BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB IV HASIL PENELITIAN DAN PEMBAHASAN. 4.1 Pengembangan Sistem Pengenalan Wajah 2D"

Transkripsi

1 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 data training dan data test. Pengenalan wajah dilakukan dengan menggunakan algoritma eigenface berbasis PCA (principal component analysis) dalam proses pengambilan ciri pada citra wajah dan manhattan distance untuk penghitungan kesamaan jarak antar citra data training dan citra yang diuji. Sebelum proses pengenalan wajah berlangsung, citra data training memasuki tahap pra-proses untuk dilakukan normalisasi. Langkah pertama dalam sistem pengenalan wajah ini adalah pengambilan data dengan bantuan kamera digital. Pengambilan data ini dilakukan oleh user yang berupa citra RGB, selanjutnya data dimasukkan kedalam komputer untuk diproses. Proses ini dilakukan oleh sistem dengan tujuan melakukan normalisasi citra data training. Berikut ini contoh hasil pengambilan data yang masing-masing citra berukuran 3x4 piksel: Gambar 4. Contoh data training (jarak pengambilan citra 1m)

2 31 Gambar 5. Contoh data test (jarak pengambilan citra 1,5m) Contoh data training dan data test diatas citra yang digunakan berdasarkan jarak pengambilan yang berbeda, yaitu 1 meter dan 1,5 meter. Pada akhirnya akan dibandingkan hasil dari pengenalan wajah ini, pada jarak pengambilan citra yang mana yang memiliki akurasi tertinggi Pra-Proses Pra-proses ini bertujuan untuk mempersiapkan citra data training yang diproses oleh sistem agar informasi yang terkandung didalamnya layak untuk diolah pada proses selanjutnya. Proses ini tidak dilakukan secara manual, melainkan oleh sistem yang menggunakan program matlab dengan kode berikut:

3 32 Gambar 6. Kode pra-proses pada program matlab RGB to Grayscale Salah satu tahapan pra-proses ini banyak digunakan dalam sistem pengenalan wajah karena memiliki persamaan yang sederhana dan mampu mengurangi kebutuhan memori penghitungan sehingga mempercepat proses yang dilakukan. Metode yang digunakan dalam konversi citra ini yaitu luminance, metode ini banyak dipakai untuk pemrosesan citra karena didesain untuk menyamakan intensitas warna hijau dalam pandangan manusia. Berikut ini persamaan yang digunakan untuk mendapatkan nilai grayscale: Grayscale = (Red * ) + (Green * ) + (Blue * )... (4.1) Sebagai contoh, suatu citra wajah RGB memiliki nilai piksel red = 20, green = 26 dan blue = 38. Berikut ini contoh penghitungan dari persamaan diatas: Grayscale = (20 * 0,2126) + (26 * 0,7152) + (38 * 0,0722) = 4, , ,7436 = 25,5908

4 33 Berikut ini hasil dari konversi citra RGB menjadi citra grayscale menggunakan persamaan 4.1: Citra RGB Citra Grayscale Gambar 7. Konversi citra RGB menjadi citra grayscale Reduksi Dimensi Tahapan pre-proses selanjutnya yaitu reduksi dimensi citra 2D pada data training menjadi citra 1D. Reduksi dimensi ini bertujuan untuk mempermudah proses selanjutnya yaitu pencarian nilai rata-rata baris. Berikut ini contoh reduksi dimensi pada citra data training yang berukuran 3x4 piksel: Gambar 8. Reduksi dimensi citra 2D menjadi 1D

5 34 Pada gambar 6 diatas, reduksi dimensi citra 2D menjadi 1D dilakukan pada semua citra data training yang telah dikonversi menjadi citra grayscale. Setelah citra 2D data training tereduksi menjadi nilai 1D, maka selanjutnya adalah menggabungkannya menjadi matriks T (augmentasi) menggunakan kode pra-prses program matlab pada gambar 4. Gambar 9. Piksel citra grayscale data training Tabel 4.1 Matriks augmentasi nilai piksel citra grayscale data training Matriks T Citra ke-1 Citra ke-2 Citra ke-3 Citra ke-4 Citra ke

6 Pada tabel 4.1 berisi nilai matriks augmentasi yang diperoleh dari hasil reduksi dimensi citra data training yang telah dikonversi menjadi citra grayscale. Nilai pada citra grayscale berkisar antara 0 sampai 255. Nilai matriks augmentasi ini selanjutnya diproses pada proses feature extraction (pengambilan ciri) Feature Extraction Proses feature extraction ini bertujuan untuk mengambil ciri pada citra data training dan citra yang diuji. Perbedaan pengambilan ciri pada citra data training dan citra yang diuji adalah citra data training melalui tahap penghitungan nilai eigenface dan PCA, sedangkan citra yang diuji langsung pada penghitungan PCA. Ciri ini yang nantinya akan digunakan sebagai penghitungan kesamaan jarak pada ruang eigen. Menghitung Nilai Mean Citra Tahap pertama proses pengambilan ciri adalah menghitung nilai rata-rata baris (m) dari matriks T menggunakan persamaan berikut: m = (sum_tiapbaris) / banyak_datatraining... (4.2)

7 36 Berikut ini contoh penghitungan menggunakan persamaan 4.2 pada baris pertama tabel 4.1: m = ( ) / 5 = (730) / 5 = 146 Tabel 4.2 Nilai rata-rata baris Nilai m Baris ke Baris ke-2 160,6 Baris ke Baris ke-4 150,6 Baris ke-5 119,8 Baris ke-6 137,8 Baris ke-7 146,4 Baris ke-8 104,6 Baris ke-9 136,2 Baris ke-10 96,8 Baris ke-11 77,4 Baris ke Pada tabel 4.2 berisi nilai m yang merupakan nilai rata-rata tiap baris dari matriks T. Nilai ini digunakan sebagai patokan untuk menghitung selisih pada citra data training. Setelah nilai m diperoleh, maka langkah selanjutnya adalah menghitung nilai matriks A dengan cara mengurangi setiap nilai pada matriks T dengan nilai m. Berikut persamaan yang digunakan untuk menghitung matriks A yang berisi nilai selisih antara citra data training dengan nilai rata-rata baris: A = T - m... (4.3)

8 37 Tabel 4.3 Nilai selisih citra data training pada matriks A Matriks A Citra ke-1 Citra ke-2 Citra ke-3 Citra ke-4 Citra ke ,4 61,4-72,6-87,6 47, ,4 70,4-143,6-76,6 75,4 13,2 58,2-42,8-47,8 19,2 33,2 82,2-77,8-73,8 36,2 70,6 70,6-139,4-75,4 73,6 20,4 25,4-46,6-30,6 31,4 48,8 54,8-81,2-65,2 42,8 18,2 43,2-88,8-11,8 39,2-6,4 2,6-14,4 2,6 15, Pada tabel 4.3 berisi nilai matriks A yang merupakan nilai selisih tiap piksel dengan titik pusat pada citra data training. Nilai ini digunakan untuk mencari nilai matriks kovarian. Berikut ini bentuk citra dari nilai matriks A pada tabel 4.3 diatas: Gambar 10. Bentuk citra dari nilai matriks A Menghitung Matriks Kovarian Setelah mendapatkan nilai matriks A, maka tahap selanjutnya adalah menghitung nilai matriks kovarian L dengan menggunakan persamaan berikut:

9 38 L = A x A... (4.4) Pada persamaan 4.4 diatas, A merupakan bentuk matriks transpose dari matriks A. Berikut ini nilai dari matriks kovarian yang telah dihitung menggunakan persamaan 4.4: Tabel 4.4 Nilai matriks kovarian Matriks Kovarian (L) L 1 L 2 L 3 L 4 L , , , , , , , , , , , , , , , , , , , , , , , , ,760 Menghitung Nilai Eigen dan Vektor Eigen Setelah nilai matriks kovarian diperoleh, maka tahap selanjutnya yaitu mencari nilai eigen (D) dan nilai vektor eigen (V) dari matriks kovarian L. Nilai eigen adalah nilai karakteristik dari suatu matriks bujur sangkar, sedangkan vektor eigen diambil berdasarkan nilai eigen yang lebih besar dari 0. Dalam penelitian ini nilai eigen merupakan nilai ciri yang terdapat pada citra data training. Berikut ini kode program matlab untuk mencari nilai diagonal eigen:

10 39

11 40 Gambar 11. Kode program matlab menghitung nilai eigen Pada tabel 4.5 dibawah ini, nilai eigen dari citra ke-1 pada data training tidak memiliki nilai eigen yang sesuai untuk diproses sehingga mempengaruhi pada penghitungan vektor eigen. Tabel 4.5 Nilai diagonal eigen Nilai Eigen (D) D 1 D 2 D 3 D 4 D , , , ,673 Setelah nilai eigen diperoleh, tahap selanjutnya yaitu menghitung nilai vektor eigen. Nilai ini yang nantinya akan digunakan untuk menghitung nilai eigenface. Penulis menggunakan fungsi khusus yang telah tersedia di dalam matlab untuk melakukan hal ini. Kode program matlab untuk fungsi ini adalah sebagai berikut:

12 41 Tabel 4.6 Nilai vektor eigen Vektor Eigen (V) V 1 V 2 V 3 V 4 V 5-0,447 0,576 0,589 0,056 0,343-0,447 0,155-0,673-0,422 0,382-0,447-0,152 0,239-0,549-0,647-0,447 0,187-0,334 0,681-0,435-0,447-0,766 0,178 0,232 0,358 Pada tabel 4.6 diatas nilai vektor eigen V 1 kolom ke-1 memiliki nilai yang sama dalam satu kolom. Maka langkah selanjutnya adalah mengeliminasi vektor eigen yang kolom nilai eigen-nya memiliki nilai dibawah ambang batas. Hal ini dimaksudkan untuk hanya mengolah ciri yang perlu untuk diproses. Berikut ini tabel hasil eliminasi vektor eigen: Tabel 4.7 Nilai hasil eliminasi vektor eigen Vektor Eigen (V) V 2 V 3 V 4 V 5 0,576 0,589 0,056 0,343 0,155-0,673-0,422 0,382-0,152 0,239-0,549-0,647 0,187-0,334 0,681-0,435-0,766 0,178 0,232 0,358 Pada tabel 4.7 nilai vektor eigen dari citra ke-1 dihilangkan karena tidak memiliki ciri yang sesuai untuk diproses, maka langkah selanjutnya adalah menghitung nilai eigenfaces.

13 42 Menghitung Nilai Eigenfaces Pada proses ini, nilai eigenfaces merupakan nilai ciri citra data training. Nilai ini dihitung menggunakan persamaan berikut: Eigenfaces = A x V... (4.5) Tabel 4.8 Nilai Eigenfaces citra data training Eigenfaces Eigenfaces 2 Eigenfaces 3 Eigenfaces 4 Eigenfaces 5 0,349 16,287 41, ,856-2,466 9,321-31, ,169-6,136 17,525-31, ,981 3,601 1,190 18, ,679-0,475-22,227-28,416 82,128 2,225-23,239-31, ,209 2,407-0,903 16, ,566-6,970-0,389 2,454 71,417 4,026 1,884-10, ,923-1,512-28,617 32,598 99,373-12,549-7,048 11,837 12,568 3,156 6,925-24,871 30,619 diatas: Berikut ini bentuk citra dari nilai eigenfaces berdasarkan pada tabel 4.8 Gambar 12. Bentuk citra dari nilai eigenfaces

14 43 Menghitung Nilai PCA Setelah nilai eigenfaces diperoleh, kini tugas dari PCA untuk mereduksi ciri yang masih terdapat pada citra data training. Hasil dari reduksi ini yaitu berupa pengurangan dimensi data, jadi dimensi data yang memiliki ciri yang tidak penting akan dihilangkan dan tidak akan dipakai untuk proses selanjutnya. Berikut ini persamaan yang digunakan untuk mencari nilai PCA citra data training: PCA_train = Eigenfaces x A... (4.6) Tabel 4.9 Nilai PCA citra data training PCA_train Citra ke-2 Citra ke-3 Citra ke-4 Citra ke-5 174,096 46,923-46,016 56, , , , , , , , , , , , ,933 Pada tabel 4.9 berisi nilai ciri citra data training, sehingga langkah selanjutnya adalah menghitung ciri PCA citra data yang diuji. Berikut ini citra yang digunakan sebagai citra yang diuji: Gambar 13. Citra yang diuji

15 44 Pada langkah ini, citra yang diuji dilakukan reduksi dimensi seperti yang dilakukan pada tahap pra-proses. Perbedaan dari citra data training dan test ini yaitu citra data training dilakukan konversi citra RGB menjadi citra grayscale pada pra-proses, sedangkan citra yang uji langsung pada penghitungan ciri PCA. Tabel 5.0 Nilai piksel citra yang di uji Nilai Piksel Citra_test Pada tabel 5.0 berisi nilai piksel citra yang diuji. Langkah selanjutnya adalah menghitung nilai selisih citra yang di uji dengan nilai rata-rata baris seperti pada persamaan 4.3: Difference = citra_test - m... (4.7)

16 45 Tabel 5.1 Nilai selisih citra uji Nilai Difference , ,6-63,8-94,8-119,4-55,6-97,2-74,8-31,4-66 Pada tabel 5.1 berisi nilai citra yang diuji yang centered (berpusat) yang akan dihitung selisihnya dengan nilai rata-rata baris. Setelah didapat nilai difference untuk citra yang di uji, maka langkah selanjutnya yaitu mencari nilai PCA citra yang diuji dengan menggunakan persamaan berikut: PCA_test = Eigenfaces x Difference... (4.8) Tabel 5.2 Nilai PCA citra yang di uji PCA_test 642, , , ,144

17 46 Pada tabel 5.2 berisi nilai ciri PCA dari citra yang diuji. Setelah nilai ciri PCA citra data training dan citra yang diuji diperoleh, maka langkah selanjutnya yaitu menghitung kesamaan jaraknya pada proses pengenalan wajah Proses Pengenalan Wajah Setelah nilai ciri PCA citra data training dan ciri citra yang diuji diperoleh, maka langkah selanjutnya yaitu proses akhir dari pengenalan wajah. Pada tahap ini dihitung similarity distance (kesamaan jarak) antara ciri citra data training dan ciri citra yang diuji. Perhitungan ini dilakukan dengan menggunakan manhattan distance. Pada proses ini persamaan yang digunakan yaitu: Manhattan = PCA_test - PCA_train... (4.9) Tabel 5.3 Hasil penghitungan manhattan distance Citra ke-1 Citra ke-2 Citra ke-3 Citra ke , , , ,603 Pada persamaan 4.9, nilai PCA_test adalah nilai ciri PCA dari citra yang diuji sedangkan nilai PCA_train adalah nilai ciri PCA dari citra data training. Kemudian berdasarkan pada tabel 5.3 yang berisi nilai hasil penghitungan kesamaan jarak antara ciri PCA citra data training dan ciri PCA citra yang diuji. Citra indeks ke-0 dihilangkan karena tidak memilik nilai eigenfaces untuk diproses, sehingga hanya nilai eigenfaces dari 4 citra yang diproses. Hasil penghitungan kesamaan jarak menyatakan bahwa nilai terkecil merupakan nilai

18 47 yang diambil, maka nilai citra pada indeks ke-3 yang merupakan citra ke-3 menjadi output dari sistem pengenalan wajah 2D ini. Gambar 14. Citra hasil pengenalan 4.2 Pengembangan Perangkat Lunak Pengembangan penelitian model sistem pengenalan wajah 2D dibangun dengan menggunakan metode sekuensial linier atau biasa disebut dengan waterfall. Pada metode pengembangan ini kemajuan suatu proses dipandang mengalir terus seperti halnya air terjun. Model ini mengembangkan perangkat lunak dengan sistematik dan sekuensial. Dengan tahapan-tahapan utama adalah analisa, desain, coding, dan pengujian Deskripsi Sistem Sistem ini menggunakan algoritma eigenface PCA dan manhattan distance. Algoritma Eigenface digunakan untuk pengambilan ciri pada citra wajah dan menggunakan PCA untuk mereduksi ciri yang telah diambil oleh eigenface sehingga hanya ciri yang berkualitas saja yang akan diambil. Sedangkan manhattan distance digunakan untuk penghitungan kesamaan jarak antara ciri citra data training dan ciri citra yang diuji. Berikut ini analisis dari sistem pengenalan wajah 2D:

19 48 A. Analisis Input Proses pengenalan wajah 2D ini membutuhkan masukan citra sebagai data training dan data test. Data training ini berupa kumpulan citra berwarna wajah 2D yang telah melewati tahap pra-proses, yang nantinya akan diproses untuk mendapatkan informasi berupa ciri yang terdapat pada citra. Untuk proses pengenalan, input yang dibutuhkan juga berupa citra wajah 2D dari data test. B. Analisis Output Hasil output dari sistem pengenalan wajah 2D ini berupa citra wajah, maksudnya yaitu output masih merupakan wajah dari orang yang sama dengan yang ada dalam data training Batasan Perangkat Lunak Sistem ini merupakan sistem pengenalan wajah 2D dan format citra wajah yang digunakan hanya berformat.jpg. Pengguna dapat menggunakan sistem ini dengan memilih data training dan memilih berkas citra yang akan diuji. Sistem tidak menjamin akurasi mencapai 100% atas hasil pengenalan wajah, hal ini dikarenakan oleh beberapa faktor seperti variasi serta kualitas pada data (training dan test), jarak serta variasi pengambilan citra, algoritma yang digunakan, hasil pra-proses, pengambilan ciri dengan hasil kurang maksimal oleh algoritma eigenface PCA dan lain-lain. Hasil pengenalan sistem ini berupa citra wajah, yang berarti dikatakan dikenali jika citra wajah yang diuji dengan citra wajah pengenalan yang dihasilkan

20 49 sistem masih dengan orang yang sama. Hal ini bisa berbeda ekspresi serta jarak pengambilan ctira dan apabila berbeda maka dapat dikatakan citra gagal dikenali Perancangan Arsitektur Sistem Hasil pengenalan FRSM2D Citra wajah 2D Citra wajah 2D Pengenalan Manhattan Distance Pre- Processing Citra wajah 2D Citra wajah 2D Feature Extraction Fitur PCA Citra wajah 2D Face Recogtnition Gambar 15. Perancangan arsitektur sistem Perancangan arsitektur dari sistem ini dimaksudkan untuk menjelaskan secara umum tentang sistem pengenalan wajah 2D yang dibuat. Dimulai dengan nama sistem, yaitu FRS2D (Face Recognition System 2D Image). Kemudian masuk ke proses utama yaitu pengenalan, dimana proses ini memiliki tiga proses yang berperan penting yaitu pre-processing, feature extraction dan face recognition. Setelah 3 proses tersebut selesai, maka kembali pada proses pengenalan yang output nya berupa sebuah citra.

21 Implementasi Coding Implementasi Modul Program Implementasi modul ini merupakan tahapan-tahapan modul yang digunakan dalam sistem pengenalan wajah 2D. Berikut ini merupakan tabel implementasi modul sistem yang dibuat: Tabel 5.4 Implementasi modul program No Nama Fungsi Keterangan 1 Eigenface.fig - Berisi tampilan utama dari sistem pengenalan wajah 2 Eigenface.m - Menjalankan tampilan utama - Berisikan pengaturan pembuatan log file, edittext, pushbutton dan axes 3 CreateDatabase.m - Melakukan konversi citra RGB menjadi grayscale - Melakukan reduksi dimensi citra 2D menjadi citra 1D - Memanggil fungsi EigenfaceCore.m dan RecognitionManhat.m 4 EigenfaceCore.m - Memanggil fungsi Eigenvalue.m untuk mencari nilai eigen - Menjalankan proses yang dilakukan algoritma eigenface (mean, selisih setiap citra dengan mean, matriks kovariansi, nilai eigen, vektor eigen dan Eigenfaces) 5 Eigenvalue.m - Menghitung nilai eigen dari matriks kovariansi 6 RecognitionManhat.m - Menghitung nilai PCA_train, PCA_test dan penghitungan manhattan distance

22 Implementasi Antarmuka Implementasi antarmuka pengguna untuk sistem pengenalan wajah 2D ini adalah sebagai berikut: 1. Antarmuka Utama Pada antarmuka utama sistem pengenalan wajah 2D ini terdapat 2 field yang menampilkan path dari data training dan citra yang dipilih untuk pengujian. Kemudian tombol browse yang masing-masing berbeda fungsi yaitu memilih folder data training dan memilih berkas citra untuk pengujian. Gambar 16. Antarmuka utama sistem

23 52 Tabel 5.5 Keterangan antarmuka utama sistem No Obyek Keterangan 1 Browse ke-1 Tombol untuk memilih folder data training 2 Browse ke-2 Tombol untuk memilih file data test 3 Execute Tombol untuk mengeksekusi sistem pengenalan wajah 4 Citra Kiri Citra default dari citra yang akan di uji 5 Citra Kanan Citra default dari citra yang akan dikenali 6 Manhattan Hasil waktu proses rata-rata pengenalan wajah Distance (in seconds) 7 Reset Tombol untuk mengatur ulang yang telah diinputkan pada tampilan utama sistem 8 Exit Tombol untuk keluar dari sistem 2. Antarmuka Hasil Pengenalan Pada antarmuka hasil pengenalan 2 field sudah menampilkan path dari data training dan citra yang diuji. Kemudian tampak citra yang diuji disebelah kiri dan citra hasil pengenalan disebelah kanan, juga waktu proses dari sistem pengenalan wajah dibawah citra yang dipilih untuk pengujian.

24 53 Gambar 17. Antarmuka hasil pengenalan Tabel 5.6 Keterangan antarmuka hasil pengenalan No Obyek Keterangan 1 Edittext Training Berisi informasi mengenai path dari folder data training 2 Edittext File Test Berisi informasi mengenai path dari citra yang diuji 3 Citra Kiri Citra yang dipilih untuk di uji 4 Citra Kanan Citra yang merupakan hasil dari proses pengenalan wajah terhadap citra yang diuji 5 Manhattan Distance Menunjukkan waktu proses pengenalan wajah

25 Pengujian Skenario Pengujian Dalam penelitian ini terdapat beberapa skenario yang akan dilakukan dalam pengujian. Pengujian ini dimaksudkan untuk mengetahui akurasi sistem pengenalan wajah dua dimensi menggunakan algoritma eigenface dan manhattan distance. Berikut langkah-langkah yang dilakukan dalam pengujian: 1. Dataset 1 berjumlah 400 citra dengan jarak pengambilan 1m dan dataset 2 berjumlah 400 citra dengan jarak pengambilan 1,5m. Masing-masing dataset terdiri dari 200 citra pria dan 200 citra wanita. 2. Pengujian pertama dan kelima, menggunakan data training 80% dari dataset. 3. Pengujian kedua dan keenam, menggunakan data training 60% dari dataset. 4. Pengujian ketiga dan ketujuh, menggunakan data training 40% dari dataset. 5. Pengujian keempat dan kedelapan, menggunakan data training 20% dari dataset. 6. Pengambilan citra untuk data training dan data test dilakukan berdasarkan perbedaan ekspresi wajah, sudut pengambilan dan jarak pengambilan citra. Sehingga setiap data training dan data test yang digunakan pada masingmasing pengujian memiliki citra yang berbeda-beda. 7. Masing-masing pengujian dilakukan sebanyak 80 kali percobaan pengenalan, selanjutnya akan dihitung akurasi dan waktu proses rata-rata.

26 Hasil Pengujian Berikut ini hasil dari beberapa pengujian yang telah dilakukan menggunakan data training yang berbeda: 1. Pengujian pertama menggunakan 80% dari dataset 1. Setiap orangnnya diambil 4 citra (ekspresi biasa, senyum, mata tertutup, menoleh ke kanan dan ke kiri) untuk data training dan 1 citra (ekspresi biasa) untuk data test. Tabel 5.7 Hasil pengujian pertama No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,25% 37,0981 Pada tabel 5.7 diatas, diperoleh nilai akurasi untuk pengujian pertama dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%. 2. Pengujian kedua menggunakan 60% dari dataset 1. Setiap orangnnya diambil 3 citra (ekspresi mata tertutup, menoleh ke kanan, menoleh ke kiri) untuk data training dan 1 citra (ekspresi senyum) untuk data test.

27 56 Tabel 5.8 Hasil pengujian kedua No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,25% 16,9678 Pada tabel 5.8 diatas, diperoleh nilai akurasi untuk pengujian kedua dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%. 3. Pengujian ketiga menggunakan 40% dari dataset 1. Setiap orangnnya diambil 2 citra (menoleh ke kanan/ke kiri) untuk data training dan 1 citra (ekspresi mata tertutup) untuk data test. Tabel 5.9 Hasil pengujian ketiga No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra % 16,8389 Pada tabel 5.9 diatas, diperoleh nilai akurasi untuk pengujian ketiga dengan hasil benar mencapai 60% sedangkan untuk pengujian dengan hasil salah yaitu 40%.

28 57 4. Pengujian keempat menggunakan 20% dari dataset 1. Setiap orangnnya diambil 1 citra (ekspresi biasa) untuk data training dan 1 citra (menoleh ke kanan) untuk data test. Tabel 6.0 Hasil pengujian keempat No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) 1 80 citra ,25% 2,0372 Pada tabel 6.0 diatas, diperoleh nilai akurasi untuk pengujian keempat dengan hasil benar mencapai 56,25% sedangkan untuk pengujian dengan hasil salah yaitu 43,75%. 5. Pengujian kelima menggunakan 80% dari dataset 2. Setiap orangnnya diambil 4 citra (ekspresi biasa, senyum, mata tertutup, menoleh ke kanan dan ke kiri) untuk data training dan 1 citra (ekspresi biasa) untuk data test. Tabel 6.1 Hasil pengujian kelima No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,75% 37,0981

29 58 Pada tabel 6.1 diatas, diperoleh nilai akurasi untuk pengujian kelima dengan hasil benar mencapai 73,75% sedangkan untuk pengujian dengan hasil salah yaitu 26,25%. 6. Pengujian keenam menggunakan 60% dari dataset 2. Setiap orangnnya diambil 3 citra (ekspresi mata tertutup, menoleh ke kanan, menoleh ke kiri) untuk data training dan 1 citra (ekspresi senyum) untuk data test. Tabel 6.2 Hasil pengujian keenam No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,25% 16,8389 Pada tabel 6.2 diatas, diperoleh nilai akurasi untuk pengujian keenam dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%. 7. Pengujian ketujuh menggunakan 40% dari dataset 2. Setiap orangnnya diambil 2 citra (menoleh ke kanan dan ke kiri) untuk data training dan 1 citra (mata tertutup) untuk data test.

30 59 Tabel 6.3 Hasil pengujian ketujuh No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,25% 16,8389 Pada tabel 6.3 diatas, diperoleh nilai akurasi untuk pengujian pertama dengan hasil benar mencapai 71,25% sedangkan untuk pengujian dengan hasil salah yaitu 29,75%. 8. Pengujian kedelapan menggunakan 20% dari dataset 2. Setiap orangnnya diambil 1 citra (ekspresi biasa) untuk data training dan 1 citra (menoleh ke kanan) untuk data test. Tabel 6.4 Hasil pengujian kedelapan No Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) 1 80 citra ,25% 2,0372 Pada tabel 6.4 diatas, diperoleh nilai akurasi untuk pengujian kedelapan dengan hasil benar mencapai 51,25% sedangkan untuk pengujian dengan hasil salah yaitu 49,75%.

31 60 Tabel 6.5 Hasil pengujian dataset 1 No Uji Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,25% 37, citra ,25% 16, citra % 16, citra ,25% 2,0372 Pada tabel 6.5 diatas menunjukkan akurasi keberhasilan pengenalan wajah tertinggi diperoleh pada pengujian ke-1 dan 2 yaitu 71,25% dengan akurasi kegagalan 29,75%. Tabel 6.6 Hasil pengujian dataset 2 No Uji Jumlah Training Jumlah Uji Benar Salah Akurasi Waktu Proses Rata-rata (detik) citra ,75% 37, citra ,25% 16, citra ,25% 16, citra ,25% 2,0372 Pada tabel 6.6 diatas menunjukkan akurasi keberhasilan pengenalan wajah tertinggi diperoleh pada pengujian ke-5 yaitu 73,75% dengan akurasi kegagalan 26,25%.

32 Analisis Hasil Pengujian Berdasarkan hasil dari 8 pengujian pada dataset 1 dan 2, khususnya pada pengujian kelima memperlihatkan akurasi keberhasilan tertinggi yaitu sebesar 73,75% dibandingkan hasil pengujian lainnya. Hal ini menunjukkan bahwa akurasi dipengaruhi oleh jumlah citra setiap orangnya pada data training, semakin banyak citra setiap orangnya dengan ekspresi berbeda pada data training maka akurasi akan memiliki kemungkinan semakin besar dan begitupun sebaliknya. Hal ini dapat dilihat dari hasil pengujian lainnya yaitu pengujian 1, 2, 6 dan 7 dengan jumlah citra setiap orang pada data training yang berbeda namun memiliki akurasi keberhasilan yang mendekati hasil pengujian kelima. Untuk waktu proses rata-rata dipengaruhi oleh piksel citra dan jumlah data training, semakin banyak piksel pada citra dan jumlah data training maka waktu proses rata-rata akan semakin besar dan begitupun sebaliknya. Pada nilai akurasi kegagalan dari masing-masing pengujian yang dilakukan yaitu dipengaruhi oleh citra setiap orangnya pada data training yang tidak seluruhnya memiliki kesamaan seperti tempat pengambilan citra, latar belakang citra, faktor cahaya, ekspresi dan tahapan konversi citra RGB menjadi citra grayscale yang menyebabkan kemungkinan beberapa citra dengan nilai piksel yang sama dengan citra orang lain pada data training.

BAB III METODOLOGI PENELITIAN. Desain penelitian ini mengacu pada tahapan proses yang ada pada sistem

BAB 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 terperinci

BAB II TINJAUAN PUSTAKA. menggunakan PCA, kemudian penelitian yang menggunakan algoritma Fuzzy C-

BAB 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 terperinci

BAB 3 PROSEDUR DAN METODOLOGI

BAB 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 terperinci

BAB I PENDAHULUAN. Sistem biometrik merupakan penerapan teknologi yang mempelajari

BAB 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 terperinci

BAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang

BAB III METODE PENELITIAN. Tujuan tugas akhir ini akan membangun suatu model sistem yang BAB III METODE PENELITIAN 3.1 Model Pengembangan Tujuan tugas akhir ini akan membangun suatu model sistem yang melakukan proses data mulai dari pengolahan citra otak hingga menghasilkan output analisa

Lebih terperinci

BAB IV IMPLEMENTASI DAN EVALUASI. implementasi dan evaluasi yang dilakukan terhadap perangkat keras dan

BAB 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 terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Pada bab ini akan dibahas teori yang berkaitan dengan pemrosesan data untuk sistem pengenalan gender pada skripsi ini, meliputi cropping dan resizing ukuran citra, konversi citra

Lebih terperinci

BAB I PENDAHULUAN. satu bagian sistem biometrika adalah face recognition (pengenalan wajah). Sistem

BAB 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 terperinci

BAB 3. ANALISIS dan RANCANGAN. eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses

BAB 3. ANALISIS dan RANCANGAN. eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses BAB 3 ANALISIS dan RANCANGAN 3.1 Analisa metode Secara garis besar, tahap pada pengenalan wajah dengan metode eigenfaces dan deteksi muka dengan color thresholding akan mempunyai proses yang dilakukan

Lebih terperinci

BAB IV ANALISA DAN PERANCANGAN

BAB IV ANALISA DAN PERANCANGAN BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Analisa merupakan tahapan yang sangat penting dalam melakukan penelitian. Tahap analisa yaitu proses pembahasan persoalan atau permasalahan yang dilakukan sebelum

Lebih terperinci

BAB I PENDAHULUAN. telinga, wajah, infrared, gaya berjalan, geometri tangan, telapak tangan, retina,

BAB 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 terperinci

BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM

BAB 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 terperinci

PENGENALAN POLA TANDA TANGAN DENGAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

PENGENALAN 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 terperinci

TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR

TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR TEKNIK PENGENALAN WAJAH DENGAN ALGORITMA PCA BERBASIS SELEKSI EIGENVECTOR DWI ACHTI NOVIATUR R. 2208100656 Dosen Pembimbing : Dr. Ir. Wirawan, DEA (Ir. Hendra Kusuma, M.Eng) PIE Problem Representasi Citra

Lebih terperinci

Principal Component Analysis

Principal 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 terperinci

PENGENALAN WAJAH MENGGUNAKAN ALGORITMA EIGENFACE DAN EUCLIDEAN DISTANCE

PENGENALAN 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 terperinci

KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA)

KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) KLASIFIKASI BUNGA EUPHORBIA BERDASARKAN KELOPAK DENGAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program

Lebih terperinci

ANALISIS DAN PERANCANGAN SISTEM

ANALISIS DAN PERANCANGAN SISTEM ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Masalah Dalam mengetahui suatu bahan jenis kulit cukup sulit karena bahan jenis kulit memeliki banyak jenis. Setiap permukaan atau tekstur dari setiap jenisnya

Lebih terperinci

PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS. Skripsi

PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS. Skripsi PENGENALAN WAJAH MENGGUNAKAN METODE DIAGONAL PRINCIPAL COMPONENT ANALYSIS Skripsi Di susun oleh : M. RIDHO MAJIDI (0934010056) PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVESITAS PEMBANGUNAN

Lebih terperinci

Jurnal String Vol.1 No.2 Tahun 2016 ISSN : PRINCIPAL COMPONENT ANALYSIS UNTUK SISTEM PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE EIGENFACE

Jurnal 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 terperinci

BAB II LANDASAN TEORI. Kamera web (singkatan dari web dan camera) merupakan sebuah media

BAB 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 terperinci

BAB 3 PERANCANGAN SISTEM

BAB 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 terperinci

PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK

PEMANFAATAAN 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 terperinci

BAB IV ANALISA DAN PERANCANGAN

BAB IV ANALISA DAN PERANCANGAN BAB IV ANALISA DAN PERANCANGAN 41 Analisa Analisa merupakan tahap paling utama dalam melakuakan penelitian Tahapan analisa digunakan untuk menganalisa permasalahan yang berhubungan dengan penelitian yang

Lebih terperinci

BAB III PERANCANGAN PERANGKAT LUNAK

BAB III PERANCANGAN PERANGKAT LUNAK BAB III PERANCANGAN PERANGKAT LUNAK 3.1. Sistem Pengenalan Gender Sistem pengenalan gender dalam skripsi ini dibuat dengan membandingkan 3 buah metode, yaitu 1 metode tanpa ekstraksi fitur yaitu subtraction

Lebih terperinci

BAB IV IMPLEMENTASI DAN UJI COBA. Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi

BAB IV IMPLEMENTASI DAN UJI COBA. Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi BAB IV IMPLEMENTASI DAN UJI COBA 4.1 Kebutuhan Sistem Sebelum melakukan implementasi dan menjalankan aplikasi Model Pengenalan Pola dengan Algoritma Eigen Image, dibutuhkan spesifikasi perangkat lunak

Lebih terperinci

BAB II LANDASAN TEORI

BAB 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 terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 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 terperinci

BAB IV PENGUJIAN DAN ANALISIS

BAB IV PENGUJIAN DAN ANALISIS BAB IV PENGUJIAN DAN ANALISIS Bab ini akan membahas tentang pengujian dan analisis sistem. Pada pengujian akan dijelaskan tentang kriteria pengujian serta analisis dari pengujian 4.1. Kriteria Pengujian

Lebih terperinci

BAB 3 ANALISA DAN PERANCANGAN SISTEM

BAB 3 ANALISA DAN PERANCANGAN SISTEM BAB 3 ANALISA DAN PERANCANGAN SISTEM 3.1 Analisa Program Aplikasi Dalam proses identifikasi karakter pada plat nomor dan tipe kendaraan banyak menemui kendala. Masalah-masalah yang ditemui adalah proses

Lebih terperinci

APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS

APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu

Lebih terperinci

Hasil Ekstraksi Algoritma Principal Component Analysis (PCA) untuk Pengenalan Wajah dengan Bahasa Pemograman Java Eclipse IDE

Hasil 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 terperinci

BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI

BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1. Uang Kertas Rupiah Uang Rupiah Kertas adalah Uang Rupiah dalam bentuk lembaran yang terbuat dari Kertas Uang yang dikeluarkan oleh Bank Indonesia, dimana penggunaannya dilindungi

Lebih terperinci

BAB 1 PENDAHULUAN 1-1

BAB 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 terperinci

PENGENALAN WAJAH PELANGGAN TOKO

PENGENALAN WAJAH PELANGGAN TOKO PENGENALAN WAJAH PELANGGAN TOKO Semuil Tjiharjadi Jurusan Sistem Komputer, Universitas Kristen Maranatha Jl. Suria Sumantri 65, Bandung 40164 E-mail: semuiltj@gmail.com 1 ABSTRAK Pada era persaingan yang

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN

BAB 3 ANALISIS DAN PERANCANGAN BAB 3 ANALISIS DAN PERANCANGAN 3.1 Analisis Penggunaan citra yang semakin meningkat menimbulkan kebutuhan retrival citra yang juga semakin meningkat. Diperlukan suatu metode retrival citra yang efektif

Lebih terperinci

BAB 3 PERANCANGAN PERANGKAT LUNAK

BAB 3 PERANCANGAN PERANGKAT LUNAK A 3 PERANCANGAN PERANGKAT LUNAK Pada bab ini diuraikan mengenai perancangan perangkat lunak untuk implementasi aplikasi pengenalan obyek tiga dimensi dengan metode Subclass Discriminant Analysis (SDA).

Lebih terperinci

BAB 4 HASIL DAN PEMBAHASAN

BAB 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 terperinci

APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA

APLIKASI 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 terperinci

BAB 3 PEMBAHASAN. 3.1 Sistem Absensi Berbasis Webcam

BAB 3 PEMBAHASAN. 3.1 Sistem Absensi Berbasis Webcam BAB PEMBAHASAN.1 Sistem Absensi Berbasis Webcam Sistem absensi berbasis webcam adalah sistem yang melakukan absensi karyawan berdasarkan input citra hasil capture webcam. Sistem akan melakukan posting

Lebih terperinci

BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER

BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER BAB 3 ANALISIS DAN PERANCANGAN SISTEM PROGRAM APLIKASI HANDS RECOGNIZER Dalam analisis dan perancangan sistem program aplikasi ini, disajikan mengenai analisis kebutuhan sistem yang digunakan, diagram

Lebih terperinci

BAB III ANALISA DAN PERANCANGAN

BAB 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 terperinci

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB 3 ANALISIS DAN PERANCANGAN SISTEM BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Permasalahan Tahapan analisis terhadap suatu sistem dilakukan sebelum masuk ke tahapan perancangan. Tujuan dilakukannya analisis terhadap suatu sistem

Lebih terperinci

BAB III PERANCANGAN PERANGKAT LUNAK

BAB 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 terperinci

Pengenalan Bahasa Isyarat Tangan Menggunakan Metode PCA dan Haar-Like Feature

Pengenalan 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 terperinci

III. METODE PENELITIAN. menggunakan matlab. Kemudian metode trial dan error, selalu mencoba dan

III. METODE PENELITIAN. menggunakan matlab. Kemudian metode trial dan error, selalu mencoba dan III. METODE PENELITIAN 3.1. Metode Penelitian Metode penelitian yang dilakukan adalah dengan studi literatur, yaitu mencari sumber-sumber literatur yang menjadi dasar keilmuan dari penelitian yang dilakukan.

Lebih terperinci

FACE RECOGNITION MENGGUNAKAN METODE TWO- DIMENSIONAL PRINCIPAL COMPONENTS ANALYSIS (2DPCA) ABSTRAK

FACE 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 terperinci

ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS

ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS ANALISA PENGUKURAN SIMILARITAS BERDASARKAN JARAK MINIMUM PADA PENGENALAN WAJAH 2D MENGGUNAKAN DIAGONAL PRINCIPAL COMPONENT ANALYSIS Fetty Tri Anggraeny, Wahyu J.S Saputra Jurusan Teknik Informatika, Universitas

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Pengolahan Citra Pengolahan citra (image processing) merupakan proses untuk mengolah pixel-pixel dalam citra digital untuk tujuan tertentu. Beberapa alasan dilakukan pengolahan

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector

BAB III METODOLOGI PENELITIAN. Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector BAB III METODOLOGI PENELITIAN 3.1 Metode Penelitian Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi penelitian,

Lebih terperinci

SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION

SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION SISTEM IDENTIFIKASI KODE TANGAN MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS DAN BACKPROPAGATION Holisah, Prihastuti Harsani dan Arie Qur ania holisah62@gmail.com Jurusan Ilmu Komputer, Fakultas Matematika

Lebih terperinci

PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL

PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL PENGENALAN PLAT NOMOR KENDARAAN MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS DAN SUPPORT VECTOR MACHINE BERBASIS PENGOLAHAN CITRA DIGITAL Silviana Utari, Tjut Awaliyah, M.Kom, Irma Anggraeni, M.Kom

Lebih terperinci

UJI KINERJA FACE RECOGNITION MENGGUNAKAN EIGENFACES

UJI 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 terperinci

PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS

PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS PENGAMAN RUMAH DENGAN SISTEM FACE RECOGNITION SECARA REAL TIME MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS Sinar Monika 1, Abdul Rakhman 1, Lindawati 1 1 Program Studi Teknik Telekomunikasi, Jurusan

Lebih terperinci

PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA

PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA PERBANDINGAN METODE MINIMUM DISTANCE PATTERN CLASSIFIER DAN NEURAL NETWORK BACKPROPAGATION DALAM MENGENALI WAJAH MANUSIA DENGAN EKSPRESI YANG BERBEDA Bharasaka Krisnandhika 51412445 Dr. Dewi Agushinta

Lebih terperinci

UJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR. Abstrak

UJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR. Abstrak UJI COBA PERBEDAAN INTENSITAS PIKSEL TIAP PENGAMBILAN GAMBAR Teady Matius Surya Mulyana tmulyana@bundamulia.ac.id, teadymatius@yahoo.com Teknik Informatika Universitas Bunda Mulia Abstrak Kebutuhan binarisasi

Lebih terperinci

BAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra.

BAB III METODE PENELITIAN. ada beberapa cara yang telah dilakukan, antara lain : akan digunakan untuk melakukan pengolahan citra. BAB III METODE PENELITIAN Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas akhir, ada beberapa cara yang telah dilakukan, antara lain : 1. Studi Kepustakaan Studi kepustakaan berupa pencarian

Lebih terperinci

Dosen Program Studi Ilmu Komputer Universitas Pakuan Bogor

Dosen 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 terperinci

Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint

Implementasi 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 terperinci

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Identifikasi Masalah Identifikasi permasalahan ini bahwasanya diambil dari sudut pandang masyarakat tentang objek (batik) yang dikenal dari segi pola dan gambar

Lebih terperinci

LAPORAN TUGAS AKHIR EKSTRAKSI FITUR UNTUK PENGENALAN WAJAH PADA RAS MONGOLOID MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA)

LAPORAN TUGAS AKHIR EKSTRAKSI FITUR UNTUK PENGENALAN WAJAH PADA RAS MONGOLOID MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA) LAPORAN TUGAS AKHIR EKSTRAKSI FITUR UNTUK PENGENALAN WAJAH PADA RAS MONGOLOID MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS (PCA) Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan Program

Lebih terperinci

... BAB 2 LANDASAN TEORI. 2.1 Citra

... 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 terperinci

PENGENALAN WAJAH MANUSIA DENGAN METODE PRINCIPLE COMPONENT ANALYSIS (PCA)

PENGENALAN 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 terperinci

ABSTRAK. Kata kunci: Citra wajah manusia, Principal Component Analysis (PCA), Eigenfaces, Euclidean Distance. ABSTRACT

ABSTRAK. 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 terperinci

BAB III ANALISIS DAN PERANCANGAN SISTEM

BAB III ANALISIS DAN PERANCANGAN SISTEM BAB III ANALISIS DAN PERANCANGAN SISTEM Bab ini menjelaskan mengenai tahapan analisis dan perancangan sistem yang akan dikembangkan, yaitu Sistem Identifikasi Buron. Bab ini terbagi atas 5 bagian yang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

BAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis.

BAB 3 PROSEDUR DAN METODOLOGI. perhitungan LSI dan juga interface yang akan dibuat oleh penulis. BAB 3 PROSEDUR DAN METODOLOGI Pada Bab ini, penulis akan membahas mengenai prosedur dan metodologi seperti perhitungan LSI dan juga interface yang akan dibuat oleh penulis. 3.1 Sistem CBIR Gambar 3.1 Sistem

Lebih terperinci

Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA)

Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) 46 Implementasi Pengenalan Citra Wajah dengan Algoritma Eigenface pada Metode Principal Component Analysis (PCA) Iwan Setiawan setiawanise@yahoo.com, Welly Iskand welly.iskand@gmail.com, Fauzi Nur Iman

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN 3.1 Alat dan Bahan Penelitian BAB III METODOLOGI PENELITIAN 3.1.1 Alat Alat yang digunakan dalam penelitian ini adalah: a. Hardware a. Prosesor : Intel Core i5-3230m CPU @ 2.60GHz b. Memori : 4.00 GB c.

Lebih terperinci

BAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra

BAB III METODE PENELITIAN. Desain penelitian untuk pengenalan nama objek dua dimensi pada citra BAB III METODE PENELITIAN 3.1 Desain Penelitian Desain penelitian untuk pengenalan nama objek dua dimensi pada citra adalah sebagai berikut. Gambar 3.1 Desain Penelitian 34 35 Penjelasan dari skema gambar

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.

Lebih terperinci

APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK

APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK APLIKASI IDENTIFIKASI ISYARAT TANGAN SEBAGAI PENGOPERASIAN E-KIOSK Wiratmoko Yuwono Jurusan Teknologi Informasi Politeknik Elektronika Negeri Surabaya-ITS Jl. Raya ITS, Kampus ITS, Sukolilo Surabaya 60111

Lebih terperinci

Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini

Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Program Aplikasi Komputer Pengenalan Angka Dengan Pose Jari Tangan Sebagai Media Pembelajaran Interaktif Anak Usia Dini Wawan Kurniawan Jurusan PMIPA, FKIP Universitas Jambi wwnkurnia79@gmail.com Abstrak

Lebih terperinci

SISTEM PINTU OTOMATIS BERDASARKAN PENGENALAN WAJAH MENGGUNAKAN METODE NEAREST FEATURE LINE

SISTEM 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 terperinci

V. IMPLEMENTASI SISTEM. yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media

V. IMPLEMENTASI SISTEM. yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media V. IMPLEMENTASI SISTEM A. Instalasi Sistem Instalasi sistem temukembali citra adalah proses menggandakan seluruh file yang dibutuhkan oleh sistem dari media penyimpan program ke dalam media penyimpan komputer.

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah sekumpulan peraturan, kegiatan, dan prosedur yang digunakan oleh pelaku suatu disiplin ilmu. Metodologi berisi tahapan-tahapan yang dilakukan

Lebih terperinci

BAB 4 HASIL DAN ANALISA

BAB 4 HASIL DAN ANALISA BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan

Lebih terperinci

Gambar 3.1 Contoh Citra yang digunakan

Gambar 3.1 Contoh Citra yang digunakan BAB III DATASET DAN RANCANGAN PENELITIAN Pada bab ini dijelaskan tentang dataset citra yang digunakan dalam penelitian ini serta rancangan untuk melakukan penelitian. 3.1 DATASET PENELITIAN Penelitian

Lebih terperinci

PENGENALAN POLA BENTUK BUNGA MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS DAN K-NN

PENGENALAN 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 terperinci

BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM

BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM BAB 3 PERANCANGAN DAN PEMBUATAN SISTEM Dalam bab ini akan dibahas mengenai perancangan dan pembuatan sistem aplikasi yang digunakan sebagai user interface untuk menangkap citra ikan, mengolahnya dan menampilkan

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat sekarang ini teknologi komputer telah berkembang pesat. Teknologi komputer ini pada mulanya hanya berkembang dalam teknologi pengolahan data saja. Namun seiring

Lebih terperinci

BAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m.

BAB III METODE PENELITIAN. dan bahan, agar mendapatkan hasil yang baik dan terstruktur. Processor Intel Core i3-350m. BAB III METODE PENELITIAN 3.1 Alat dan Bahan Untuk menunjang penelitian yang akan dilakukan, maka diperlukan alat dan bahan, agar mendapatkan hasil yang baik dan terstruktur. 3.1.1 Alat Penelitian Adapun

Lebih terperinci

APLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI

APLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI APLIKASI PENGENALAN KARAKTER HURUF HIJAIYAH UNTUK PENDIDIKAN ANAK USIA DINI (PAUD) SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Guna Memperoleh Gelar Sarjana Komputer ( S.Kom ) Pada Program Studi

Lebih terperinci

BAB 3 PERANCANGAN SISTEM

BAB 3 PERANCANGAN SISTEM 20 BAB 3 PERANCANGAN SISTEM 3.1 Rancangan Perangkat Keras Sistem ini hanya menggunakan beberapa perangkat keras yang umum digunakan, seperti mikrofon, speaker (alat pengeras suara), dan seperangkat komputer

Lebih terperinci

BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM

BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM BAB 3 PENGENALAN KARAKTER DENGAN GABUNGAN METODE STATISTIK DAN FCM 3.1 Gambaran Umum Gambar 3.1 Gambar Keseluruhan Proses Secara Umum 73 74 Secara garis besar, keseluruhan proses dapat dikelompokkan menjadi

Lebih terperinci

BAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa

Lebih terperinci

Pendahuluan. Praktikum Pengantar Pengolahan Citra Digital Departemen Ilmu Komputer Copyright 2008 All Rights Reserved

Pendahuluan. Praktikum Pengantar Pengolahan Citra Digital Departemen Ilmu Komputer Copyright 2008 All Rights Reserved 1 Pengenalan Matlab Pendahuluan Matlab adalah perangkat lunak yang dapat digunakan untuk analisis dan visualisasi data. Matlab didesain untuk mengolah data dengan menggunakan operasi matriks. Matlab juga

Lebih terperinci

BAB III METODOLOGI PENELITIAN

BAB III METODOLOGI PENELITIAN BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Pada penelitian tugas akhir ini ada beberapa tahapan penelitian yang akan dilakukan seperti yang terlihat pada gambar 3.1 : Mulai Pengumpulan Data Analisa

Lebih terperinci

BAB I PENDAHULUAN. Perkembangan teknologi image processing sekarang ini menyediakan

BAB I PENDAHULUAN. Perkembangan teknologi image processing sekarang ini menyediakan BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi image processing sekarang ini menyediakan kemungkinan manusia untuk membuat suatu sistem yang dapat mengenali suatu citra digital. Setiap

Lebih terperinci

BAB 2 PENGENALAN IRIS, PENENTUAN LOKASI IRIS, DAN PEMBUATAN VEKTOR MASUKAN

BAB 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 terperinci

SISTEM PENGENALAN WAJAH MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DENGAN ALGORITMA FUZZY C-MEANS (FCM)

SISTEM PENGENALAN WAJAH MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DENGAN ALGORITMA FUZZY C-MEANS (FCM) SISTEM PENGENALAN WAJAH MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS (PCA) DENGAN ALGORITMA FUZZY C-MEANS (FCM) Andri Suryadi Abstrak Berkembangnya ilmu pengetahuan dan teknologi dalam computer vision

Lebih terperinci

BAB IV ANALISA DAN PERANCANGAN

BAB IV ANALISA DAN PERANCANGAN BAB IV ANALISA DAN PERANCANGAN 4.. Analisa Penelitian ini terdiri dari analisa kebutuhan data dan analisa proses identifikasi watermark untuk mendeteksi ada atau tidaknya watermark pada citra uang kertas

Lebih terperinci

BAB 3 ANALISA DAN PERANCANGAN

BAB 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 terperinci

BAB 2 LANDASAN TEORI

BAB 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 terperinci

PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA)

PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA) PROTOTYPE PENGENALAN WAJAH MELALUI WEBCAM DENGAN MENGGUNAKAN ALGORITMA PRICIPAL COMPONENT ALAYSIS (PCA) DAN LINIER DISCRIMINANT ANALYSIS (LDA) Jemmy E.Purwanto Jemmy.e.Purwanto@Gmail.com Pembimbing I :

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1. Citra Citra (image) sebagai salah satu komponen multimedia memegang peranan sangat penting sebagai bentuk informasi visual. Citra mempunyai karakteristik yang tidak dimiliki oleh

Lebih terperinci

BAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi

BAB 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 terperinci