Hasil Pencarian  ::  Simpan CSV :: Kembali

"Researches on computer vision are greatly developed today. The main idea is to make machine be able to recognize an object. One of practical application on computer vission for example is real time face recognition system...."

"Untuk membersihkan derau yang berbentuk garis-garis baik vertikal, horizontal maupun miring dapat dilakukan dalam domain spasial dan domain frekuensi. Pembersihan derau dalam domain frekuensi, citra harus ditransformasikan dari domain spasial ke dalam domain frekuensi dengan menggunakan Fast Fourier Transform (FFT) dan Fast Hartley Transform ( FHT). Citra yang mengandung derau hasil transformasinya tidak licin, sehingga untuk menghilangkan derau, harus dibuat licin. Kemudian setelah dibuat licin dikembalikan ke domain spasial dengan menggunakan invers FFT dan invers FHT. Sedangkan ralam domain spasial menggunakan filter harga rata-rata I piksel dan filter harga median terhadap tetangga-tetangga yang mengitarinya dimana untuk pengoperasiannya digunakan kernel :3 X 3.Hasil pembersihan derau dalam domain spasial dibandingkan dengan dalam domain frekuensi. Untuk pembersihan derau dalam domain frekuensi waktu yang dibutuhkan relatif lebih lama, citranya dapat lebih bagus dibandingkan dengan dalam domain spasial. Meskipun pembersihan derau dalam domain spasial dapat lebih cepat tetapi ada sebagian informasi yang hilang."

"Perkembangan teknologi pemrosesan citra digital berjalan dengan pesat seiring dengan banyaknya pemanfaatan teknologi tersebut di berbagai bidang kehidupan manusia. Bidang kehidupan manusia yang memanfaatkan teknologi pemrosesan citra digital antara lain adalah: interasi kumputer-manusia, kesehatan, keamanan dan keselamatan, transportasi, robotika. Salah satu penerapan teknologi pemrosesan citra digital adalah pengenalan ekspresi wajah atau Facial Expression Recognition (FER). Wajah manusia dapat menampilkan berbagai macam ekspresi yang berbeda seperti ekspresi senang, sedih, marah, takut, terkejut, jijik dan sebagainya. Perbedaan ekspresi wajah ini menjadi tantangan bagi komputer untuk dapat mengenali dan membedakannya secara akurat. Salah satu teknologi yang digunakan pada aplikasi FER adalah CNN (Convolutional Neural Networks). Penelitian ini menggunakan model CNN AlexNet yang telah dilakukan perbaikan parameter (fine-tuning) untuk diaplikasikan pada pengenalan ekspresi wajah pada citra digital. Fine-Tuning yang dilakukan adalah dengan mengubah beberapa parameter dari model AlexNet. Parameter yang diubah antara lain: normalisasi input (dari normalisasi cross channel menjadi normalisasi batch), fungsi aktivasi dari ReLU (Rectified Linear Unit) menjadi Leaky ReLU, nilai dua buah dropout yang masing-masing bernilai 50% diubah menjadi 30% dan 20%. Program pengenalan ekspresi wajah yang dibuat kemudian diaplikasikan tearhadap dua buah dataset FER yaitu dataset CK+ (Extended Cohn-Kanade) dan KDEF (The Karolinska Directed Emotional Faces). Tahapan pre-processing yang dilakukan adalah mengubah tingkat kekontrasan citra dataset menggunakan metode CLAHE (Contrast Limited Adaptive Histogram Equalization). Hasil pengujian menunjukkan bahwa metode yang menggunaan prosedur CLAHE serta model fine-tuning AlexNet miliki kinerja yang lebih baik dari pada model AlexNet standard. Penggunaan metode ini pada dataset CK+ meningkatkan akurasi rata-rata sebesar 19,01% dan ketika metode ini digunakan pada dataset KDEF mampu meningkatkan akurasi rata-rata sebesar 14,82% dibandingkan pada saat menggunakan model konvensional AlexNet serta tidak melakukan prosedur CLAHE pada citra dataset. Dari hasil pengujian juga diketahui prosedur CLAHE dan fine-tuning AlexNet mampu melakukan klasifikasi ekspresi wajah secara akurat pada citra yang diuji. Sedangkan model konvensional AlexNet dalam beberapa percobaan gagal mengklasifikasikan ekspresi wajah secara tepat pada citra yang diuji.

---

The development of digital image processing technology is progressing rapidly along with the many uses of this technology in various fields of human life. Fields of human life that utilize digital image processing technology include robotics, human-computer interaction, healthcare, security and safety, and transportation. One application of digital image processing technology is facial expression recognition (FER). The human face can display a variety of different expressions such as expressions of happiness, sadness, anger, fear, surprise, disgust, and so on. There is a challenge for the computer to recognize the difference in facial expressions. One of the technologies used in facial expression recognition applications in digital images is artificial intelligence technology especially CNN (Convolutional Neural Networks). In this study, AlexNet, a CNN model was fine-tuned and combined with CLAHE (Contrast Limited Adaptive Histogram Equalization) procedure toward images dataset for facial expression recognition applications. Fine-Tuning AlexNet model were made by changing some of AlexNet's standard parameters. These parameters include: input initialization (from local normalization to batch normalization), activation function (from ReLU to Leaky ReLU), and dropout value changed from 50%; 50% to 30% and 20%. The facial expression recognition program created was then implemented in two FER (Facial Expression Recognition) datasets, namely CK+ and KDEF. After testing, the results showed that the CLAHE and Fine-Tuning AlexNet model had better performance than the basic AlexNet model. When applying the CK+ dataset that had CLAHE procedure with the Fine-Tuning AlexNet model increases the average of accuracy up to 19,01%, when applying to the KDEF dataset, this method increases accuracy up to 14,82%. From the test results it is known that the CLAHE and the Fine-Tuning AlexNet model model gives better results than the original AlexNet model. Fine-Tuning of the AlexNet model is able to give accurate classification of facial expressions in the tested images. While the original AlexNet model in several experiments failed to accurately clasify facial expressions in the tested images."

"Skripsi ini bertujuan untuk mengoptimalkan korelasi antara Transformasi Paket Wavelet dan jaringan Syaraf Tiruan topologi propagasi-balik umpan-maju dengan menggunakan pendekatan tingkah laku manusia dalam memahami obyek yang diamati. Tingkah laku ini dapat bersifat obyektif maupun subyektif tergantung dari keadaan dan tujuan pengamatan tersebut. Parameter obyektif menggunakan seluruh ciri sebagai dasar dalam melakukan klasiflkasi, sedangkan parsmeter subjektif hanya memanfaatkan ciri-ciri yang sesuai untuk memenuhi klasifikasi.Hasil pengujian yang dilakukan menunjukkan bahwa tingkat keakuratan berkisar antara 92,861% - 97,86% jika digunakan untuk mengklasifikasikan obyek bidang datar. Sedangkan untuk tekstur antara 94,37% - 98,444%. Kemampuan perangkat lunak untuk mengenal obyek yang mengalami gangguan, yaitu maksimum sebesar 96% pada obyek yang tertranslasi, 90% pada obyek terrotasi, dan 92% pada obyek yang mengalami noise. Selain dari pada itu, kecepatan pembelajaran menjadi sangat singkat dengan rata-rata iterasi maksimal sebanyak 9134,8 kali dan waktu rata-rata kurang dari 261,726 detik.Pengujian keseluruhan memberikan kesimpulan bahwa penambahan informasi-informasi tertentu yang berkaitan dengan ciri-ciri obyek, akan membantu dalam menghasilkan pembelajaran yang optimal dan pendeteksian yang maksimal."

"Pada paper ini, dilakukan pemilihan feature dari citra RGB (Red-Green-Blue) untuk memprediksi tingkat kemanisan buah belimbing yang dicirikan dengan kandungan TPT (Total Padat Terlarut). Dari feature terpilih, dilakukan transformasi komponen utama satu dimensi (1D-PCA) dan dua dimensi (2D-PCA) untuk mereduksi dimensi citra. Kemudian dilanjutkan dengan proses pengenalan tingkat kemanisan yang dalam paper ini dikelompokkan menjadi tiga, yaitu manis, sedang, dan asam. Nilai batas tiap kelompok didasarkan pada bentuk histogram nilai TPT. Dari 300 citra buah belimbing diperoleh hasil bahwa secara akurasi, teknik 1D-PCA maupun 2D-PCA memberikan hasil yang relatif sama. Namun dari segi kecepatan, 2D-PCA jauh lebih cepat dibanding 1D-PCA, khususnya pada bagian pembentukan sumbu. Model hubungan tingkat kemanisan sebagai fungsi dari nilai RGB memberikan tingkat determinasi terbesarnya 69.9%. Percobaan menunjukkan bahwa 1D-PCA maupun 2D-PCA mampu menerangkan sekitar 95% model hubungan tersebut yang dikembangkan pada ruang asal. Teknik PCA digabungkan dengan jarak Euclidean untuk pengenalan mampu mengenali buah kelompok manis dengan akurasi 100%. Sedangkan untuk kelompok asam dan sedang teknik yang dilakukan gagal melakukan pengenalan dengan baik"

"Pengenalan rambu lalu-lintas merupakan salah satu tugas yang harus dilaksanakan oleh sebuah mobil pintar_ Pada kondisi jalan sebenarnya, masalah yang dihadapi akan meliputi bervariasinya kuat cahaya, perubahan skala rambu karena perubahan jarak, dan adanya noise pada rambu. Sebuah sistem pengenalan rambu yang baik akan dipersiapkan untuk mengatasi masalah-masalah tersebut. Pada Skripsi ini, dicoba untuk merancang sebuah sistem pengenalan rambu yang dipersiapkan untuk berhadapan dengan masalah-masalah di atas. Sistem ini masih bersifat off-line. Citra yang dipakai adalah citra basil pemotretan, sedangkan keluaran berupa pengenalan jenis rambu. Rambu yang dikenali dibatasi hanya yang tepinya berwarna merah saja. Untuk mengatasi masalah bervariasinya kuat cahaya, segmentasi rambu dari lingkungan memakai basis sistem wama HSI. Sistem warna ini mendeskripsikan sebuah warm dalam 3 komponen terpisah. Hue dipakai untuk menyatakan wama dominan yang dilihat pengamat, saturasi menyatakan kemurnian relatif dari warna tersebut, atau jumlah warna putih yang tercampur dengan kue tersebut, sedangkan kuat Iemahnya cahaya dinyatakan dalam intensitas. Pengenalan bentuk dan citra rambu yang sudah tersegmentasi dilakukan oleh jaringan saraf tiruan (ANN T Artificial Neural Networks). Jaringan yang dipakai berupa jaringan bertingkat antara Kohonen dan Propagasi Balik (Backpropagation). Modus kerja jaringan Kohonen adalah unsnpervis-ed, sedangkan Propagasi Balik bersifat supervised. Penggabungan keduanya diharapkan memberikan kineda yang lebih balk. Agar fungsi ANN hanya kepada pengenalan bentuk dan bukan warna rambu, maka citra rambu tersegmentasi diubah terlebih dahulu menjadi citra monokrom. Selanjutnya dilakukan proses penghalusan (smoothing) terhadap citra monokrom untuk memperbaiki kualitas citra. Ekstraksi eiri masukan ke ANN dilakukan dengan teknik ekstraksi ciri spektrum daya Fourier."

"Yogyakarta hosts many collections of classic javanese manuscripts that are invaluable cultural heritage...."