Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas Akhir ini membahas pengembangan sistem pengenalan wajah yang menggunakan metode Voting. Pada sistem ini digunakan metode Eigenface untuk melakukan ekstraksi ciri wajah, dan metode Jarak Euclidean untuk mengukur tingkat kemiripan antar citra wajah. Berdasarkan hasil pengamatan dari penggunaan metode Eigenface dan Jarak Euclidean tersebut, belum tentu citra wajah yang memiliki Jarak Euclidean terkecil adalah milik subyek yang sama dengan citra wajah input.Pada tugas akhir ini dikembangkan metode Voting untuk mengolah n-top citra wajah hasil. Melalui metode Voting, setiap citra wajah pada n-top citra wajah hasil akan memberikan kontribusi nilai pada subyek, dan subyek yang memiliki nilai terbesar akan keluar sebagai hasil.

---

The focus of this study is the development of face recognition system using Voting method. This system use Eigenface method to exctract face feature, and Euclidean Distance method to meassure the similarity level between face images. According to the result of the implementation of Eigenface method and Euclidean Distance method, face image with the smallest Euclidean Distance to face image input is not always represent the same subject.In this study Voting method is developed to process n-top face image result. In Voting method, every face image on n-top face image result will give added value for subject, and the subject with the biggest value will becoming the result."

"Sistem pengenalan wajah manusia merupakan salah satu bidang yang cukup berkembang dewasa ini, dimana aplikasi dapat diterapkan dalam bidang keamanan (security system) seperti ijin akses masuk ruangan, pengawasan lokasi (surveillance), maupun pencarian identitas individu pada database kepolisian. Tujuan Penulisan laporan tugas akhir ini adalah untuk membangun sebuah perangkat lunak pengenalan citra wajah manusia menggunakan metode HiddenMarkov Models (HMM) dengan input database Pain Ekspression Subset dan database Hasil Foto Sendiri dengan memanfaatkan aplikasi GUI. Hasil pengujian sistem menunjukkan bahwa sistem pengenalan wajah (face recognition) membandingkan percobaan pengenalan sesuai dengan codebook (32, 64,128, 256) dan iterasi (5, 10). Sistem pengenalan wajah manusia menggunakan metode Hidden Markov Models (HMM) mencapai tingkat akurasi pengenalan sebesar84,28%, dengan database 70 gambar yang terdiri dari 10 individu dengan masing-masing individu memiliki 7 variasi ekspresi yang berbeda.

---

ABSTRACTHuman face recognition system is one area that is developing now, where applications can be applied in the field of security (security system) such as permit access into the room, monitoring locations (surveillance), or search for individual identity in the police database. Purpose of this final report is to build a software image of human face recognition using Hidden Markov Models method (HMM) with input Pain Ekspression Subset database and Image itself database applications of GUI. Test results show that the system of face recognition systemstrial comparing the introduction according to the codebook (32, 64.128, 256) and iteration (5, 10). Human face recognition system using Hidden Markov Models (HMM) reached the level of recognition accuracy of 84,28%, with 70 database that consists of 10 individuals with each individual has 7 variations of expressions."

"Identitas diri seseorang dalam jejaring sosial menjadi hal penting terutama ketika ingin mengenali siapa sebenarnya orang tersebut. Pencarian identitas diri dapat dengan mudah dilakukan melalui pencarian dalam situs search engine ataupun situs jejaring sosial yang ada pada komputer atau laptop. Metode ini sepertinya bukan merupakan hal yang efektif dan praktis seiring berkembangnya perangkat mobile dalam masyarakat seperti smartphone dan tablet. Untuk itu, dirancang sebuah sistem pengenalan wajah pada perangkat mobile. Sistem ini dirancang dalam bentuk aplikasi yang dikembangkan pada perangkat mobile Android. Penggunaan Android Face Detector API akan bertindak sebagai pustaka dalam proses deteksi wajah pada perangkat mobile sebelum melakukan proses offloading ke layanan komputasi awan. Hasil implementasi berupa modul deteksi wajah pada perangkat mobile dan modul pengenalan wajah (offloading) yang memanfaatkan layanan komputasi awan dengan bantuan komunikasi Representational State Transfer (REST). Hasil pengujian sistem pada perangkat mobile menunjukkan bahwa total waktu pengenalan wajah sebesar 7,45 detik dengan waktu deteksi wajah (onloading) 0,45 detik dan waktu proses offloading 7 detik.

---

The identity of a person in social networking becomes very important especially when we want to identify a person. Search for detailed-identity can be easily conducted through searching using the search engine sites or existing social networking website using computer or laptop. This method is not effective and practical when we consider the development of mobile device technology in the community such as smartphone and tablet. Therefore, designed a face recognition system on mobile devices. The system is designed in the form of an application developed on Android mobile devices.

The use of Android Face Detector API will act as libraries in the process of face detection before performing the offloading stage. This paper describes the implementation of the facial detection module on mobile device and face recognition module (offloading) using cloud computing service with REST communication. The result of testing on mobile device indicates that total computation time for face recognition system reached 7,45 seconds with the onloading process 0,45 seconds and the offloading process 7 seconds."

"Sejak kehadiran jejaring sosial belakangan ini setiap orang dapat dengan mudah memperoleh informasi siapapun. Bahkan persaingan industri IT semakin marak dengan dikembangkannya aplikasi dan layanan yang terhubung dengan jejaring sosial. Oleh karena itu, muncul sebuah ide untuk mengembangkan sistem pengenalan wajah sebagai identitas penghubung jejaring sosial. Selain menggunakan wajah sebagai identitas utama dalam perancangan sistem, wajah juga digunakan sebagai marker untuk menampilkan informasi hasil pengenalan wajah berbasis Augmented Reality. Sistem utuh ini terdiri dari pengenalan wajah pada perangkat mobile Android, pengenalan wajah pada layanan komputasi awan dan tambahan informasi hasil pengenalan wajah berupa Augmented Reality. Modul pengenalan wajah ditanamkan pada layanan Cloud Computing Google App Engine berbasis Python dengan memanfaatkan Face.com API sebagai pengolahan citra wajah. Hasil informasi dari layanan tersebut dikembalikan dalam format JSON. Response JSON itu dimanfaatkan sebagai tambahan informasi yang akan ditampilkan dengan konsep Augmented Reality. Kehadiran Augmented Reality pada sistem ini bertujuan untuk memberikan interaksi yang ramah dengan pengguna. Berdasarkan hasil pengujian, Augmented Reality bekerja dengan cepat ketika menjadikan wajah sebagai marker untuk menampilkan informasi hasil pengenalan wajah, dengan respon rata-rata sebesar 1025.42 ms untuk mendapat informasi lengkap dan 697.7 ms untuk mendapat sedikit informasi dari orang yang dikenal.

---

Recently, since the presence of social networking, anyone can easily receive information of anyone, anytime and anywhere. The competition for IT industry increased with the development of connected applications and services with social networking. Therefore, we proposed a face recognition system as a connector to social networking application. In addition to using face as a primary identity in the system design, face is also used as a marker to display information of the result of the face recognition-based on Augmented Reality. This complete system consists of face recognition on Android mobile devices. Face recognition on cloud computing services and additional information on the results of face recognition in the form of Augmented Reality.

Face recognition module is embedded in the Cloud Computing using Google App Engine services based on Python, and also using Face.com API for facial image processing. The results of the service information is returned in JSON format. Given JSON response used as additional information to be displayed with the concept of Augmented Reality. The presence of Augmented Reality in this system aims to provide a friendly interaction with the user. Based on the results of test, Augmented Reality works quickly when used faces as a marker, with the average response time of 1025.42 ms to get complete information and 697.7 ms to get a little information from people who are known."

"Proses optimasi pada Probabilistic Neural Network (PNN) dapat dilakukan terhadap nilai smoothing parameter maupun struktur neuron. Setiap permasalahan memiliki nilai smoothing parameter optimal yang berbeda. Optimasi struktur neuron bertujuan untuk mereduksi banyak neuron yang digunakan sehingga dapat mempersingkat waktu komputasi. Skripsi ini membahas proses pencarian nilai smoothing parameter optimal menggunakan algoritma genetika dan struktur neuron optimal menggunakan algoritma ortogonal dalam sistem pengenal wajah. Terdapat dua jenis teknik optimasi yang akan dibahas, lalu membandingkan hasilnya dengan PNN struktur utuh dan backpropagation. Data wajah yang digunakan berupa foto infra merah dan cahaya tampak.

---

Optimization of Probabilistic Neural Network (PNN) can be performed to the value of smoothing parameter and neuron structure. Every problem has different value of smoothing parameter. Optimization of neuron structure aims to reduce the number of neurons used, in order to shorten computation time.

This thesis discusses the process of finding the optimal value of smoothing parameter using genetic algorithms and optimal neuron structure using orthogonal algorithms in face recognition system. Two types of optimization techniques which will be discussed, then the results are compared with full structure PNN and backpropagation. Face data used in the form of infrared and visible light images."

"ABSTRAKWajah manusia mengandung banyak informasi dan antarmuka yang jelas dalam inleraksi antara manusia dan komputer. Hal ini telah memotivasi penelitian aktif di bidang pengenalan wajah, face tracking, pose estimation, pengenalan ekspresi, dan pengenalan mimik. Akan tetapi, sebagian besar metode tersebut mengasumsikan bahwa wajah manusia dalam suatu citra atau urutan citra telah diidentifikasi dan dilokalisasi. Untuk membangun suatu system otomatis sehingga kerja manusia dapat sepenuhnya ditangani oleh mesin, sangatlah penting untuk membangun algoritma yang handal dan efisien untuk mendeteksi wajah manusia.Tujuan dari deteksi wajah adalah untuk mengidentifikasi dan menempatkan wajah manusia dengan posisi, skala, orientasi, dan kondisi pencahayaan tertentu. Dalam tugas skripsi ini, ditampilkan suatu algorilma deteksi wajah untuk grayscale image dengan latar belakang yang kompleks dan skala yang bervariasi. Agar dapat menangani citra masukan dengan skala yang berbesa-beda, dilakukan metode pyramid terhadap citra masukan. Metode yang digunakan dalam proses deteksi dikembangkan dari metode Principal Component Analysis (PCA) dengan pembobotan yang optimum untuk menghasilkan error criterion yang terbaik. Simulasi dil akukan dengan MATLAB versi 5.3.

---

"

"Dampak wabah COVID yang mempengaruhi sektor pendidikan membuat pelajar dan juga tenaga pendidik diharuskan untuk melakukan pembelajaran secara daring. Penerapan pembelajaran melalui daring ini memberikan dampak terhadap pelajar khususnya pada mahasiswa. Dengan diterapkannya New Normal, dibutuhkan teknologi yang dapat melakukan pemantauan dengan skala yang besar. Penelitian ini bertujuan untuk membuat perangkat presensi mahasiswa berbasis face recognition dengan menambahkan fitur pembacaan suhu tubuh sebagai langkah pengawasan pada lingkungan kampus. Penelitian ini dilakukan pada area kampus FMIPA UI. Bahasa pemrograman yang digunakan untuk membuat perangkat lunak adalah python versi 3.6. Pada proses face recognition, digunakan metode Histogram of Oriented Gradients (HOG) sebagai pendeteksi lokasi wajah dan modul Openface untuk pengambilan fitur pada wajah. Untuk tahap pencocokan wajah, digunakan Euclidean Distance untuk mencari nilai kecocokan pada tiap citra database. Dari hasil pengujian terhadap 30 mahasiswa didapatkan akurasi sebesar 93.3%. Pada pengujian jarak terhadap pendeteksian wajah, didapatkan bahwa sistem dapat mendeteksi wajah hingga jarak 120 cm pada kondisi penerangan ruangan yang normal. Pada pengujian pembacaan suhu dengan menggunakan Thermal Camera AMG8833, didapatkan bahwa nilai akurasi menurun seiring bertambahnya jarak pembacaan. Jarak optimal untuk pembacaan suhu adalah sejauh 30 cm.

---

The impact of the COVID outbreak that has affected the education sector has forced students and educators to study online. The application of online learning has an impact on students, especially college students. With the implementation of the New Normal, technology is needed to perform health monitoring on a large scale. This study aims to create a face recognition-based student presence device by adding a body temperature reading feature. This research was conducted in the FMIPA UI campus area. The programming language used to create the software is python version 3.6. In the face recognition process, the Histogram of Oriented Gradients (HOG) method is used to detect the location of the face and the Openface module is used to capture features of the face. For the face matching stage, Euclidean Distance is used to find the match value for each database image. From the results of testing on 30 students, obtained an accuracy of 93.3%. While testing the distance capability in face detection, it was found that the system can detect faces up to a distance of 120 cm in normal room lighting conditions. While testing the Thermal Camera AMG8833, it was found that the accuracy value decreased as the distance increased. The optimal distance for temperature readings is 30 cm."

"Dengan beredarnya pandemi corona-virus (Covid-19) menuntut masyarakat untuk menjaga protokol kesehatan saat bepergian, salah satunya adalah menggunakan masker untuk mengurangi risiko terkena virus. Penggunaan masker juga disarankan oleh World Health Organization (WHO) agar digunakan saat beraktivitas dengan orang lain. Dengan mengacu hal tersebut, banyak perubahan yang terjadi pada teknologi yang digunakan sehari-hari, salah satunya adalah untuk sistem absensi. Apabila sebelum adanya Covid-19 absensi mahasiswa masih menggunakan buku tulis atau fingerprint, kini lebih baik beralih ke dalam sistem absensi berbasis face recognition dengan memanfaatkan salah satu algoritma deep learning, yaitu metode Convolutional Neural Network (CNN) untuk mengindentifikasi wajah seorang mahasiswa yang telah terdaftar. Dengan mengaplikasikan sistem absensi ini, memungkinkan mahasiswa untuk melakukan absensi tanpa terjadinya sentuhan langsung melalui media tangan. Bahasa pemrograman yang digunakan pada pengembangan aplikasi sistem absensi merupakan bahasa Python dengan implementasi Single Shot Detection (SSD) dan fitur ekstraksi ResNet. Evaluasi pengukuran pada sistem dilakukan pada situasi yang mempengaruhi kejelasan gambar dan model jumlah titik karakteristik yang berbeda.

---

With the spread of the corona-virus (Covid-19) pandemic, it requires the public to maintain health protocols when traveling, one of them is to use masks to reduce the risk of infected the virus. The use of masks is also recommended by the World Health Organization (WHO) to be used when doing activities with other people. Because of this, many changes have occurred in the technology that used in daily, one of them is the attendance system. If before Covid-19 student attendance was still using notebooks or fingerprints, now it is better to switch to a face recognition-based attendance system by utilizing one of the algorithm deep learning, namely the Convolutional Neural Network (CNN) method to identify the face of a student who has been recorded in. By applying this attendance system, it allows students to take attendance without direct touch through hand media. The programming language used in making attendance system applications is Python with Single Shot Detection (SSD) implementation and ResNet extraction feature. Evaluation of measurements on the system is carried out on situations that affect image clarity and the model number of different characteristic points."

"ABSTRAKWajah 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.

---

ABSTRACTA 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."

"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."