REAL TIME FACE RECOGNITION USING ADABOOST IMPROVED FAST PCA ALGORITHM

Penelitian  ini menerangkan tentang  sebuah sistem otomatis untuk pengenalan wajah manusia secara global dengan background real time untuk dataset besar  yang dibuatan sendiri. Tugas ini sangat sulit karena real time pengurangan latar belakang dalam gambar masih belum diketahu, selain itu ada variasi besar dalam gambar wajah manusia dalam hal ukuran, pose dan ekspresi.

Robust Face Detection Using the Hausdorff Distance

Robust Face Detection Using the Hausdorff Distance atau Penegasan Deteksi Wajah dengan Mengunakan Metode Hausdorff Distance merupakan Pengelompokan (lokalisasi) wajah manusia dalam gambar digital adalah langkah mendasar dalam proses pengenalan wajah. Penelitian ini menyajikan pendekatan perbandingan bentuk untuk mendeteksi wajah yang akurat  dan kuat untuk perubahan pencahayaan serta latar belakang. Metode yang diusulkan adalah berbasis edge detection dan bekerja pada gambar grayscale(hitam putih). Metode Hausdorff Distance digunakan sebagai ukuran kesamaan antara model wajah umum yang memungkinkan contoh dari objek dalam gambar. Penelitian ini menjelaskan implementasi yang efisien sehinga membuat pendekatan ini cocok untuk aplikasi real-time. Sebuah proses dua langkah yang memungkinkan pendeteksian kasar dan lokalisasi yang tepat dari wajah disajikan. Percobaan dilakukan pada basis tes set besar dan dinilai dengan pengukuran validasi baru.

untuk jurnal lengkap dapat dilihat dan diunduh disini

Robust Real-Time Face Detection

Penelitian ini menjelaskan tentang kerangka deteksi wajah yang mampu pengolahan gambar sangat cepat sementara mencapai tingkat deteksi yang tinggi. Ada tiga kontribusi utama. Yang pertama adalah pengenalan baru representasi gambar yang disebut "Integral Image" yang memungkinkan fitur yang digunakan oleh detektor kami harus dihitung sangat cepat. Yang kedua adalah sederhana dan efisien dikelompokkan er yang dibangun menggunakan algoritma pembelajaran AdaBoost (Freund dan Schapire, 1995) untuk memilih sejumlah kecil fitur visual penting dari satu set yang sangat besar fitur potensial. Kontribusi ketiga adalah metode untuk menggabungkan ers fi klasi dalam "cascade" yang memungkinkan latar belakang wilayah gambar yang akan cepat dibuang saat menghabiskan lebih perhitungan pada menjanjikan wajah-seperti daerah. Satu set percobaan dalam domain deteksi wajah disajikan. Sistem menghasilkan menghadapi kinerja deteksi sebanding dengan yang terbaik sistem sebelumnya (Sung dan Poggio, 1998; Rowley et al, 1998;. Schneiderman dan Kanade, 2000; Roth et al., 2000). Diimplementasikan pada desktop konvensional, deteksi wajah hasil pada 15 frame perkedua.

Yuk belajar Membuat Chart di pemrograman Android

Chart adalah sebuah bagan grafik yang menampilkan sebuah data secara visual sehingga mudah untuk dibaca dan dipahami. Pada Microsoft Excel dan Powerpoint sangat mudah untuk membuat chart karena telah disediakan toolsnya oleh Microsoft. Lalu bagaimanakah cara untuk membuat grafik atau menyisipkan chart (grafik) didalam pemrograman Android ??? So Let’s Code …

Yang perlu dirubah setelah membuat file project android adalah merubah file MainActivity.java berikut isi MainActivity nya :

Pengenalan dan Code Action Bar pada Pemrogrman Android

Actionbar adalah sebuah bar yang dalam pemrograman android dimana dalam bar tersebut dapt memunculkan icon, judul aplikasi dan tombol-tombol yang dapat kita buat sendiri dari icon dan fungsi dari tombol tersebut.

Selain itu, dalam action bar dapat memperindah tampilan suatu aplikasi dan dapat mempermudah karena dapat memuat tombol yang statis tiap layer aplikasinya.

Mau tau, bagaimana cara membuat aplikasi actionbar ??? Let’s Code …

Dalam Folder “scr” hanya ada satu package dengan berisi 2 Java yaitu :

E-book C++

Kali ini admin aye akan membagikan e-book tentang pemrograman C++ dari basic sampai medium beserta contoh-contoh dalam pemrograman C++. Adapaun e-book dapat dilihat dan diunduh disini

Pengenalan Citra Wajah dengan Pemrosesan Awal Transformasi Wavelet

Makalah ini membahas sebuah sistem pengenalan sinyal 2D, yaitu citra wajah untuk mengenali identitas seseorang. Citra wajah diproses awal menggunakan transformasi wavelet menghasilkan representasi multi resolusi dari citra aslinya. Penggunaan transformasi wavelet ini dimotivasi oleh hasil beberapa studi biologi tentang kemiripan system retina dan simple cortial cells dengan pemrosesan wavelet. Transformasi wavelet disini digunakan sebagai metode ekstraksi feature sekaligus reduksi dimensi input citra. Eksperimen menggunakan database standar dari ORL (Ollivety Research Laboratory) yang memuat 400 citra wajah yang terdiri dari 40 individu dengan masing-masing 10 wajah per individu. Keberhasilan pengenalan menggunakan klasifikasi k-nearest-neighbour adalah 94 %. Pengujian juga dilakukan pada citra bernoise gaussian dengan SNR=10,5, 0 dan –9dB. Ternyata penambahan noise pada input citra tidak mempengaruhi keberhasilan pengenalan secara berarti.

Pengenalan Wajah Pelanggan Toko

Mengenali dan menyapa konsumen merupakan suatu cara untuk mendekatkan diri dengan kosumen. Namun tidak semua pegawai mempu menghapal nama dari pelanggan yang datang, untuk itu dikembangkan suatu aplikasi pemrograman yang mampu mengenali pelanggan sehingga pegawai toko dapat menyapa konsumen dengan nama pelanggan tersebut.

Aplikasi computer yang dikembangkan adalah aplikasi computer yang memiliki kecerdasan dalam hal pengenalan wajah seseorang hanya dengan menggunakan webcam. System pengenalan wajah ini menggunakan algoritma Eigenface dengan menggunakan citra yang dihasilkan dari capture webcame dengan menggunakan informasi mentah dari pixel yang kemudian direpresentasikan dalam metode Principal Component Analysis (PCA). Adapun algoritmannya adalah dengan menghitung rata-rata pixel dari gambar-gambar yang sudah tersimpan dalam suatu database, dari rata-rata pixel tersebut akan didapatkan nilai eigenface masing-masing gambar dan kemudian akan dicari nilai eigenface terdekat dari gambar citra wajah yang ingin dikenali. Semakin banyak gambar citra wajah pada database maka semangkin tinggi tingkat keberhasilah untuk mengenali citra wajah tersebut. 

Pemanfaatan K-Nearest Neighbor (KNN) Pada Pengenalan Wajah Dengan Praproses Transformasi Wavelet

Pengenalan wajah merupakan salah satu bidang penelitian dengan banyak aplikasi yang menerapkannya hal itu dikarenakan wajah manusia mampu merepresentasikan sesuatu yang kompleks sehingga dalam melakukan pemodelan komputasi yang ideal sangatlah sulit, karena setiap metode memiliki kelebihan dan kekurangan. Kemampuan untuk dapat mengidentifikasi wajah sangat diperlukan dalam berbagai bidang seperti kepolisian, hukum, forensik, imigrasi dan sebagai identitas wajah dalam memasuki daerah terlarang. Hal ini menyebabkan pengembangan system pengenalan wajah tetap menjadi riset yang penting..  Tujuan dari penelitian ini adalah k-nearest neighbor KNN pada pengenalan wajah dengan praproses transformasi wavelet.  Data yang digunakan berupa gambar atau citra yang diperoleh dari beberapa objek.  Pada percobaan ini terdapat 80 citra dari 10 objek. Sebanyak 64 citra digunakan sebagai database pelatihan dan 16 digunakan untuk uji pengenalan pola.  Metode yang digunakan adalah transformasi wavelet untuk ekstraksi fitur dan KNN untuk identifikasi. Hasil pemilihan k terbaik adalah 5 dengan jumlah citra pada setiap kelas dalam kelompok pengujian sebanyak 8 buah.

Deteksi Lokasi Bibir Otomatis Pada Citra Wajah Berbasis Ciri Bentuk dan Warna

Metode yang diusulkan merupakan gabungan antara pendekatan warna  dan bentuk bibir untuk deteksi otomatis lokasi bibir pada citra wajah yang gunakan untuk mengidentifikasi wajah seseorang berdasarkan fitur bibirnya. Penelitian ini mencoba untuk menggabungkan pendekatan berbasis ruang warna yang diperbaiki menggunakan pendekatan berbasis bentuk bibir. Hasil eksperimen menunjukkan bahwa 61,4% akurasi identifikasi ketika diuji menggunakan 500 citra wajah Nilai Precision dan Recall digunakan untuk mengevaluasi teknik yang diusulkan dibandingkan dengan gambar yang disegmentasi secara manual yang selanjutnya diproses dalam sistem identifikasi wajah. Hasil ujicoba yang telah dilakukan dapat digunakan sebagai dasar pengembangan system identifikasi waktu nyata.

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

Penerapan mesin absensi kehadiran di PENS sudah dilakukan beberapa tahun lalu, namun masih menggunakan smart card, sehingga belum efektif dan akurat dalam pengambilan data. Untuk itu dicoba untuk melakukan penelitian dengan menggabungkan mesin absensi menggunakan pengenalan wajah. Pengenalan wajah dalam penelitian ini menggunakan sebuah webcam untuk menangkap suatu citra kondisi ruangan pada waktu tertentu yang kemudian diidentifikasi wajah yang ada. Beberapa metode yang digunakan dalam penelitian disini adalah ekstraksi fitur akan menggunakan metode PCA atau Eigenface. Sedangkan untuk pengambilan keputusan, digunakan metode Dynamic Times Wrapping ( DTW ) dan Euclidean Distance. Pengujian menggunakan 90 data training dan 45data uji. Kontribusi yang digunakan mulai dari 2hingga 10 kontribusi PCA. Dari hasil pengujian, tingkat keberhasilan pengenalan menggunakanDTW sebesar 20% dan 40% hingga 82% untuk euclidean distance. Pada sistem ini, digunakan parameter jarak un\tuk mengukur tingkat keakurasiannya. Jarak yang digunakan adalah 50cm, 100cm, dan 150cm. Adapun Hasil pengenalan yang diperoleh dari masing-masing jarak tersebut adalah 40%, 10%, dan 10%. Sedangkan apabila menggunakan metode pengenalan euclidean distance, didapakan hasil dari masing-masing tersebut adalah 80%, 70%, dan 40%.

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