Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dewasa ini, perkembangan teknologi telah menjadi bagian yang tidak terpisahkan dari kehidupan manusia. Teknologi ini tentu memilki fungsi untuk menguntungkan dan menyetejarahkan manusia. Salah satu aplikasi teknlogi pada bidang keamanan ialah pengenalan wajah. Pengenalan wajah pada umumnya menggunakan nilai crisp yang kemudian dicocokan dengan database yang tersedia. Pada penelitian ini, data wajah akan tefokus pada sudut pengambilan foto dan menggunakan sistem bilangan fuzzy. Sistem ini dipilih karena tingkat ketahanannya yang handal dari jenis jenis gangguan. Dengan menggunakan metode fuzzy manifold, akan diestimasi sudut wajah yang tidak ada pada database. Dan dengan menggunakan fuzzy nearest distance, suatu foto sudut wajah dapat diidentifikasikan letak sudutnya. Selanjutnya dilakukan percobaan ulang dengan data tereduksi menggunakan metode fuzzy dimension reduction. Hasil dari penelitian ini menunjukan bahwa sistem ini dapat merekognisi sudut wajah dengan sangat baik.

---

The development of technology are nowadays has become an integral part of human life. The Technology certainly has the function to benefit and prosperous of human being. An apllication of this kind technology is in field of security which using face recogniton. Face recognition, in general, uses crisp-value for matching available image database. In this experiment, face images will be focused on poses of taken images and will be transform to fuzzy-value. The system has been chosen because it has high reliability from any kind of image noise. Using fuzzy-manifold method, an unknown pose face images will be estimated and added to database. And using fuzzy-nearest distance, an unknown pose face images will be determined as pose position of the recognized pose. After that the experiment will be do over again using fuzzy-dimension reduction. The result show that the system could maintain high recognition rate."

"[Dewasa ini, teknologi berkembang dengan sangat pesat, salah satu contoh teknologi yang sedang marak beberapa tahun belakangan ini adalah 3D face recognition. Teknologi ini menggabungkan data biometrik berupa wajah orang yang diambil dari beberapa sudut (horizontal dan vertikal) dan jaringan saraf tiruan. Untuk memperbaiki tingkat rekognisi yang rendah pada saat menggunakan data crisp, maka digunakanlah metode fuzzy. Percobaan akan dilakukan sebanyak tiga kali karena terdapat tiga cluster yang masing-masing cluster terdiri dari beberapa set orang. Pertama-tama, data akan diolah secara bertahap pada fase fuzzification dimulai dari parameter ekspresi, orang, dan sudut. Tahapan selanjutnya adalah membuat referensi pada fase fuzzy manifold untuk kemudian digunakan pada fase fuzzy nearest distance. Pada fase fuzzy nearest distance akan dicari jarak terpendek dari data testing dengan referensi yang sudah ada. Hasil keluaran dari sistem ini adalah kombinasi sudut horizontal dan vertikal dari tiap-tiap cluster yang nantinya akan dimasukkan kedalam Jaringan Saraf Tiruan (JST) dengan lapis tersembunyi berstruktur hemisfer untuk mendapatkan tingkat rekognisi. Secara keseluruhan rata-rata tingkat rekognisi setiap cluster sudah bisa mencapai 80%. Hal ini menunjukkan sistem sudah cukup optimal dalam mengenali pola wajah yang ada. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ;The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. , The development of technology is growing rapidly, one of the examples of the technology that is emerging in recent years is 3D face recognition. This technology combines biometric data in form of faces which are taken from several angles (combination of horizontal and vertical angles) and artificial neural network. In order to improve the low recognition rate from crisp data, fuzzy method is used. The experiment will be performed three times because there are three cluster which are consist of several set of person. Firstly, the data will be processed step by step in fuzzification phase starting from the level of expression continued with the level of face and lastly is the level of person. With the use fuzzification, the crisp data can be converted into fuzzy. The next step is to make references in fuzzy manifold phase in order to be used in fuzzy nearest distance phase. In fuzzy nearest distance phase, the shortest distance between the testing data the references will be processed in artificial neural network with hemispheric structured hidden layer. Generally, the average of the all recognition rate can reach up to 80% which means that the system can recognize the face pattern quite good. ]"

"Tugas akhir ini merupakan lanjutan dari penelitian sebelumnya (Sanabila, 2008) dalam pengenalan sudut wajah dengan konsep yang sama, yaitu data acuan awal memiliki interval tertentu, dibuat data acuan baru menggunakan interpolasi, lalu data uji dihitung jaraknya terhadap semua data acuan, data acuan dengan jarak terdekat merupakan hasil tebakan. Perbedaan dalam penelitian ini adalah penggunaan data rata-rata dan data fuzzy sebagai data acuan, perbedaan dalam PCA yang dilakukan, serta penggunaan control point placement dalam interpolasi Bezier kuadratik. Skema eksperimen dibagi menjadi dua, menggunakan set data yang sama dengan penelitian sebelum ini dan menggunakan set data yang lebih kecil intervalnya. Selain itu, penelitian ini juga mencakup pengenaan distorsi. Kesimpulan dari peneltian ini adalah penggunaan data rata-rata lebih baik daripada data masing-masing foto yang harus dipisahkan berdasarkan kelas wajah terlebih dahulu, penggunaan PCA memberi hasil yang baik, algoritma dengan data fuzzy belum memberi hasil sebaik data rata-rata, pengenaan distorsi kurang mempengaruhi hasil pengenalan algoritma untuk eksperimen yang memakai data rata-rata, dan pemakaian control point placement menghasilkan tingkat pengenalan yang lebih baik untuk eksperimen dengan data rata-rata.

---

This final project is a continuity of previous research about angle estimation with the same main concept: with reference data in some intervals, new reference data with smaller intervals was made with the use of interpolation, and distances between testing data and all reference data was calculated, the reference data with the closest distance was the algorithm?s estimation (Sanabila, 2008). Differences made were the use of average data (crisp data) and fuzzy data for each angle as reference data, differences in PCA algorithm, and the use of control point placement in quadratic bezier interpolation.

Experiment scenarios were divided into two main schemes based on the intervals of the data set, the first one was an experiment scheme with the same data set intervals with previous research and another one was experiment scheme with smaller intervals. Data manipulation with noise addition have also been done in some experiment schemes.

Some of the Conclusions were: use of average data was more efficient than one data for each picture, the use of PCA gave better result than experiments without PCA, experiments with average data gave better result than with fuzzy data, noise addition to data did not effect the recognition rate of the algorithm for experiments with average data (crisp), control point placement gave better result in experiments with average data."

"Pengolahan citra telah mengalami banyak perkembangan dan semakin umum diaplikasikan. Salah satu pengaplikasiannya rekognisi wajah tiga dimensi, yang juga melibatkan estimasi pose wajah. Salah satu metode rekognisi citra, yaitu jaringan saraf konvolusi, berpotensi menjadi dasar dari sistem estimasi pose wajah. Operasi konvolusi diharapkan mampu meminimalisir pengaruh distorsi dan disorientasi objek, serta mampu mengefisiensikan parameter yang dibutuhkan. Namun, permasalahan noise atau derau belum secara eksplisit terselesaikan oleh jaringan saraf tiruan konvolusi. Penelitian ini bertujuan memasukkan fitur sistem fuzzy yang efektif mengelola data samar ke dalam jaringan saraf tiruan konvolusi yang diaplikasikan untuk estimasi pose wajah. Perancangan dimulai dari menjabarkan fungsi masing-masing lapisan jaringan saraf tiruan, menjabarkan operasi-operasi aritmatika pada bilangan fuzzy, dan mencoba menggantikan neuron crisp pada jaringan saraf tiruan konvolusi umum menjadi neuron fuzzy, dan mengaplikasikannya untuk mengestimasi pose wajah. Sistem yang sudah dibangun kemudian diujicoba pada dataset yang dimiliki Departemen Teknik Elektro UI dan dibandingkan dengan CNN-crisp yang memiliki arsitektur serupa dengan parameter pembelajaran yang sama. Hasil didapat menunjukkan sistem konvolusi fuzzy mencapai nilai kesalahan estimasi pose lebih rendah dari konvolusi crisp pada data berderau tanpa merubah hasil estimasi pada data tidak berderau.

---

Image processing has undergone many developments and is increasingly commonly applied. From limited two-dimensional recogniton, facial recognition has now being developed to be able to recognise three-dimensional features. This ability involves process of face pose estimation. One method of image recognition, the convolution neural network, has the potential to become the basis of the face pose estimation system. Convolution operation is expected to minimize the effect of distortion and disorientation of the object, and able to efficiently reduce the required parameters. However, the image noise problem has not been explicitly resolved by convolution neural networks.

This study aims to include features of a fuzzy system that effectively manages fuzzy data into convolutional neural networks applied to head pose estimation. The design begins with describing the function of each layer of artificial neural networks, describing arithmetic operations on fuzzy numbers, and attempting to replace crisp neurons in convolution layer of convolutional neural into fuzzy neurons, and applying them to estimate head poses. The estimator system is then tested on a dataset owned by the Department of Electrical Engineering UI and compared with CNN-crisp that has a similar architecture with the same learning parameters.

The results show that the fuzzy convolution system reaches less error of pose estimation value compared to the crisp convolution system, without changing the estimation value of image without noises."

"Suatu graf G terdiri dari himpunan simpul V(G) dan himpunan busur E(G). Pemberian warna pada busur suatu graf G disebut pewarnaan busur. Lintasan pelangi adalah lintasan di mana semua busur pada lintasan tidak memiliki pengulangan warna. Geodesik pelangi merupakan lintasan pelangi terpendek antara dua simpul di G. Pewarnaan pelangi kuat lokal-d, di mana d merupakan jarak antara dua simpul dan berupa bilangan bulat positif, merupakan pewarnaan di mana setiap pasangan simpul di G, dengan jarak maksimal d, terhubung oleh geodesik pelangi. Bilangan terkecil yang digunakan dalam pewarnaan tersebut disebut bilangan keterhubungan pelangi kuat lokal-d, dinotasikan dengan lsrc_d(G). Graf hasil operasi korona antara graf G dan graf H, dinotasikan dengan G\odot H, merupakan graf yang dihasilkan dengan mengambil satu salinan graf G dan m salinan graf H, di mana m adalah orde dari G, kemudian setiap simpul ke-i di G dihubungkan ke setiap simpul pada salinan ke-i dari H. Pada skripsi ini, akan ditentukan bilangan keterhubungan pelangi kuat lokal-d pada graf hasil operasi korona antara graf lingkaran untuk nilai d=2 dan d=3. A graph G consists of vertices set V(G) and edges set E(G).

---

An assignment of colors to the edges of G is called an edge coloring. A rainbow path is a path where all edges in the path has no color repetition. A rainbow geodesic is a shortest rainbow path between two vertices in G. The d-local strong rainbow coloring, where d is shortened for distance between two vertices and is a positive integer, is a coloring in which every two distinct vertices in G, with distance up to d, can be connected by a rainbow geodesic. The least number of colors used in such coloring is called d-local strong rainbow connection number, denoted by lsrc_d(G). The corona product of G and H, denoted by G\odot H, is a graph obtained by taking a copy of Gand m copies of H, where m is the order of G, then every i-th vertex of G is connected to every vertex in the i-th copy of H. In this thesis, we will determine the d-local strong rainbow connection number of corona product between cycle graphs for d=2 and d=3."

"Pengenalan wajah telah menjadi topik pengolahan citra yang banyak mengalami perkembangan. Pengembangan yang dilakukan bertujuan mengatasi kesulitan-kesulitan dalam pengenalan wajah, diantaranya pose pengambilan gambar. Penelitian ini bertujuan membuat rancang bangun rekognisi wajah tiga dimensi dengan sistem Fuzzy dan Jaringan Saraf Tiruan Hemisfer untuk mengatasi masalah tsersebut. Sistem fuzzy bertujuan untuk mengestimasi sudut pengambilan gambar dengan menempatkan informasi gambar ke suatu titik di ruang vektor fuzzy atau manifold dari data referensi menggunakan jarak terdekat fuzzy. Informasi sudut akan diteruskan ke jaringan saraf tiruan yang mengenali wajah-wajah dengan cara mempelajari wajah-wajah yang disediakan untuk pembelajaran. Informasi gambar yang dimasukkan ke dalam jaringan saraf tiruan terlebih dahulu dikompresi dengan metode Principle Component Analysis (PCA). Keunggulan jaringan saraf tiruan hemisfer dalam pengenalan wajah tiga dimensi adalah adanya faktor pengali neuron yang besarnya bergantung dari informasi sudut pengambilan gambar, sehingga gambar dua dimensi dapat diproyeksikan ke ruang tiga dimensi. Metode pembelajaran yang digunakan pada tulisan ini ialah pengembangan dari metode backpropagation. Penelitian diawali dengan pengambilan data dari alat pengambil gambar wajah tiga dimensi, perancangan sistem fuzzy dan jaringan saraf tiruan dalam MATLAB, dan validasi masing-masing sistem dengan data yang diambil. Sistem ini kemudian dikombinasikan dalam perangkat lunak MATLAB dan diuji dengan sebuah prototipe yang terdiri atas satu kamera. Hasil penelitian menunjukkan tingkat rekognisi sistem sebesar 76,29% pada saat validasi dan 37% saat aplikasi sistem satu kamera. Dari penelitian ini dibuktikan sistem dapat diaplikasikan untuk merekognisi wajah tiga dimensi, namun harus diperhatikan keakuratan pemotongan gambar untuk mendapat hasil yang akurat.

---

Face recognition is currently a highly discussed topic on image processing. The developments are aimed to overcome problems on recognizing face, such as various pose of image object. The study tries to solve the problem by creating a system design of 3D face recognition using a fuzzy system and Hemispheric Structure Hidden Layer of Artificial Neural Network to overcome the problem. The fuzzy system estimates pose information of the object taken. It is done by mapping the image taken to a point in a fuzzy vector space or manifold using fuzzy nearest distance. Pose information is then projected to the artificial neural network which is able to recognize faces after formerly learned a set of learning database. The data submitted to the artificial neural network is compressed by Principle Component Analysis (PCA). Main advantage of hemispheric neural network on 3D face recognition is the multiplying factor which values depend on the image pose information, so that the two dimensional images can be projected into three dimensional space. Learning method used in this study is an expansion of backpropagation. The study begins by taking experimental data from 3D face capturing devices, developing fuzzy system and artificial neural network in MATLAB, and validating both systems. The system is then combined in MATLAB and tested by a single unit camera prototype. Results show the system able to reach recognition rate of 76.29% on validation and 37% on single unit camera application. The study proves that the system is applicable for a 3D face recognition system, however the accuracy of image cropping should be taken into consideration for an accurate result."

"Segmentasi merupakan sebuah proses yang penting dilakukan dalam menganalisa suatu citra. Dengan melakukan segmentasi, maka citra tersebut dapat dibagi menjadi beberapa bagian yang lebih sederhana yaitu bagian-bagian yang memiliki karakteristik visual yang serupa seperti warna, gerakan, dan tekstur. Fuzzy c-means (FCM) yang diperkenalkan oleh Dunn dan dikembangkan oleh Jim Bezdek, adalah algoritma yang populer digunakan dalam segmentasi citra karena algoritma ini mudah digunakan dan akurat. Lebih tepatnya, FCM sangatlah efektif digunakan untuk mensegmentasi citra yang tidak memiliki noise. Selain sensitif terhadap noise, FCM juga sensitif terhadap outliers. Berbagai macam metode telah ditemukan untuk mengatasi kelemahan dari algoritma FCM, salah satunya menggunakan metode robust FCM (RFCM). Dari hasil penelitian yang dilakukan, dapat dilihat hasil secara kuantitatifnya lebih baik dibandingkan dengan algoritma-algoritma FCM lain. Hasil percobaan menunjukkan modifikasi RFCM memberikan hasil yang lebih baik terutama untuk data iris.

---

Segmentation is an important process to analyze an image. With image segmentation, an image can be partitioned into several simpler parts, which is parts that have similar visual characteristics like colors, motions, and textures. Fuzzy c-means (FCM) is introduced by Dunn and developed by Jim Bezdek. FCM is a popular algorithm to be used on image segmentation because of its simplicity and accuracy. Moreover, FCM is highly effective to segment image that have no noise. Aside its sensitiveness to noise, FCM is also sensitive to outliers. Several methods are founded to overcome FCM’s weaknesses one of which is using robust FCM method. From research, quantitatively it’s result is better compared to other FCM algorithms. Reseach done shows that modified RFCM gives better result especially for iris data."

"Salah satu perkembangan teknologi yang sedang berkembang pesat adalahteknologi pengenalan pola (patern recognition), seperti pengenalan pola wajah,sidik jari, dan retina mata. Contohnya diaplikasikan pada security system, sistemlogin , dan sebagainya. Pada penelitian ini, diimplementasikan metode barupengenalan pola wajah 3-D (3-D face recognition ) dengan menggunakan metodeFuzzy Manifold. Metode ini tidak melakukan pembelajaran sepertibackpropagation, tetapi dengan membentuk pose estimation dan mencari nilaijarak terdekat fuzzy (Fuzzy-Nearest Distance Calculation) untuk membandingkandata yang masuk terhadap kedekantannya dengan kelas tertentu. Selain metodetersebut, diimplementasikan juga metode Fuzzy Dimension Reduction (FDR) datadengan menggunakan Autoassociative Neural Network sehingga dapatdibandingkan hasilnya antara hasil sebelum dan sesudah data di FDR kan. MetodeFuzzy Manifold dan FDR berhasil diterapkan untuk 3-D Face Recognition dengandengan recognition rate yang cukup tinggi mencapai 85%, kecepatan komputasiyang tinggi dan robust.

---

One of the increasing tecnology is patern recognition, like odor recognition, face,

finger print, and retina. For example, is aplicated in security system, login system,

and etc. In this research, will be implemented new method 3-D face recognition

using Fuzzy Manifold. This method does not do learning like backpropagation, but

with make pose estimation and seek value of fuzzy-nearest distance to compare

data input toward nearest with a class. The other method, also implemented Fuzzy

Dimention Reduction (FDR) using Autoassociative Neural network so can be

compared the result between after reducted and before. Fuzzy Manifold and FDR

method is successful to be implemented for 3-D face recognition with recognition

rate is high enough reach 85% , high computation speed, and robust. ."

"ABSTRAKPengenalan pola wajah 3D dengan bilangan crisp tidak dapat diimplementasikan pada dunia nyata dikarenakan aplikasi tersebut mengabaikan parameter-parameter yang akan terjadi di dunia nyata. Ketika parameter-paramerter tersebut menjadi input, performa dari pengenalan pola wajah dengan bilangan crisp akan sangat rendah. Karena itu untuk mengatasi masalah parameter-parameter tersebut, digunakan bilangan fuzzy untuk menghadapi parameter-parmeter yang bilangan crisp tidak bisa atasi. Pengenalan pola wajah dengan bilangan fuzzy akan menggunakan metode fuzzy manifold dan fuzzy nearest distance. Performa pengenalan wajah dengan metode fuzzy manifold dan fuzzy nearest distance menunjukkan hasil yang sangat baik, mean recognition rate yang didapatkan dari percobaan sebesar 88.88%. Nilai tersebut sudah menunjukkan keuntungan penggunaan bilangan fuzzy sebagai implementasi pengenalan pola wajah.

---

ABSTRACTFace Recognition using crisps can’t be implemented in the real world because it is ignoring parameters that is happen in the real world. When the parameters become input, the performance of face recognition using crisp will be very poor. Therefore, to solve the problems that’s connected with the parameters, we use fuzzy to deal with problems that’s happen when using crisp. Face recognition using fuzzy will use these two methods, fuzzy manifold method and fuzzy nearest distance. Face recognition using fuzzy manifold and fuzzy nearest distance are showing good performance, the mean value of recognition rate that we get from the simulation is 88.88 %. The value of recognition rate already shows the advantage of using fuzzy for face recognition implementation."

"Pada masa sekarang ini perkembangan teknologi cenderung memiliki kemampuan untuk berpikir dan mengambil keputusan layaknya manusia. Salah satu dari banyak metode untuk mengembangkan teknologi yang cerdas adalah dengan menggunakan Adaptive Neuro Fuzyy Inference System. Penelitian ini dilakukan dengan menerapkan ANFIS tipe Sugeno pada data-data penelitian umum, seperti data tanaman iris dan data ionosphere, melihat efek perubahan parameter-parameter terhadap recognisinya, lalu melakukan ANFIS terhadap data citra wajah.

---

The technology nowadays tends to have abbility to think and to size up decision, just like us humans. One of the kind of method to enhance smart technology is by using Adaptive Neuro Fuzyy Inference System. This research is done by using ANFIS Sugeno type on general research data, such as iris plant data and ionosphere data, observing the effect of the changing parameter over the recognition, then using ANFIS on face image data."