Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini merupakan kombinasi dari penelitian-penelitian sebelumnya mengenai pengenalan sudut-pandang dan wajah 3D dengan menggunakan Jaringan Saraf Tiruan (JST) yang sebelumnya menggunakan Self Organizing Map (SOM) dalam representasi ruang eigen dan penerapan algoritma genetika dalam menentukan ruang ciri yang optimal. Pada penelitian kali ini Jaringan Neural Buatan yang digunakan adalah Learning Vektor Quantization (LVQ) dalam ruang eigen dengan mengaplikasikan algoritma genetika untuk mengoptimasi ruang ciri. Untuk menganalisa seberapa baik pengenalan dengan menggunakan algoritma LVQ ini, dilakukan beberapa eksperimen dalam penelitian ini untuk memperbandingkan tingkat pengenalan pada sistem fully-KLT dan Subset II-KLT, dengan menggunakan algoritma genetika dan dengan menggunakan full eigen untuk sistem dengan dan tanpa reduksi awal pada PCA untuk masing-masing dataset yang telah ditentukan. Tingkat pengenalan terbaik untuk pengenalan sudut basis mencapai 96,9 %, pengenalan sudut tengah mencapai 67,7 % pada sistem fully-KLT dan pengenalan sudut tengah pada subset II-KLT mencapai hasil tertinggi sebesar 80,6 %. Sedangkan untuk pengenalan wajah, tingkat pengenalan terbaik mencapai 79,2 %, pada pengenalan wajah peningkatan jumlah citra uji GA ternyata tidak memberikan perbaikan hasil pengenalan. Secara umum pengenalan dengan menggunakan algoritma genetika belum mampu menyaingi tingkat pengenalan dengan menggunakan keseluruhan eigen (full eigen). "

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai pengenalan wajah dan penentuan sudut pandang wajah 3D dengan metode Nearest Feature Line (NFL) dan optimasi ruang ciri lewat Algoritme Genetika (GA). Umumnya, ruang ciri dibentuk berdasarkan vektor-vektor eigen dengan nilai-nilai eigen terbesar. Fokus utama penelitian ini terletak pada pengkombinasian vektor eigen (bukan hanya yang terbesar) dalam membangun ruang ciri. Untuk menganalisis seberapa baik ruang ciri yang dibentuk lewat cara tersebut, dilakukan beberapa eksperimen pengenalan wajah dan penentuan sudut pandang wajah 3D pada tiga skema-sistem: Fully-KLT, Subset-1-KLT dan Subset-2-KLT. Tingkat pengenalan yang diperoleh mencapai 91,7% untuk pengenalan wajah pada skema Fully-KLT dan Subset-2-KLT, dan mencapai 87,5% untuk penentuan sudut pandang wajah pada skema Fully-KLT. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa ruang ciri dengan kombinasi vektor eigen dapat lebih optimal dalam hal representasi data spasial. Namun, ruang ciri yang tersusun atas vektor-vektor eigen terbesar unggul dalam hal perbandingan antara tingkat pengenalan yang diberikan dengan pengurangan lebar dimensi. "

"Dalam makalah 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 ciri 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%.

---

3-D Face Recognition System using Additional Feature Lines in Nearest Feature Line Method in Eigenspace Representation. In this paper, the authors propose a new method in 3-D face recognition system using additional feature lines in Nearest Feature Line method, called the Modified Nearest Feature Line method. The additional feature lines can be acquired by projecting each feature point to other feature lines in the same class without increasing the number of feature points. With these additional lines, the system will have the ability to capture more variations of face images, so it can increase the recognition rate of the system.The authors also propose KL-TSubspace1 and KL-TSubspace2 as methods in transforming the 3-D face images from its spatial domain to their eigenspace domain. The experiments use the 3-D human faces of Indonesian people in various expressions and positions. Then, the system is applied to recognize unknown face images with different viewpoints. Experimental results shown that the system using KL-TSubspace2 and Modified Nearest Feature Line method can have the highest recognition rate of 99.17%."

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai pengenalan wajah dan penentuan sudut pandang wajah 3D dengan metode Nearest Feature Line (NFL). Fokus utama penelitian ini terletak pada pemakaian ruang eigen Double View Based (dalam satu ruang eigen terdiri dari dua kelas sudut yang bersebelahan) untuk pengenalan wajah. Ruang eigen dibentuk menggunakan metode full-eigen. Proses pengenalan wajah dilakukan melalui pengamatan pada arah horizontal (sudut elevasi 00) dan vertikal (sudut elevasi 100 dan 200). Terdapat 4 skema Double View Based yang menggunakan kombinasi sudut vertikal 00-100, 00-200, 100-200, dan 00-100-200. Tingkat pengenalan yang diperoleh mencapai 96.88% untuk pengenalan wajah pada arah horizontal dengan kombinasi sudut vertikal 00 dan 100, mencapai 94.19% untuk pengenalan wajah dengan kombinasi sudut vertikal 00 dan 200, 97,92% untuk pengenalan wajah dengan kombinasi sudut vertikal 100 dan 200, dan mencapai 97.22% untuk pengenalan wajah dengan kombinasi sudut vertikal 100, 200, dan 300. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa jumlah subset sebagai bagian dari dataset mempengaruhi tingkat pengenalan, semakin banyak jumlah subset maka semakin baik tingkat pengenalan wajah 3D. Tingkat pengenalan dengan tambahan sudut pengamatan vertikal mampu memberikan hasil yang lebih baik dibandingkan dengan tingkat pengenalan dengan skema DVB untuk sudut pengamatan horizontal saja."

"Pengembangan sistem pengenalan wajah yang optimal akan sangat bergantung pada proses seleksi ciri yang digunakan sebagai basis pada pengenalan pola. Dalam proses seleksi ciri tersebut akan terdapat dua aspek yang akan saling berpengaruh yaitu, aspek reduksi terhadap jumlah data yang digunakan pada klasifikasi dan peningkatan kemampuan pendiskriminasiannya. Dalam proyek mahasiswa ini, digunakan salah satu metode pengkodean citra wajah yang dapat memenuhi kedua aspek di atas, yaitu metode Fisherface yang berbasis pada Fisher?s Linear Discriminant (FLD). FLD merupakan metode class specific yang mampu memaksimalkan perbandingan antara between scatter class dengan within scatter class. Fisherface memiliki karakteristik mampu mengenali citra wajah dalam berbagai variasi pencahayaan, ekspresi, dan atribut [BELH97]. Transformasi Whitening kemudian diterapkan sebagai pre-processor FLD. Penerapan Whitening akan menghasilkan vektor baru yang komponennya tidak saling berkorelasi dan variansinya sama dengan unity. Sedangkan Algoritma Genetika digunakan untuk mengotomatisasi proses reduksi dimensi sehingga penentuan reduksi dimensi yang optimal tidak lagi dilakukan secara eksperimental. Eksperimen dilakukan pada dua jenis basis data wajah yang berbeda. Basis data wajah Yale digunakan untuk melihat pengaruh penerapan transformasi Whitening pada citra wajah frontal. Sedangkan basis data wajah 3 Dimensi digunakan untuk melihat pengaruh transformasi Whitening pada citra wajah 3 dimensi. Hasil eksperimen dengan basis data Yale menunjukkan tingkat pengenalan Fisherface dengan transformasi Whitening relatif sama dengan yang tidak menggunakan Whitening. Sementara pada basis data 3 Dimensi, penerapan Whitening diduga dapat memperbaiki tingkat pengenalan Fisherface pada saat jumlah citra acuan relatif sedikit. Pada kedua basis data, transformasi Whitening dapat meningkatkan tingkat pengenalan pada kondisi di mana dimensi ciri yang dihasilkan sangat kecil."

"Penelitian ini adalah penyempurnaan dari penelitian-penelitian sebelumnya mengenai penentuan sudut pandang wajah 3D dengan metode Nearest Feature Classifier. Sudut pandang merupakan salah satu variasi ciri yang diperlukan dalam system pengenalan wajah tiga dimensi. Sistem penentuan sudut pandang dari obyek tiga dimensi selama ini dikembangkan dengan dua tahap, yaitu tahap transformasi data ke dalam ruang eigen dengan menggunakan Principal Component Analysis atau Karhunen-Loeve Transformation dan tahap klasifikasi dengan menggunakan metode Nearest Feature Line yang melakukan generalisasi ciri-ciri suatu sudut pandang [SRIPOMO01] [LINA04] [EFRIKA04]. Penulis mengembangkan metode penentuan sudut pandang ini lebih lanjut dengan : 1. Memodifikasi tahapan transformasi dan klasifikasi data, yaitu membuat algoritma baru yang memanfaatkan kombinasi dua jenis ruang eigen yang dinamakan ruang eigen Single View Based (SVB) dan ruang eigen Double View Based (DVB) . 2. Memodifikasi tahapan klasifikasi data lebih lanjut, dengan menerapkan metode baru Nearest Feature Classifier yaitu Nearest Feature Plane (NFP) [CHIEN&WU02] yang dapat menangkap lebih banyak ciri dalam satu kelas. Beberapa uji coba dilakukan terhadap sistem penentuan sudut pandang ini dengan tujuan untuk mengetahui akurasi pengenalan sistem terhadap suatu sudut pandang wajah dengan jumlah citra pelatihan sesedikit mungkin."

"Principal Componen Analysis (PCA) merupakan sebuah metode transformasi yang sangat berguna dalam sistem pengenalan wajah tiga dimensi. PCA berperan sangat baik sebagai alat pengekstraksi ciri yang sangat dibutuhkan dalam proses klasifikasi objek tiga dimensi yang diwakili oleh sekumpulan citra wajah dua dimensi. Dalam proses ekstraksi ciri dilakkan transformasi yang sekaligus melibatkan proses reduksi dimensi untuk mendapatkan ciri-ciri optimal sebagai basis ortogonal ruang wajah. Namun pada setiap himpunan citra wajah yang berbeda proses ini harus dilakukan berulang-ulang karena tingkat reduksi dimensi tersebut ditentukan oleh suatu parameter proporsi kumulatif nilai eigen yang harus ditentukan secara manual dari luar sistem. Akibatnya, proses untuk mendapatkan tingkat reduksi dimensi yang terbaik menjadi terhambat karena adanya proses trial and error tersebut. Disini akan dijelaskan sebuah metode untuk mengotomatisasi dan mengoptimasi proses di atas dengan menunjukkkan kinerja yang tidak kalah bahkan mampu memperbaiki kinerj PCA tanpa dikombinasikan dengan alogritma genetika, sehingga disini proses otomasi dan optimasi yang diharapkan dapat dinyatakan berhasil."

"Sistem pengenalan wajah dapat dipergunakan untuk mengetahui identitas seseorang, dan sangat berguna pada proses pendaftaran atau akses masuk ke suatu gedung, maupun proses identifikasi seorang kriminal. Pada proses pengenalan wajah, banyak sekali dimensi yang ada, sehingga diperlukan waktu komputasi yang besar. Dengan dipergunakannya FDR maka dimensi dapat dikurangi, sedangkan FALVQ dipergunakan karena prosesnya yang cepat dan hasil yang baik karena termasuk dalam neural network yang terbimbing. Hasil terbaik FALVQ dengan FDR memberikan peningkatan rekognisi orang 1,47% dan recognisi orang sudut 4,95%. Hasil didapat dengan mempergunakan dimensi 50 dan alpha 8,9. Dengan melihat potensi berkurangnya waktu yang harus dilakukan untuk FALVQ 578,42 detik dan waktu tes FALVQ berkurang 53,91 detik membuat metode FALVQ dengan FDR menjadi lebih baik dalam face recognition.

---

Face recognition system could be used to determine people identity and very useful for login process, acces to a building, ir to identified a criminal. Face recognition study consist of many dimension and it?s verry time consuming. With the use of FDR, we could minimize number of dimension, and with FALVQ will results in faster learning progress and better results due supervised learning in FALVQ.

The best result for FALVQ with FDR makes face recogniton to rise 1,47% and angle-face recognition to rise 4,95%. The optimum dimension from three tested dimension reduction is 50 dimension with alpha 8,9. With the potential of decreased time in FALVQ until 578,42 seconds and decrease in FALVQ test until 53,91 seconds makes FALVQ with FDR better to implement in face recognition."

"ABSTRAKLearning Vector Quantization (LVQ) merupakan salah satu metode yang digunakan dalam jaringan syaraf tiruan atau Artificial Neural Network. Namun untuk data yang bervariasi,performa LVQ mengalami penurunan, hal ini terlihat dari tingkat rekognisi yang diperoleh. Oleh karena itu dikembangkan metode logika Fuzzy yang diperkirakan mampu menaikkan kembali tingkat rekognisi dan performa dari LVQ . Hasil yang diperoleh menunjukkan bahwa dengan logika Fuzzy tingkat rekognisi naik hingga 40 %.

---

ABSTRACT

Learning Vector Quantization (LVQ) is one of the method that used in Artificial Neural Network.,but result shows that any data variations have decreasing the recognition rate. Fuzzy Logic developed to increasing and reinstate the recognition rate of LVQ. With Fuzzy logic, the result shows that recognition rate achieve 40% of increasing."