Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dengan meningkatnya jumlah kriminalitas seperti pencurian, perampokan, dan pembunuhan, tanggung jawab pihak kepolisian untuk menangkap pelaku kejahatan juga semakin berat. Salah satu data yang dimiliki pihak kepolisian adalah arsip foto dari para pelaku kejahatan. Semakin besar jumlah kejahatan, semakin besar pula jumlah arsip foto yang dimiliki kepolisian. Salah satu cara yang dilakukan untuk mengidentifikasi tersangka adalah dengan mencocokkan wajah tersangka dengan arsip foto yang dimiliki. Jika jumlah arsip foto sangat besar dan proses pencarian dilakukan secara manual, maka akan diperlukan waktu yang cukup lama dan kurang efisien.Dalam Tugas Akhir ini, dikembangkan prototipe suatu sistem yang mampu melakukan pencarian citra wajah. Sistem ini disebut dengan Sistem Temu Kembali Citra Wajah. Sistem ini dikembangkan dengan menggunakan metode eigenface dan jarak euclidean. Metode eigenface digunakan untuk melakukan ektraksi ciri wajah yang penting dalam proses pencarian. Metode ini melakukan proyeksi dari ruang citra wajah dengan dimensi tinggi ke ruang ciri dengan dimensi yang lebih rendah. Jarak euclidean digunakan untuk mengukur nilai kemiripan antara dua citra wajah. Semakin kecil jarak antara dua citra wajah, semakin tinggi nilai kemiripan antara kedua citra wajah tersebut.Sistem yang dikembangkan mampu menemukan citra wajah yang relevan terhadap citra masukan dengan tingkat precision rata-rata sebesar 87% terhadap basis data citra wajah yang digunakan. Eigenface mampu merepresentasikan ciri wajah secara keseluruhan dan tidak berkorespondensi dengan ciri wajah secara spesifik. Eigenface mampu melakukan ekstraksi ciri wajah dengan sederhana, cepat, dan eifisien. Sistem yang dihasilkan dari Tugas Akhir ini dapat digunakan oleh pihak kepolisian untuk mengidentifikasi pelaku kejahatan."

"Tulisan ini berisi laporan hasil eksperimen pengenalan wajah tiga dimensi dengan sudut pandang vertikal-horisontal yang beragam. Eksperimen ini menggunakan Jaringan Syaraf Tiruan (JST) Hemispheric Structure of Hidden Layer (HSHL). HSHL adalah struktur JST dengan lapis tersembunyi berbentuk hemisfer. HSHL dirancang untuk mengenali obyek tiga dimensi dengan sudut pandang vertikalhorisontal beragam. Pelatihan dilakukan menggunakan metode-metode optimasi seperti penggunan fungsi kesalahan cross entropy dan penggunaan momentum. Pada tulisan ini juga, diaplikasikan langkah optimasi berupa modifikasi pada struktur lapis tersembunyi HSHL. Modifikasi dilakukan dengan menambahkan neuron-neuron antara di setiap ring hemisfer. Struktur turunan ini disebut HSHL multiplied. Eksperimen ini menyimpulkan bahwa HSHL dengan tipe jaringan multiplied memiliki performa lebih baik dibandingkan tipe normal dalam hal kecepatan pembelajaran. Tulisan ini juga menyimpulkan bahwa pelatihan dengan sudut pandang citra yang simetris memberikan hasil yang lebih baik."

"

Berbagai metode pengembangan rekognisi citra wajah telah banyak dilakukan, berbagai metode seperti Deep Learning, Multilayer Perceptron sudah dilakukan. Metode Convolutional Neural Network juga sudah banyak dikembangkan untuk melakukan klasifikasi citra seperti rekognisi jenis bunga, hewan, hingga pendeteksian kecacatan sel. Convolutional Neural Network diharapkan mampu melakukan rekognisi citra wajah secara tiga dimensi. Operasi konvolusi sebagai bagian ekstraksi fitur pada Convolutional Neural Network, diharapkan dapat membantu bagian klasifikasi untuk melakukan tugasnya dengan lebih baik. Rekognisi citra wajah secara tiga dimensi ini sangat dibutuhkan, karena ketika kita ingin mendeteksi seseorang tanpa diketahui orang tersebut, maka dengan berbagai macam sudut hadap wajahnya sistem harus dapat mengidentifikasi orang tersebut. Untuk penelitian kali ini saya akan menggunakan dataset gambar wajah tiga dimensi yang akan digunakan sebagai klasifikasi parameter biometrik seseorang. Pada penelitian ini akan menganalisa tiap-tiap lapisan pada Convolutional Neural Network, serta melakukan perbandingan dengan Backpropagation Neural Network. Dan juga akan melakukan analisa dengan menggunakan citra wajah berderau.

---

Various methods of developing facial image recognition have been carried out, various methods such as Deep Learning and Radial Basis Function Neural Network have been carried out. Convolutional Neural Network methods have also been developed to carry out image classifications such as recognition of types of flowers, animals, and detection of cell defects. Convolutional Neural Network is expected to be able to recognize facial images in three dimensions. Convolution operations as a feature extraction part of the Convolutional Neural Network are expected to help the classification section to do their job better. Three-dimensional face image recognition is needed, because when we want to detect someone without knowing by the person, then with a variety of face angles, the system must be able to identify that person. For this research I will use a three-dimensional face image dataset that will be used as a classification of a persons biometric parameters. In this study, we will analyze each layer in the Convolutional Neural Network, do a comparison with Backpropagation Neural Network. And also will do the analysis by using a noisy face image.

"

"Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

"