EEPIS Repository

Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint

Purwitasari, Diana (2009) Implementasi Pengenalan Wajah Berbasis Algoritma Nearest Feature Midpoint. Industrial Electronic Seminar.

[img]
Preview
PDF
Download (487Kb) | Preview

    Abstract

    Sistem pengenalan wajah yang baik adalah sistem yang mampu mengatasi variasi yang timbul saat pengambilan citra wajah. Variasi ini bisa berupa ekspresi wajah, aksesoris yang dipakai, tingkat pencahayaan dan arah pengambilan citra. Variasi tersebut akan ditangkap oleh garis-garis maya yang dibuat dari setidaknya dua prototype dalam sebuah kelas. Garis maya tersebut akan mengeneralisasi variasi yang mungkin terjadi dari kedua prototype. Proses identifikasi wajah akan dilakukan dengan mencari jarak terpendek antara wajah yang akan dikenali dengan semua variasi hasil ekstrapolasi dan interpolasi prototype pada tiap kelas. Jika ukuran populasi tak mendekati berhingga maka nilai ekspektasi dari populasi adalah nilai mean. Dianalogikan untuk penentuan titik proyeksi citra uji pada garis fitur, maka titik proyeksi pada proses pengenalan akan mendekati titik tengah dari garis fitur. Asumsi bahwa dimensi wajah sangat banyak. Oleh karena itu pada titik tengah (midpoint) klasifikasi berbasis NFL maupun NFM akan medapatkan tingkat akurasi yang relatif sama. Titik tengah tersebut digunakan pada NFM sebagai titik ukur jarak. Pengenalan wajah bisa dilakukan menggunakan metode Nearest Feature Line yang diperbaiki dengan midpoint dari Feature Line atau garis fitur pada metode Nearest Feature Midpoint. Perbaikan yang diberikan oleh NFM adalah peningkatan kecepatan eksekusi 43.93% dari penggunaan NFL dengan tingkat akurasi hampir sama. Meskipun demikian, konfigurasi optimal dengan hasil tingkat akurasi yang bisa diterima (90.545% untuk NFL dan 90.033% untuk NFM dengan waktu eksekusi 0.5 detik pada kondisi optimal) adalah sebagai berikut: (a) titik proyeksi yang diuji adalah penggunaan proyeksi citra ke FL (NFL) dan titik tengah dari FL (NFM), (b) jumlah eigenface minimal yang digunakan adalah 15, (c) jumlah citra latih berpengaruh pada akurasi namun dengan pemakaian setidaknya lima citra latih sehingga akurasi yang dicapai bisa diterima dengan waktu eksekusi relatif cukup pendek. Kedua metode masih sangat bergantung pada citra masukan. Variasi yang berlebih pada latar belakang dan besar ukuran citra akan mempengaruhi hasil akurasi. Kekurangan ini bisa diminimalkan dengan melakukan proses pendahuluan pada citra yang akan digunakan meliputi cropping dan resizing.

    Item Type: Article
    Subjects: Q Science > QA Mathematics > QA75 Electronic computers. Computer science
    Q Science > QA Mathematics > QA76 Computer software
    Divisions: Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
    Depositing User: Ms Mellissa Andayani
    Date Deposited: 17 Mar 2011 08:06
    Last Modified: 31 Mar 2011 22:41
    URI: http://repo.pens.ac.id/id/eprint/160

    Actions (login required)

    View Item