Perpustakaan judul masih dalam tahap pengembangan, admin siap menampung kritik dan saran
Sistem Pengenalan Wajah Untuk Identifikasi Akses Tempat Penyimpanan Barang
Rinaldo Singgalen NIM. (2016) | Skripsi | Teknik Elektro
Bagikan
Ringkasan
Pada penelitian ini akan membahas mengenai sistem pengenalan wajah manusia sebagai identifikasi akses tempat penyimpanan barang. pengenalan wajah manusia merupakan penelitian yang penting untuk diterapkan sebagai sistem keamanan yang tentunya akan melibatkan teknik pengolahan citra. Pengenalan wajah manusia tentunya memiliki banyak metode yang dipakai untuk proses analisa citra yang akan dicocokan ke dalam database. Dalam hal ini banyak aplikasi yang dapat diterapkan melalui pengembangan suatu teknik seperti Principle Component Analysis (PCA). PCA merupakan suatu suatu teknik pengembangan yang digunakan untuk mereduksi dimensi gambar wajah sehingga menghasilkan variable yang lebih sedikit yang lebih mudah untuk diobservasi dan ditangani. Pada penelitian ini memaparkan metode yang dipakai dalam pengenalan citra wajah manusia adalah metode Eigenface. Metode Eigenface adalah salah satu algoritma pengenalan wajah berdasarkan Principle Component Analysis (PCA) yang merupakan kumpulan dari eigenvector yang digunakan untuk masalah computer vision pada pengenalan wajah manusia. Berdasarkan metode yang dipakai tersebut ada beberapa tahap pengolahan citra yang dilakukan untuk memproses citra wajah masukan, dan akan melakukan proses pelatihan citra sehingga citra wajah masukan tersebut dapat dicocokan dengan citra yang ada dalam database. Proses pengolahan citra masukan untuk bisa dicocokan dengan citra latih yang ada dalam database melewati proses grayscale,tresshold, serta perubahan dimensi citra. Setelah itu akan dilakukan ekstrasi fitur PCA untuk dilakukan perhitungan serta perbandingan, yang bertujuan untuk mencocokan citra wajah masukan dengan citra latih yang ada dalam database. Implementasi metode eigenface pada sistem pengenalan citra wajah ini hanya dapat dilakukan apabila jumlah citra latih lebih dari 9 citra dan citra wajah yang tidak identik sama atau kembar. Kemudian dari setiap percobaan yang dilakukan memiliki tingkat akurasi 50% pada kondisi cahaya redup (pengambilan citra pada malam hari), dan 100% pada kondisi terang (pengambilan citra pada siang hari), serta memiliki tingkat keberhasilan 100% pada pengambilan citra jarak dekat (25 cm), dan 75% pada pengambilan citra jarak jauh (60 cm).
Ringkasan Alternatif
This research discusses about human face recognition as an access identification to a storehouse. The research on human face recognition plays an important role in a security system that involves image processing techniques. Human face recognition uses various methods in image analyzing process that will be matched into the database. In this process, we use many applications which can be applied through a technique development such as Principle Component Analysis (PCA). PCA is development technique to reduce the dimension of a face image to later create fewer variables easy to observe and handle. The method exposed in this research to do human face image recognition is Eigenface method. It is a face recognition algorithm based on Principle Component Analysis, which is a group of eigenvectors used in computer vision in human face recognition. Based on the method, there are several steps to process face image input. The method then executes image training to the input so the image can be matched with the image found in the database. There are a few steps in processing the image input to be matched with the image training stored in the database such as grayscale, threshold, and changing the image dimension. After that, there will be an extraction of PCA features to do the calculation and comparison, in order to match the image input with the image training found in the database. As a result, using Eigenface method in face recognition is highly accurate. The face recognition system can be applied in storehouse access identification. The implementation of eigenface method in face recognition system can only be done if there are more than 9 image training available, which are not identical. From each experiment done, we get 50% accuracy in dim light (image taken in daylight), and the level of success is 100% if the image is taken within short distance (25 cm), and 75% within 60 cm distance.