Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Pada beberapa tahun terakhir, sistem pengenalan wajah telah marak digunakan dalam berbagai aspek sebagai wujud dari kemajuan teknologi. Berbagai penelitian dilakukan untuk terus memperbaiki akurasi dari pengenalan wajah. Pada penelitian ini digunakan metode klasifikasi Learning Vector Quantization dan Fuzzy Kernel Learning Vector Quantization. Data yang digunakan adalah Labeled Face in The Wild-a LFW-a. Database ini tidak memiliki batasan seperti latar belakang, ekspresi, posisi, dan sebagainya. Berdasarkan hasil uji coba menggunakan database LFW-a, sistem pengenalan wajah dengan metode LVQ memiliki akurasi tertinggi 89,33 dan metode FKLVQ memiliki akurasi tertinggi 89,33 pula.

---

ABSTRACT
In recent years, face recognition is widely used in various aspects as a form of technology advancement. Various studies are conducted to keep improving the accuracy of face recognition. In this research, Learning Vector Quantization and Fuzzy Kernel Learning Vector Quantization are used as a method of classification. The data used in this research is Labeled Face in The Wild a LFW a. This database has no restrictions such as background, expression, position, and so on. Based on test results using LFW a database, face recognition using LVQ method has highest accuracy at 89,33 and FKLVQ method has highest accuracy at 89,33 as well.

Abstrak :
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.

Abstrak :
Penelitian tentang berbagai metode pengenalan wajah atau face recognition telah berlangsung cukup lama tanpa menghasilkan banya sistem aplikasi yang berguna di kehidupan nyata. Salah satu bentuk nyata pemanfaatan metode pengenalan wajah adalah untuk keperluan autentikasi, misalnya untuk melewati sebuah pintu otomatis. Autentikasi melalui pengenalan wajah ini dapat menjawab beberapa permasalahan yang terjadi pada sistem autentikasi lainnya. Proyek mahasiswa ini bertujuan membangun suatu sistem pintu otomatis dengan mengandalkan berbagai metode pengenalan wajah yang imodifikasi dari metode konvensional. Metode yang digunakan bertujuan untuk mengenali data wajah yang sudah terdaftar atau belum terdaftar pada tahap training. Di antara metode‐metode tersebut, terdapat berbagai modifikasi yang dilakukan sesuai kebutuhan. Pada setiap metode, terdapat percobaan yang telah dilakukan beserta analisis dan kesimpulannya.

Abstrak :
Pada era digital ini, teknologi informasi dan komunikasi berkembang pesat dan berpengaruh signifikan dalam berbagai aspek kehidupan, termasuk keamanan dan pengenalan identitas. Salah satu penerapan teknologi yang menonjol adalah sistem deteksi dan pengenalan wajah yang digunakan di berbagai tempat yang memerlukan keamanan ekstra. Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan pengenalan wajah menggunakan arsitektur ResNet dan perangkat ESP-32, dengan fokus pada implementasi dan evaluasi efektivitas sistem tersebut dalam meningkatkan keamanan. Metode yang digunakan dalam penelitian ini meliputi penggunaan ResNet-50 untuk pengenalan wajah dan Cascade Classifier untuk deteksi wajah. Data yang digunakan untuk pelatihan model diperoleh melalui proses augmentasi data untuk meningkatkan variasi dan jumlah sampel. Sistem ini diimplementasikan menggunakan perangkat keras ESP-32 dan perangkat lunak MATLAB, serta diuji pada lingkungan nyata untuk mengevaluasi kinerjanya. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan mampu mendeteksi dan mengenali wajah dengan akurasi tinggi. Integrasi sistem dengan infrastruktur keamanan yang ada juga memungkinkan peningkatan perlindungan terhadap data dan perangkat keras. Dengan demikian, penelitian ini berhasil menunjukkan bahwa teknologi deteksi dan pengenalan wajah dapat memberikan solusi efektif untuk meningkatkan keamanan di berbagai tempat. ......In this digital era, information and communication technology has developed rapidly, significantly impacting various aspects of life, including security and identity recognition. One notable application of this technology is the facial detection and recognition system used in various high-security areas. This research aims to develop a facial detection and recognition system using ResNet architecture and ESP-32, focusing on the implementation and evaluation of the system's effectiveness in enhancing security. The methods used in this study include employing ResNet-50 for facial recognition and Cascade Classifier for facial detection. The data used for model training were obtained through data augmentation processes to increase the variation and number of samples. The system was implemented using ESP-32 hardware and MATLAB software, and tested in real-world environments to evaluate its performance. The results of the study indicate that the developed system can detect and recognize faces with high accuracy. The system's integration with existing security infrastructure also allows for enhanced protection of data and hardware. Thus, this research successfully demonstrates that facial detection and recognition technology can provide effective solutions for improving security in various locations.

Abstrak :
ABSTRAK
Deteksi dan pengenalan wajah merupakan salah satu pengolah citra yang dapat digunakan untuk surveillance pada UAV. Namun kasus pengenalan wajah dan deteksi wajah ini merupakan pekerjaan yang sangat sulit dilakukan karena komputer harus dapat melakukan lokalisasi wajah dengan baik kemudian melakukan klasifikasi wajah. Tesis ini membahas penelitian metode deep learning yaitu deteksi wajah dengan menggunakan metode RCNN dan pengenalan wajah dengan menggunakan metode CNN. Eksperimen dengan menggunakan variasi sudut wajah dan jarak wajah terhadap kamera dilakukan untuk mengamati pengaruh parameter terhadap performa model. Hasil penelitian menunjukkan bahwa model RCNN dengan menggunakan satu wajah subjek dapat digunakan untuk melakukan deteksi wajah pada subjek dengan recognition rate sebesar 74% pada parameter IoU > 0.5. Nilai recognition rate pada sistem terintegrasi deteksi dan pengenalan wajah sangat tergantung dari hasil prediksi area wajah yang dihasilkan dari model RCNN. Percobaan membuktikan bahwa jarak subjek kamera mempengaruhi recognition rate dari model deteksi wajah.

---

ABSTRACT
Face detection and recognition is an image processor that can be used for surveillance on UAVs. However, the case of face recognition and face detection is a very difficult job to do because the computer must be able to do localization of the face well then do face classification. This thesis discusses the research of deep learning methods, namely face detection using the RCNN method and face recognition using the CNN method. Experiments using variations in face angle and face distance to the camera were conducted to observe the effect of parameters on the performance of the model. The results showed that the RCNN model using one subject's face could be used to detect faces on subjects with a recognition rate of 74% on the IoU parameter > 0.5. The value of recognition rate in the integrated detection and face recognition system is highly dependent on the results of the prediction of face areas generated from the RCNN model. Experiments prove that the distance of the camera subject affects the recognition rate of the face detection model.

Abstrak :
ABSTRAK
Wajah merupakan suatu informasi biometrik yang dapat digunakan untuk menentukan identitas seseorang. Ukuran, bentuk, dan struktur wajah seseorang hampir tidak berubah sehingga cenderung stabil dan dapat digunakan sebagai masukan untuk mengenali seseorang.Unjuk kerja sebuah algoritme pengenalan wajah ditentukan oleh akurasi pengenalan wajah dan dinyatakan dalam persen akurasi pengenalan. Semakin besar nilai persen akurasi pengenalan wajah, maka semakin baik algoritme pengenalan wajah tersebut.Akurasi pengenalan wajah sangat dipengaruhi oleh deskriptor ciri yang merepresentasikan sebuah citra wajah dan desain pengklasifikasi. Perancangan deskriptor ciri citra wajah yang robust dipengaruhi oleh beberapa faktor seperti variasi pencahayaan, variasi pose, variasi ekspresi, resolusi citra wajah, jenis kelamin, ras, dan lain-lain.Untuk pengenalan wajah tradisional, biasanya faktor-faktor ini sedapat mungkin diatur agar akurasi pengenalan wajah lebih baik dalam tahap pencocokan. Tetapi untuk kondisi pengenalan wajah yang riil, dimana faktor-faktor di atas tidak dapat dikendalikan, seperti pencahayaan yang sangat kurang, pose yang tidak frontal, resolusi citra yang rendah, ekspresi yang variatif, maka diperlukan deskriptor wajah yang dapat mengakomodir kondisi-kondisi ini agar akurasi pengenalan wajah tetap baik.Disertasi ini mengusulkan pengembangan algoritme SCAN sebagai deskriptor wajah ciri lokal baru untuk meningkatkan akurasi pengenalan wajah yang disebabkan oleh variasi pencahayaan dan resolusi citra wajah yang rendah. Selain itu, suatu algoritme baru untuk menggabungkan Transformasi Fourier Diskrit sebagai deskriptor wajah ciri global dengan salah satu deskriptor wajah ciri lokal yang ada, yaitu LBP/LDiP/LDNP juga diusulkan di dalam disertasi ini untuk mengatasi persoalan pengenalan wajah akibat variasi pose, variasi ekspresi, dan adanya oklusi.Untuk simulasi pengenalan wajah karena variasi pencahayaan yang dilakukan pada Yale Face Database B, didapati deskriptor lokal berbasis teknik SCAN memiliki akurasi pengenalan sebesar 59,56 , dibandingkan PCA 4,74 , LDA 17,48 , LBP 12,37 , dan MLBP 45,33 . Untuk simulasi citra wajah dengan resolusi yang rendah pada database yang sama, algoritme SCAN memiliki akurasi pengenalan 44,34 , sedangkan PCA 20,44 , LDA 35,39 , LBP 3,68 , dan MLBP 44,08 .Untuk simulasi menggunakan database ORL, akurasi pengenalan wajah karena variasi pose, ekspresi, dan adanya oklusi secara acak menggunakan kombinasi DFT dan LBP menggungguli deskriptor global PCA dan LDA serta deskriptor lokal LBP, LDiP,LDNP untuk citra wajah mulai dari jumlah citra latih sebanyak tiga untuk tiap subyek. Selain itu, algoritme penggabungan deskriptor global DFT dengan deskriptor lokal LBP atau LDiP atau LDNP menghindarkan fenomena peaking di dalam penambahan citra latih untuk pengenalan wajah karena variasi pose, ekspresi, dan adanya oklusi secara acak.

---

ABSTRACT
A face is an information that attached to a person and always be with the person every time. The size, shape, and structure of a person 39 s face is virtually unchanged, which tends to be stable and can be used as input to recognize a person.The performance of a face recognition algorithm depends on the recognition rate and is usually expressed in percentage. The higher the recognition rate, the better the algorithm. The recognition rate is affected by a feature descriptor and a classifier design. Several factors such as illumination variation, pose variation, expression variation, face image resolution, sex, race, etc, should be considered to design a robust face descriptor.For traditional face recogntion, these factors were well controlled in order to get a better recognition rate at matching phase. However, for real problem face recognition, where these factors were difficult to be controlled, such as for very low intensities, non frontal pose, low resolution face image, diverse expressions, then it is important to carefully design a face descriptor that may accomodate these situations to get a better recognition rate.This dissertation propose the SCAN algorithm as a new local feature descriptor to improve face recognition accuracy caused by intensities variation and low resolution of a facial image. In addition, a new algorithm that combine Fourier Discrete Transform as a global feature descriptors with one of the existing local characteristic descriptors, LBP LDiP LDNP was also proposed in this dissertation to address facial recognition problems due to variation of pose, variation of expression, and the presence of occlusion.For facial recognition simulations due to variations of lighting performed at Yale Face Database B, local SCAN based descriptor has an recognition accuracy of 59.56 , compared to PCA 4.74 , LDA 17.48 , LBP 12 , 37 , and MLBP 45.33 . For simulation of low resolution images on the same database, SCAN algorithm has an accuracy of 44.34 , while PCA 20.44 , LDA 35.39 , LBP 3.68 , and MLBP 44.08 .For simulations using the ORL database, the face recognition accuracy due to variations of random pose, expression, and occlusion using a combination of DFT and LBP outperformed global descriptors PCA and LDA as well as local descriptors LBP, LDiP, LDNP for face images starting from three face images as the training face images for each subject. In addition, the algorithm that combine DFT global descriptor with LBP or LDiP or LDNP as local descriptors avoids peaking phenomena along with the increasing of training images for face recognition due to variations of random pose, expression, and occlusion.

Abstrak :
Sistem pengenalan wajah yang menggunakan pendekatan klasik sejauh ini belum dapat memberikan hasil optimal jika dihadapkan pada tantangan oklusi. Tantangan oklusi yang dikaji pada penelitian ini adalah saat wajah menggunakan masker. Jika seseorang menggunakan aplikasi sistem pengenalan wajah dengan harus membuka masker terlebih dahulu di tempat umum tentunya sangat berbahaya untuk keselamatan dan kesehatan semua pihak. Sehingga dibutuhkan sistem pengenalan wajah yang memiliki performa sistem yang tinggi dengan tantangan oklusi masker. Penelitian ini membangun sistem pengenalan wajah bermasker dengan pendekatan holistic dan partial face. Metode ekstraksi fitur yang digunakan adalah penggabungan metode kurvatur yang menggunakan turunan parsial orde satu dan dua dengan metode analitik seperti gray level co-occurrence matrix (GLCM) dan multi-resolution analysis (MRA) seperti transformasi wavelet diskrit (DWT), scale-space (SS) dan wavelet packet transform (WPT). Pada penelitian ini juga ditemukan kriteria baru (keterbaruan penelitian) yang dinamakan curvature best basis (CBB) untuk memilih basis pada algoritma best basis di dalam WPT. Kriteria baru pemilihan basis terbaik bersifat dinamis dan menggunakan nilai tertinggi dari ukuran statistik standar deviasi dari kurvatur rerata pada koefisien wavelet. Basis terbaik bekerja sebagai fitur terekstraksi yang bekerja di dalam sistem pengenalan. Penelitian ini dievaluasi menggunakan dataset RFFMDS v1.0, RFFMDS v2.0 EYB, dan UBIPr. Hasil penelitian menunjukkan bahwa sistem pengenalan wajah dengan tantangan oklusi masker berhasil dibangun menggunakan pendekatan holistic dengan akurasi pengenalan sistem sebesar 98,11% dan dengan pendekatan partial face dengan akurasi sebesar 98,80%. Kedua hasil akurasi terbaik ini diperoleh dengan metode curvature best basis. Performa sistem pengenalan yang menggunakan metode curvature best basis dengan pendekatan holistic maupun partial face menunjukkan performa tertinggi dibandingkan dengan performa penelitian sebelumnya. ......The face recognition system has not been able to produce satisfactory results when it applies classical approach to handle occlusion problems. This research evaluated masked face as the occlusion problem. If someone wants to use the face recognition system, he or she needs to take off the mask to accurately use the device. This becomes a risk for the safety to all party. The needs to have a stable high performance face recognition system has arisen. This research built the face recognition system with two approaches, holistic approach and partial face approach. The feature extraction method was combination of curvature of the first and second order of partial derivative and analytical methods such as gray level co-occurrence matrix (GLCM) and multi-resolution analysis (MRA) of discrete wavelet transform (DWT), scale-space (SS), and wavelet packet transform (WPT). A new dynamic criterion inside WPT has been proposed using the highest standard deviation from the mean curvature of wavelet coefficients. The single selected best basis works as extracted feature inside recognition system and it is called curvature best basis. The recognition system was evaluated using RFFMDS v1.0, RFFMDS v1.0 EYB, and UBIPr datasets. The results showed that the accuracy of the holistic approach was 98,11% and the accuracy of the partial face approach was 98,80% for the masked face recognition system. Both results derived from the proposed curvature best basis. The recognition system’s performance with curvature best basis overcome the results from previous works.

Abstrak :
Salah satu perkembangan dari teknologi terbaru adalah pengenalan wajah. Pengenalan wajah pada dasarnya dilakukan berdasarkan asumsi bahwa setiap individu memiliki identitas unik. Tetapi pada kenyataannya, akan ada individu yang memiliki wajah mirip dengan individu lainnya. Penelitian ini dilakukan untuk mendeteksi individu-individu yang mirip tersebut. Metode machine learning yang digunakan adalah Support Vector Machine dan Fuzzy Kernel C-Means dengan dua jenis kernel. Metode pemilihan fitur Chi-Square juga akan digunakan untuk mereduksi dimensi data sehingga waktu yang dibutuhkan lebih cepat. Data yang digunakan adalah data foto wajah yang diambil dari Look-Alike Face Database. Hasil yang diperoleh memperlihatkan bahwa kedua metode machine learning tersebut mampu untuk melakukan pengenalan wajah pada identifikasi kemiripan, dengan akurasi tertinggi yang diperoleh SVM sebesar 94 dan FKCM sebesar 74. ......One of the latest technology developments is face recognition. Face recognition is basically done on the assumption that each individual has a unique identity. But in reality, there will be individuals who have faces similar to other individuals. This research was conducted to identify look alike faces. The machine learning methods used are Support Vector Machine and Fuzzy Kernel C Means with two types of kernel. The Chi Square feature selection method was also used to reduce the dimension of the data in order to achive lower running time. The data used are face photos taken from Look Alike Face Database. The results show that both machine learning methods were able to perform face recognition on identification of look alike faces, with the highest accuracy obtained by SVM is 94 and FKCM is 74 .

Abstrak :
Pengenalan wajah merupakan teknologi yang berkembang sangat pesat. Pengenalan wajah mampu menghasilkan beragam informasi mengenai identitas seseorang dengan cepat dan akurat. Salah satunya, mampu memberikan informasi mengenai jenis kelamin dari setiap orang yaitu sebagai pria atau wanita. Proses klasifikasi pria atau wanita ini menjadi hal yang sangat penting dalam berbagai bidang, seperti bisnis berbasis online, kontrol akses, absensi kehadiran, sistem keamanan, identifikasi individu yang tidak dikenal, dan lain-lain. Dalam penelitian ini digunakan Fisher Score sebagai metode pemilihan fitur, dan Support Vector Machine SVM sebagai metode klasifikasi untuk mengukur tingkat akurasi dan running time dari klasifikasi pria atau wanita dengan data yang digunakan berasal dari Computer Science Research Projects. Hasil akurasi dari klasifikasi SVM kernel polynomial d = 4 dengan pemilihan fitur Fisher Score mencapai tingkat akurasi tertinggi yaitu 100 pada 3000 fitur dengan data training 90 . Sedangkan hasil akurasi terbaik dari klasifikasi SVM tanpa pemilihan fitur mencapai 77.5 pada data training 80. ......Face recognition is a technology that is growing very rapidly. Face recognition is able to produce various information about the identity of a person quickly and accurately. One of the utility of face recognition is the ability to provide information about the gender of each person as a male or female. The process of classifying male or female is of paramount importance in many areas, such as online based businesses, access control, attendance, security systems, identification of unknown individuals, and so on. In this study Fisher Score is used as a feature selection method, and Support Vector Machine SVM as a classification method to measure the accuracy and running time of male or female classification with data used from Computer Science Research Projects. Accuracy results from SVM polynomial kernel classification d 4 with Fisher Score feature selection reaches the highest accuracy level of 100 at 3000 features with 90 training data. While the best accuracy results from SVM classification without feature selection reached 77.5 in 80 training data.

Abstrak :
Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi. ......The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera.