Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Masalah yang biasa terjadi dalam pembuatan sistem pengenalan wajah adalah jumlah dimensi yang terlalu besar untuk diproses ke dalam classifier, sehingga biaya komputasi yang dibutuhkanpun akan semakin besar pula. Penelitian berikut mencoba untuk mereduksi dimensi dalam ruang spatial akan tetapi dari hasil reduksi dimensi ini tidak membuat proses ekstraksi fitur kehilangan informasi penting yang mengakibatkan penurunan akurasi pengenalan. Reduksi dimensi dalam ruang spatial ini didapatkan dengan cara membangkitkan sejumlah garis pada data citra secara acak. Ada dua metode dalam membangkitan garis yaitu Fitur Garis Acak (FGA) dan Template Fitur Garis Acak (TFGA). Pada FGA, sejumlah garis dibangkitkan pada seluruh data citra secara acak. Sedangkan TFGA, sejumlah garis dibangkitkan hanya satu kali saja dan himpunan garis ini yang akan digunakan untuk membangkitkan garis pada data citra yang lain. Dari masing-masing garis ini dibangkitkan sejumlah spatial window. Vektor representasi citra didapatkan dari rata-rata intensitas yang terdapat pada spatial window tersebut. Vektor representasi citra ini akan dijadikan fitur untuk classifier. Classifier yang digunakan adalah k-nearest neighborhod dan backpropagation sebagai pembanding. Dari hasil percobaan menggunakan database weizmann, didapatkan bahwa pengenalan akan lebih stabil jika metode untuk membangkitkan garis adalah TFGA. Selain stabil dengan metode TFGA ini akurasi pengenalan lebih baik dibandingkan dengan metode FGA pada jumlah garis yang sama. Pada jumlah garis yang terkecil dengan menggunakan classifier k-nearest neighborhod, rata-rata akurasi pengenalan metode FGA adalah 46.67% sedangkan dengan TFGA akurasi pengenalan adalah 57.14%. Dengan classifier pembanding backpropagation dan menggunakan metode TFGA didapatkan rata-rata akurasi pengenalan 78.29%. Secara umum dari keseluruhan metode semakin bertambah jumlah garis maka semakin meningkat pula tingkat akurasi pengenalan.

Abstrak :

Berbagai metode pengembangan rekognisi citra wajah telah banyak dilakukan, berbagai metode seperti Deep Learning, Multilayer Perceptron sudah dilakukan. Metode Convolutional Neural Network juga sudah banyak dikembangkan untuk melakukan klasifikasi citra seperti rekognisi jenis bunga, hewan, hingga pendeteksian kecacatan sel. Convolutional Neural Network diharapkan mampu melakukan rekognisi citra wajah secara tiga dimensi. Operasi konvolusi sebagai bagian ekstraksi fitur pada Convolutional Neural Network, diharapkan dapat membantu bagian klasifikasi untuk melakukan tugasnya dengan lebih baik. Rekognisi citra wajah secara tiga dimensi ini sangat dibutuhkan, karena ketika kita ingin mendeteksi seseorang tanpa diketahui orang tersebut, maka dengan berbagai macam sudut hadap wajahnya sistem harus dapat mengidentifikasi orang tersebut. Untuk penelitian kali ini saya akan menggunakan dataset gambar wajah tiga dimensi yang akan digunakan sebagai klasifikasi parameter biometrik seseorang. Pada penelitian ini akan menganalisa tiap-tiap lapisan pada Convolutional Neural Network, serta melakukan perbandingan dengan Backpropagation Neural Network. Dan juga akan melakukan analisa dengan menggunakan citra wajah berderau.

---

Various methods of developing facial image recognition have been carried out, various methods such as Deep Learning and Radial Basis Function Neural Network have been carried out. Convolutional Neural Network methods have also been developed to carry out image classifications such as recognition of types of flowers, animals, and detection of cell defects. Convolutional Neural Network is expected to be able to recognize facial images in three dimensions. Convolution operations as a feature extraction part of the Convolutional Neural Network are expected to help the classification section to do their job better. Three-dimensional face image recognition is needed, because when we want to detect someone without knowing by the person, then with a variety of face angles, the system must be able to identify that person. For this research I will use a three-dimensional face image dataset that will be used as a classification of a persons biometric parameters. In this study, we will analyze each layer in the Convolutional Neural Network, do a comparison with Backpropagation Neural Network. And also will do the analysis by using a noisy face image.

Abstrak :
Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

Abstrak :
Pembuatan dataset emosi wajah membutuhkan sumber daya dan waktu yang banyak. Salah satu solusi menyelesaikan permasalahan ini adalah menggunakan Generative Adversarial Network (GAN) untuk melakukan augmentasi data pada data emosi wajah. Namun, jumlah data yang terbatas membuat GAN belum dapat menghasilkan citra yang beragam. Salah satu pendekatan yang dapat dilakukan untuk mengatasi hal tersebut adalah penggunaan energy function untuk membuat probability function yang lebih detail. Penelitian ini bertujuan untuk merancang sebuah model dengan menggunakan EB-GAN dan attention untuk mengatasi masalah translasi gambar dengan emosi Neutral menjadi gambar dengan emosi dasar. Eksperimen yang dilakukan pada penelitian ini bertujuan untuk melakukan modifikasi terhadap arsitektur DINO dengan menambahkan attention untuk meningkatkan kualitas hasil translasi model. Hasil translasi model dievaluasi menggunakan emotion recognition untuk mengetahui akurasi emosi yang dihasilkan. Pada penelitian ini terlihat bahwa penggunaan attention tidak dapat meningkatkan akurasi DINO dikarenakan terdapat banyaknya fitur pembeda antar emosi yang tersebar pada wajah. Pada penelitian ini DINO pada dataset berwarna menghasilkan akurasi sebesar 96.78% dan DINO pada dataset grayscale menghasilkan akurasi sebesar 94.50%. Dalam pembuatan dataset baru, DINO menghasilkan akurasi sebesar 83% untuk dataset berwarna dan 85.6% untuk dataset grayscale. ......Creating a facial emotion dataset requires a lot of resources. To solve this problem, previous research utilizes Generative Adversarial Networks (GANs) to create artificial data. However due to the limited number of available data, this would affect the GANs itself and would result in generating a less diverse data. One way to solve this problem is to use an energy function to create a more detailed probability function. This research aimed to create a model based on EB-GAN and attention to solve problems during translating a neutral image into an image with a basic emotion. This experiment uses a variation of EB-GAN for image translation, DINO, and modify its architecture by adding attention modules to improve the performance of the model during translation. The result of the experiments are evaluated using emotion recognition systems. This results show that the use of attention did not improve the performance of DINO. This is due the fact that each emotion have multiple features and the location of the features are scattered within a face. This experiment shows that DINO obtained the highest accuracy in both colored (RGB) and grayscale data. DINO obtains a 96.78% accuracy for colored (RGB) data and 94.50% for grayscale data. During the creation of new dataset, DINO obtained an accuracy of 83% for colored (RGB) data and 85.6% for grayscale data.

Abstrak :
Salah satu faktor manusia yang dapat menyebabkan kecelakaan lalu lintas adalah pengemudi yang mengantuk dan tidak fokus pada jalan yang ada di hadapannya. Tanda-tanda pengemudi yang mengantuk dapat diamati berdasarkan tiga pengukuran, yaitu uji kinerja, uji fisiologis, dan uji perilaku. Karena uji fisiologis dan kinerja cukup sulit dan mahal untuk dilaksanakan, maka uji perilaku masih menjadi pilihan yang baik untuk digunakan dalam mendeteksi rasa kantuk sejak dini. Salah satu perilaku manusia yang bisa diamati untuk mendeteksi kantuk adalah gerakan mata. Oleh karena itu, penelitian ini akan merancang suatu model untuk mendeteksi rasa kantuk pengemudi secara otomatis berdasarkan uji perilaku yang menganalisis aktivitas mata. Model yang diusulkan akan mendeteksi area mata dan kedipan berdasarkan citra wajah pengemudi menggunakan model deep learning Mask Region Convolutional Neural Network (Mask R-CNN). Kemudian, data kedipan dari masing-masing urutan gambar akan dikalkulasi menggunakan Percentage of Eyelid Closure (PERCLOS) untuk mendeteksi apakah pengemudi dalam keadaan mengantuk atau waspada. Hasil dari penelitian ini menunjukkan hasil akurasi sebesar 0,70. Selain itu, diperoleh nilai precision, recall, dan F1 score dari model Mask R-CNN yaitu 0,667 untuk precision, 0,80 untuk recall, serta 0,727 untuk F1 score. ......One of the human factors that can cause traffic accidents are the drowsy drivers that do not focus on the road before them. The signs of a drowsy driver can be observed based on three measurements; performance test, physiological test, and behavioural test. Since the physiological and performance test are quite difficult and expensive to implement, the behavioural test is still a good choice to use for detecting early drowsiness. One of the human behaviours that can be observed is the eye movement. Therefore, this study will design a model for automatically detecting driver drowsiness based on a behavioural test, which analyses the eye activity. The proposed model will detect the eye area and state based on drivers’ face images using Mask Region Convolutional Neural Network (Mask R-CNN) deep learning model. Then, the blink data from each image sequence will be calculated using Percentage of Eyelid Closure (PERCLOS) to detect whether the driver is in a drowsy or alert state. The result of this research shows an accuracy score of 0,70. Besides that, the precision, recall, and F1 score are also obtained from the Mask R-CNN model, namely 0,667 for precision, 0,80 for recall, and 0,727 for F1 score.