PENGARUH DEKOMPOSISI CITRA PENGARUH DEKOMPOSISI CITRA MENGGUNAKAN WAVELET PADA PENGENALAN WAJAH DI APLIKASI MOBILE.

(1)

TESIS

PENGARUH DEKOMPOSISI CITRA

MENGGUNAKAN WAVELET PADA PENGENALAN

WAJAH DI APLIKASI MOBILE

YULIUS HARJOSEPUTRO No. Mhs : 135302027/PS/MTF

PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA

PROGRAM PASCASARJANA

UNIVERSITAS ATMA JAYA YOGYAKARTA

(2)

(3)

(4)

UNIVERSITAS ATMA JAYA YOGYAKARTA

PROGRAM PASCASARJANA

PROGRAM STUDI MAGISTER TEKNIK INFORMATIKA

PERNYATAAN

Bersamaan dengan penelitian ini, maka saya yang bertanda tangan di bawah ini :

Nama : YULIUS HARJOSEPUTRO

Nomor Mahasiswa : 13 53 02027/PS/MTF Konsentrasi : Soft Computing

Judul Tesis : Pengaruh Dekomposisi Citra Menggunakan Wavelet Pada Pengenalan Wajah Di Aplikasi Mobile

menyatakan bahwa penelitian ini adalah hasil karya sendiri dan bukan duplikasi dari karya tulis yang telah ada sebelumnya. Karya tulis yang telah ada sebelumnya dijadikan oleh penulis sebagai acuan untuk melengkapi penelitian dan dinyatakan secara tertulis dalam penulisan acuan dan daftar pustaka.

Demikian pernyataan ini dibuat untuk digunakan sebagaimana mestinya.

Yogyakarta, 30 September 2014

(5)

v INTISARI

Angka kejahatan konvensional di Indonesia sejak tahun 2010 sampai tahun 2014 menunjukan peningkatan yang signifikan, bahkan pada tahun 2014 ini, tingkat kejahatan konvensional di Indonesia mencapai 24.044 kasus. Akan tetapi terdapat kendala dalam penyelesaian kejahatan ini yakni pengenalan data dari pelaku kriminalitas.

Oleh karena itu diperlukan suatu sistem untuk mengenali wajah seseorang yang dapat membantu dalam mengenali data- data dari seseorang pelaku tersebut, apakah merupakan pelaku kriminalitas yang baru atau sudah pengalaman dalam melakukan tindakan kriminalitas. Dalam hal ini penulis melakukan penelitian tentang pengenalan wajah dengan menggunakan metode eigenface sebagai metode yang digunakan dan menambahkan proses dekomposisi citra menggunakan wavelet sebagai bagian dari proses preprocessing pada pengenalan wajah tersebut.

Hasil dari penelitian yang telah dilakukan menunjukan bahwa tingkat akurasi terbaik yang diperoleh menggunakan metode eigenface dan dekomposisi citra sebagai bagian dalam proses pengenalan wajah adalah sebesar 80% dengan waktu pengenalannya sebesar 1041,4 ms dengan menggunakan citra berukuran 64x64 piksel. Berdasarkan tingkat akurasi dan kecepatan waktu yang dihasilkan dalam peneltian ini, maka dapat ditarik kesimpulan bahwa dengan dekomposisi citra menggunakan wavelet dan metode eigenface pada pengenalan wajah dapat mempengaruhi pada kecepatan waktu dan tingkat akurasi dalam melakukan pengenalan wajah.

Kata Kunci : eigenface, dekomposisi citra, wavelet, konvensional.

Angka kejahahahattatan konvensional di Indonesia sejal jaakk ktahun 2010 sampai tahun 2014 menunjukaaannn peningkatan yay ng signifikan, bahkan padadaa tttahun 2014 ini, tingkat kejahatan kooonnnvensional di Indol oonnen sia mencapai 24.044 kasus. AAAkakk n tetapi terdapat kendala dadadalam penyelesaian kkkejeahaahataaanann iiniinini yyakaka nnini pengenalan dadadatatt dari pelaku kriminnnaalalitas.

Oleh karena itititu uu didiippperlukan suatu sistem unntututuk kkmemm ngennnali wajah hh sess seorang ya

ya

yang dapat mmemmemembantu dalaamm m mengmmengenalalii dad tata-datadadatat dari seseorrrananang ggpelaku tttereesebut, apakah mmemerururupapp kan pepepelalalakku kriminalitaas yang baru atatauatauau sudahahahpppenenengagagalaman dadad lam melakukukukkakan n n tindakakakanan kriminalitas. Dalalam hal ini penululisisis melakakakukukukananan pppenelitititiai n tentttananangggpppengenennalaan wwajajah dengan mengnggunakan metodede eigenfnfnfaca e sebebebagagagaiaiaimmmetoddde ya

y

y ngngngdddiiigunakakakan dan menenambahkan proosses dekompossisisi citra mennngggg unakkkannn waww velettt se

se

sebababagggai baaagig an dari proseses prp eprocesssinnggpada pengngeenalan wajah tteeersebuuut.t.t.

H Ha

H sil dari penelittiaian n yang teelaah dilakukukaan menunjukan bahwa bb tititingngngkak t ak

ak

akurasii i teterbr aik yang diperooleheh menggguunakan mmeetode eigenface dandan dedd kooompmpmposososisii i ci

c

ctrasssebagaiai bbagagian dalam prprososes peenggenalaann wwajah adalahh ssebebesar 8880%00 dddenenengagagan wakttuuu pengenallanannynya a sebesar r 101041,,4 mms dedenngan mennggggununakan citraa berukukuran k 64x66644 piksel. Berdassararkakan n tinggkak t t aakurrasasi ddan keececepapatatan waktu yangddihasilkannn dalaam m peneltian ini, makakaa dadapapat t diittarik k kekesisimpmpululaan bahwa dengan deekok mpossisisisi citraaa menggunakan wavelett ddana metode eigegenfnface pada pengenalan waaajah dddaaapat me

me

memmpmpenengagaruruhihi ppada kecepap tan waktu dan tingggkat akurasasi i dadalalamm memmelalalakkkukannn pengenenalalan wwajajjahahah.

(6)

ABSTRACT

Rate of conventional crime in Indonesia since 2010 until 2014 showed a significant increase, even in 2014, rate of convetional crime in Indonesia reached 24.044 case. However, there are obstacles in the completion of this crime the introduction of data from perpetrators of crime.

Therefore we need a system to recognize face of someone who can help for identifying data of a person from the perpetrators, whether the perpetrators is a new the offender crime or have experience in performing criminal acts. In this case the authors conducted a study on face recognition using eigenface method as the method used and add the process image decomposition using as part of the preprocessing on the face recognition.

The results of the research that has been conducted shows that the best level of accuracy using eigenface method and the image decomposition as part of the process of face recognition is 80% with the introduction of time of 1041,4 ms by using the image size 64x64 pixels. Based on the level of accuracy and speed of the resulting time in this research, it can be concluded that image decomposition using wavelet and eigenface method on face recognition time can affect the speed and level of accuracy in performing face recognition.

Keyword : eigenface, image decomposition, wavelet, conventional.

Rate of conventionalalllll cccririme in Indonei esisisiaa a since 2010 until 2014 showed a significant increase, evvvenenen in 2014, rate of convetionanaalll crime in Indonesia reached 24.044 case. Howwweevever, there are obstacles in the commplplpleteion of this crime the introduction ooff f dddata from perpetetetrators of crime.

Therereereefore we need a systststemmmtttooorecorerecocogngngnize eeface of someoneee whww o can help for identifyyyinining data of a aapepeersrsonrsoo from mmththe he e pepeperprr etetettraaatototorsrr , whwhwhether the perpetetetrarar tors is a new the ofofffffender crimeooor rrhahahaveveve experience in pererfooormrmrminining ggcrcrcrimimiminal acts. In thththis case the auuthththors conddduucu ted a aa study on ffacacaceee recorerecocogngngnition usinng gg eigenfnfnface methohood dd as the m

m

method uuusesesed d d aaand add thththe e process imimage decoompmpmposo ition uuusisingsingng aaas part ooof the preprooocececessssssinininggg on theheheffface recognition.

Th Th

The resuuultltltss offtthe research thathhas been conducteted shshhowoo s thhhatatatttthehehebbbest levvvel of aaaccccccuruu acy uususing eigegenfnface method anand the image dedecompossititition aaasss papapartrtrt of thhheee pr

pr

procococesee s offfffface recognititioion is 80% witith the introducucttion of timeeooof 1000414141,4,4,4mms by us

us

using theeeimi age size 64x6464 pixels. Baaseed on the leevevel of accuracy anannd spppeeeeeeddd ofofoftthe re

re

resuss ltinnngg g time in this researcrch,h it can bebe concluddeded that image decompmppositiooonnnuuusing w

w

waveleeettt aandnd eigenface methhodod on facce recoggninitition time can afffefectct thehehe speeeededed and l

l

level ofo accuracacyy inin performinng gfaf ce rreccogniititionon.

(7)

vii KATA PENGANTAR

Puji syukur kepada Tuhan yang Maha Esa atas berkat dan bimbingan-Nya sehingga penulis dapat menyelesaikan pembuatan tesis ini dengan baik. Tujuan dari pembuatan tesis ini adalah sebagai salah satu syarat untuk mencapai derajat sarjana Magister Teknik Informatika dari Program Pascasarjana Universitas Atma Jaya Yogyakarta.

Penulis menyadari bahwa dalam pembuatan tesis ini tidak terlepas dari bantuan berbagai pihak baik secara langsung maupun tidak langsung. Oleh sebab itu, penulis mengucapkan terima kasih kepada:

1. Tuhan yang Maha Kuasa yang selalu memberikan berkat kesehatan dan inspirasi ide kepada penulis.

2. Professor Ir. Suyoto, M.Sc., Ph.D. selaku Dosen Pembimbing I yang dengan sabar telah memberikan bimbingan, kritik, dan saran sehingga tesis ini dapat diselesaikan dengan sangat baik.

3. Bapak B. Yudi Dwiandiyanta, S.T., M.T. selaku Dosen Pembimbing II yang telah memberikan bimbingan, kritik, dan saran sehingga tesis ini dapat diselesaikan dengan sangat baik.

4. Bapak Thomas Suselo, S.T., M.T. selaku Dosen Penguji yang dengan luar biasa telah memberikan bimbingan, kritik, dan saran sehingga tesis ini dapat terselesaikan dengan sangat baik.

5. Orang tua yang telah memberikan doa, dukungan , dan semangat untuk dapat menyelesaikan tesis ini.

Puji syukur kepapapaddada Tuhan yang Maha Esa aatatatas ssberkat dan bimbingan-Nya sehingga penulululisisis dapat menyeleeesaikan pembuatan tesis ini dennngagagan baik. Tujuan dari pembuaaatatatan tesis iniiiadddalalahalahah sebagaggaiiissalalalahhhsssaaatuuu syayay ratraratt unuu tuk mencapaiii ddderajat sarjana Ma

Maaggister Tekekekninnk Infofoformatika daririri PPPrororogrgrgramamam Pascasarjrjjananana Unnivnii ersitas AtAtAtmamm Jaya Yogyakakakararartatata.

P

Penulililis s menyadadari bahwa dalalam pembuatan n ttesis inii tittdak k teteterlrlrlepepepas darrriii

ba ba

bantuan bbeberbagai pihak bbaiaik secara lanangsung maupupun tidak langsununng. OOleOlelehhh sesesebabb b it

it

ituu, penenenullisis mmengucapkan tererimma kasihh kkepadaa::

1. Tuhan yayangng MMaha KuKuassa yyanng sseelalalu membmbererikikan berkat keseseehatan dan n

inspirasi ide kepaadad ppenenuluis.

2. PProfessof sor r Ir.IrIr SuSuSuyoyoyotototo, , M.Sc., Ph.D. sselselelakakakuuu DoDoDosesen PPembimbib biingngng I yanggg dengan sabar telah memmmbebeberikakakannn bimbingan, kritik, dan saran sehingggggga a a tesis ini dapat diselesaikan dengan sangat baik.

3 3

3. BapaBBapapak kk B.B.B YYYududdiii DwDwiaDwiaiandndndiyiyiyanaa taaa,, S.T.S.S.T.T.,MMM.T.T.T. selelelakakakuuu DoDoDosesennPePePembmbmbiimimbibibingngng II ya

ya

yangngng tellahahah memberikakakan bimbingagaannn, kritik, dddananan sarananan sssehehehininingggggga tetetesis ini dapat diselesaikan dennngggan sangattt bbaik.

4. Bapak Thomas Suselooo, S.T., M.TTT. selaku Dosen Penguji yang dengan luar biasa telah memberiririkan bimmmbingan, kritik, dan saran sehingga tesis

(8)

6. Sarah Renata yang senantiasa menjadi penyemangat dan selalu mendukung penulis dan memberikan ide- ide yang brilian serta menjadi subjek penelitian dalam pembuatan tesis ini.

7. Carlo yang selalu membantu dalam memahami tentang pengolahan citra serta penggunaan bahasa pemrograman PHP yang dibutuhkan dalam pembuatan tesis ini.

8. Veky dan Edwin yang sudah membantu dalam pembuatan design untuk aplikasi dalam tesis ini.

9. Igid, Johan, Veky, Edwin, Natan, Carlo, Tanti, Sarah, Dody, Ozzi, dan teman – teman semua yang dengan rela datang ke kampus hanya untuk diambil wajahnya sebagai objek penelitian.

10. Semua teman- teman yang tidak dapat penulis sebutkan satu per satu yang telah memberikan dorongan dan semangat yang sangat berarti. Seperti kata pepatah ‘Tiada gading yang tak retak’, bahwa penulis menyadari bahwa penulisan tesis ini memiliki banyak kekurangan dan jauh dari sempurna. Oleh sebab itu, penulis terbuka dengan kritik dan saran yang membangun mengenai penulisan tesis ini.

Akhir kata, semoga penulisan tesis ini dapat berguna dan bermanfaat bagi semua pihak.

Yogyakarta, 30 September 2014

Penulis mendukung penulis dan mememembmbmberikan ide ide yang brilian serta menjadi

subjek penelellitititiaiaian dalam pembuatan tesis ininini.i.i

7. Carlrllooo yang selalu meeembm antu dalam memahami tentntntanana g pengolahan citra

serta pengnn gugugunananaan bahahahasasasa a a pemrpepemrmrogggrararamamaman n n PHPP P yang dibbutututuhkan dalam peeembmm uatan nntesis ini.

8. 8.

8. VeVeVekyk danannEEEdwd in yang sudah h membantu dallamamm pppembuuuatatatananandddesign unununtuk appplililikak si dalamam tesis ini.

9. Igid, Johan, VVekeky,y Edwin, NNatan, Carlolo,, Tanti, Sarah, DoDody, OzDo OzOzzizizi,,, dadd n te

temam n – teman semumua yangg ddengann relela datang ke kaampmpushhhanyaaa uuunntntuk

diambill wawajajahnh ya sebebaggai oobjjekkppenenelitian.n.

10. Semua teman- ttememann yyana g tidaak k ddapapatt penulis sebutkan sattuuu per sasasatu yangttelahlahmemmmemembebeberiririkakk n dorongan dananansssemememanangaangagat t yayang sangat bebeberarararti.

Seperti kata pepatah ‘TiTiiadadada aa gadgagadiding yang tak retak’, bahwa penuuuliliiss

me me

menyadari bahwa penulisan tesis ini memiliki banyak kekurangan dan jjjauauauh dadadaririri se

s

s mpmpmpurururnanna.. OlOlOleheeh sssebebabebabab iiituttu, penupepenunulilils teteterbrbrbukukukaaa dededengngngananan kkkrirititiktik k dadadannn sarsasarran yayayannng m

me

membmbmbananangugugunnn mmmengnggenenenaiai penulisananan tesis ini.

Akhir kata, semoga penulululiisan tesisiiini dapat berguna dan bermanfaat bagi

semua pihak.

(9)

ix

1.4 Keaslian Penelitian ... 7

1.5 Manfaat Penelitian ... 7

1.6 Tujuan Penelitian ... 7

1.7 Sistematika Penulisan ... 8

BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI ... 10

2.1 Tinjauan Pustaka ... 10

2.2 Landasan Teori ... 17

2.2.1 Pengolahan Citra ... 17

2.2.2 Pengenalan Wajah (Face Recognition) ... 18

2.2.3 Algoritma Eigenface ... 18

2.2.4 Transformasi Wavelet ... 20

2.2.4.1 Wavelet Haar ... 21

BAB III METODOLOGI PENELITIAN ... 23

3.1 Metode Observasi ... 23

3.2 Metode Penelitian Kepustakaan (Library Research) ... 23

3.3 Metode Dokumentasi ... 23

3.4 Metode Pembangunan Perangkat Lunak ... 24

3.4.1 Analisis Kebutuhan Perangkat Lunak ... 24

3.4.2 Perancangan Perangkat Lunak ... 24

3.4.3 Implementasi Perangkat Lunak ... 24

3.4.4 Pengujian Perangkat Lunak ... 24

BAB IV HASIL PENELITIAN & PEMBAHASAN ... 25

4.1 Hasil Perancangan Aplikasi ... 25

4.1.1 Class Diagram ... 25

4.1.2 Physical Data Model ... 48

4.1.3 Tampilan Antarmuka Aplikasi Android ... 48

4.1.3.1 Antarmuka Utama ... 48

4.1.3.2 Antarmuka Menu Train ... 49

4.1.3.3 Antarmuka Menu Recognize ... 52

4.1.3.4 Antarmuka Details Recognize ... 53

4.1.4 Tampilan Antarmuka Aplikasi Web ... 54

4.1.4.1 Antarmuka Menu Login ... 54 32 Metode Penelitian Kepustakaan (Library Research) ... 2223 3.

BAB IV HASIL PENELITIANNN & PEMBAAAHASAN ... 25

4.1 Hasil Perancangan Aplikkkasi ... 25

4.1.1 Class Diagram ... 25

4.1.2 Physical Data Model l... 48

4.1.3 Tampilan Antarmuka AAAplikkkaaasi Android ... 48

4.1.3.1 Antarmuka Utama ... 48

(10)

4.1.4.2 Antarmuka Menu Utama ... 55

4.1.4.3 Antarmuka Menu Add New Data ... 55

4.1.4.4 Antarmuka Menu Details Data Wajah ... 56

4.1.4.5 Antarmuka Menu Add New Image... 56

4.1.4.6 Antarmuka Menu Edit Data ... 57

4.2 Alur Penelitian Yang Digunakan ... 57

4.3 Hasil Pengujian dan Analisis ... 60

4.3.1 Pengujian Tingkat Akurasi Pengenalan Dengan 1 Variasi Wajah .... 61

4.3.1.1 Pengujian Menggunakan Database 5 Data Wajah ... 61

4.3.2 Pengujian Waktu Pengenalan Dengan 1 Variasi Wajah ... 65

4.3.3 Pengujian Tingkat Akurasi dan Waktu Pengenalan Dengan 1 Variasi Wajah ... 69

4.3.4 Perbandingan Tingkat Akurasi Untuk Semua Pengujian Dengan 1 Variasi Wajah ... 74

4.3.5 Perbandingan Waktu Pengenalan Untuk Semua Pengujian Dengan 1 Variasi Wajah ... 76

4.3.6 Pengujian Tingkat Akurasi Pengenalan Dengan 2 Variasi Wajah .... 77

4.3.7 Pengujian Waktu Pengenalan Dengan 2 Variasi Wajah ... 81

4.3.8 Pengujian Tingkat Akurasi dan Waktu Pengenalan Dengan 2 Variasi Wajah ... 86

4.3.9 Perbandingan Tingkat Akurasi Untuk Semua Pengujian Dengan 2 Variasi Wajah ... 91 4.3.6 Pengujian Tingkat Akurasassii iPengenalan Dengan 2 Variasi Wajah ...777777 4.3.6.1 Pengujian Menggunakan Database 5 Data Wajah ... 777777

4.3.7.2 Pengujian Menggggunakan DDDataaabase 10 Data Wajah ... 82

4.3.7.3 Pengujian Mengggunakan Daatabase 20 Data Wajah ... 83

4.3.7.4 Pengujian Mengggug nakan Daaatabase 25 Data Wajah ... 84

4.3.8 Pengujian Tingkat AAAkurasi daaannn Waktu Pengenalan Dengan 2 Variasitt Wajah ... 86

4.3.8.1 Pengujian Menggunnanakan n Database 5 Data Wajah ... 86

4.3.8.2 Pengujian Menggunaaakakakannn Database 10 Data Wajah ... 87

(11)

xi 4.3.10Perbandingan Waktu Pengenalan Untuk Semua Pengujian Dengan 2

Variasi Wajah ... 92

4.4 Kelebihan dan Kekurangan Aplikasi ... 94

4.4.1 Kelebihan Aplikasi ... 94

4.4.2 Kekurangan Aplikasi... 94

BAB V KESIMPULAN DAN SARAN ... 95

5.1 Kesimpulan ... 95

5.2 Saran ... 96

DAFTAR PUSTAKA ... 97

4.4 Kelebihan dan Kekurangan AAAplplplikikasi ... 94

4.4.1 Kelebihan Apppliliikakakasi ...ii ... 94

4.4.2 Kekurangngngananan Aplikasi... 94

BAB V KESIMPULULULAN DAN SARAN .......... 95

5.1 Kesimpmpmpulan ... 95

5.2 Saarararan ... 96

(12)

DAFTAR GAMBAR

Gambar 2.1 Representasi matriks berukuran RxC ... 17

Gambar 4.1 Class Diagram Aplikasi... 20

Gambar 4.2 Physical Data Model Aplikasi ... 48

Gambar 4.3 Antarmuka Utama Aplikasi... 49

Gambar 4.4 Antarmuka Menu Train ... 50

Gambar 4.5 Antarmuka Add New Data ... 51

Gambar 4.6 Antarmuka Details Image ... 51

Gambar 4.7 Antarmuka Add New Image ... 52

Gambar 4.8 Antarmuka Menu Recognize... 53

Gambar 4.9 Antarmuka Details Recognize ... 54

Gambar 4.10 Antarmuka Menu Login ... 54

Gambar 4.11 Antarmuka Menu Utama ... 55

Gambar 4.12 Antarmuka Menu Add New Data ... 55

Gambar 4.13 Antarmuka Menu Details Data Wajah ... 56

Gambar 4.14 Antarmuka Menu Add New Image ... 56

Gambar 4.15 Antarmuka Menu Edit Data ... 57

Gambar 4.16 Alur Penelitian Untuk Pelatihan Wajah ... 58

Gambar 4.17 Alur Penelitian Untuk Pengenalan Wajah ... 59

Gambar 4.18 Grafik Akurasi Untuk Database 5 Data Wajah Dengan 1 Variasi Wajah ... 61

Gambar 4.22 Grafik Waktu Pengenalan Untuk Database 5 Data Wajah Dengan 1 Variasi Wajah ... 65

Gambar 4.26 Grafik Tingkat Akurasi dan Waktu Untuk Database 5 Data Wajah Dengan 1 Variasi Wajah ... 69

Gambar 4.29 Grafik Tingkat Akurasi dan Waktu Untuk Database 25 Data Wajah Dengan 1 Variasi Wajah ... 73 Gambar 4.21 Grafik Akurasi Untuk Database 25 Data Wajah Dengan 1a 1 VaVaVariririasassiii Wa

Gambar 4.24 Grafik Waktu Penggegenalan Unnnttut k Database 20 Data Wajah Dengan 1 Variasi Wajah ... 67

Gambar 4.25 Grafik Waktu Pengggenalan Untututuk Database 25 Data Wajah Dengan 1 Variasi Wajah ... 68

Gambar 4.26 Grafik Tingkat Akuuurarr si dannn Waktu Untuk Database 5 Data Wajah Dengan 1 Variasi WWWajajajah ... 69

(13)

xiii Gambar 4.30 Grafik Perbandingan Tingkat Akurasi Untuk Semua Pengujian

Dengan 1 Variasi Wajah ... 75 Gambar 4.31 Grafik Perbandingan Waktu Pengenalan Untuk Semua Pengujian

Dengan 1 Variasi Wajah ... 76 Gambar 4.32 Grafik Akurasi Untuk Database 5 Data Wajah Dengan 2 Variasi

Wajah ... 78 Gambar 4.33 Grafik Akurasi Untuk Database 10 Data Wajah Dengan 2 Variasi

Wajah ... 81 Gambar 4.36 Grafik Waktu Pengenalan Untuk Database 5 Data Wajah Dengan 2 Variasi Wajah ... 82 Gambar 4.37 Grafik Waktu Pengenalan Untuk Database 10 Data Wajah Dengan 2 Variasi Wajah ... 83 Gambar 4.38 Grafik Waktu Pengenalan Untuk Database 20 Data Wajah Dengan 2 Variasi Wajah ... 84 Gambar 4.39 Grafik Waktu Pengenalan Untuk Database 25 Data Wajah Dengan 2 Variasi Wajah ... 85 Gambar 4.40 Grafik Tingkat Akurasi dan Waktu Untuk Database 5 Data Wajah

Dengan 2 Variasi Wajah ... 86 Gambar 4.41 Grafik Tingkat Akurasi dan Waktu Untuk Database 10 Data Wajah Dengan 2 Variasi Wajah ... 87 Gambar 4.42 Grafik Tingkat Akurasi dan Waktu Untuk Database 20 Data Wajah Dengan 2 Variasi Wajah ... 89 Gambar 4.43 Grafik Tingkat Akurasi dan Waktu Untuk Database 25 Data Wajah Dengan 2 Variasi Wajah ... 90 Gambar 4.44 Grafik Perbandingan Tingkat Akurasi Untuk Semua Pengujian

Dengan 2 Variasi Wajah ... 91 Gambar 4.45 Grafik Perbandingan Waktu Pengenalan Untuk Semua Pengujian

Dengan 2 Variasi Wajah ... 93 Gambar 4.31 Grafik Perbandingag n n WaWaWaktktu Pengenalan Untuk Semua Pengujian Dengan 1 Vararariaiaiasi Wajah ...ii ... 76 Gambar 4.32 Grafik AAAkukukurasi Untuk Database 5 DaDaDatatta Wajah Dengan 2 Variasi Waaajajajahhh ... 78 Gambar 4.33 GrGrGrafik Akurasi UUUntuk Database 10 Data Waja ajjahahah Dengan 2 Variasi

Wajah ... 79 Gambar 4.43 Grafik Tingkat Akurararasiss ddananan WWWaktu Untuk Database 25 Data Wajajajahahah

Dengan 2 Variasi Wajjahahah ...999000 Ga

Ga

(14)

PENGARUH DEKOMPOSISI CITRA PENGARUH DEKOMPOSISI CITRA MENGGUNAKAN WAVELET PADA PENGENALAN WAJAH DI APLIKASI MOBILE.

TESIS