Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai pengenalan wajah dan penentuan sudut pandang wajah 3D dengan metode Nearest Feature Line (NFL) dan optimasi ruang ciri lewat Algoritme Genetika (GA). Umumnya, ruang ciri dibentuk berdasarkan vektor-vektor eigen dengan nilai-nilai eigen terbesar. Fokus utama penelitian ini terletak pada pengkombinasian vektor eigen (bukan hanya yang terbesar) dalam membangun ruang ciri. Untuk menganalisis seberapa baik ruang ciri yang dibentuk lewat cara tersebut, dilakukan beberapa eksperimen pengenalan wajah dan penentuan sudut pandang wajah 3D pada tiga skema-sistem: Fully-KLT, Subset-1-KLT dan Subset-2-KLT. Tingkat pengenalan yang diperoleh mencapai 91,7% untuk pengenalan wajah pada skema Fully-KLT dan Subset-2-KLT, dan mencapai 87,5% untuk penentuan sudut pandang wajah pada skema Fully-KLT. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa ruang ciri dengan kombinasi vektor eigen dapat lebih optimal dalam hal representasi data spasial. Namun, ruang ciri yang tersusun atas vektor-vektor eigen terbesar unggul dalam hal perbandingan antara tingkat pengenalan yang diberikan dengan pengurangan lebar dimensi. "

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai pengenalan wajah dan penentuan sudut pandang wajah 3D dengan metode Nearest Feature Line (NFL). Fokus utama penelitian ini terletak pada pemakaian ruang eigen Double View Based (dalam satu ruang eigen terdiri dari dua kelas sudut yang bersebelahan) untuk pengenalan wajah. Ruang eigen dibentuk menggunakan metode full-eigen. Proses pengenalan wajah dilakukan melalui pengamatan pada arah horizontal (sudut elevasi 00) dan vertikal (sudut elevasi 100 dan 200). Terdapat 4 skema Double View Based yang menggunakan kombinasi sudut vertikal 00-100, 00-200, 100-200, dan 00-100-200. Tingkat pengenalan yang diperoleh mencapai 96.88% untuk pengenalan wajah pada arah horizontal dengan kombinasi sudut vertikal 00 dan 100, mencapai 94.19% untuk pengenalan wajah dengan kombinasi sudut vertikal 00 dan 200, 97,92% untuk pengenalan wajah dengan kombinasi sudut vertikal 100 dan 200, dan mencapai 97.22% untuk pengenalan wajah dengan kombinasi sudut vertikal 100, 200, dan 300. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa jumlah subset sebagai bagian dari dataset mempengaruhi tingkat pengenalan, semakin banyak jumlah subset maka semakin baik tingkat pengenalan wajah 3D. Tingkat pengenalan dengan tambahan sudut pengamatan vertikal mampu memberikan hasil yang lebih baik dibandingkan dengan tingkat pengenalan dengan skema DVB untuk sudut pengamatan horizontal saja."

"Penelitian ini merupakan kombinasi dari penelitian-penelitian sebelumnya mengenai pengenalan sudut-pandang dan wajah 3D dengan menggunakan Jaringan Saraf Tiruan (JST) yang sebelumnya menggunakan Self Organizing Map (SOM) dalam representasi ruang eigen dan penerapan algoritma genetika dalam menentukan ruang ciri yang optimal. Pada penelitian kali ini Jaringan Neural Buatan yang digunakan adalah Learning Vektor Quantization (LVQ) dalam ruang eigen dengan mengaplikasikan algoritma genetika untuk mengoptimasi ruang ciri. Untuk menganalisa seberapa baik pengenalan dengan menggunakan algoritma LVQ ini, dilakukan beberapa eksperimen dalam penelitian ini untuk memperbandingkan tingkat pengenalan pada sistem fully-KLT dan Subset II-KLT, dengan menggunakan algoritma genetika dan dengan menggunakan full eigen untuk sistem dengan dan tanpa reduksi awal pada PCA untuk masing-masing dataset yang telah ditentukan. Tingkat pengenalan terbaik untuk pengenalan sudut basis mencapai 96,9 %, pengenalan sudut tengah mencapai 67,7 % pada sistem fully-KLT dan pengenalan sudut tengah pada subset II-KLT mencapai hasil tertinggi sebesar 80,6 %. Sedangkan untuk pengenalan wajah, tingkat pengenalan terbaik mencapai 79,2 %, pada pengenalan wajah peningkatan jumlah citra uji GA ternyata tidak memberikan perbaikan hasil pengenalan. Secara umum pengenalan dengan menggunakan algoritma genetika belum mampu menyaingi tingkat pengenalan dengan menggunakan keseluruhan eigen (full eigen). "

"Penelitian ini adalah penyempurnaan dari penelitian-penelitian sebelumnya mengenai penentuan sudut pandang wajah 3D dengan metode Nearest Feature Classifier. Sudut pandang merupakan salah satu variasi ciri yang diperlukan dalam system pengenalan wajah tiga dimensi. Sistem penentuan sudut pandang dari obyek tiga dimensi selama ini dikembangkan dengan dua tahap, yaitu tahap transformasi data ke dalam ruang eigen dengan menggunakan Principal Component Analysis atau Karhunen-Loeve Transformation dan tahap klasifikasi dengan menggunakan metode Nearest Feature Line yang melakukan generalisasi ciri-ciri suatu sudut pandang [SRIPOMO01] [LINA04] [EFRIKA04]. Penulis mengembangkan metode penentuan sudut pandang ini lebih lanjut dengan : 1. Memodifikasi tahapan transformasi dan klasifikasi data, yaitu membuat algoritma baru yang memanfaatkan kombinasi dua jenis ruang eigen yang dinamakan ruang eigen Single View Based (SVB) dan ruang eigen Double View Based (DVB) . 2. Memodifikasi tahapan klasifikasi data lebih lanjut, dengan menerapkan metode baru Nearest Feature Classifier yaitu Nearest Feature Plane (NFP) [CHIEN&WU02] yang dapat menangkap lebih banyak ciri dalam satu kelas. Beberapa uji coba dilakukan terhadap sistem penentuan sudut pandang ini dengan tujuan untuk mengetahui akurasi pengenalan sistem terhadap suatu sudut pandang wajah dengan jumlah citra pelatihan sesedikit mungkin."

"Dalam makalah ini, penulis mengembangkan metodologi baru yang dinamakan dengan metode Modified Nearest Feature Line (M-NFL). Modifikasi terhadap metode NFL ini dilakkan dengan menambah jumlah garis cri dengan membentuk garis-garis baru hasil proyeksi tegak lurus dari setiap titik citra acuan yang ada terhadap garis ciri yang dibentuk oleh titik titik citra acuan dalam suatu kelas. Tujuannya adalah agar sistem dapat menangkap lebih banyak informasi dari variasi antara titik titik ciri dalam setiap kelas, sehingga tingkat pengenalan sistem akan menjadi lebih tinggi. Metode M-NFL ini akan digunakan sebagai metode klasifikasi dalam sistem penentu sudut pandang pengamatan akan ditransformasikan ke dalam ruang ciri dengan menggunakan metode transformasi Karhumen-Loeve Transformation, serta Patially 1 Kurhunen-Loeve Transformation.Hasil eksperiman menunjukkan bahwa tingkat pengenalan sistem penentu sudut pandang dengan menggunakan Partially 2 K-LT dengan M-NFL adalah 99.68% dan utnuk sistem pengenal wajah 3-D mencapai 100% lebih tinggi dibandingkan dengan tingkat pengenalan sistem penentu sudut penadnag menggunakan 96.79% dan untuk sistem pengenal wajah 3-D mencapai 92.31%."

"Penelitian ini adalah kelanjutan dari penelitian-penelitian sebelumnya mengenai penentuan sudut pandang obyek 3D dengan metode Nearest Feature Line (NFL). Pada penelitian sebelumnya telah ditunjukkan bahwa pengurangan garis ciri yang tidak perlu pada ruang ciri mampu menaikkan tingkat pengenalan sistem. Penelitian ini menggunakan skema Fully-KLT, yang difokuskan pada pengurangan garis ciri dengan cara mengurangi jumlah titik ciri yang ada. Titik ciri yang digunakan untuk membangun ruang ciri merupakan hasil rata-rata dari kelompok-kelompok sudut citra pelatihan (disebut Fully-KLT Rata-rata). Untuk menganalisis pengaruh pengurangan titik ciri tersebut, dilakukan eksperimen perbandingan dengan menggunakan seluruh citra pelatihan sebagai pembentuk ruang ciri (disebut Fully-KLT Non Rata-rata).Hasilnya, tingkat pengenalan Fully-KLT Rata-rata hanya mencapai 42,71%. Sedangkan tingkat pengenalan Fully-KLT Non Rata-rata mampu mencapai 73,96%. Berdasarkan hasil eksperimen, diperoleh kesimpulan bahwa Fully-KLT Rata-rata tidak memberikan tingkat pengenalan yang lebih baik dibanding dengan Fully-KLT Non Rata-rata. Selain itu, agar sistem penentu sudut pandang obyek 3D mampu memberikan jawaban sudut secara presisi, pada penelitian ini dikembangkan cara penentuan sudut pandang yang disebut pendekatan-sudut-presisi. Dibanding dengan pendekatansudut- pewakil yang dikembangkan peneliti sebelumnya [EFR04], pendekatan-sudutpresisi mampu meningkatkan tingkat pengenalan sistem karena pendekatan ini mampu menentukan sudut dari titik uji yang jatuh di perpanjangan garis ciri."

"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."

"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%."