Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Telah dikembangkan sistem otomasi pengenalan cacat pada pengelasan metal berbasis ciri tektur sehagai pengekslraksi ciri dan jaringan neural buatan sebagai pengklasifikasinya. Sebuah lilin sinar-X hasil proses radiografi dua buah metal yang disambung dengan teknik pcngelasan menjadi input sistem otomatisasi ini. Film Sinar-X didigitalisasi terlcbih dahulu kemudian diproses dengan menggunakan komputer agar didapalkan informasi jenis cacat dalam pengelasan. Fkslraksi ciri teklur I larralick munjadi basis pengolahan citra film sinar-X agar dapal dikelahui karakter yang dimiliki oleh citra radiograli. Jaringan Neural Buatan Back Propagation digunakan sehagai sistem pengklasifikasi jenis cacat. Hasil akurasi pengenalan terbaik untuk citra yang belum diketahui jenis cacatnya mencapai 82.87 % untuk perbandingan data pelalthan dan data pengujian I : 1.

---

An automation system for welding defect recognition in metal weld has been developed. The recognition method base on texture feature as feature extraction and neural network as classifier. The input of automatic systems is an X-ray film developed from radiographic technique. The films were digitalised before processing the defect information using computer. Tor extracting the feature of"X-ray films image was used Harralick texture. Rack Propagation Neural Network is used to classify the output welding defect automatic systems. The best resull is about 82.87% using training testing paradigm 1:1."

"Sistem penciuman elektronik telah dikembangkan dengan menggunakan kuarsa terlapis membran sebagai sensornya dan jaringan neural buatan Propagasi Balik (JNB-BP) sebagai sub-sistem pengenal polanya. Beberapa kelemahan penggunaan JNB-BP pada sistem penciuman elektronik adalah lamanya waktu pembelajaran dan adanya keterbatasan dalam mengenal pola aroma campuran. Untuk mengatasi masalah tersebut maka digunakan implementasi algoritma jaringan neural buatan berbasis Probabilistic Neural Network (JNB-PNN). JNB-PNN mempunyai 2 proses utama dalam tahap pembelajarannya yaitu menggunakan data pelatihan untuk membangun topologi JNB-PNN dan mencari parameter pemulus/smoothing parameter.Pengujian yang dilakukan dengan mengklasifikasikan aroma campuran secara bertahan yaitu 6, 8, 12 dan 18 aroma. Tujuan daritahapan pengklasifikasian tersebut adalah untuk melihat kemampuan dari sistem dalam mengenai pola dari aroma campuran dengan membandingkan penggunaan JNB-BP dan JNB-PNN. Hasil kedua eksperimen menunjukkan bahwa semakin banyak pola aroma uamg diklasifikasin, tingkat pengenalan sistem semakin menurun. Kemampuan dari sistem penciuman elektronik yang menggunakan JNB-BP dalam mengenal 18 pola aroma menghasilkan tingkat pengenalan di bawah 70%. Sedangkan untuk JNB-PNN, walaupun terjadi penurunan terhadap pengenalan 18 pola yang diujikan, hasil pengenalannya masih di atas 90%."

"Salah satu hal penting dari suatu metode pembayaran pada jaringan sarat tiruan adalah kapabilitas generalisasi. Yaitu kemampuan untuk memberikan hasil yang akurat terhadap data yang tidak diajarkan pada tahap pembelajaran. Salah satu metode pembelajaran increamental yang memberikan jaminan secara teori dalam menghasilkan kapabilitas generalisasi yang optiman adalah increamental projection learning. Pada tulisan ini akan dilakukan suatu evaluasu eksperimental terhadap jaringan saraf tiruan berbasis incremental projection learning ini yang dikembangkan pada ruang polinomial trigonometri dalam memecahkan masalah aproksimasi fungsi. Jaringan ini dikenal dengan nama incremental projection generalizing neural networks. Evaluasi dilakukan terutama pada masalah pemilahan model yang optimal dan jumlah neuron pada lapis tersembunyi ketika kapabilitas generaliasai optimal diperoleh. Selain itu juga akan dilakukan suatu studi komparasi kapabilitas generalisasi yang dihasilkan oleh jaringan lain yang sudah umum digunakan yaitu on-line backpropagation networks dan growing radial basis function networks."

"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%."

"In this paper, we present a 3D shape modeling system based on Tsai Shah shape from shading (SFS) algorithm. This SFS provides partial 3D shapes, as depth maps of the object to be reconstructed. Our previously developed Projected Polygon Representation Neural Network (PPRNN) performed the reconstruction process. This neural network is able to successively refine the polygon vertices parameter of an initial 3D shape based on 2D images taken from multiple views. The reconstuction is finalized by mapping the texture of object image to the 3 D initial shape. It is known from static stereo analysis that even though multiple view images are used, obtaining 3D structure without considering of base-distance information, i.e. focal separation between different camera positions, is impossible. Unless there is something else is known about the scene. Here we propose the use of shading features to extrat the 3D depth maps by using a fasat SFS algortihm, instead of rendering the object based on bare 2D images. A beginning result of reconstructing human (mannequin) head and face is presented. From our experiment, it was shown that using only 2D images would result a poor reconstruction. While using the depth-maps provides a smoother and more realistic 3D object. "

"An automatic construction of neurons in neural network inspired by immune algorithm is proposed. The new network is combined with the contiguity-constrained method to perform clustering analysis. The applicability of this technique is tested with two widely reference machine-learning cases. The experiment shows that the new technique achieved 99.33% and 100% correctness for Iris plant data and wine recognition data respectively, better than other popular clustering methods."

"Komputasi intelejensia yang digunakan dalam masalah klasifikasi pola dapat digolongkan menjadi dua bagian, yaitu yang berbasis pada Neural Network dan yang berbasis pada Pembelajaran Statistika (Statistical Learning). Pembelajaran yang berbasis statistika, pertama kali ditemukan oleh Vapnik pada dekade tujuh-puluhan. Untuk masalah klasifikasi pola Vapnik mengembangkan metode hyperplane optimal separation, atau dikenal juga dengan nama metode Support Vector Machines (SVM). Pada awalnya SVM dirancang hanya untuk menyelesaikan masalah klasifikasi biner, yaitu dari data-data yang ada, diklasifikasikan menjadi dua kelas. Untuk mengklasifikasikan data yang terdiri dari lebih dari dua kelas, metode SVM tidak dapat langsung digunakan. Ada beberapa metode yang dapat digunakan untuk menyelesaikan masalah klasifikasi multikelas SVM yaitu: metode One-vs-One dan metode One-vs-Rest. Kedua metode ini merupakan perluasan dari klasifikasi biner SVM. Kedua metode tersebut akan dibahas di artikel ini dan akan dilihat kinerjanya dalam mengklasifikasikan aroma. Data aroma yang digunakan dalam percobaaan ini terdiri dari 3 jenis aroma, masing-masing aroma terdiri atas 6 kelas. Pembagian kelas ini berdasarkan pada konsentrasi alkohol yang dicampurkan pada masing-masing aroma. Misalkan untuk aroma A, terdapat 6 jenis aroma A dengan kandungan alkohol : 0%, 15%, 25%, 30%, 45% dan 75%. Kinerja dari kedua metode diukur berdasarkan kemampuan untuk mengenal dan mengklasifikasikan aroma, dengan tepat dan sesuai dengan jenis atau kelas, dari data yang diberikan.

---

Aroma classification using one-vs-one and one-vs-rest methods. Computational Intelligence used in pattern classification problem can be divided into two different parts, one based on Neural Network and the other based on Statistical Learning. The Statistical Learning discovered by Vapnik on 70-est decade. For the pattern classification, Vapnik developed hyperplane optimal separation, which is known as Support Vector Machines Method (SVM). In the beginning, SVM was designed only to solve binary classification problem, where data existing are classified into two classes. To classify data whose consist of more than two classes, the SVM method can not directly be used. There are several methods can be used to solve SVM multiclasses classification problem, they are One-vs-One Method and One-vs-Rest Method. Both of this methods are the extension of SVM binary classification, they will be discussed in this article so that we can see their performance in aroma classification process. Data of aroma used in this experiment is consisted of three classes of aroma, each of them has six classes. The division of this class is based on alcohol concentration mixed into each of those aromas. For example, for aroma A, there are six kinds of aroma A with different alcohol concentration: 0%, 15%, 25%, 30%, 45% and 75%. The performance of these methods is measured based on their ability to recognize and classify aroma, precisely and match with the right class or variety of data existed."