Implementasi Algoritma Hidden Markov Model Untuk Pengenalan Isyarat Wajah

Pengihutan S, Roberto (2017) Implementasi Algoritma Hidden Markov Model Untuk Pengenalan Isyarat Wajah.

Full text not available from this repository.
Official URL: http://elib.unikom.ac.id/gdl.php?mod=browse&op=rea...

Abstract

Wajah manusia menyediakan banyak informasi, banyak hal menarik yang bisa diperhatikan, dan dipelajari secara intensif. Ketika manusia berinteraksi satu sama lain, mereka menggunakan berbagai macam isyarat dari wajah untuk menyampaikan informasi. Isyarat dari wajah yang terbentuk bisa menyampaikan ekspresi wajah tertentu. Pada penelitian sebelumnya mengenai pengenalan ekspresi wajah berdasarkan bentuk dan tekstur menggunakan metode SMOM dan ESTM, didapat kesimpulan bahwa metode yang digunakan menghasilkan persentase kebenaran yang kurang baik, sehingga penelitian mengenai pengenalan ekspresi wajah berdasarkan bentuk dan tekstur masih mungkin untuk dilakukan selanjutnya menggunakan metode lain. Maka penelitian ini dilakukan dengan implementasi metode Hidden Markov Model (HMM) untuk pengenalan isyarat wajah.Adapun tahapan proses penelitian ini yaitu setiap citra dilakukan praproses citra yaitu resize dengan ukuran 128x128, grayscale, deteksi tepi canny. Citra threshold deteksi tepi canny dibagi menjadi 4 bagian dengan ukuran 64x64 setiap bagiannya. Ekstraksi fitur Discrete Cousine Transform (DCT) pada setiap bagian, matriks setiap bagian DCT diubah menjadi vektor, ekstraksi fitur Principle Component Analysis (PCA) yang menghasilkan matriks 4x4 kemudian matriks tersebut diubah berbentuk vektor. Vektor nilai PCA diproses normalisasi agar nilai setiap vektor berbentuk bilangan bulat non-negatif. Hasil dari normalisasi tersebut dilakukan proses klasifikasi Hidden Markov Model (HMM). Hasil dari penelitian ini berupa data klasifikasi training sebanyak 120 data citra yang digunakan untuk mendeteksi ekspresi wajah secara waktu nyata untuk testing, dan menghasilkan output jenis ekspresi wajah yang dikenali. Berdasarkan hasil pengujian Confussion Matrix menggunakan 166 kali pendeteksian secara waktu nyata maka didapatkan nilai akurasi rata-rata 50% benar dalam klasifikasi dan 50% salah.

Item Type: Article
Uncontrolled Keywords: Hidden Markov Model, Discrete Cousine Transform, Principle Component Analysis, HMM, DCT, PCA, klasifikasi Citra, pengolahan citra, isyarat wajah, ekspresi, waktu nyata.
Subjects: S1-Final Project > Fakultas Teknik Dan Ilmu Komputer > Teknik Informatika > 2017
Divisions: Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia > Fakultas Teknik dan Ilmu Komputer > Teknik Informatika (S1)
Date Deposited: 06 Jun 2017 02:58
Last Modified: 06 Jun 2017 02:58
URI: https://repository.unikom.ac.id/id/eprint/51882

Actions (login required)

View Item View Item