Hasil Pencarian  ::  Simpan CSV :: Kembali

"Identifikasi wajah berdasarkan ciri bibir berpengaruh pada keberhasilan pencarian citra wajah orang dikarenakan adanya variasi bentuk bibir yang dapat menjadi pembeda tiap individu. Untuk mempercepat pencarian pelaku kriminal, sebuah sistem aplikasi identifikasi wajah berdasarkan ciri bibir menjadi suatu kebutuhan. Sistem tersebut harus dapat mengekstrak ciri bibir dari sebuah citra digital menggunakan metode ekstraksi ciri yang akurat dan cepat.Penelitian ini melakukan studi analisis kinerja metode eigenface dengan eigen fuzzy set (himpunan fuzzy eigen) untuk ekstraksi ciri bibir dalam sistem identifikasi wajah. Eigenface adalah metode ekstraksi ciri yang telah terbukti keberhasilannya dalam mengekstrak ciri wajah, sedangkan metode eigen fuzzy set dikembangkan berdasarkan teori himpunan fuzzy dan dapat digunakan untuk analisa citra. Metode deteksi bibir otomatis berdasarkan ciri warna juga dievaluasi efektifitasnya untuk perolehan citra dalam penelitian ini. Analisis dilakukan dengan metode analisis statistik desktiptif dan statistik inferensi. Uji coba dilakukan untuk dua skenario yang dibedakan berdasarkan citra bibir hasil segmentasi manual dan otomatis.Hasil uji coba menunjukkan bahwa hasil deteksi otomatis hanya efektif mendeteksi bibir sebanyak 61.4% dan precision-recall perolehan wajah pada skenario 2 lebih rendah dari skenario 1. Metode eigen fuzzy set memiliki waktu komputasi lebih rendah dibandingkan metode eigenface. Sedangkan nilai precision-recall tertinggi dihasilkan oleh metode eigenface dengan rata-rata nilai 0.22%. Dari hasil ini disimpulkan bahwa metode ekstraksi ciri eigenface lebih efektif dibandingkan eigen fuzzy set. Sistem identifikasi wajah dengan metode eigenface untuk ekstraksi ciri kedepannya dapat dikembangkan menjadi sistem identifikasi wajah berbasis komponen wajah."

"Seiring perkembangan teknologi, pemanfaatan dari pengembangan ilmu pengetahuan tersebut harus selalu ditingkatkan. Khususnya dalam hal menciptakan keamanan dan ketertiban di Indonesia. Sementara jumlah proporsi polisi dan warga yang tidak ideal, 1:900, Kepolisian Republik Indonesia masih menggunakan cara manual yang tidak efektif dalam mengidentifikasi pelaku kejahatan. Yaitu membuat sketsa wajah pelaku kejahatan dan mencari kemiripan wajah dengan citra-citra wajah yang ada di basis data Kepolisian. Sistem Identifikasi Buron bagian Alis dibuat untuk memperbaiki ketidakefektifan proses tersebut. Sistem Identifikasi Buron bagian Alis merupakan sub-bagian dari sistem Identifikasi Buron yang menggunakan bagian-bagian wajah lainnya untuk proses identifikasi. Untuk mencari yang paling efektif dalam mengukur kemiripan alis, maka penelitian ini membandingkan dua metode yang diganakan untuk melakukan ekstraksi. Yaitu Eigenface dan Klustering K-Means dengan Koreksi Gamma. Selain itu, penelitian ini juga membagi alis menjadi lima kategori, tebal, tipis, sambung, normal, dan sedang. Citra wajah yang digunakan berasal dari citra mahasiswa Universitas Indonesia (UI) angkatan 2007 sebanyak 500 buah. Citra alis diperoleh dari data wajah tersebut yang di crop secara manual. Keseluruhan data ini diperoleh dari Pusat Pengembangan Sistem Informasi (PPSI) UI. Setiap metode akan diuji dengan memberikan lima template dari lima kategori yang berbeda untuk diuji kemiripannya. Dari penelitian ini dihasilkan bahwa Eigenface memiliki akurasi sebesar 64.64%, sedangkan Klustering K-Means dengan Koreksi Gamma memiliki akurasi sebesar 74.75%. Diharapkan hasil penelitian ini bisa membantu kepolisian dalam menjaga keamanan dan ketertiban di Indonesia."

"Dalam makalah ini, penulis mengajukan metodologi baru dalam sistem pengenalan wajah 3-D dengan menggunakan penambahan garis ciri pada metode perhitungan jarak terpendek dalam ruang ciri. Penambahan garis ciri ini dilakukan dengan memperbanyak jumlah garis ciri tanpa menambahkan titik ciri baru, dengan membentuk sebuah garis ciri baru dari setiap titik ciri terhadap setiap garis ciri yang dibentuk dari setiap dua buah titik ciri. Dengan penambahan garis ciri ini, sistem akan memperoleh tambahan informasi variasi ciri obyek, sehingga tingkat pengenalan sistem dapat meningkat.Dalam makalah ini, penulis juga mengembangkan metode TK-LSebagian1 dan TK-LSebagian2 sebagai metode untuk mentransformasikan citra wajah 3-D dari ruang citra spatial ke dalam representasi ruang eigennya. Data percobaan dalam penelitian menggunakan citra wajah orang Indonesia dalam berbagai sudut pandang pengamatan dan ekspresi. Pengujian terhadap sistem dilakukan untuk mengenali wajah dengan sudut pandang pengamatan yang berbeda dengan citra wajah yang dilatihkan sebelumnya. Hasil penelitian menunjukkan bahwa tingkat pengenalan tertinggi akan diperoleh sistem dengan menggunakan TK-LSebagian2 dan metode penambahan garis ciri yaitu sebesar 99.17%.

---

3-D Face Recognition System using Additional Feature Lines in Nearest Feature Line Method in Eigenspace Representation. In this paper, the authors propose a new method in 3-D face recognition system using additional feature lines in Nearest Feature Line method, called the Modified Nearest Feature Line method. The additional feature lines can be acquired by projecting each feature point to other feature lines in the same class without increasing the number of feature points. With these additional lines, the system will have the ability to capture more variations of face images, so it can increase the recognition rate of the system.The authors also propose KL-TSubspace1 and KL-TSubspace2 as methods in transforming the 3-D face images from its spatial domain to their eigenspace domain. The experiments use the 3-D human faces of Indonesian people in various expressions and positions. Then, the system is applied to recognize unknown face images with different viewpoints. Experimental results shown that the system using KL-TSubspace2 and Modified Nearest Feature Line method can have the highest recognition rate of 99.17%."

"The analysis of HOS (High Order Statistics) are expexted to provide a richer description about data in parametric features for the purpose of pattern recognition of the data of an object or event. The higher order analysis of HOS will give the more candidates of feature parameter that can be selected for utilization...."

"Tugas akhir ini menguji dan menganalisa perbandingan antara metode Sparse Representation baik melalui algoritma Lasso dan algoritma Primal-Dual untuk minimisasi L1, dengan metode Eigenface dalam sistem pengenalan wajah berbasis komputer. Komponen yang diperbandingkan adalah tingkat akurasi yang dicapai dan tingkat kecepatan yang digunakan kedua metode. Hasil pengujian menunjukkan bahwa metode Sparse Representation melalui algoritma Lasso memiliki tingkat akurasi yang paling baik dan stabil, serta memiliki tingkat efisiensi terbaik dalam waktu komputasinya.

---

This study tests and analyses two methods of face recognition, namely Sparse Representation via both Lasso algorithm and Primal-Dual algorithm for L1 minimisation, and Eigenface, in terms of their level of accuracy and level of resource efficiency. Test results conclude that Sparse Representation method is more stable and has a better level of accuracy and resource efficiency."

"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."

"ABSTRAKSeiring perkembangan teknologi informasi dan komunikasi, pemenuhankebutuhan informasi dapat diperoleh melalui media sosial, seperti Twitter.Banyaknya pengguna internet telah memicu aliran data yang sangat besar dancepat, sehingga membuat analisis secara manual sulit atau bahkan tidak mungkindilakukan. Metode otomatis diperlukan untuk menganalisis data tersebut yangsalah satunya yaitu dengan topic detection and tracking (TDT). Suatu metodealternatif laindari TDT untuk masalah pendeteksian topik selain latent dirichletallocation (LDA) adalah fuzzy clustering dengan menggunakan algoritma fuzzy Cmeans(FCM). FCM pada pendeteksian topik dapat memenuhi asumsi bahwasuatu dokumen pada Twitter dapat terdiri dari beberapa topik. FCM bekerja cukupbaik di dimensi data yang rendah, akan tetapi gagal dalam dimensi data yangtinggi. Oleh karena itu, dibutuhkan suatu metode untuk mereduksi dimensi ruangeigen yang tinggi ke dimensi yang lebih rendah. Salah satu metodenya adalahsingular value decomposition (SVD) dengan menggunakan truncated SVD. Padapenelitian ini, dilakukan prosestruncated SVD kemudian FCM yangdinamakanfuzzy C-means pada ruang eigen (Eigen FCM). Hasil akurasi darimetode ini menunjukkan peningkatan lebih baik dibandingkan FCM dan LDApada pendeteksian topik.

---

ABSTRACTAs the information and communication technology developed, the fulfillment ofinformation can be obtained through social media, like Twitter. The enormousnumber of internet users has triggeredfast and large data flow, thus making theanalysis manually is difficult, or even impossible. The automated methods fordata analysis is needed now, one of which is the topic detection and tracking(TDT). An alternative method other than TDT fortopic detection problemotherthan latent dirichlet allocation (LDA) is a fuzzy clustering algorithms using fuzzyC-means (FCM). FCM in topic detection meet the assumption that a document onTwitter can consists of several topics. FCM works pretty well in low-dimensionaldata, but fail in high-dimensional data. Therefore, we need a method to reduce thedimension of the high-dimensional eigenspaceinto lower dimension. One methodto do that is the singular value decomposition (SVD) using truncated SVD. Thispapercarried out the truncated SVD process then FCM called fuzzy C-means onthe eigenspace (Eigen FCM). The results of the accuracy of this method shows anincrease is better than FCM and LDA on topic detection."

"Metode Adaptif Neuro Fuzzy Inference System (ANFIS) untuk penerapan pada identifikasi dan aplikasi kendali sistem multi masukan multi keluaran (MIMO) dan sistem satu masukan satu keluaran (SISO) diharapkan dapat menjadi salah satu metode kendali cerdas alternatif selain mengandalkan metode kendali cerdas umum seperti Jaringan Syaraf Tiruan backpropagation. Sistem plant MIMO tersebut mengacu kepada sistem Pesawat Udara Nirawak SRITI yang menghasilkan 3 surface kendali. Metode ANFIS yang dibangun merupakan metode yang terdiri dari metode Jaringan Syaraf Tiruan Adaptif dan model sistem inferensi fuzzy. Algoritma pembelajaran identifikasi, invers, dan algoritma pembelajaran On-Line merupakan metode pembelajaran yang digunakan pada sistem ini. Melalui rancangan metode ANFIS ini kemudian dilakukan simulasi untuk memperlihatkan hasil identifikasi dan pembelajaran secara On-line sistem ketika masukan dan keluaran sistem Pesawat Udara Nirawak (UAV) diberikan. ANFIS dengan algoritma pembelajaran identifikasi dan invers telah dapat memberikan hasil respon yang baik, namun untuk menyempurnakan hasil metode pembelajaran Off-line sistem harus diberikan suatu pengestimasi tambahan yang menjadikannya sistem On-line. Hasil percobaan On-line telah menunjukkan keberhasilan sistem ANFIS dalam mengidentifikasi dan mempelajari sistem SISO dan MIMO.

---

Adaptif Neuro Fuzzy Inference System (ANFIS) method for Multi Input Multi Output (MIMO) plant system identification and control application expected to become one of an alternative smart control method in addition to relying on another smart control method such as backpropagation neural network. That MIMO plant system refers to Unmanned AeroVehicle which produce 3 control surface.

ANFIS method which will be proposed consist of adaptive neural network method and Fuzzy Inference System model. Identification learning algorithm, inverse learning algorithm, and On-line learning are identification and control methods used in this system.

From this proposed ANFIS method then simulated to demonstrate the identification and learning’s output when UAV SRITI plant system's input and output were given. ANFIS with identification and inverse learning algorithm had given good response, but for more perfection of Off-line system method, there should be given some additional estimator to make it On-line. The On-line method result has demonstrated the success of ANFIS system in identifying and learning SISO and MIMO systems."