Calculati Alfi Jannati Mujiono Pembimbing : Dr. Singgih Jatmiko, SSi., MSc

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

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB IV PENGUJIAN DAN ANALISIS

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

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB 4 PENGUJIAN DAN ANALISA

Pengenalan Bentuk Wajah Manusia Pada Citra Menggunakan Metode Fisherface

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

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN. 1.1 Latar Belakang. Identifikasi manusia dapat dilakukan secara otomatis dengan bantuan

BAB IV DATA PENGAMATAN DAN ANALISIS

BAB V IMPLEMENTASI DAN PENGUJIAN

BAB III METODE PENELITIAN

Sistem Pengenal Wajah Manusia untuk Personalisasi Perintah pada Robot

PENGENALAN WAJAH MENGGUNAKAN METODE FISHERFACE UNTUK MENDUKUNG SISTEM AKADEMIK

BAB III ANALISIS DAN PERANCANGAN SISTEM. secara otomatis. Sistem ini dibuat untuk mempermudah user dalam memilih locker

BAB III PERANCANGAN DAN IMPLEMENTASI SISTEM

SISTEM PENGENALAN WAJAH MENGGUNAKAN WEBCAM UNTUK ABSENSI DENGAN METODE TEMPLATE MATCHING

BAB I PENDAHULUAN. individu dapat dibedakan dengan individu yang lain.

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

BAB IV IMPLEMENTASI & EVALUASI

BAB I PENDAHULUAN. 1.1 Latar belakang

BAB 1 PENDAHULUAN. pemograman juga mengalami peningkatan kerumitan dan fungsi. Salah satu bidang

PERANCANGAN PENDETEKSI WAJAH DENGAN ALGORITMA LBP (LOCAL BINARY PATTERN) BERBASIS RASPBERRY PI

BAB I PENDAHULUAN. perguruan tinggi. Pilihan teknologi yang digunakan dalam implementasi absensi

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

Principal Component Analysis

BAB I PENDAHULUAN. 1.1 Latar Belakang

UJI AKURASI SISTEM ABSENSI DENGAN PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE TUGAS AKHIR. Oleh : SEPTIAN WIDANEHRU

BAB 4 HASIL DAN PEMBAHASAN

BAB I PENDAHULUAN 1.1 LATAR BELAKANG

BAB I PENDAHULUAN. 1.1 Latar Belakang

Bab IV. Pengujian dan Analisis

BAB 1 PENDAHULUAN. Dalam bidang animasi, motion capture adalah salah satu cara yang dipakai para

BAB IV IMPLEMENTASI & EVALUASI

APLIKASI PENGENALAN WAJAH MENGGUNAKAN METODE EIGENFACE DENGAN BAHASA PEMROGRAMAN JAVA

BAB I PENDAHULUAN. dengan memanfaatkan ciri wajah yang telah tersimpan pada database atau wajah

BAB 2 LANDASAN TEORI

BAB 1 PENDAHULUAN. Perkembangan ilmu pengetahuan di segala bidang dalam era globalisasi saat ini begitu

BAB 3 PERANCANGAN SISTEM

Verifikasi Citra Wajah Menggunakan Metode Discrete Cosine Transform Untuk Aplikasi Login

BAB II DASAR TEORI. Pada bab ini akan dibahas teori-teori pendukung yang digunakan sebagai acuan dalam merancang algoritma.

BAB I PENDAHULUAN. Sistem biometrik merupakan penerapan teknologi yang mempelajari

RANCANGAN AWAL SISTEM PRESENSI KARYAWAN STMIK BANJARBARU DENGAN PENDEKATAN EIGENFACE ALGORITHM

IMPLEMENTASI ALGORITMA FRACTAL NEIGHBOUR DISTANCE UNTUK FACE RECOGNITION

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 4 HASIL DAN PEMBAHASAN

SISTEM PRESENSI KARYAWAN BERBASIS PENGENALAN WAJAH DENGAN ALGORITMA EIGENFACE

BAB 4 IMPLEMENTASI DAN PENGUJIAN

ABSTRAK. Universitas Kristen Maranatha

BAB II LANDASAN TEORI

BAB 4 IMPLEMENTASI DAN EVALUASI

Pengujian Pengenalan Wajah Menggunakan Raspberry Pi

PENGENALAN WAJAH DENGAN MENERAPKAN ALGORITMA ADAPTIF K MEANS

BAB 1 PENDAHULUAN 1.1 Latar Belakang

IDENTIFIKASI WAJAH PADA SISTEM KEAMANAN BRANKAS MENGGUNAKAN PRINCIPAL COMPONENT ANALYSIS

6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan

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

BAB 3 ANALISIS DAN PERANCANGAN SISTEM

BAB IV PENGUJIAN DAN ANALISIS

Face Identification For Presence Applications Using Violajones and Eigenface Algorithm

BAB 3 PEMBAHASAN. 3.1 Sistem Absensi Berbasis Webcam

BAB 1 PENDAHULUAN. termasuk dalam bidang Computer Vision. Computer Vision membuat komputer

REALISASI SISTEM DETEKSI RASA KANTUK BERDASARKAN DURASI KEDIPAN MATA SECARA REAL TIME MENGGUNAKAN METODE VIOLA-JONES

ABSTRAK. Kata kunci: pengenalan wajah, perangkat keamanan, sistem benam. vi Universitas Kristen Maranatha

PENDETEKSIAN TITIK TITIK JANGKAR UNTUK VERIFIKASI FACE 3D

BAB 1 PENDAHULUAN. dalam kehidupan manusia. Perkembangan robot dari zaman ke zaman terus

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

BAB I PENDAHULUAN. maupun non verbal. Komunikasi secara verbal menggunakan kata-kata lisan untuk. mengungkapkan ekspresi penggunanya.

Sistem Pengenalan Wajah Pada Mesin Absensi Mahasiswa Menggunakan Metode PCA Dan DTW

Korelasi Jarak Wajah Terhadap Nilai Akurasi Pada Sistem Pengenalan Wajah Menggunakan Stereo Vision Camera

BAB 4 HASIL DAN PEMBAHASAN

PENDAHULUAN 1.1. Latar Belakang

RANCANG BANGUN SISTEM PENGENALAN WAJAH DENGAN METODE PRINCIPAL COMPONENT ANALYSIS

(Adaptive Neuro- akurasi 58,33% untuk 9 kelas output

ESTIMASI FUNGSI SPASIAL PADA IDENTIFIKASI FITUR WAJAH

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

Human Face Detection by using eigenface method for various pose of human face

APLIKASI PENGENALAN WAJAH UNTUK VALIDASI PESERTA UJIAN ONLINE MENGGUNAKAN METODE HAAR CASCADE DAN EIGEN FACE VECTOR

BAB 1 PENDAHULUAN 1-1

BAB 2 LANDASAN TEORI

BAB 4 HASIL DAN PEMBAHASAN

Identifikasi Wajah Manusia untuk Sistem Monitoring Kehadiran Perkuliahan menggunakan Ekstraksi Fitur Principal Component Analysis (PCA)

PENGENALAN WAJAH DENGAN CITRA MASUKAN BERUPA CITRA SKETSA WAJAH SEBAGAI HASIL SINTESIS DENGAN TEKNIK MULTISCALE MARKOV RANDOM FIELD (MRF)

PERBAIKAN CITRA UNTUK PENGENALAN WAJAH PADA CITRA WAJAH DENGAN PENCAHAYAAN TIDAK MERATA

Sistem Pengenalan Wajah Dengan Metode Face Features

PERANCANGAN SISTEM PENGENALAN OBJEK VISUAL UNTUK PENGAMANAN DAN PEMANTAUAN FASILITAS PLTA

BAB III ANALISIS DAN PERANCANGAN SISTEM. keberadaan wajah secara langsung dari sebuah kamera. Dengan demikian

Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint

BAB III METODOLOGI PENELITIAN

BAB I PENDAHULUAN. 1.1 Latar Belakang

Pengenalan Image Wajah Dengan Menggunakan Metode Template Matching. Abstraksi

FUZZY-NEURO LEARNING VECTOR QUANTIZATION (FNLVQ)

PRODUCT PHOTOGRAPHY. Pertemuan ke 6. Dosen Pembimbing : Muhammad Fauzi S.Des., M.Ds Program Studi : Desain Produk Universitas Esa Unggul

Implementasi Metode Fisherface pada Absensi Wajah Karyawan Studi Kasus PT. Illuminati Metamorphosis Makassar

BAB 3 PERANCANGAN SISTEM. Perancangan sistem dimulai dari penempatan posisi kamera dengan posisi yang

BAB IV PENGUJIAN DAN ANALISA SISTEM

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

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

TRACKING ARAH GERAKAN TELUNJUK JARI BERBASIS WEBCAM MENGGUNAKAN METODE OPTICAL FLOW

Transkripsi:

ANALISIS PERBANDINGAN METODE EIGENFACE DENGAN FISHERFACE PADA PROSES PENGENALAN WAJAH Calculati Alfi Jannati Mujiono 51410506 Pembimbing : Dr. Singgih Jatmiko, SSi., MSc

Latar Belakang Perkembangan Teknologi Pengenalan Wajah Metode Pengenalan Wajah

Batasan Masalah Perbedaan antara metode Eigenface dan Fisherface pada saat terjadi perubahan cahaya Perbedaan antara metode Eigenface dan Fisherface pada saat terjadi perubahan ekspresi wajah Perbedaan antara metode Eigenface dan Fisherface pada saat proses akurasi pengenalan wajah

Tujuan Membandingkan kinerja metode pengenalan wajah antara Eigenface dengan Fisherface dalam hal perubahan pencahayaan, jarak objek dengan kamera (webcam), ekspresi wajah, dan tingkat akurasi pengenalan wajah.

Uji Coba Sample Sample citra yang digunakan dalam uji coba terdiri dari dua macam sample yaitu: 1.Terdiri dari 20 citra wajah. Masing-masing terdiri dari 3 citra wajah dari 20 orang yang berbeda, dengan kondisi sebagai berikut: a.tidak memakai kacamata b.menggunakan pencahyaan dengan kondisi jendela tertutup c.menggunakan 3 variasi ekspresi wajah yaitu, normal, senyum, dan sedih.

Uji Coba Sample Cont.(1) d. Kemiringan wajah yaitu serong kanan atau kiri ±15, dan serong kanan atau kiri ±30, dengan asumsi mata meilhat ke kamera (webcam). e. Menundukkan kepala ±15 dan menaikan dagu ±15, dengan asumsi mata meilhat ke kamera (webcam).

Uji Coba Sample Cont.(2) 2. Terdiri dari 20 citra wajah. Masing-masing terdiri dari 3 citra dari 20 orang yang berbeda, dengan kondisi sebagai berikut: a. Tidak menggunakan kacamata b. Menggunakan pencahayaan dengan kondisi jendela terbuka c. Menggunakan 3 variasi ekspresi wajah yaitu, normal, senyum, dan sedih.

Uji Coba Sample Cont.(3) d. Kemiringan wajah yaitu serong kanan atau kiri ±15, dan serong kanan atau kiri ±30, dengan asumsi mata meilhat ke kamera (webcam). e. Menundukkan kepala ±15 dan menaikan dagu ±15, dengan asumsi mata meilhat ke kamera (webcam).

Uji Coba Sample Cont.(4) 3. Terdiri dari 20 citra wajah. Masing-masing terdiri dari 3 citra wajah dari 20 orang yang berbeda, dengan kondisi sebagai berikut: a. Tidak menggunakan kacamata b. Menggunakan pencahyaan dengan kondisi di dalam ruangan dengan kondisi gelap (pintu dan jendela tertutup) c. Menggunakan 3 variasi ekspresi wajah yaitu, normal, senyum, dan sedih.

Uji Coba Sample Cont.(5) d. Kemiringan wajah yaitu serong kanan atau kiri ±15, dan serong kanan atau kiri ±30, dengan asumsi mata meilhat ke kamera (webcam). e. Menundukkan kepala ±15 dan menaikan dagu ±15, dengan asumsi mata meilhat ke kamera (webcam).

Kondisi Pengujian Sample Kondisi 1 Pengujian Efektifitas Jumlah Pengguna Training set : 5, 10, dan 20 citra pada sample 1 Testing set : 5, 10, dan 20 citra pada sample 1 Eigenface Fisherface

Kondisi Pengujian Sample Cont. (1) Kondisi 2 Pengujian Berdasarkan Pencahayaan Normal Pengujian berdasarkan ekspresi wajah : normal, senyum, sedih. Eigenface Fisherface

Kondisi Pengujian Sample Cont. (2) Pengujian Berdasarkan Pencahayaan Normal Pengujian Berdasarkan Kemiringan dan Tinggi Rendahnya Posisi Wajah Eigenface Fisherface

Kondisi Pengujian Sample Cont. (3) Presentase Nilai Rata-rata Perbandingan Kinerja Pada Kondisi 2 Metode Rata-rata Eigenface 78.60% Fisherface 79.70%

Kondisi Pengujian Sample Cont. (4) Kondisi 3 Pengujian Berdasarkan Pencahayaan Tinggi Pengujian berdasarkan ekspresi wajah : normal, senyum, sedih. Eigenface Fisherface

Kondisi Pengujian Sample Cont. (4) Pengujian Berdasarkan Pencahayaan Tinggi Pengujian Berdasarkan Kemiringan dan Tinggi Rendahnya Posisi Wajah Eigenface Fisherface

Kondisi Pengujian Sample Cont. (5) Presentase Nilai Rata-rata Perbandingan Kinerja Pada Kondisi 3 Metode Rata-rata Eigenface 43.61% Fisherface 45.71%

Kondisi Pengujian Sample Cont. (6) Kondisi 4 Pengujian Berdasarkan Pencahayaan Rendah Pengujian berdasarkan ekspresi wajah : normal, senyum, sedih. Eigenface Fisherface

Kondisi Pengujian Sample Cont. (7) Pengujian Berdasarkan Pencahayaan Rendah Pengujian Berdasarkan Kemiringan dan Tinggi Rendahnya Posisi Wajah Eigenface Fisherface

Kondisi Pengujian Sample Cont. (8) Presentase Nilai Rata-rata Perbandingan Kinerja Pada Kondisi 4 Metode Rata-rata Eigenface 45.05% Fisherface 46.53%

Kondisi Pengujian Sample Cont. (9) Kondisi 5 Pengujian Berdasarkan Jarak Objek Dengan Kamera. Jarak yang diujikan adalah 30cm, 40cm, 50cm dan 60cm. Pengujian ini dilakukan terhadap 5 citra wajah dari 5 orang berbeda. Pengujian dilakukan berdasarkan intensitas cahaya pada kondisi 1.

Kondisi Pengujian Sample Cont. (9) Eigenface Fisherface

Kondisi Pengujian Sample Cont. (9) Kondisi 6 Pengujian Berdasarkan Penggunaan Kacamata. Kacamata yang digunakan yaitu kacamata bening dan kacamata hitam. Pengujian ini dilakukan terhadap 5 citra wajah dari 5 orang berbeda. Pengujian dilakukan berdasarkan intensitas cahaya pada kondisi 1.

Kondisi Pengujian Sample Cont. (10) Eigenface Fisherface

Analisis Berdasarkan hasil pengenalan, algoritma fisherface dapat mengenali citra wajah lebih baik dibandingkan dengan algoritma eigenface. Hal ini terlihat pada hasil pengenalan yang telah diuji diatas, yang mengilustrasikan persentase hasil pengenalan kedua algoritma terhadap citra pelatihan. Berdasarkan perhitungan kompleksitas kedua algoritma, algoritma fisherface memiliki kompleksitas yang lebih rumit dibandingkan dengan algoritma eigenface. No. Pengukuran Eigenface Fisherfae 1 Hasil pengenalan Kurang baik Baik 2 Proses Lebih sedikit Lebih banyak 3 Kompleksitas Lebih sederhana Lebih rumit

Kesimpulan Jarak objek dengan kamera pada saat proses pengambilan wajah dan proses deteksi sebaiknya konstan. Pencahayaan yang baik adalah pencahayaan normal. Pengenalan pose wajah dengan berbagai ekspesi tidak terlalu mempengaruhi hasil pengenalan. Tetapi jika terdapat pose dengan kondisi miring ke kiri dan miring ke kanan dengan sudut kemiringan yang besar akan menurunkan kualitas pengenalan.

Kesimpulan Cont.(1) Aksesoris atau atribut yang digunakan objek pada saat dilakukan proses pengenalan wajah berpengaruh terhadap akurasi pengenalan wajah.

Saran Media penyimpanan citra wajah dalam bentuk database. Penelitian lebih lanjut dengan jumlah pengujian citra yang lebih banyak, penambahan variasi pengujian ekspresi wajah, serta pengujian pencahayaan dari berbagai sudut sumber cahaya.