranformasi dari ruang spatial kedalam ruang eigen ini dilakukan dengan menggunakan Transformasi Karhunen-Loeve (TK-L) atau Principal Component Analysis (PCA ) [13][14]. Berkaitan dengan usaha untuk meningkatkan derajat ketepatan penentuan sudut pandang obyek 3 dimensi ini, dikembangkan TK-L berdasarkan subset dari seluruh data sudut pandang yang ada. Apabila digunakan seluruh data dari seluruh sudut pandang yang ada, dinamakan sebagai TK-LSELURUH, sedangkan apabila data yang digunakan hanya sebagian sudut pandang tertentu, maka kita menamakannya sebagai TK-LSEBAGIAN. Penjelasan rinci mengenai transformasi Karhunen-Loeve berdasarkan variasi data masukan berdasarkan sudut pandang ini akan dibahas kemudian. Metode Penelitian Sudut pandang sebuah obyek tiga dimensi dapat ditentukan dengan memanfaatkan sejumlah citra acuan dua dimensi yang memuat variasi perubahan sudut pandang obyek. Berdasarkan sekumpulan data citra acuan tersebut maka sudut pandang sebuah citra baru dapat ditentukan dengan membuat interpolasi terhadap galleri citra dengan data sudut pandang yang telah kita miliki. Sistem penentu sudut pandang yang dikembangkan penulis juga mengacu pada asumsi dasar tersebut. Sistem penentu sudut pandang obyek 3D ini terdiri dari subsistem ekstraksi ciri, subsistem perhitungan jarak dalam ruang eigen dan subsistem penentuan sudut pandang citra wajah berdasarkan jarak terdekat. Transformasi Karhunen-Loeve Dalam sistem penentuan sudut pandang obyek 3-D yang dikembangkan, transformasi data dilakukan dengan dua cara yang berbeda. Dua cara transformasi data tersebut dilakukan dengan menggunakan teknik Transformasi Karhunen-Loeve dengan merubah basis data yang dipergunakan. TK-LSeluruh, yaitu apabila Transformasi K-L dibentuk dengan menggunakan semua citra acuan yang ada menjadi satu ruang eigen. Jadi dalam satu ruang eigen yang dibentuk, sudah terdapat beberapa kelas sudut pandang. TK-LSebagian, yaitu apabila Transformasi K-L dibentuk hanya menggunakan sebagian basis data berdasarkan satu kelas sudut pandang tertentu saja untuk membuat ruang eigen. Sedangkan citra acuan untuk kelas sudut pandang yang lain akan digunakan untuk membentuk ruang eigen yang lain. Citra uji yang diujikan akan ditransformasikan ke seluruh ruang eigen yang dibentuk. Sejumlah citra dua dimensi dari setiap obyek tiga dimensi yang akan dikenali, dikumpulkan untuk mewakili obyek tersebut, dan digunakan sebagai citra acuan. Dari sekumpulan citra acuan tersebut, kemudian dilakukan ekstraksi ciri untuk memperoleh informasi karakteristik (ciri) dari obyek tersebut. Hasil ekstraksi ciri inilah yang digunakan dalam proses pengenalan obyek tiga dimensi.
3 Mendeskripsikan suatu citra obyek menggunakan ruang citra spatial sangat memerlukan biaya komputasi dan tingkat penentuan sudut pandang yang dihasilkan mempunyai tingkat kesalahan yang besar. Untuk menghindari hal ini, maka kita akan merepresentasikan seluruh citra wajah yang ada kedalam ruang eigen. Bentuk representasi ini banyak dimanfaatkan dalam sistem pengenalan wajah sebagai representasi eigenfaces [15][16]. Ide dasar dari representasi tersebut adalah untuk merepresentasikan sekumpulan citra ke dalam sebuah ruang baru berdasarkan ciri yang tidak berkorelasi [17]. Bentuk representasi eigenspace dapat diperoleh dengan melakukan transformasi Karhunen-Loeve terhadap sekumpulan citra acuan. Transformasi Karhunen-Loeve banyak digunakan untuk memproyeksikan atau mengubah suatu kumpulan data berukuran besar menjadi bentuk representasi data lain dengan ukuran yang lebih kecil [10]. Transformasi Karhunen-Loeve terhadap sebuah ruang data yang besar, akan menghasilkan sejumlah vektor basis orthonormal dalam bentuk kumpulan vektor eigen dari suatu matriks kovarian tertentu, yang dapat secara optimal merepresentasikan distribusi data [11]. Kumpulan vektor basis tersebut digunakan untuk membentuk suatu sub ruang data dengan dimensi yang lebih kecil dan merepresentasikan data baru dari data awal dengan meminimalkan tingkat kesalahan kuadrat rata-rata atau mean square error [12]. Vektor-vektor basis yang membentuk ruang baru diperoleh dari proses pencarian vektor eigen dan nilai eigen dari suatu matriks kovarian tertentu, sehingga ruang baru tersebut dapat kita sebut dengan ruang eigen. Matriks kovarian dibentuk dari sejumlah vektor data z n yang berdimensi d dengan bentuk: MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS 2002 (1) dengan z 1 hingga z d adalah elemen dari vektor data z n. Untuk sejumlah M vektor data z n, maka vektor rata-rata z dapat dihitung dengan: (2) Dan matriks kovarian C z dari kumpulan tersebut dapat dihitung dengan: (3) dengan t11 hingga tnn adalah elemen dari matriks kovarian Cz. Dari matriks kovarian Cz diperoleh z dan ez, masing-masing merupakan kumpulan nilai eigen dan vektor eigennya. Representasi z dan ez adalah sebagai berikut: (4) dengan 1 hingga n adalah elemen dari vektor nilai eigen z.
4 (5) dengan e 11 hingga e nn adalah elemen dari matriks vektor eigen e z. Kemudian vektor-vektor eigen dalam matriks ez disusun terurut mengecil berdasarkan nilai eigennya. Jadi vektor kolom pertama dari matriks e z akan mempunyai nilai eigen yang lebih besar daripada nilai eigen untuk vektor kolom berikutnya. Pengurutan ini bertujuan untuk memudahkan proses reduksi dimensi matriks transformasi. Matriks e z merupakan matriks transformasi yang akan memetakan kumpulan vektor zn menjadi kumpulan vektor yn didalam ruang eigen. Kumpulan vektor y n dapat dihitung dengan menggunakan persamaan: (6) dan dengan menggunakan kumpulan y n yang bersesuaian, kita dapat merekonstruksi vektor z n dengan menggunakan persamaan: (7) Rekonstruksi vektor z n dari kumpulan vektor y n dilakukan dengan menggunakan matriks transfromasi e n. Vektor-vektor eigen yang terdapat dalam matriks e z, disusun berdasarkan probabilitas distribusi data, dari yang terbesar hingga yang terkecil. Akibatnya tidak seluruh vektor eigen dalam matriks en mempunyai pengaruh yang besar dalam proses rekonstruksi vektor z n. Untuk itu dilakukan reduksi terhadap dimensi matriks e z dengan hanya memilih principal component atau komponen utamanya, yaitu vektor-vektor eigen yang mempunyai nilai eigen terbesar. Dalam menentukan berapa banyak vektor eigen yang digunakan, dilakukan perhitungan berdasarkan proporsi kumulatif nilai eigen k sebagai berikut [12]: (8) Didefinisikan matriks w k sebagai matriks transformasi dengan dimensi yang sudah direduksi, dengan k vektor eigen pertama dari matriks e z. (9) dengan w11 hingga wnn adalah elemen dari matriks transformasi wk. Sehingga persamaan (6) menjadi seperti berikut:
5 (10) Dan persamaan (7) menjadi: 86 MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS (11) Dengan tingkat kesalahan kuadrat rata-rata atau mean square error antara representasi data baru dengan representasi data lama, sebagai berikut: (12) Tingkat kesalahan di atas dapat diminimalkan dengan memilih k vektor eigen yang mempunyai nilai terbesar saja, hal ini menjadikan transformasi Karhunen-Loeve optimal dalam meminimalkan kesalahan rekonstruksi vektor-vektor baru [12]. Metode Perhitungan Jarak Terpendek pada Garis Ciri Sebuah obyek mempunyai banyak variasi pola yang dapat dijadikan dasar informasi untuk mengenali obyek tersebut. Dalam ruang ciri, sebuah pola atau ciri akan dipetakan sebagai sebuah titik dalam ruang tersebut (Gb.1). Berdasarkan hal tersebut, maka terdapat banyak kemungkinan variasi ciri yang dapat direpresentasikan dalam ruang ciri tersebut. Dalam representasi eigenspace atau ruang eigen, ciri-ciri dari suatu obyek dapat diperoleh dengan menggunakan persamaan (10) yang memetakan setiap citra acuan ke dalam ruang ciri. Hasil dari pemetaan yang dilakukan adalah titik-titik ciri dari obyek tersebut. Untuk menangkap lebih banyak variasi ciri dari sebuah obyek tiga dimensi, dapat dilakukan dengan menambah citra dua dimensi baru sebagai citra acuan untuk obyek tersebut. Pada kenyataannya tidak semua variasi ciri dari sebuah obyek dapat kita peroleh. Untuk memperoleh variasi ciri yang lebih banyak, dilakukan generalisasi titik-titik ciri menjadi garis ciri atau feature line yang menghubungkan antara dua buah titik ciri dalam kelas obyek yang sama. Dalam representasi eigenspace atau ruang eigen, ciri-ciri dari suatu obyek dapat diperoleh dengan menggunakan persamaan (10) yang memetakan setiap Gambar 1. Representasi sekumpulan citra obyek 3D dengan sudut pandang yang berlainan dalam ruang eigen citra acuan ke dalam ruang ciri. Hasil dari pemetaan yang dilakukan adalah titik-titik ciri dari obyek tersebut. Untuk menangkap lebih banyak variasi ciri dari sebuah obyek tiga dimensi, dapat dilakukan dengan menambah citra dua dimensi baru sebagai citra acuan untuk obyek tersebut. Pada kenyataannya tidak semua variasi ciri dari sebuah obyek dapat kita peroleh. Untuk memperoleh variasi ciri yang lebih banyak, dilakukan generalisasi titik-titik ciri menjadi garis ciri atau feature line yang menghubungkan antara dua buah titik ciri dalam kelas obyek yang sama. Misalkan terdapat sekumpulan obyek kuda yang mempunyai berbagai macam kemungkinan sudut pandang dan variasi penampakan dalam ruang citra. Apabila sudut pandang obyek kuda itu kita ganti, maka akan banyak sekali variasi gambar kuda yang dapat kita peroleh, yang membuat titik ciri untuk obyek kuda tersebut menjadi semakin banyak. Untuk mempermudah proses pencarian sebuah titik baru dalam area titik acuan ini, variasi yang mungkin ada diantara
6 titik itu dapat diasumsikan berada dalam garis yang dibentuk dari dua buah titik. Garis ini dinamakan sebagai feature line. Ini menyatakan bahwa untuk menambah basis data variasi yang mungkin ada, tidak diperlukan data baru. Katakan kita mendapat dua buah titik acuan dalam ruang eigen dengan notasi titik x 1 dan x 2. Seperti tertera dalam Gb.2, kita dapat membentuk garis ciri untuk mencakup sejumlah titik variasi dari dua buah titik acuan tersebut. Apabila kita ingin mengetahui apakah sebuah titik baru x termasuk dalam variasi x 1 dan x 2, titik x diproyeksikan sebagai titik p, yang dapat dihitung berdasarkan persamaan : (13) dengan sebagai parameter posisi. Karena tegak lurus dengan, maka dapat dihitung sebagai dot product dari persamaan berikut: (14) Gambar 2. Generalisasi dari dua buah titik ciri x 1 dan x 2 sebagai sebuah garis ciri MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS 2002 Posisi dari titik proyeksi p dapat dilihat dari parameter posisi. Jika =0, maka titik p akan sama dengan titik x1, jika =1, maka titik p akan sama dengan titik x2. Jika maka titik p merupakan titik interpolasi antara kedua titik tersebut. Dan jika atau, maka titik p merupakan titik ekstrapolasi antara kedua titik tersebut. Banyaknya garis ciri Gc yang dapat diperoleh dari sebuah obyek, dapat dihitung dengan persamaan berikut: (15) dengan N c adalah banyaknya titik ciri dalam sebuah kelas obyek. Sistem Penentu Sudut Pandang Obyek 3D Pengelompokkan sudut pandang dari obyek tiga dimensi dengan metode Perhitungan Jarak Terpendek dengan Garis Ciri dalam ruang eigen ini, seperti termaksud dalam namanya, dilakukan dengan mencari jarak terpendek dari titik ciri citra uji dengan garis ciri citra acuan. Akan tetapi karena kita menerapkan dua macam transformasi Karhunen-Loeve, yaitu TK-LSELURUH dan TK-LSEBAGIAN, maka dalam pengambilan keputusan apakah sebuah citra uji ditentukan berada dalam suatu kelas sudut pandangnya, akan berbeda untuk kedua metoda transformasi tersebut. Hal ini menyebabkan adanya dua kelompok data sudut pandang obyek, yaitu kelompok data sudut pandang obyek dengan menggunakan TK-LSELURUH serta kelompok data sudut pandang obyek dengan menggunakan TK-LSEBAGIAN. Penentuan Sudut Pandang Menggunakan TK-LSELURUH
7 Algoritma yang dipergunakan untuk menentukan sebuah citra uji dengan menggunakan TK-LSeluruh adalah sebagai berikut : 1. Sebuah citra ditransformasikan ke dalam ruang ciri menjadi titik ciri x. 2. Bentuk seluruh kemungkinan garis ciri Gc dari sejumlah titik ciri dalam ruang eigen untuk setiap kelas sudut pandang. 3. Sebuah citra baru yang setelah dilakukan TK-L Seluruh menjadi titik x, diproyeksikan terhadap seluruh garis ciri G c dengan menggunakan Pers. 13, dan dinamakan sebagai titik p. 4. Hitung jarak antara titik x dan titik hasil proyeksi (p) dalam setiap ruang eigen dari masing-masing kelas sudut pandang (16) 5. Mengambil jarak proyeksi xp antara titik ciri x dengan titik proyeksi p yang terkecil. Pengelompokkan titik ciri x dilakukan berdasarkan pertimbangan sebagai berikut : Jika x1 dan x2 merupakan titik ciri dengan sudut pandang a 0, berarti titik ciri x masuk dalam satu kelas sudut pandang a 0 tersebut. Jika x 1 merupakan titik ciri dengan sudut pandang a0 dan x 2 merupakan titik ciri dengan sudut pandang b0, berarti titik ciri x digolongkan sebagai titik di antara sudut a0 dan b0. Penentuan Sudut Pandang Menggunakan TK-LSEBAGIAN Algoritma yang dipergunakan untuk menentukan sebuah citra uji dengan menggunakan TK-LSeluruh adalah sebagai berikut : 1. Sebuah citra ditransformasikan ke dalam ruang ciri menjadi titik ciri x. Pada citra acuan lain juga dilakukan proses transformasi K-L untuk membentuk ruang eigen berdasarkan sudut pandang. 2. Bentuk seluruh kemungkinan garis ciri G c yang dapat dibentuk oleh sejumlah titik ciri dalam setiap ruang eigen berdasarkan sudut pandang. 3. Sebuah citra uji tidak dikenal, ditransformasikan terhadap seluruh ruang eigen yang ada, menjadi titik x i (i adalah kelas sudut pandang). Untuk ruang eigen sudut 0 0 citra akan akan menjadi titik x0, dan untuk ruang eigen lain didapatkan titik x 30, titik x Titik x i ini kemudian diproyeksikan terhadap seluruh garis ciri G c dalam ruang eigen masing-masing menggunakan Pers. 13 sebagai titik p. 5. Hitung jarak antara titik x i dan titik proyeksi p untuk masing-masing ruang eigen, dengan menggunakan Pers. 16. Hasil yang didapat pada langkah ke-4 ini berupa jarak x i p i 6. Tentukan xipi yang terkecil sebagai xr pr, dan gunakan untuk menentukan sudut pandang citra uji berdasarkan: a)jika jarak x r p r yang didapat mendekati 0 berarti titik uji x yang diproyeksikan sebagai x r masuk ke dalam kelas sudut pandang r. b)akan tetapi jika jarak xrpr ini jauh lebih besar dari 0 berarti titik uji x ini dikelompokkan : diantara kelas (r t) dan r, atau diantara kelas r dan (r + t). Apabila tahap 6a berlaku, maka proses berhenti, tetapi bila tahap 6b yang berlaku, maka proses dilanjutkan. 7. Hitung jarak proyeksi xr-tpr-t dan jarak proyeksi xr+t pr+t. Bandingkan jarak proyeksi xr-tpr-t dan xr+tpr+t. Jarak proyeksi yang terkecil dari kedua jarak proyeksi dari kelas sudut pandang diantaranya digunakan untuk menentukan keputusan terakhir, apakah titik ciri x masuk ke dalam kelas sudut pandang : (r - t) dan r, atau r dan (r + t). 88 MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS Hasil dan Pembahasan
8 Metodologi yang dikembangkan terdiri dari dua buah proses utama, yaitu tahap pembentukan garis ciri dalam ruang eigen dan tahap penentuan sudut pandang obyek baru. Pada tahap pembentukan ruang ciri, proses dilakukan dengan membentuk ruang ciri dan ekstraksi ciri dari seluruh citra acuan untuk setiap sudut pandang. Sedangkan pada tahap pengenalan, proses dilakukan dengan memasukkan sejumlah citra uji dan sistim penenetu sudut pandang wajah 3D ini akan mengelompokkan citra masukan tersebut ke dalam kelas obyek yang sesuai. Uji coba sistim penentu sudut pandang wajah 3D ini menggunakan data citra dari wajah manusia Indonesia dengan beberapa ekspresi yang berbeda seperti, wajar, tersenyum, tertawa dan ekspresi bebas. Seluruh citra wajah 3D ini didapatkan dari pengambilan sudut pandang yang berbeda untuk setiap obyek wajah, yaitu sudut pandang pengamatan mulai dari 900 hingga +900 dengan interval 150 untuk obyek wajah. Sebagian dari citra wajah yang dipergunakan dalam eksperimen ini tertera dalam Gb. 4. Batasan umum dari data citra untuk obyek wajah adalah sudut pandang pengamatan dibatasi hanya pada arah horizontal saja dan jarak antara lokasi obyek dan pengamat dianggap tetap. Himpunan data citra obyek wajah manusia dapat dilihat pada Tabel 1. Percobaan dilakukan menggunakan paradigma perbandingan data pelatihan dan data pengujian yang berbeda. Seperti dapat dilihat pada Tabel 1, Data Set 1 mempunyai perbandingan antara sudut pandang pelatihan terhadap sudut pandang pengujian yang paling kecil, 30,8%:69,2%. Sedangkan Data Set 2 mempunyai perbandingan 38,5%:61,5% sedangkan Data Set 3 mempunyai perbandingan sebesar 53,8%:46,2%. Hal ini dilakukan supaya kita bisa mengukur kemampuan sistim untuk dapat menentukan posisi wajah seseorang apabila Gambar 4. Sebahagian dari citra wajah 3D yang dipergunakan dalam Sistim Pengenal Wajah. Himpunan citra ini juga menunjukkan perubahan ekspresi yang juga menjadi parameter penentuan sudut pengamatan obyek wajah Tabel 1. Data eksperimen untuk obyek wajah dengan perbandingan data pelatihan dan data pengenalan yang berbeda kita mempunyai basisdata yang kecil (Data Set 1) yang berubah menjadi semakin membesar menjadi (Data Set 3). Tingkat keberhasilan sistem penentu sudut pandang wajah 3D terhadap kumpulan data-set seperti tertera dalam Tabel 1 ini dapat dilihat pada Tabel 2. Perlu diperhatikan bahwa hasil yang tertera dalam Tabel 2 ini adalah apabila kita menggunakan metoda TK-LSELURUH, hasil penggunaan metoda TK-LSEBAGIAN dapat dilihat dalam Tabel 3. Untuk semua percobaan dengan jelas terlihat bahwa berdasarkan nilai proporsi kumulatif yang berbeda, tingkat keberhasilan penentuan sudut pandang yang benarpun akan berbeda. Tingkat keberhasilan sistem cenderung meningkat sesuai dengan
9 peningkatan prosentase proporsi kumulatif yang dipergunakan. Untuk metoda TK-LSELURUH, himpunan Data Set 1 memperlihatkan peningkatan derajat keberhasilan sistem hingga mencapai 27.08% untuk prosentasi kumulatif sebesar 99%, sedangkan untuk untuk himpunan Data Set 2, tingkat keberhasilan sistim meningkat hingga mencapai 42,19% untuk prosentasi kumulatif 95%. Untuk himpunan Data Set 3, tingkat keberhasilan sistim cenderung meningkat terus hingga proporsi kumulatif mencapai 99% dengan tingkat keberhasilan sebesar 57,50%. Terlihat pula dari Tabel 2 ini bahwa dengan meningkatnya prosentase pelatihan dibandingkan dengan prosentase pengujiannya, maka tingkat keberhasilan sistem penentu sudut pandang wajah ini juga akan meningkat. Untuk Data Set 1 dan Data Set 2, perbandingan antara data pelatihan dan data pengujian tidak terlalu berbeda, maka perubahan diantara keduanya juga tidak terlalu terlihat nyata. Akan tetapi, apabila kita melihat penggunaan prosentase data pelatihan dan data pengujian sekitar 50%:50% pada Data Set 3, maka tingkat keberhasilan sistem meningkat secara signifikan, walaupun masih sangat rendah. MAKARA, SAINS, VOL. 6, NO. 2, AGUSTUS 2002 Tabel 2. Tingkat keberhasilan Sistim Penentu Sudut Pandang Wajah 3D berdasarkan metoda TK-LSELURUH dengan prosentase proporsi kumulatif yang berbeda Dengan menggunakan metoda TK-LSEBAGIAN, hasil eksperimen menunjukkan bahwa untuk himpunan Data Set 1, tingkat keberhasilan sistem sangat tinggi hingga mencapai 87,50% pada prosentasi kumulatif 99%, sedangkan untuk untuk himpunan Data Set 2, tingkat keberhasilan sistem meningkat hingga mencapai 89.1% pada prosentasi kumulatif 95%. Untuk himpunan Data set 3, tingkat keberhasilan sistem cenderung juga meningkat terus, dan pada nilai proporsi kumulatif 95%, mencapai 93,8%. Terlihat pula dari Tabel 3 ini, seperti juga pada Tabel 2, bahwa dengan meningkatnya prosentase pelatihan dibandingkan dengan prosentase pengujiannya, maka tingkat keberhasilan sistem penentu sudut pandang wajah ini juga akan meningkat. Tingkat pengenalan akan berkisar antara 89% apabila menggunakan prosentase kumulatif 99%. Kesimpulan Kita telah mengembangkan sistem penentu sudut pandang wajah 3D berdasarkan perhitungan jarak terpendek pada garis ciri di dalam ruang eigen. Sistem penentu sudut pandang wajah yang dikembangkan ini mampu mengenal wajah yang tidak diketahui sudut pandangnya, dengan tingkat keberhasilan tertinggi sekitar 93,8%, yaitu dengan perbandingan antara data pelatihan dan data uji sebesar 50%:50%. Apabila kita meningkatkan prosentase data pelatihan lebih tinggi lagi, maka diharapkan kita akan mampu mempertinggi tingkat pengenalan sistim. Terlihat pula dalam hasil eksperimen ini bahwa penggunaan transformasi Karhunen-Loeve sebagian data akan memberikan hasil Tabel 3. Tingkat keberhasilan Sistem Penentu Sudut Pandang Wajah 3D berdasarkan metoda TK-LSEBAGIAN dengan prosentase proporsi kumulatif yang berbeda yang lebih baik daripada apabila kita menggunakan transformasi Karhunen-Loeve seluruhnya. Hal ini disebabkan karena dalam TK-LSEBAGIAN, citra yang tidak diketahui sudut pandangnya akan diproyeksikan pada ruang eigen terdekat, yang akan menghasilkan jarak terpendek terkecil. Nilai jarak terpendek ini akan membesar apabila citra tak dikenal ini di proyeksikan pada ruang eigen yang lebih jauh. Ucapan Terima Kasih
10 Para penulis menyatakan rasa terimaksih terhadap Lembaga Penelitian Universitas Indonesia, atas pembiayaan penelitian ini melalui Pendanaan Riset Unggulan UI Daftar Acuan [1] R. Brunelli, T. Poggio, Proceedings of ECCV 92, Santa Margherita Ligure, 1992, p [2] I. Craw, D. Tock, A. Bennet, Proceedings of ECCV 92, Santa Margherita Ligure, 1992, p. 93. [3] M. Kirby, L. Sirovich, IEEE Trans PAMI 12 (1990) 103. [4] M. Turk, A. Pertland, Proc. IEEE CCVP 91, 1991, p [5] B. Kusumoputro, R. F. Shah, Proc. IECI CECI-(2001) 20. [6] B. Kusumoputro, Renny Isharini, A. Murni, Proc. IECI CECI-2001, VI (2001) 24. [7] B. Kusumoputro, I. P. Simanjubtak, Proc. IECI CECI-2001, VI (2001) 16. [8] S. Ullmann, R. Basri, IEEE Trans. PAMI, 13 (1991) 992. [9] T. Poggio, S. Edelman, Nature, 343 (1990) 263. [10] B. Kusumoputro, A. Sulita, Neural Network World, 4 (2000) 631. [11] B. Kusumoputro, M. Y. Pangabean, L. F. Rachman, Jurnal Ilmu Komputer dan Teknologi Informasi, 1 (2001). [12] S.Z. Li, J. Lu, IEEE Trans. on neural networks [13] S. Chandrasekaran et.al., Dept. of Electrical and Computer Engineering, The University of California, Santa Barbara, [14] L.T. Jolliffe, Springer-Verlaag, Berlin, [15] M. Uenohara, T. Kanade, IEEE Trans PAMI, vol 19, no. 8, pp , [16] S.Z. Li, J. Lu, IEEE Proc. On International Conference on Face and Gesture Recognition, Nara, Japan, [17] T. Vetter, T. Poggio, H. Bulthoff, A.I. Memo No. 1409, Artificial Intelligence Laboratory, Massachussetts Institute of Technology, 1992.
SISTEM PENGENALAN WAJAH 3-D MENGGUNAKAN PENAMBAHAN GARIS CIRI PADA METODE PERHITUNGAN JARAK TERPENDEK DALAM RUANG EIGEN
SISTEM PENGENALAN WAJAH 3-D MENGGUNAKAN PENAMBAHAN GARIS CIRI PADA METODE PERHITUNGAN JARAK TERPENDEK DALAM RUANG EIGEN Lina 1,2 dan Benyamin Kusumoputro 1 1. Laboratorium Kecerdasan Komputasional, Fakultas
Lebih terperinciSISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE
SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE Agus Budi Dharmawan 1), Lina 2) 1), 2) Teknik Informatika FTI - UNTARJakarta Jl S. Parman No.1, Jakarta 11440
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 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 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 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 terperinciImplementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint
Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciSISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL
1 SISTEM PENDETEKSI WAJAH MANUSIA PADA CITRA DIGITAL (Human Face Detection System on Digital Images) Setyo Nugroho 1, Agus Harjoko 2 Program Studi Ilmu Komputer Program Pascasarjana Universitas Gadjah
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 terperinciIMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION
J~ICON, Vol. 3 No. 2, Oktober 2015, pp. 89 ~ 95 89 IMPLEMENTASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS(PCA) DAN IMPROVED BACKPROPAGATION Rini Miyanti Maubara 1, Adriana Fanggidae
Lebih 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 terperinciSISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST)
Berkala Fisika ISSN : 1410-9662 Vol. 15, No. 1, Januari 2012, hal 15-20 SISTEM PENGENALAN WAJAH DENGAN METODE EIGENFACE DAN JARINGAN SYARAF TIRUAN (JST) Tri Mulyono, Kusworo Adi dan Rahmat Gernowo Jurusan
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciPEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES
PEMANFAATAN GUI DALAM PENGEMBANGAN PERANGKAT LUNAK PENGENALAN CITRA WAJAH MANUSIA MENGGUNAKAN METODE EIGENFACES Ni Wayan Marti Jurusan Manajemen Informatika, Fakultas Teknik dan Kejuruan,Universitas Pendidikan
Lebih terperinciBAB 2 DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN INTERPOLASI SPLINE
8 BAB 2 PENENTUAN SUDUT PANDANG BAB 2 WAJAH TIGA DIMENSI PENENTUAN DENGAN MENGGUNAKAN SUDUT PANDANG INTERPOLASI WAJAH TIGA LINIER DIMENSI DAN DENGAN MENGGUNAKAN INTERPOLASI INTERPOLASI SPLINE LINIER DAN
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih 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 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Citra Berikut adalah beberapa definisi dari citra, antara lain: rupa; gambar; gambaran (Kamus Besar Bahasa Indonesia). Sebuah fungsi dua dimensi, f(x, y), di mana x dan y adalah
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1. 1 Latar Belakang Jaringan saraf buatan merupakan kumpulan dari elemen-elemen pemrosesan buatan yang disebut neuron. Sebuah neuron akan mempunyai banyak nilai masukan yang berasal dari
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPengenalan Wajah dengan 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 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. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Home security saat ini sudah menjadi kebutuhan setiap pemilik rumah yang menginginkan tingkat keamanan yang baik. Salah satu sistem keamanan konvensional yang masih
Lebih terperinciBAB 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 terperinciBab II. Tinjauan Pustaka
Bab II Tinjauan Pustaka 2.1 Penelitian Terdahulu Principal Component Analysis (PCA) merupakan metode dalam statistika yang digunakan untuk mereduksi dimensi input dengan kehilangan informasi yang minimum,
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 terperinciEKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH. Oleh: Kholistianingsih
EKSTRAKSI CIRI GEOMETRIS UNTUK APLIKASI IDENTIFIKASI WAJAH Oleh: Kholistianingsih Abstract Face recognition is a non-contact biometric identification that tries to verify individuals automatically based
Lebih terperinciDAFTAR ISI v. ABSTRACT ii KATA PENGANTAR iii. DAFTAR GAMBAR.vii DAFTAR TABEL...ix
ABSTRAK Dalam laporan tugas akhir ini dijelaskan mengenai suatu sistem pengenal identitas manusia dengan menggunakan wajah sebagai pengenalnya, atau yang lebih dikenal dengan Face Recognition. Tujuan dari
Lebih terperinciBAB III PERANCANGAN DAN IMPLEMENTASI SISTEM
BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM Pada bab ini akan dijelaskan mengenai tahapan dan algoritma yang akan digunakan pada sistem pengenalan wajah. Bagian yang menjadi titik berat dari tugas akhir
Lebih terperinciBAB 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 terperinciSegitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi
J. Math. and Its Appl. ISSN: 1829-605X Vol. 4, No. 1, May 2007, 9 16 Segitiga Fuzzy-Neural Network untuk Mengenali Pola dari Model Input Data yang Berdistribusi Hary Budiarto Pusat Teknologi Informasi
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 terperinciPENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST
MAKARA, SAINS, VOL. 7, NO.3, DESEMBER 2003 PENDETEKSIAN JENIS DAN KELAS AROMA DENGAN MENGGUNAKAN METODE ONE-VS-ONE DAN METODE ONE-VS-REST Zuherman Rustam 1,3, Benyamin Kusumoputro 2,3 dan Belawati Widjaja
Lebih terperinciBAB 1 PENDAHULUAN 1-1
BAB 1 PENDAHULUAN Bab ini menjelaskan mengenai Latar Belakang, Identifikasi Masalah, Tujuan Tugas Akhir, Lingkup Tugas Akhir, Metodologi Tugas Akhir dan Sistematika Penulisan Tugas Akhir. 1.1 Latar Belakang
Lebih terperinciPENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION
PENGENALAN CITRA WAJAH DENGAN MENGGUNAKAN TRANSFORMASI WAVELET DISKRIT DAN JARINGAN SARAF TIRUAN BACK-PROPAGATION Suhendry Effendy Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Bina Nusantara University
Lebih 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 I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem
1 BAB I PENDAHULUAN 1.1. Latar Belakang Sistem biometrika merupakan teknologi pengenalan diri dengan menggunakan bagian tubuh atau perilaku manusia yang memiliki keunikan. Salah satu bagian sistem biometrika
Lebih 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 terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Setiap manusia diciptakan dengan bentuk fisik dan rupa yang berbeda sehingga manusia tersebut dapat dibedakan satu dengan yang lainnya. Pada teknologi informasi
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Pengenalan Ekspresi Wajah Manusia Pengenalan ekspresi wajah manusia oleh mesin dapat dideskripsikan sebagai interpretasi terhadap karakteristik ekspresi wajah manusia melalui
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan diuraikan mengenai landasan teori yang akan digunakan dalam bab selanjutnya. 2.1 Matriks Sebuah matriks, biasanya dinotasikan dengan huruf kapital tebal seperti A,
Lebih terperinciSTUDI ANALISIS EIGENFACE DAN EIGEN FUZZY SET UNTUK EKSTRAKSI CIRI BIBIR PADA SISTEM IDENTIFIKASI WAJAH
Widyanto, Studi Analisis Eigenface dan Eigen Fuzzy Set untuk Ekstraksi Ciri Bibir pada Sistem Identifikasi Wajah STUDI ANALISIS EIGENFACE DAN EIGEN FUZZY SET UNTUK EKSTRAKSI CIRI BIBIR PADA SISTEM IDENTIFIKASI
Lebih terperinciBAB 1 BAB PENDAHULUAN
1 BAB 1 BAB PENDAHULUAN 1 Bab ini menjelaskan latar belakang penelitian yang dilakukan pada tugas akhir, permasalahan yang diteliti, tujuan penelitian, batasan masalah, manfaat penelitian, tahapan penelitian
Lebih terperinciPERBANDINGAN PCA (PRINCIPAL COMPONENT ANALYSIS) DAN KERNEL PCA DALAM PENGENALAN WAJAH AKIBAT VARIASI POSE ABSTRAK
PERBANDINGAN PCA (PRINCIPAL COMPONENT ANALYSIS) DAN KERNEL PCA DALAM PENGENALAN WAJAH AKIBAT VARIASI POSE Fredo Adrian Arliawan Email: fredoadrian@ymail.com Jurusan Teknik Elektro, Fakultas Teknik Jl.
Lebih terperinciABSTRAK. Kata kunci: Citra wajah manusia, Principal Component Analysis (PCA), Eigenfaces, Euclidean Distance. ABSTRACT
16 Dielektrika, ISSN 2086-9487 Vol. 1, No. 1 : 16-23 Pebruai, 2014 EKSTRAKSI CIRI WAJAH MANUSIA MENGGUNAKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK SISTEM PENGENALAN WAJAH [Feature Extraction
Lebih terperinciPenggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier. The Use of Gaussian PCA Kernel in Solving Non Linier Multivariate Plot
Penggunaan Kernel PCA Gaussian dalam Penyelesaian Plot Multivariat Non Linier Bernhard M. Wongkar 1, John S. Kekenusa 2, Hanny A.H. Komalig 3 1 Program Studi Matematika, FMIPA, UNSRAT Manado, bernhard.wongkar2011@gmail.com
Lebih terperinciPENENTUAN POSISI KAMERA DENGAN GEODESIC DOME UNTUK PEMODELAN. M. Yoyok Ikhsan *
PENENTUAN POSISI KAMERA DENGAN GEODESIC DOME UNTUK PEMODELAN M. Yoyok Ikhsan * ABSTRAK PENENTUAN POSISI KAMERA DENGAN GEODESIC DOME UNTUK PEMODELAN. Makalah ini memaparkan metode untuk menentukan posisi
Lebih terperinciSISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH
SISTEM VERIFIKASI ONLINE MENGGUNAKAN BIOMETRIKA WAJAH I Nyoman Piarsa, Riza Hisamuddin Staff Pengajar Teknik Elektro, Fakultas Teknik, Universitas Udayana Kampus Bukit Jimbaran, Bali, 80361 Email: manpits@ee.unud.ac.id
Lebih terperinciTeknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil
Teknik Reduksi Dimensi Menggunakan Komponen Utama Data Partisi Pada Pengklasifikasian Data Berdimensi Tinggi dengan Ukuran Sampel Kecil Ronny Susetyoko, Elly Purwantini Politeknik Elektronika Negeri Surabaya
Lebih terperinciBAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan
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 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 HEMISPHERIC STRUCTURE OF HIDDEN LAYER DAN IMPLEMENTASI DENGAN INFORMASI SUDUT YANG DIKETAHUI
BAB 2 HEMISPHERIC STRUCTURE OF HIDDEN LAYER DAN IMPLEMENTASI DENGAN INFORMASI SUDUT YANG DIKETAHUI Pada Bab ini akan dijelaskan mengenai struktur Jaringan Syaraf Tiruan Hemispheric Structure of Hidden
Lebih terperincig(x, y) = F 1 { f (u, v) F (u, v) k} dimana F 1 (F (u, v)) diselesaikan dengan: f (x, y) = 1 MN M + vy )} M 1 N 1
Fast Fourier Transform (FFT) Dalam rangka meningkatkan blok yang lebih spesifik menggunakan frekuensi dominan, akan dikalikan FFT dari blok jarak, dimana jarak asal adalah: FFT = abs (F (u, v)) = F (u,
Lebih terperinciPENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR
PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA DENGAN MENGGUNAKAN METODE KLASIFIKASI NEAREST NEIGHBOR Ardilla Ayu Dewanti Ridwan, Ivanna K. Timotius, Iwan Setyawan PENGENALAN GENDER MEMANFAATKAN WAJAH MANUSIA
Lebih terperinciPENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciBAB 1 PENDAHULUAN. 1. Sistem pengawasan atau surveillance system
BAB 1 PENDAHULUAN Bab ini menjelaskan latar belakang, permasalahan, tujuan, dan ruang lingkup dari tugas akhir. Setelah itu dilanjutkan dengan sistematika penulisan laporan. 1.1. Latar Belakang Saat ini
Lebih terperinciImplementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari)
Implementasi Teori Graf Dalam Masalah Fingerprint Recognition (Pengenalan Sidik Jari) Amalfi Yusri Darusman Jurusan Teknik Informatika Institut Teknologi Bandung, jalan Ganesha 10 Bandung, email : if17023@students.if.itb.a.c.id
Lebih terperinciKlasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra
Jurnal Ilmiah Ilmu Komputer, Vol 15 No. 2, Desember 2010 : 38-41 Klasifikasi Citra Menggunakan Metode Minor Component Analysis pada Sistem Temu Kembali Citra Vera Yunita, Yeni Herdiyeni Departemen Ilmu
Lebih terperinciJournal of Control and Network Systems
JCONES Vol 3, No 1 (14) 29-36 Journal of Control and Network Systems Situs Jurnal : http://jurnalstikomedu/indexphp/jcone APLIKASI PENGENALAN WAJAH PADA MOBILE ROBOT OMNIDIRECTIONAL MENGGUNAKAN METODE
Lebih terperinciPamampatan dan Rekonstruksi Citra Menggunakan Analisis Komponen Utama.
PEMAMPATAN DAN REKONSTRUKSI CITRA MENGGUNAKAN ANBALISIS KOMPONEN UTAMA (PRINCIPAL COMPONENTS ANALYSIS) Praditya *, Budi Setiono **, Rizal Isnanto ** Abstrak - Saat ini sudah banyak aplikasi berbasis citra
Lebih terperinciBAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA SEGITIGA MASING-MASING SUDUT
24 BAB 3 ALGORITMA PENGENALAN BAB 3 SUDUT FOTO DENGAN DATA ALGORITMA RATA-RATA PENGENALAN MASING-MASING SUDUT SUDUT FOTO SERTA DENGAN DATA DATA FUZZY RATA-RATA MASING-MASING SEGITIGA MASING-MASING SUDUT
Lebih terperinciODOR RECOGNITION DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN NEAREST NEIGHBOUR CLASSIFIER
ODOR RECOGNITION DENGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN NEAREST NEIGHBOUR CLASSIFIER Anies Hannawati, Thiang, Yudi Prasetyo Fakultas Teknologi Industri, Jurusan Teknik Elektro, Universitas
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 terperinciANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR
ANALISIS CITRA WAJAH DENGAN HIMPUNAN FUZZY EIGEN TERBESAR Shinta Puspasari MDP Computer and Informatics Management Institute Jl. Rajawali 14, Palembang, 30113, Indonesia e-mail : shinta@stmik-mdp.net ABSTRAKSI
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 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 terperinciSTUDI ANALISIS EIGENFACE DAN EIGEN FUZZY SET UNTUK EKSTRAKSI CIRI BIBIR PADA SISTEM IDENTIFIKASI WAJAH
Widyanto, Studi Analisis Eigenface dan Eigen Fuzzy Set untuk Ekstraksi Ciri Bibir pada Sistem Identifikasi Wajah STUDI ANALISIS EIGENFACE DAN EIGEN FUZZY SET UNTUK EKSTRAKSI CIRI BIBIR PADA SISTEM IDENTIFIKASI
Lebih terperinciPENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING)
PENGELOMPOKAN CITRA WAJAH DENGAN TEKNIK SUBSPACE CLUSTERING MENGGUNAKAN ALGORITMA LSA SC (LOCAL SUBSPACE AFFINITY SPECTRAL CLUSTERING) Disusun oleh : Febryan Setiawan (0922081) Jurusan Teknik Elektro,
Lebih terperinciIdentifikasi Telapak Tangan Menggunakan 2DPCA plus PCA dan K-Nearest Neighbour
Identifikasi Telapak Tangan Menggunakan plus PCA dan K-Nearest Neighbour Bedy Purnama, S.Si, M.T Fakultas Informatika Institut Teknologi Telkom Bandung, Indonesia bdp@ittelkom.ac.id Ditari Salsabila E.
Lebih terperinciIdentifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA. Shorea Leaves Identification using KNN with 2DPCA Feature Extraction
Tersedia secara online di: http://journal.ipb.ac.id/index.php/jika Volume 3 Nomor 1 halaman 19-27 ISSN: 2089-6026 Identifikasi Daun Shorea menggunakan KNN dengan Ekstraksi Fitur 2DPCA Shorea Leaves Identification
Lebih terperinciBAB I PENDAHULUAN. Sistem 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 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 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 Aksara Lampung Menggunakan Jaringan Syaraf Tiruan
Pengenalan Aksara Lampung Menggunakan Jaringan Syaraf Tiruan Adhika Aryantio School of Electrical Engineering and Informatics Institute Technology of Bandung 10th Ganeca Street Bandung, Indonesia. Adhikaaryantio.x6@gmail.com
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI 2.1. Artificial Intelligence Artificial Intelligence adalah studi tentang bagaimana komputer melakukan sesuatu dimana saat itu orang melakukannya lebih baik. (Rich dan Knight, 1991).
Lebih terperinciANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA
ISSN: 1693-6930 159 ANALISIS HUBUNGAN ANTARA TINGKAT PENGENALAN JARINGAN SYARAF TIRUAN DENGAN BANYAKNYA JUMLAH KELAS POLA YANG DIKENALI DAN TINGKAT KERUMITAN POLANYA Iwan Suhardi, Riana T. Mangesa Jurusan
Lebih terperinciPengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta
Pengenalan wajah dengan algorithma Eigen Face Oleh: Hanif Al Fatta Abstraksi Pengenalan wajah (face recognition) yang merupakan salah satu penerapan image processing, kini telah dipakai untuk banyak aplikasi.
Lebih terperinciPEMBUATAN PERANGKAT LUNAK PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENTS ANALYSIS
PEMBUATAN PERANGKAT LUNAK PENGENALAN WAJAH MENGGUNAKAN PRINCIPAL COMPONENTS ANALYSIS Kartika Gunadi Fakultas Teknologi Industri, Jurusan Teknik Informatika Universitas Kristen Petra e-mail: kgunadi@peter.petra.ac.id,
Lebih terperinciImplementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint
Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint Diana Purwitasari, Rully Soelaiman, Mediana Aryuni dan Hanif Rahma Hakim Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Lebih terperinciSISTEM KONTROL AKSES BERBASIS REAL TIME FACE RECOGNITION DAN GENDER INFORMATION
SISTEM KONTROL AKSES BERBASIS REAL TIME FACE RECOGNITION DAN GENDER INFORMATION Putri Nurmala 1 ; Wikaria Gazali 2 ; Widodo Budiharto 3 1, 2 Mathematics and Statistics Department, School of Computer Science,
Lebih 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 terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Saat ini jalan tol menjadi suatu jalan alternatif untuk mengatasi kemacetan lalu lintas ataupun untuk mempersingkat jarak dari satu tempat ke tempat lain. Untuk menikmati layanan
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 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 terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciBAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK. Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen
BAB II SISTEM KLASIFIKASI DENGAN ALGORITMA PROPAGASI BALIK Bab ini akan membahas tentang ekstraksi fitur dengan Principal Componen Analysis (PCA) dan tentang algoritma propagasi balik serta kelemahan dari
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 terperinciPENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)
PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF) Disusun oleh : Alvin Silajaya (0922018) Jurusan Teknik Elektro,
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Masyarakat dunia saat ini sedang dihadapkan dengan kemajuan teknologi sebagai salah satu penunjang dalam era informasi. Informasi yang menjadi komoditas utama
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 terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE
Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 355~360 355 SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE Abdul Hamid
Lebih terperinciBAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA. Analisis komponen utama adalah metode statistika multivariat yang
BAB III PEREDUKSIAN RUANG INDIVIDU DENGAN ANALISIS KOMPONEN UTAMA Analisis komponen utama adalah metode statistika multivariat yang bertujuan untuk mereduksi dimensi data dengan membentuk kombinasi linear
Lebih terperinciPENGENALAN WAJAH DENGAN METODE ORTHOGONAL LAPLACIANFACES. Luhur Pribudhi ( )
PENGENALAN WAJAH DENGAN METODE ORTHOGONAL LAPLACIANFACES Luhur Pribudhi ( 0522068 ) Jurusan Teknik Elektro, Fakultas Teknik, Jln. Prof. Drg. Suria Sumantri 65, Bandung 40164, Indonesia Email : luhurpribudi@yahoo.com
Lebih terperinciPENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER
PENGENALAN WAJAH MENGGUNAKAN METODE REGRESI LINIER ABSTRAK Ryan Dharmawan Susanto (0722005) Jurusan Teknik Elektro email : ryan_sesss@yahoo.com Salah satu masalah yang mengganggu dalam pengenalan wajah
Lebih terperinciPENDETEKSIAN TITIK TITIK JANGKAR UNTUK VERIFIKASI FACE 3D
PENDETEKSIAN TITIK TITIK JANGKAR UNTUK VERIFIKASI FACE 3D Dahlan Abdullah 1, Safwandi 2 Dosen Teknik Informatika Universitas Malikussaleh Abstract This paper outlines methods to detect key anchor points
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 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 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 terperinciKorelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera
Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 7 Korelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera Edy Winarno *), Wiwien
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinci