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). "

"Masalah dalam mengimplementasikan metode algoritma k-means adalah menentukan jumlah cluster sebelum melakukan klasifikasi. Untuk mengatasi masalah ini, maka para peneliti mengusulkan suatu variasi dari algoritma k-means, yaitu algoritma adaptif k-means. Dalam penelitian ini, algoritma ini dipakai untuk melakukan pengenalan wajah. Sistem yang dibuat dalam penelitian ini dibagi ke dalam dua bagian utama, yaitu proses pelatihan dan proses pengujian. Dalam proses pelatihan, dibentuk sebuah himpunan eigenface dari himpunan citra latih. Masing-masing citra latih ini diproyeksikan terhadap eigenface untuk memperoleh bobot citra latih. Bobot citra latih akan di-cluster-kan dengan algoritma adaptif k-means. Kontribusi utama penulis dalam penelitian ini adalah dalam proses menemukan jumlah cluster (k) yang tepat pada algoritma adaptif k-means, dimana jumlah cluster akan terus ditambahkan (mulai k = 2) sampai kondisi terdapat ada cluster baru yang tidak memiliki anggota (cluster kosong). Dalam proses pengujian, citra uji akan dicari identitasnya. Pencarian identitas dilakukan dengan mencari jarak euclidean terpendek antara bobot citra uji dengan citra latih dari dalam cluster terdekat. Pengujian dilakukan dengan citra wajah yang terdapat dalam pangkalan data, yang akan disebut citra internal, dan dengan citra wajah bukan bagian dari pangkalan data, yang akan disebut citra eksternal, dimana identitas citra eksternal ini terdapat dalam pangkalan data juga. Dari hasil pengamatan diperoleh bahwa algoritma adaptif k-means dapat mengurangi jumlah proses identifikasi citra uji dengan tetap mempertahankan rate pengenalan dalam batas yang wajar (robust)."

"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."

"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."