Pengembangan Sistem Pengenalan Wajah Dengan Metode Pengklasifikasian Hibrid Berbasis Jaringan Fungsi Basis Radial Dan Pohon Keputusan Induktif

Pengklasifikasian wajah berkaitan dengan variasi data misalnya detil - detil kecil dari wajah atau transformasi saat proses pengambilan citra. Pengklasifikasian wajah dengan metode hybrid menggabungkan pembelajaran berbasis Jaringan Fungsi Basis Radial (JFBR) dan Pohon Keputusan Induktif. JFBR digunakan sebagai metode pembelajaran dalam arsitektur jaringan syaraf tiruan. Untuk meningkatkan kemampuan pengenalan dilakukan pengklasifikasian pada Pohon Keputusan Induktif. Selain menjadi metode penghubung pada pengklasifikasian hibrid, Himpunan JFBR (HJFBR) digunakan untuk penyediaan atribut pada pengklasifikasian Pohon Keputusan Induktif. Uji coba dilakukan pada 50 obyek  dengan total ± 500 citra wajah dalam format grayscale. Data dipilih dengan memberi variasi mimik wajah, kemiringan (rotasi) data ± 50 dan juga dipengaruhi oleh pencahayaan di dalam ataupun d iluar ruangan. Rata– rata peningkatan keakurasian positif benar yang diberikan arsitektur HJFBR dibanding JFBR sebesar ±13,86% untuk HJFBR1 dan ±15,93% untuk HJFBR2. Namun menurunkan keakurasian negatif benar sebesar ±5,8% untuk HJFBR1 dan ±5,6% untuk HJFBR2. Penambahan pohon keputusan induktif pada  metode hibrid memberikan keuntungan selain tetap dapat meningkatkan keakurasian positif benar juga mampu mengatasi permasalahan sebelumnya tentang penurunan keakurasian negatif benar.

Kata kunci:  pengenalan wajah, jaringan fungsi basis radial, pengklasifikasian hibrid, pohon
jurnal lengkap dapat dilihat dan diunduh disini

Mengenal Java dari Basic

Kali ini aye akan membagi pengetahuan tentang Bahasa Pemrograman Java dari 0 ( Basic). Lets Check It, apa itu Java ?

Bahasa java pertama kali dikonsepkan oleh James Gosling, Patrick Naughton, Chris Warth, Ed Frank, dan Mike Sheridan di Sun Microsystem tahun 1991, dengan nama bahasa pemrograman “Oak”. Dan pada tahun 1995 mereka mengunjungi sebuah café kopi local dan mengubah namanya menjadi “Java” hingga sekarang.Java awalnya dikhususkan untuk aplikasi berbasis internet, namun sekarang aplikasi Java sudah dapat digunakan untuk tidak hanya berbasis Web saja tetapi dari Desktop hingga aplikasi mobile.

Pengklasifikasian Gender Dengan Menentukan Titik-Titik Penting Pada Sistem Pengenalan Wajah Menggunakan Matlab 6.5

Pengenalan wajah manusia dengan menggunakan sistem komputer telah menjadi  suatu area yang menarik perhatian para peneliti sejak lama. Saat ini, sistem pengenalan wajah sendiri telah di aplikasikan pada sejumlah bidang, seperti pada bidang forensik, psikologi, dan keamanan. Algoritma yang digunakan dalam pengenalan wajah memang cukup banyak dan bervariasi, tetapi semuanya memiliki tiga tahap dasar yang sama, yaitu tahap deteksi wajah (Face Detection), tahap ekstraksi komponen wajah (Facial Features Extraction), dan yang terakhir tahap pengenalan wajah (Face Recognition). Pada tahap pengenalan wajah kita dapat melakukan klasifikasi wajah terhadap gender yaitu dengan cara memanfaatkan jarak-jarak antar daerah bagian mata dan daerah bagian tepi wajah, dengan cara pengukuran jarak yang telah diambil dari penentuan titik-titik yang diperlukan dalam pengklasifikasian gender. Pada penulisan ini berasal dari algoritma yang terdapat pada jurnal penelitian Chandan Ghosh dan P.Kiranthi kiran yang telah disesuaikan dengan keadaan citra uji coba yang akan digunakan. Dari 70 citra wajah yang digunakan sebagai uji coba didapatkan tingkat keberhasilan pengklasifikasian gender sebesar

Kata Kunci : Pengenalan Wajah, Gender

Jurnal lengkap dapat dilihat dan diunduh disini

Sistem Pengenalan Wajah 3-D Menggunakan Penambahan Garis Ciri Pada Metode Perhitungan Jarak Terpendek Dalam Ruang Eigen

Dalam penelitian ini, penulis mengajukan metodologi baru dalam sistem pengenalan wajah 3-D dengan menggunakan penambahan garis ciri pada metode perhitungan jarak terpendek dalam ruang ciri. Penambahan garis ciri ini dilakukan dengan memperbanyak jumlah garis ciri tanpa menambahkan titik ciri baru, dengan membentuk sebuah garis ciri baru dari setiap titik ciri terhadap setiap garis ciri yang dibentuk dari setiap dua buah titik ciri. Dengan penambahan garis cirri ini, sistem akan memperoleh tambahan informasi variasi ciri obyek, sehingga tingkat pengenalan sistem dapat meningkat. Dalam makalah ini, penulis juga mengembangkan metode TK-LSebagian1 dan TK-LSebagian2 sebagai metode untuk mentransformasikan citra wajah 3-D dari ruang citra spatial ke dalam representasi ruang eigennya. Data percobaan dalam penelitian menggunakan citra wajah orang Indonesia dalam berbagai sudut pandang pengamatan dan ekspresi. Pengujian terhadap sistem dilakukan untuk mengenali wajah dengan sudut pandang pengamatan yang berbeda dengan citra wajah yang  dilatihkan sebelumnya. Hasil penelitian menunjukkan bahwa tingkat pengenalan tertinggi akan diperoleh sistem dengan menggunakan TK-LSebagian2 dan metode penambahan garis ciri yaitu sebesar 99.17%.

Belajar Mengenal HTML dan CSS

Selamat Pagi, dan Semangat Pagi …

Kali ini aye akan mengenalkan pada kalian tentang HTML (HyperText Markup Language) dan CSS (Cascade Style Sheet),untuk CSS aye pernah mengenalkan pada "Tutorial CSS Basic-1".

Seperti yang saya sebutkan sebelumnya, bahwa HTML adalah bahasa Markup, artinya bahasa HTML hanya digunakan untuk me-markup suatu dokumen. Sebagai penyederhanaan kita analogikan dengan pembuatan dokumen di Microsoft Word atau aplikasi Word Processing lainnya. Ketika membuat sebuah dokumen word, biasanya kita melakukan formatting pada teks. seperti menebalkan teks, memiringkan, memberi garis bawah, Membuat Penjudulan (Heading), membuat list (Daftar) dan lain sebagainya. Pada HTML, formatting ini bisa kita sebut dengan Proses Markup dan akan dilakukan dengan menggunakan tag HTML. HTML akan terlihat majemuk jika hanya menggunakan coding HTML saja, karena itu perlu CSS sebagai coding tambahan untuk mempercantik tampilan dalam pembuatan sebuah website.

Deteksi Wajah Metode Viola Jones Pada Opencv Menggunakan Pemrograman Python

Sistem pendeteksian dan pengenalan wajah semakin banyak. Walaupun semakin banyak, bukan berarti penelitian mengenai hal ini sudah selesai. Tuntutan akan efektifitas, baik kecepatan maupun tingkat keakuratan dalam sebuah sistem pendeteksian semakin diperhitungkan.  Banyak dari beberapa system pendeteksian wajah menggunakan metode Viola Jones sebagai metode pendeteksi objek. Metode Viola Jones dikenal memiliki kecepatan dan keakuratan yang tinggi karena menggabungkan beberapa konsep (Haar Features, Integral Image, AdaBoost, dan Cascade Classifier) menjadi sebuah metode utama untuk mendeteksi objek. Banyak dari sistem deteksi tersebut menggunakan C atau C++ sebagai bahasa pemrograman, dan OpenCV sebagai librari deteksi objek. Hal ini dikarenakan librari OpenCV menerapkan metode Viola Jones kedalam sistem deteksinya,  sehingga memudahkan dalam pembuatan sistem.

Deteksi Jenis Warna Kulit Wajah Untuk Klasifikasi Ras Manuasia Menggunakan Warna

Deteksi tipe warna kulit manusia merupakan sarana guna mengetahui RAS manusia. Hal ini digunakan sebagai dasar dalam pengindentifikasian manusia di bidang criminal dan kesehatan. Dibidang criminal digunakan dalam hal mengetahui asal usul korban tindak kejahatan sebagai dasar untuk mengetahui penyakit genetic maupun endemic. Aplikasi pengolahan citra yang berkaitan dengan pemrosesan citra yang berkaitan dengan transformasi warna. Dalam hal ini, metode transformasi system ruang warna sebagai bagian dari pengolahan citra membantu dalam mendeteksi warna dalam citra dan mengolahnya sehingga memberikan kemudahan dalam pengidentifikasian. Tujuan dari penelitian ini adalah menerapakan metode transformasi warna YCbCr dalam mendeteksi tipe warna kulit manusia dan mengklasifikasikan dalam kelompok RAS manusia.

Input pelatian dalam aplikasi ini adalah tioe warna kulit wajah yang diperoleh dari hasil pengolahan citra dengan metode transformasi warna YCbCr. Hasil penelitian yang diperoleh dalam penelitian ini adalah deteksi tipe warna kulit wajah menggunakan metode transformasi warna menunjukan hasil yang memuaskan. Hasilnya sudah bisa digunakan untuk mengenali wajah manusia sebab sudah terlihat jelas dari nilai simulasi yang dihasilkan

Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones

Penelitian ini berisikan tentang suatu sistem deteksi wajah pada manusia dengan menggunakan metode Viola- Jones. Data yang digunakan pada penelitian ini berupa sampel gambar yang diambil dari internet secara acak sebanyak 30 citra yang terdiri atas 22 citra manusia dan 8 citra hewan. Dimensi sampel citra berukuran  paling kecil adalah 219x285 pixel dan dimensi yang paling besar adalah 1536x2048 pixel.Metode Viola-Jones relatif mendapatkan hasil yang cepat, akurat, dan efisien dalam melakukan deteksi wajah pada gambar. Metode Viola-Jones merupakan algoritma yang paling banyak digunakan untuk mendeteksi wajah. Metode ini terdiri atas tiga komponen penting yaitu integral image digunakan untuk menentukan ada atau tidaknya fitur Haar tertentu pada sebuah gambar, metode AdaBoost machine learning yang digunakan untuk untuk memilih fitur Haar yang spesifik yang akan digunakan serta untuk mengatur nilai ambangnya (threshold), dan cascade classifier sebagai pengklasifikasi akhir untuk menentukan daerah wajah pada gambar dari metode ini. Urutan filter pada cascade ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan bobot paling besar diletakkan pada proses pertama kali dengantujuan untuk menghapus daerah gambar bukan wajah secepat mungkin. Dalam penelitian ini ditampilkan gambar-gambar yang terdeteksi sebagai wajah dan tidak terdeteksi sebagai wajah. Hasil penelitian ini mendapatkan nilai akurasi system deteksi wajah sebesar 90,9%. Hasil lain yang didapatkan adalah posisi wajah yang tegak/tidak tegak menentukan keberhasilan deteksi wajah tersebut.

Keywords— Gambar , Wajah, Deteksi wajah, Viola-Jones.

Jurnal lengkap dapat dilihat dan diunduh disini

Deteksi Api dengan MultiColorFeatures, Background Subtraction dan Morphology

Pentingnya deteksi api secara dini dapat membantu memberikan peringatan serta menghindari bencana yang menyebabkan kerugian ekonomi dan kehilangan nyawa manusia. Teknik deteksi api dengan sensor konvensional masih memiliki keterbatasan, yakni memerlukan waktu yang cukup lama dalam mendeteksi api pada ruangan yang besar serta tidak dapat bekerja di ruangan terbuka. Penelitian ini mengusulkan metode deteksi api secara visual yang dapat digunakan pada camera surveillance dengan menggunakankombinasi Multicolorfeatures sepertiRGB, HSV,YCbCr dan Background Subtraction serta morphologyuntuk pendeteksian pergerakan api. Evaluasi penelitian dilakukan dengan menghitung tingkat error deteksi area api.

Kata kunci : Background Subtraction, RGB, HSV, YcbCr, Deteksi Api.

Jurnal lengkap dapat diunduh disini

Analisis Dan Simulasi Sistem Pengenalan Wajah Dengan Metode Fisherface Berbasis Outdoorvideo

Saat ini sudah banyak penelitian untuk mencari metode yang baik pada system pengenalan wajah. Berbagai metode telah banyak diteliliti untuk sistem ini. Metode yang umum digunakan adalah PCA (Principal Component Analysis). Walaupun PCA merupakan teknik yang terkenal dalam pengenalan citra, ternyata PCA menghadapi permasalahan dalam menghadapi database yang sangat besar, dimana waktu proses dari pengenalan menjadi lama dan akurasinya menjadi menurun dengan cepat apabila jumlah data semakin bertambah banyak (Li, S.Z.,Hou, X.W., Zhang, H.J., Cheng, Q.S. 2001). Untuk mengatasi kelemahan metode PCAtersebut, maka pada tahun 1977, Peter N,Belhumeur, Joao P. Hespanha dan David J.Kriegmen telah mengembangkan suatu metodebaru yang dinamakan metode Fisherface. Metode ini merupakan gabungan dari metodePCA dengan Fisher’s Linear Discriminant(FLD) yang merupakan pengembangan darimetode LDA (Linear Discriminant Analysis).

VIDEO OBJECT SEGMENTATION APPLYING SPECTRAL ANALYSIS AND BACKGROUND SUBTRACTION

Dalam penelitian ini membahas tentang sebuah pendekatan untuk objek segmen video semi-otomatis. Permasalahan yang dihadapi dalam penelitian ini adalah kurangnya informasi semantik pada segmentasi objek video serta pengguna segmentasi oleh manusia tidak efektif jika video memiliki ukuran yang besar. Untuk itu diperlukan inisialisasi, yang dalam hal ini menggunakan teknik berbasis scribble-base untuk membedakan antara foreground dan background. Setelah itu objek pemisahan dari latar belakang, operasi pengurangan antara frame dan selanjutnya dilakukan dengan menerapkan algoritma subtraction background.

Spectral analysis and background subtraction  untuk segmentasi objek video menjadi lebih efektif. Evaluasi penelitian ini diukur dengan Mean Square Error. Hasil percobaan menunjukkan tinggi presisi segmentasi objek.

Keywords: Segmentation, Alpha Matting, Background Subtraction

untuk jurnal lengkap dapat dilihat dan diunduh disini

SISTEM DETEKSI PENYAKIT PENGEROPOSAN TULANG DENGAN METODE JARINGAN SYARAF TIRUAN BACKPROPAGATION DAN REPRESENTASI CIRI DALAM RUANG EIGEN

Ada berbagai cara untuk mendeteksi penyakit osteoporosis (pengeroposan tulang), salah satunya adalah dengan melihat gambaran osteoporosis melalui foto rontgen atau X-ray. Kemudian, dianalisis secara manual oleh pakar Rheumatologi. Artikel menunjukkan pengembangan suatu sistem yang dapat mendeteksi penyakit osteoporosis pada manusia dengan menerapkan prinsip Rheumatologi. Daerah utama yang diidentifikasi adalah antara pergelangan tangan hingga jari tangan. Sistem kerja di dalam perangkat lunak ini meliputi 3 pemrosesan penting, yaitu proses pengolahan citra dasar, proses reduksi piksel, dan proses jaringan syaraf tiruan. Awalnya, citra X-ray digital (30 x 30 piksel) dilakukan pengkonversian warna dari RGB ke grayscale. Kemudian, di-thresholding dan diambil nilai gray level-nya. Nilai-nilai tersebut selanjutnya dinormalisasi ke interval [0.1, 0.9], lalu direduksi menggunakan metode PCA (Principal Component Analysis). Hasilnya dijadikan input pada proses jaringan syaraf tiruan Backpropagation untuk mengetahui analisis penyakit dari X-ray yang dimasukkan Disimpulkan dari hasil pengujian dengan learning rate sebesar 0.7 dan momentum sebesar 0.4, sistem ini memiliki tingkat keberhasilan 73 hingga 100 persen untuk uji data non-learning, dan 100 persen untuk data learning.

kata kunci: osteoporosis, pengolahan citra, PCA, jaringan syaraf tiruan

jurnal lengkap dapat diunduh disini