Hasil Pencarian  ::  Simpan CSV :: Kembali

"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 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 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."

"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 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."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garis wajah pada kondisi normal dnegan berbagai pose horisontal dalam ruang eigen. Garis eajah dibangkitkan dengan menghubungkan titik-titik pada wajak. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 135 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Rduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan mamaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalam algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syarat tiruan Backpropagation. hasil percobaan menunjukkan bahwa secara umum metode wajah lebih baik dan memiliki nilai Mean Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."

"Metode pengenalan wajah 3D pada penelitian ini merupakan metode baru menggunakan model geometri wajah dengan membangkitkan jarak garus wajah pada kondisi normal dengan berbagai pose horisontal dalam ruang eigen. Garis wajah dibangkitkan dengan menghubungkan titik-titik pada wajah. Titik-titik pada wajah diperoleh dengan membuat garis yang memiliki kemiringan 0, 45, 90 dan 125 dan melalui titik koordinat tertentu pada wajah serta memotong batas lingkar wajah. Reduksi dimensi matriks citra menggunakan Probability Principal Component Analysis (PPCA) dengan memaksimumkan fungsi likelihood. Algoritma untuk memaksimumkan fungsi likelihood adalah algoritma EM (Expectation Maximization Algorithm). Pembelajaran citra menggunakan jaringan syaraf tiruan Backpropagation. Hasil percobaan menunjukkan bahwa secara umum metode jarak garis wajah memiliki akkurasi tingkat pengenalan wajah lebih baik dan memiliki nilai Meas Square Error (MSE) yang lebih kecil dibandingkan dengan metode tingkat keabuan wajah."