PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ) UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR.

(1)

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

UNTUK PENGENALAN WAJAH DENGAN CITRA WAJAH GAUSSIAN BLUR

SKRIPSI

Diajukan untuk Memenuhi Syarat Memperoleh

Gelar Sarjana Komputer

Program Studi Ilmu Komputer

Oleh

RATIH PUJIHATI 1001126

PROGRAM STUDI ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS PENDIDIKAN INDONESIA

▸ Baca selengkapnya: topeng merupakan tiruan wajah untuk memerankan suatu karakter atau

(2)

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

Oleh :

Ratih Pujihati

1001126

Sebuah skripsi yang diajukan untuk memenuhi syarat memperoleh gelar Sarjana

pada Fakultas Pendidikan Matematika dan Ilmu Pengetahuan Alam

Universitas Pendidikan Indonesia

Mei 2014

Hak Cipta dilindungi undang-undang.

Skripsi ini tidak boleh diperbanyak seluruhnya atau sebagian,

(3)

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

Oleh:

Ratih Pujihati

1001126

DISETUJUI DAN DISAHKAN OLEH:

Pembimbing I

Dr. Wawan Setiawan, M.Kom

NIP. 196601011991031005

Pembimbing II

Eddy Prasetyo Nugroho, MT

NIP. 197505152008011014

Mengetahui,

Ketua Program Studi Ilmu Komputer

Rasim, MT

(4)

LEMBAR PERNYATAAN

Saya menyatakanbahwaskripsi yang berjudul “Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) untuk Pengenalan Wajah dengan

Citra Wajah Gaussian Blur” inisepenuhnyakaryasayasendiri. Tidakadabagian di

dalamnya yang merupakanplagiatdarikarya orang

laindansayatidakmelakukanpenjiplakanataupengutipandengancara-cara yang

tidaksesuaidenganetikakeilmuan yang berlakudalammasyarakatkeilmuan.

Ataspernyataanini,sayasiapmenanggungresiko/sanksi

yangdijatuhkankepadasayaapabilakemudianditemukanadanyapelanggaranterhadap

etikakeilmuandalamkaryasayaini, atauadaklaimdaripihak lain

terhadapkeasliankaryasayaini.

Bandung, Mei2014

Yang membuat pernyataan,

(5)

Ratih Pujihati , 2014

Penerapan Metode Jaringan Syaraf Tiruan Learning Vector Quantization (lvq) Untuk Pengenalan Wajah Dengan Citra Wajah Gaussian Blur

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR ISI

ABSTRAK ... i

KATA PENGANTAR ... iii

UCAPAN TERIMA KASIH ... iv

DAFTAR ISI ... vi

DAFTAR TABEL ... x

DAFTAR GAMBAR ... xi

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Identifikasi Masalah... 4

1.3 TujuanPenelitian ... 4

1.4 Batasan Masalah ... 5

1.5 Manfaat Penelitian ... 5

1.6 Definisi Operasional ... 6

1.7 Metodologi Penelitian ... 7

1.8 SistematikaPenulisan ... 8

BAB II TINJAUAN PUSTAKA ... 12

2.1 Definisi Citra ... 12

2.1.1. Definisi Citra Analog ... 12

2.1.2. Definisi Citra Digital ... 13

2.2 Computer Vision ... 13

(6)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu

2.3.1. Macam-macam Penerapan Digital Image Processing ... 15

2.4Jaringan Syaraf Tiruan ... 21

2.4.1. Definisi Jaringan Syaraf Tiruan... 21

2.4.2. Model Neuron (selsaraf) ... 22

2.4.3. FungsiAktivasi ... 24

2.4.4. MetodePembelajaran ... 25

2.4.5. ArsitekturJaringan... 26

2.5 Metode Learning Vector Quantization (LVQ)... 29

2.5.1. Definisi Learning Vector Quantization (LVQ) ... 29

2.5.2. Arsitektur LVQ ... 30

2.5.3. Algoritma LVQ ... 31

2.6Gaussian Blur... 32

2.6.1. Pengaruh Gaussian Blur pada Nilai Piksel Citra Wajah ... 34

2.7 MATLAB ... 37

BAB III METODOLOGI PENELITIAN ... 38

3.1 MetodePenelitian ... 38

3.1.1. Studi Literatur ... 38

3.1.2. Pengembangan Sistem ... 38

3.2 DesainPenelitian ... 40

3.3 AlatdanBahan Penelitian ... 45

3.3.1. Alat Penelitian ... 45

3.3.2. Bahan Penelitian ... 46

(7)

Ratih Pujihati , 2014

3.4.1. ProsedurPengerjaanPenelitian ... 46

3.4.2. Pengumpulan Data ... 47

BAB IV HASIL PENELITIAN DAN PEMBAHASAN ... 49

4.1 AnalisisSistem ... 49

4.1.1. DeskrpsiUmumSistem ... 40

4.1.2. PerhitunganPengenalanWajah ... 49

4.2AnalisisKebutuhanSistem ... 64

4.2.1. BatasandanAsumsiAnalisis ... 64

4.2.2. MasukanSistem ... 64

4.2.3. Model Proses Sistem ... 65

4.2.4. KeluaranSistem ... 67

4.3PerancanganSistem ... 68

4.3.1. Perancangan Data ... 68

4.3.2. PerancanganAntarmukaSistem ... 69

4.4ImplementasiSistem ... 73

4.4.1. Implementasi Data ... 73

4.4.2. ImplementasiModul ... 77

4.4.3. ImplementasiAntarmuka ... 83

4.5 Pengujian ... 84

4.5.1. PengujianSistem ... 84

4.5.2. PengujianImplementasiKebutuhanFungsionalitasSistem ... 86

(8)

Ratih Pujihati , 2014

BAB V KESIMPULAN DAN SARAN ... 93

5.1 Kesimpulan ... 93

5.2 Saran ... 95

DAFTAR PUSTAKA ... xiii

(9)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR TABEL

Tabel 2.1 Nilai Piksel pada Citra Wajah Asli ... 34

Tabel 2.2 Nilai Piksel Citra Wajah dengan Gaussian Blur Radius 1.0 ... 35

Tabel 4.1 Properti antarmuka ... 70

Tabel 4.2 Modul yang Terdapat Pada Tahap Pra Proses ... 78

Tabel 4.3 Modul yang Terdapat Pada Feature extraction ... 79

Tabel 4.4 Modul yang Terdapat Pada Tahap Testing dengan Jaringan Syaraf Tiruan Learning Vector Quantization ... 80

Tabel 4.5 Persentase Akurasi Pengenalan Wajah Berdasarkan Responden ... 87

Tabel 4.6 Persentase Akurasi Pengenalan Wajah Berdasarkan TingkatBlur ... 89

Tabel 4.7 Persentase Akurasi Pengenalan Wajah Berdasarkan Pose Wajah ... 90

(10)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR GAMBAR

Gambar 2.1 Sistem Computer Vision (Saepudin, 2013) ... 14

Gambar 2.2 Model Neuron (Wuryandari, dkk 2012) ... 23

Gambar 2.3 Model Neuron (Wuryandari, dkk 2012) ... 23

Gambar 2.4 Jaringan Dengan Lapisan Tunggal (Wuryandari dkk, 2012) ... 27

Gambar 2.5 Jaringan Dengan Banyak Lapisan (Wuryandari dkk, 2012) ... 28

Gambar 2.6 Jaringan Dengan Lapisan Kompetitif (Wuryandari dkk, 2012) ... 28

Gambar 2.7 Arsitektur Jaringan LVQ (S. Heranurweni, 2010)... 30

Gambar 2.8 Gambar Asli ... 33

Gambar 2.9 Gaussian Blur Tingkat 1 ... 33

Gambar 3.1 Model Pengembangan Perangkat Lunak (Pressman, 2001) ... 40

Gambar 3.2 Desain Penelitian ... 41

Gambar 4.1 Alur Proses Sistem Faren ... 50

Gambar 4.2 Tahap Segmentasi Masukan Citra Wajah ... 52

Gambar 4.3 TahapPraprosesMasukan Citra Wajah ... 55

Gambar 4.4 TahapFeature extractionMasukan Citra Wajah ... 57

Gambar 4.5 Detail Alur Proses Pengenalan Wajah Sistem Faren ... 63

(11)

Ratih Pujihati , 2014

Gambar 4.7 Data Flow Diagram Level 1 Sistem Faren... 66

Gambar 4.8 Dialog Chart Faren ... 70

Gambar 4.9 Rancangan Antarmuka Sistem Faren ... 72

Gambar 4.10 Implementasi Arsitektur Jaringan pada Faren ... 75

Gambar 4.11 Implementasi Antarmuka Sistem Faren ... 84

Gambar 4.12 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Responden ... 88

Gambar 4.13 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Tingkat Blur ... 89

Gambar 4.14 Grafik Persentase Akurasi Pengenalan Wajah Berdasarkan Pose Wajah ... 91

(12)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu i

ABSTRAK

PENERAPAN METODE JARINGAN SYARAF TIRUAN LEARNING VECTOR QUANTIZATION (LVQ)

Ratih Pujihati

1001126

Identifikasi biometrik dapat dijadikan sebagai suatu alternatif untuk sistem keamanan. Identifikasi biometrik merupakan pengembangan dari metode dasar identifikasi dengan menggunakan karakteristik alami manusia sebagai basisnya, yaitu karakteristik fisiologis dan karakteristik perilaku. Karakteristik fisiologis adalah ciri fisik yang relatif stabil seperti sidik jari, siluet tangan, ciri khas wajah, pola gigi, atau retina mata. Sedangkankarakteristikperilaku, sepertitandatangan, polaucapan, atauritmemengetik. Pengenalan wajah (face recognition) adalah salah satu teknik identifikasi biometrik dengan menggunakan wajah individu yang bersangkutan sebagai parameter utamanya.Pada perkembangan teknologi saat ini, banyak sistem aplikasi yang berbasis pada pengenalan wajah, namun hanya untuk pengenalan wajah normal (tanpa blur). Sedangkan pada kenyataannya, data citra wajah yang didapatkan tidak selalu merupakan data citra wajah normal (tanpa blur).Berdasarkanhaltersebut, makapenelitianinidilakukanuntukpengenalanwajahpada citrawajahdengantingkat blur yang bervariasi yaitu tingkat 1 sampai 5. Salah satujenis blur yang digunakanyaitu Gaussian Blur.

Saatini, metode yang

dianggapakuratdalampengenalanwajahadalahJaringan Syaraf Tiruan Learning Vector Quantization. Pada penelitian ini, metode tersebut akan diterapkan pada tahap recognition (pengecekan dan pengkategorian inputan). Adapun urutan proses pengenalannya adalah Masukan – Pra Proses – Feature Extraction – Pengenalan – Hasil.

Sistem yang dikembangkan telah berhasil mengenali wajah pada citra wajah Gaussian Blur yang bervariasi dengan menghasilkan persentase akurasi terbaik yaitu 93,33%. Dengan persentase tersebut, dapat disimpulkan bahwa sistem dapat menghasilkan pengenalan wajah yang akurat.

Kata Kunci:Biometrik, Pengenalan Wajah, Learning Vector Quantization, Citra

(13)

(14)

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu iii

ABSTRACT

THE APPLICATION OF NEURAL NETWORK LEARNING VECTOR QUANTIZATION (LVQ) METHOD

IN FACE RECOGNITION WITH GAUSSIAN BLURFACE IMAGE

Ratih Pujihati

1001126

Biometric identification can be used as an alternative for security system. Biometric identification is the development of identification basic methodby using the natural characteristics human as its base, those are physiological characteristicsand behavioral characteristics. Physiological characteristic is physical characteristics which are relatively stable such as fingerprints , hand silhouettes, characteristic facial , dental patterns, or retina of the eye. While the behavioral characteristics, such as signature, speech patterns, or typing rhythm. Face recognition is one of the biometric identification by using the individuals concerned face as the main parameter. In the current technological developments, many application systems based on face recognition, but only for normal face recognition ( no blur ). While in fact, the face image data obtained is not only a normal face image data ( no blur ). Based on that phenomenon, the research is done for face recognition on a face image with the varation levels of blur. One type of blurs that is used is Gaussian Blur.

Nowadays, the method that is concerned accurate in face recognition is Artificial Neural Network Learning Vector Quantization. In this research, the method will be applied to the recognition step (checking and categorizing input). The steps of this recognition are Input - Pre Process - Feature Extraction - Recognition - Output.

The system developed has been recognizing faces successfully in a face image with varying Gaussian Blur produces the best accuracy percentage is 93.33%. With these percentages, it can be concluded that the system can produce accurate face recognition.

Keyword:Biometrics, Facial Recognition, Learning Vector Quantization, Gaussian

(15)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB I

PENDAHULUAN

1.1 Latar Belakang

Masalah keamanan (security) merupakan salah satu isu yang sangat penting

akhir-akhir ini. Salah satu teknik yang diunggulkan bisa diterapkan untuk

permasalahan tersebut adalah keamanan biometrik, suatu teknologi yang mengacu

ke karakteristik tertentu pada manusia yang unik dan berbeda satu sama lain.

Biometrik yang merupakan pengembangan darimetode dasar identifikasi

dengan menggunakankarakteristik alami manusia sebagai basisnya. Biometrik

mencakup karakteristik fisiologis dankarakteristik perilaku. Karakteristik

fisiologis adalahciri fisik yang relatif stabil seperti sidik jari, siluettangan, ciri

khas wajah, pola gigi, pola iris, atau retinamata. Sedangkan karakteristik perilaku,

seperti tandatangan, pola ucapan, atau ritme mengetik, selainmemiliki basis

fisiologis yang relatif stabil, jugadipengaruhi kondisi psikologis yang mudah

berubah.Pengenalan wajah (face recognition)adalah salah satu teknik identifikasi

teknologi biometrik dengan menggunakan wajah individu yang bersangkutan

sebagai parameter utamanya.

Pada proses pengenalan wajah diperlukan metode yang sesuai untuk

mendapatkan hasil pengenalan wajah yang terbaik.Proses pengenalan wajah telah

banyak dikaji dengan berbagai metode antara lain metode Backpropagation, Self

(16)

Ratih Pujihati , 2014

memiliki performa yang cukup baik untuk pengenalan data citra wajah standar,

(17)

3

Ratih Pujihati , 2014

beberapa penelitian terdahulu. Namun pada kenyataannya data citra wajah

yang didapatkan tidak selalu merupakan data citra wajah normal, data dapat

berupa citra wajah dengan intensitas cahaya yang berubah-ubah dan juga data

citra wajah yang memiliki tingkat bluryang bervariasi. Data citra wajah yang

bervariasi dapat menyebabkan tingkat pengenalan wajah yang rendah, sehingga

perlu dikembangkan suatu metode yang dapat menghasilkan tingkat pengenalan

wajah yang baik untuk data citra wajah yang memiliki tingkat blur yang

bervariasi.

Penelitian dengan judul Pengenalan Wajah Menggunakan Learning Vector

Quantization(S. Heranurweni, 2010) membuat sistem pengenalan wajah dengan

melatih citra melalui proses Pulse Coupled Neural Network (PCNN) yaitu proses

restorasi, segmentasi, dan deteksi terlebih dahulu sebelum masuk pada proses

LVQ. Selanjutnya keluaran dari PCNN yang telah dinormalisasi akan menjadi

masukan pada Jaringan Syaraf Tiruan LVQ. Metode untuk menganalisa hasil

LVQ adalah dengan cara melakukan persentase terbanyak dari hasil pencarian

jarak terdekat terhadap bobot yang telah tersimpan dalam proses learning.

Penelitian ini menyatakan bahwa Jaringan Syaraf Tiruan PCNN dan LVQ mampu

bekerja dengan baik untuk pengenalan wajah. Tingkat akurasi sistem LVQsetelah

dilakukan beberapa kali proses learning (setiap gambar dilakukan 2 kali proses

learning) adalah 86,67%.

Penelitian lain dengan judul Learning Vector Quantizationdengan Logika

(18)

4

Ratih Pujihati , 2014

Cahaya (Putri, Novia R, 2012) membuat sistem pengenalan wajah dengan variasi

tingkat cahaya pada citra. Tingkat pengenalan menggunakan LVQ mengalami

penurunan jika data yang digunakan terdiri atas beberapa variasi,oleh karenaitu

dikembangkanlah metode logika Fuzzy yang mampu meningkatkan tingkat

pengenalan dan performa dari LVQ. Proses pengenalannya adalah data citra wajah

yang telah dinormalisasi menjadi masukan untuk metode LVQ. Selanjutnya

keluaran dari LVQ, akan menjadi masukan untuk metode Fuzzy setelah melalui

proses Fuzzyfikasi. Fuzzyfikasi merupakan proses pembentukan data Fuzzy yang

berasal dari data citra wajah menjadi bilangan Fuzzy. Rata-rata perbedaan tingkat

rekognisi dari percobaan antara metode LVQ tanpa Fuzzy dan metode Fuzzy

LVQ adalah sebesar 40%. Sehingga cukup membuktikan bahwa dengan logika

Fuzzy dapat meningkatkan performa dari LVQ.

Penelitian dengan metode LVQ yang telah dilakukan dapat memperoleh

tingkat akurasi yang tinggi, namun untuk pengenalan wajah dalam kondisi normal

(tanpa blur). Berdasarkan hal tersebut, maka penelitian ini dilakukan untuk

pengenalan wajah dengan wajah yang memiliki variasi tingkat blurmenggunakan

metode LVQ. Kajian ini dilakukan pada salah satu jenis bluryaitu Gaussian Blur.

Dalam pembangunan sistem pada penelitian ini, digunakan bahasa

pemrograman Matrix Laboratory (MATLAB). MATLAB dibangun sebagai

bahasa pemrograman sekaligus alat visualisasi, yang menawarkan banyak

(19)

5

Ratih Pujihati , 2014

dengan disipilin keilmuan Matematika, seperti bidang rekayasa teknik, fisika,

statistika, komputasi dan modeling (Away, Gunaidi Abdia. 2010).

1.2 Identifikasi Masalah

Secara umum permasalahan yang akan dikaji dalam penelitian ini adalah

bagaimana implementasi metode Jaringan Syaraf TiruanLearning Vector

Quantization (LVQ)dapat melakukan pengenalan wajah pada data citra wajah

dengan tingkat Gaussian bluryang bervariasi?

Secara khusus permasalahan penelitian ini adalah sebagai berikut :

a. Bagaimana cara kerja metodeJaringan Syaraf Tiruan Learning Vector

Quantization (LVQ) untuk pengenalan wajah pada data citra wajah dengan

tingkat Gaussian blur yang bervariasi?

b. Bagaimana persentase akurasi yang dihasilkan sistem pengenalan wajah pada

citra wajah dengan tingkat Gaussian bluryang bervariasi dengan

metodeLearning Vector Quantization (LVQ) ?

1.3 Tujuan Penelitian

Tujuan umum penelitian ini adalah mengetahui implementasi metode

Jaringan Syaraf Tiruan Learning Vector Quantization (LVQ) dalam

mengenaliwajah pada data citra wajah dengan tingkat Gaussian blur yang

(20)

6

Tujuan khusus penelitian ini adalah sebagai berikut :

a. Memahami cara kerja Jaringan Syaraf Tiruan Learning Vector Quantization

(LVQ) untuk pengenalan wajah pada data citra wajah dengan tingkat

Gaussian blur yang bervariasi.

b. Mengetahui persentase akurasi yang dihasilkan sistem pengenalan wajah pada

data citra wajah dengan tingkat Gaussian bluryang bervariasi dengan

metodeLearning Vector Quantization (LVQ).

1.4 Batasan Masalah

Beberapa batasan masalah dalam penelitian Penerapan Metode Learning

Vector Quantization (LVQ) untuk pengenalan wajah dengan citra wajah Gaussian

blur adalah sebagai berikut:

a. Sistem hanya dapat mengenali citra wajah dengan tingkat Gaussian Blur 1

sampai 5.

b. Sistem hanya mengenali citra wajah tunggal.

c. Pengenalan wajah dilakukan secara offline.

d. Citra wajah memiliki format *.jpg

1.5 Manfaat Penelitian

Adapun manfaat yang diharapkan dari penelitian Penerapan Metode

Learning Vector Quantization (LVQ) untuk pengenalan wajah dengan citra wajah

(21)

7

e. Bagi Peneliti

Peneliti diharapkan mendapatkan pengetahuan baru mengenai identifikasi

biometrik khususnya untuk pengenalan wajah. Selain itu, peneliti mengetahui

proses penerapan metode LVQ untuk pengenalan wajah dengan tingkat

Gaussian bluryang bervariasi.

f. Bagi Pihak Lain

Hasil penelitian ini diharapkan dapat menjadi langkah awal untuk

pengembangan teknologi agar dalam membangun aplikasi pengenalan wajah

pada teknologi komputer. Selain itu diharapkan manfaat lain oleh pengguna

keamanan biometrik untuk mempermudah identifikasi pengenalan wajah pada

citra wajah dengan tingkatGaussian blur.

1.6 Definisi Operasional

Adapun definisi operasional pada penelitian ini meliputi hal-hal sebagai

berikut:

a. Identifikasi Pengenalan Wajah

Data yang digunakan merupakan citra wajah tanpa Gaussian Blur dan citra

dengan tingkat Gaussian Blur yang bervariasi.

b. Masukan yang Diterima

Secara umum, ada 2 cara untuk meng-input-kan wajah ke dalam komputer,

yaitu dengan online dan offline. Cara online, maksudnya adalah pengguna

(22)

8

Ratih Pujihati , 2014

lain yaitu webcam. Sedangkan cara offline adalah dengan melakukan foto

wajah kemudian foto tersebut dimasukkan ke komputer.

Pada penelitian ini masukan yang diterima dibatasi secara offline, karena citra

wajah akan diberibluruntuk menjadi masukan pada sistem sebelum masuk ke

proses pengenalan. Jenis blur yang digunakan pada penelitian ini adalah

Gaussian Blur tingkat 1.0, 2.0, 3.0, 4.0, dan 5.0. Pemberian blur pada citra

wajah adalah secara manual menggunakan aplikasi Photoshop CS5. Ukuran

citra wajah yang menjadi masukan tidak ditentukan ukuran pikselnya, karena

sistem akan otomatis melakukan pemotongan citra sesuai yang dibutuhkan.

1.7 Metodologi Penelitian

Metode-metode yang digunakan pada penelitian ini adalah, sebagai berikut:

a. Kajian Pustaka

Kajian Pustaka dilakukan dengan mengumpulkan data dan informasi baik

dari buku-buku bacaan, jurnal, maupun artikel-artikel yang berasal dari

internet yang berkaitan pengenalan wajah menggunakan metode LVQ.

b. Pembuatan Perangkat Lunak

Hasil akhir penelitian adalah sebuah perangkat lunak yang dapat melakukan

pengenalan wajah pada citra wajah dengan tingkat Gaussian blur yang

bervariasi pada citra wajah masukan.

(23)

9

Ratih Pujihati , 2014

Tahap ini dilakukan untuk melihat perbandingan antara hasil pengenalan

wajah secara manual, dengan hasil dari perangkat lunak yang dibuat. Selain

itu, tahap ini dilakukan untuk mengurangi tingkat error pada sistem

perangkat lunak dengan cara memasukan data dummy untuk pengenalan

wajah.

d. Eksperimen

Setelah tahap uji coba dilakukan, selanjutnya adalah tahap eksperimen yaitu

dengan melakukan pengenalan wajah dengan data yang sebenarnya untuk

mengetahui tingkat akurasi pengenalan wajah.

1.8 Sistematika Penulisan

Sistematika penulisan dalam penelitian ini adalah sebagai berikut:

BAB I PENDAHULUAN

Pada Bab Pendahuluan ini disajikan beberapa point yang termasuk

dalam pendahuluan mengenai penelitian ini, diantaranya:

1.1. Latar Belakang: menjelaskan mengenai alasan dilakukannya

penelitian, penjelasan teori, pemaparan penelitian-penelitian yang

sudah ada terlebih dahulu, alasan pemilihan metode penelitian,

algoritma pada penelitian, dan lain-lain.

1.2. Identifikasi Masalah: menjelaskan mengenai permasalahan umum

dan permasalahan khusus yang akan dibahas dan diteliti pada

(24)

10

Ratih Pujihati , 2014

1.3. Tujuan Penelitian: menjelaskan mengenai tujuan umumdan tujuan

khusus dilakukan penelitian.

1.4. Manfaat Penelitian: menjelaskan manfaat yang yang akan

didapatkan setelah penelitian dilakukan, baik manfaat untuk

peneliti maupun untuk masyarakat.

1.5. Definisi Operasional: membahas mengenaidefinisi operasional

pada penelitian, seperti batasan masukan yang akan diolah oleh

sistem.

1.6. Metodologi Penelitian: memaparkan alur dan metode-metode yang

digunakan saat penelitian.

1.7. Sistematika Penulisan: berisi urutan penulisan pada dokumentasi

penelitian.

BAB II TINJAUAN PUSTAKA

Pada Bab Tinjauan Pustaka memaparkan teori-teori yang mendukung dan

berhubungan dengan penelitian mengenai penerapan metode LVQ untuk

pengenalan wajah. Teori tersebut meliputi:

2.1 Definisi Citra, meliputi pengertian mengenai citra.

2.2 Teori Computer Vision, meliputi penjelasan mengenai pengertian dan

penjelasan proses Computer Vision untuk pengenalan citra.

2.3 Teori Digital Image Processing, meliputi pengertian dan penjelasan

(25)

11

Ratih Pujihati , 2014

2.4 Jaringan Syaraf Tiruan, berisi penjelasan teori, arsitektur, dan proses

dari Jaringan Syaraf Tiruan.

2.5 Metode Learning Vector Quantization, berisi penjelasan metode,

arsitektur, dan algoritma dari LVQ.

2.6 Gaussian Blur, meliputi pengertian dan penjelasan mengenai Gaussian

Blur yang merupakan jenis blur yang dipakai untuk penelitian

pengenalan wajah.

2.7 Matlab, meliputi pemaparan sejarah dan fungsi perangkat lunak

pendukung penelitian.

BAB III METODE PENELITIAN

Pada Bab ini memaparkan tentang metode-metode yang akan dilakukan

untuk penelitian sebagai berikut:

3.1 Metode Peneltian, menjelaskan mengenai urutan metode yang

dilakukan pada penelitian.

3.2 Desain Penelitian, menjabarkan alur yang dilakukan pada saat

penelitian. Mulai dari pengumpulan informasi hingga tahap

eksperimen.

3.3 Alat dan Bahan Penelitian, berisi kebutuhan-kebutuhan pada saat

penelitian, baik perangkat lunak, perangkat keras, maupun bahan

(26)

12

Ratih Pujihati , 2014

3.4 Implementasi Penelitian, berisi bagaimana metode penelitian akan

diterapkan.

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

Bab ini memaparkan tentang implementasi dan pembahasan penelitian

Penerapan Metode LVQ untuk Pengenalan Wajah dengan Citra Wajah

Gaussian Blursebagai berikut:

4.1 Analisis Sistem, menjabarkan mengenai deskrpsi umum sistem yang

dibangun, dan proses perhitungan sehingga sistem dapat melakukan

pengenalan wajah dengan menggunakan metode LVQ.

4.2 Analisis Kebutuhan Sistem, berisi mengenai deskripsi kebutuhan

sistem, model dan alur sistem.

4.3 Perancangan Sistem, menjelaskan rancangan data yang digunakan

dalam penelitian, dan rancangan antarmuka sistem.

4.4 Implementasi Sistem, memaparkan implementasi data, modul program,

dan implementasi antarmuka berdasarkan rancangan yang telah

dibuatpada tahap perancangan sistem.

4.5 Pengujian Sistem, memperlihatkan skenario pengujian yang dilakukan

pada sistem yang dibangun.

4.6 Pembahasan Hasil Pengujian, menjabarkan hasil pengujian berdasarkan

skenario pengujian, serta analisis dan kesimpulan dari hasil pengujian

(27)

13

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB V PENUTUP

5.1 Kesimpulan, yang berisi pencapaian tujuan dari penelitian yang

dilakukan.

5.2 Saran, berisi tentang hal-hal yang dirasa belum sempurna dari

penelitian yang dilakukan.

LAMPIRAN

(28)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB III

METODOLOGI PENELITIAN

3.1 Metode Penelitian

Dalam penelitian penerapan metode Jaringan Syaraf Tiruan Learning Vector

Quantization (LVQ) untuk pengenalan wajahterdiri dari empat metodologi

penelitian, yaitu studi literatur, pengembangan perangkat lunak, uji coba, dan

eksperimen.

3.1.1 Studi Literatur

Studi literatur bertujuan untuk mempelajari teori-teori yang berhubungan

dengan pengenalan wajah dengan Jaringan Syaraf TiruanLearning Vector

Quantization (LVQ) dengancitra wajah Gaussian Blurseperti image processing,

pattern recognition, face recognition, mempelajari penggunaan Gaussian Blur

pada citra wajah, dan metode LVQ untuk pengenalan wajah. Bahan-bahan studi

literatur diperoleh dari buku-buku baik lokal maupun terjemahan buku

internasional, artikel-artikel, jurnal, dan ebook dari internet.

3.1.2 Pengembangan Sistem

Dalam tahap pengembangan sistem menggunakan metode pendekatan

terstruktur dengan menggunakan model sekuensial linear. Dimana tahapan –

tahapan model ini adalah analisis, desain, codingdan testing.

(29)

Tahap analisis adalah tahap pengumpulan informasi yang berkaitan

(30)

39

Ratih Pujihati , 2014

perangkat keras, maupun perangkat lunak. Pada tahap analisis dilakukan pula

cara-cara perhitungan metode LVQ untuk pengenalan wajah dengan citra

wajah Gaussian Blur.

b. Desain

Setelah tahap analisis selesai dilakukan, selanjutnya adalah tahap desain.

Tahap ini merancang model dan alur pembangunan sistem pengenalan wajah

sesuai dengan analisis yang telah dilakukan.

c. Coding

Setelah desain dan alur dirancang, selanjutnya adalah proses

implementasi coding. Tahap ini merupakan tahap utama karena pada tahap

inilah proses pembangunan sistem yang dapat menyelesaikan masalah dan

mengolah data-data yang telah terkumpul. Pada tahap ini pula proses hasil

desain yang telah dibuat diimplementasikan.

d. Testing

Setelah perangkat lunak berhasil dibuat selanjutnya adalah pengujian

terhadap sistem pengenalan wajah menggunakan metode LVQ. Pengujian

dilakukan dengan menguji tingkat akurasi pengenalan wajah dengan variasi

(31)

40

Ratih Pujihati , 2014

Gambar 3.1 merupakan model pengembangan perangkat lunak dengan

[image:31.595.140.502.184.287.2]

menggunakan model sekuensial linear.

Gambar 3.1 Model Pengembangan Perangkat Lunak (Pressman, 2001)

3.1.3 Uji Coba Sistem

Tahap ini merupakan tahap pengujian sistem dengan menggunakan data

dummy sebagai masukannya. Proses ini dilakukan sampai sistem berjalan dengan

baik atau sampai sistem tidak mengalami error.

3.1.4 Eksperimen

Setelah sistem berjalan dengan baik, maka tahap selanjutnya adalah tahap

eksperimen terhadap data training dan data testingcitra wajah dengan tingkat

Gaussian Bluryang bervariasi sebagai masukan untuk melakukan pembuktian

bahwa proses pengenalan wajah dengan penerapan metode Jaringan Syaraf Tiruan

LVQ dapat menghasilkan keluaran yang sesuai dengan target.

3.2 Desain Penelitian

Analisis Desain Coding _Testing

(32)

41

Gambar 3.2 menggambarkan desain penelitianpenerapan metode Jaringan

Syaraf Tiruan (Learning Vector Quantization) LVQ untuk pengenalan wajah pada

[image:32.595.113.554.192.647.2]

citra wajah Gaussian Blur.

Gambar 3.2 Desain Penelitian

Penjelasan dari desain penelitian diatas adalah sebagai berikut:

(33)

42

Ratih Pujihati , 2014

Studi Literatur merupakan tahan awal dalam pembuatan penelitian

dengan mengumpulkan data berupa buku, artikel, jurnal ataupun bahan-bahan

lainnya yang menunjang dalam penelitian. Selain itu memahami juga teori

tentang penerapan metode LVQ untuk pengenalan wajah.

b. Mengumpulkan Data Penelitian Citra Wajah

Data penelitian yang digunakan dalam penelitian ini diambil dari

http://www.milbo.org/muct/. Data yang digunakan sebanyak10 responden

yang masing-masing diambil citra wajahnya sebanyak 15citra. Kemudian

pada masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai

5.Sehingga jumlah data citra wajah tiap responden menjadi 90 citra, dan total

citra wajah seluruh responden sebanyak 900 citra.

c. Segmentasi

Segmentasi bertujuan untuk memilih dan memisahkan suatu objek dari

keseluruhan citra. Pada penelitian ini ukuran masukan citra wajah pada sistem

pengenalan tidak ditentukan, oleh karena itu dibutuhkan tahap segmentasi.

Proses segmentasi yang dilakukan adalah scalling, dimana pada proses

scalling dilakukan pemotongan citra wajah masukan dari background citra,

sehingga ukuran citra wajah yang akan diproses difokuskan pada citra wajah

saja.

d. Grayscalling

Grayscale adalah proses konversi citra berwarna RGB ke warna abu-abu

(34)

43

Ratih Pujihati , 2014

terdapat 3 layer matriks yaitu R-layer, G-layer, B-layer, dengan

mengubahnya ke grayscale menjadikan citra tersebut memiliki 1 layer yaitu

matriks grayscale.

e. Thresholding

Proses Threshold merupakan proses konversi citra grayscale menjadi

citra biner (binary image) dengan nilai 1 dan 0. Citra grayscale memiliki nilai

intensitas warna antara 0 – 255 sehingga pada untuk memberikan nilai binary

image pada citra ditentukan terlebih dahulu batas ambang yang akan

membagi 2 daerah pada citra. Pada penelitian ini, dalam menentukan batas

ambang nilai threshold menggunakan metode Otsu. Metode Otsu adalah suatu

metode yang menghitung nilai ambang secara otomatisberdasarkan citra

masukan. Pendekatan yang digunakan oleh metode Otsu adalah dengan

melakukan analisis diskriminan yaitu menentukan suatu variabel yang dapat

membedakan antara dua atau lebih daerah yang muncul secara alami.

f. Feature Extraction

Feature Extractionmerupakan proses yang bertujuan untuk memperoleh

karakteristik suatu karakter citra yang membedakan suatu karakter atau pola

dari pola yang lainnya, yang disebut dengan fitur. Fitur ini digunakan untuk

mengambil informasi yang relevan dari citra wajah yang menjadi masukan

agar dapat dimengerti oleh sistem. Pada penelitian ini teknik Feature

Extractionyang dipilih adalah teknik zoning.Teknik zoningini dilakukan

(35)

44

Ratih Pujihati , 2014

penelitian ini, dimensi masukan citra wajah akan diubah menjadi 5 x 7

wilayah.

g. Metode Learning Vector Quantization

Pada metode LVQ terdapat beberapa langkah seperti berikut :

1) Training data

Tahapan ini bertujuan untuk menghasilkan pola keluaran yang sesuai

dengan target yang diharapkan. Data citra wajah yang telah didapat akan

dimasukan ke dalam metode LVQ dan selanjutnya data tersebut dilatih

dan ditentukan pola keluarannya.

2) Testingdata

Setelah melakukan pelatihan, maka dilakukan test data untuk

mengetahui hasil dari penelitian, dimana parameter-parameter yang

digunakan diperoleh pada proses training.

h. Pengujian Sistem

Pengujian sistem dilakukan untuk mengetahui akurasi pengenalan

wajah yang dihasilkan oleh sistem. Pengujian sistem dalam penelitian ini

menggunakan beberapa skenario pengujian, yaitu

1) Pengujian berdasarkan responden

2) Pengujian berdasarkan tingkat blur

3) Pengujian berdasarkan pose wajah

4) Pengujian berdasarkan tingkat cahaya

(36)

45

Ratih Pujihati , 2014

Setelah hasil dari penelitian atau objek sudah didapatkan melalui proses

training dan testing selanjutnya akan dianalisa berdasarkan beberapa

parameter berikut :

a. Waktu Training

Waktu yang dihabiskan pada saat proses training.

b. Tingkat Akurasi

Mengukur tingkat akurasi perhitungan kemiripan.

c. Jumlah Data Training

Jumlah data training yang digunakan pada jaringan untuk mencapai

tingkat akurasi yang sudah ditentukan.

j. Dokumentasi Hasil Penelitian

Setelah proses dan tahapan sudah dilewati kemudian akan

didokumentasikan menjadi sebuah hasil penelitian.

3.3 Alat dan Bahan Penelitian

Dalam pembangunan perangkat lunak penerapan metode LVQ pada

pengenalan wajah membutuhkan seperangkat alat komputer yang disertai dengan

perangkat lunak pendukung. Sedangkan bahan yang digunakan berupa citra

wajahtanpa Gaussian Blur dan citra wajah dengan tingkat Gaussian Blur.

3.3.1 Alat Penelitian

a) Kebutuhan Perangkat Keras

(37)

46

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu  Processor Core i3-2100 3.10 GHz

 RAM 2 GHz

 Harddisk 500 GB

 Monitor Resolusi 1366 x 768, 32 bit colour quality

 Mouse dan Keyboard

b) Kebutuhan Perangkat Lunak

Perangkat lunak yang dibutuhkan adalah sebagai berikut:

 Windows 8 Profesional

 MATLAB Version8.1.0.6 04 (R2013a)

 Microsoft Office Word 2013

 Adobe Photoshop CS5

 Power Designer v5.3

3.3.2 Bahan Penelitian

Data penelitian yang digunakan dalam penelitian ini diambil dari

http://www.milbo.org/muct/. Data yang digunakan sebanyak 10 responden yang

masing diambil citra wajahnya sebanyak 15 citra. Kemudian pada

masing-masing citra wajah diberi Gaussian Blur tingkat 1 sampai 5. Sehingga jumlah data

citra wajah tiap responden menjadi 90 buah terdiri dari 75 citra wajah dengan

Gaussian Blur dan 15 citra wajah tanpa Gaussian Blur. Total citra wajah seluruh

responden sebanyak 900 buah. Ukuran citra wajah tidak ditentukan karena sistem

(38)

47

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu 3.4 Implementasi Penelitian

3.4.1 Prosedur Pengerjaan Penelitian

Penelitian ini memerlukan tahapan-tahapan yang harus dilakukan seperti

pengumpulan data berupa dokumen, data sampel berupa citra wajah dengan

tingkat Gaussian Blurdan citra tanpa Gaussian Blur, eksplorasi mengenai metode

LVQ untuk pengenalan wajah, perancangan dan pembangunan perangkat lunak,

dan pengujian kualitas sistem yang telah dibangun untuk mengetahui tingkat

akurasi pengenalan wajah pada citra dengan tingkat Gaussian Blur.

Prosedur pengerjaan penelitian yang dilakukan adalah sebagai berikut:

a. Pengumpulan data berupa dokumen dan informasi mengenai proses

pengolahan citra digital, dan teknik pengenalan wajah dengan metode LVQ.

b. Pengumpulan data sampel citra wajah dari 10 responden, masing-masing

responden memiliki 15 citra wajah. Kemudian citra wajah akan diproses

manual untuk memberikan Gaussian Blurtingkat 1 sampai 5. Sehingga citra

wajah yang terkumpul adalah citra wajah yang memiliki tingkat Gaussian

Blursebanyak 75 dan citra wajah tanpa Gaussian Blursebanyak 15 untuk

masing-masing responden.

c. Perancangan dan pembangunan perangkat lunak yang telah disesuaikan

dengan proses-proses yang telah didefinisikan pada kebutuhan fungsional

sistem.

(39)

48

Ratih Pujihati , 2014

Pengumpulan data untuk kebutuhan penelitian ini meliputi teori-teori yang

dapat menunjang penelitian penerapan metode LVQ untuk pengenalan wajah,

diantaranya image processing dan feature extraction. Selain itu dikumpulkan juga

teori yang berkaitan dengan teknik penggunaan metode LVQ untuk pengenalan

wajah, dan mempelajari macam-macam bluryang terdapat pada citra wajah.

Untuk memenuhi kebutuhan pembangunan sistem, dibutuhkan data latih

berupa data citra wajah denganGaussian Blurdan citra tanpa Gaussian Blur.

Jumlah data yg dikumpulkan adalah 900 citra wajah, kemudian citra wajah akan

diolah secara manual untuk menambahkan tingkat Gaussian Blur. Ukuran citra

tidak ditentukan karena sistem akan melakukan pemotongan otomatis pada citra

yang akan menjadi masukan pada sistem.

Setelah mendapatkan data citra untuk proses pelatihan, maka kebutuhan

selanjutnya adalah data uji. Data uji didapatkan dari sampel yang telah

dikumpulkan. Data uji ini bertujuan untuk mengetahui tingkat akurasi yang

dihasilkan dari sistem penerapan metode LVQ untuk pengenalan wajah dengan

(40)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Setelah dilakukan penelitian mengenai implementasi metode Jaringan Syaraf

Tiruan Learning Vector Quantization untuk pengenalan wajah pada citra wajah

dengan Gaussian Blur , maka dapat diambil beberapa kesimpulan untuk

menjawab rumusan masalah. Adapun kesimpulan dari penelitian ini adalah

sebagai berikut:

1. Implementasi metode Jaringan Syaraf Tiruan Learning Vector

Quantizationtelah berhasil menyelesaikan masalah pengenalan wajah pada

data citra wajah dengan tingkat Gaussian Blur yang bervariasi dengan hasil

yang akurat.

2. Proses yang dilakukan untuk melakukan pengenalan wajah pada data citra

wajah dengan tingkat Gaussian Bluryang bervariasi adalah dengan menerima

masukan berupa matriks dari hasil feature extraction, kemudian masukan

tersebut dijadikan sebagai data training pada proses training Jaringan Syaraf

Tiruan Learning Vector Quantization. Data training tersebut akan

menghasilkantarget keluaran. Kemudian sistem akan melakukan proses

testing, dengan memasukan citra wajah uji. Hasil keluaran citra wajah uji

(41)

Ratih Pujihati , 2014

Sistem akan mencarihasil data uji yang mendekati target keluaran yang

(42)

94

Ratih Pujihati , 2014

3. Pengujian yang dilakukan untuk mengetahui akurasi pengenalan wajah

dilakukan 4 skenario pengujian sistem yaitu pengenalan berdasarkan

responden, tingkat blur, pose wajah, dan tingkat cahaya.

Persentase pengenalan tiap responden pada

pengujiansistempengenalancitrawajahdengantingkatGaussianBlur yang

bervariasimenghasilkan rata-rata pengenalansebesar 82%.Persentase

pengenalan berdasarkan tingkatGaussian Blur

menghasilkanakurasitertinggipadaGaussian Blur tingkat 1 (Bl-1)

denganakurasi 82%, karenaBlur tingkat 1 merupakantingkatGaussian Blur

yang paling kecildanmemilikitingkatkesamarancitrawajah yang

rendah.Pengujianberdasarkanposewajahmenghasilkanpersentasetingkatakuras

itertinggisebesar 92% padapose wajahke 2 (Po-2), karenapadaposewajahke 2

inimenunjukanpose wajah yang

cocokuntukpengenalanwajahdenganposisiwajahtegakmenghadapkamera.

Sedangkan hasil pengujian berdasarkan tingkat cahaya yang menghasilkan

akurasi tertinggi adalah tingkat cahaya ke -2 (C-2) dengan akurasi 76,80%,

karena cahaya tingkat 2 merupakan tingkat cahaya yang normal dibandingkan

dengan tingkat cahaya yang lain.

Melihathasilpersentaseakurasidiatas, dapatdisimpulkanbahwafaktor yang

mempengaruhi persentase pengenalan wajah adalah tingkat Gaussian Blur,

(43)

95

Ratih Pujihati , 2014

Learning Vector Quantizationsangat baik dalam kasus pengenalan wajah

dengan citra wajah Gaussian Blur yang bervariasi.

5.2 Saran

Beberapa saran yang diberikan untuk penelitian lebih lanjut adalah sebagai

berikut:

1. Penelitian selanjutnya diharapkan dapat membangun sistem untuk pengenalan

citra wajah dengan jenis blur yang berbeda seperti Motion Blur , Lensa Blur ,

Box Blur , dan lain-lain.

2. Pada penelitianselanjutnyadiharapkansistem ini dapatdikembangkan

padamobile application.

(44)

Ratih Pujihati , 2014

Universitas Pendidikan Indonesia | repository.upi.edu | perpustakaan.upi.edu DAFTAR PUSTAKA

Putri, Novia R. 2012. Learning Vector Quantization Dengan Logika Fuzzy untuk

Pengenalan Wajah Berspektrum Cahaya Tampak Dengan Variasi

Cahaya.Skripsi. Universitas Indonesia.

Heranurweni, S. 2010. Pengenalan Wajah Menggunakan Learning Vector

Quantization (LVQ). Semarang: Jurusan Teknik Elektro Universitas

Semarang.

Wuryandari, Maharani Dessy., Afrianto, Irawan. 2012. Perbandingan Metode

Jaringan Syaraf Tiruan Backpropagation dan Learning Vector

Quantization Pada Pengenalan Wajah. Universitas Komputer Indonesia.

Jurnal Komputer dan Informatika, Edisi. I Volume 1, Maret 2012.

Maru’ao, Dini Oktaviani. 2010. Neural Netwok Implementation in Foreign

Exchange Kurs Prediction. Gunadarma University.

Humaira. 2009. Deteksi Wajah Manusia Pada Cira Berwarna Menggunakan

Fuzzy. Politeknik Negeri Padang Kampus Unand Limau Manis Padang.

Poli Rekayasa, Volume 5, Nomor 1, Oktober 2012, ISSN 1858-3709.

Mirawanti, Yenita dkk. 2010. Neural Network. Surabaya: Institut Teknologi

Sepuluh November.

Rosmalinda, Safrina., Yustisia, Difla. 2010. Jaringan Syaraf Tiruan Learning

(45)

Ratih Pujihati , 2014

Universitas Islam Indonesia. Seminar Nasional Aplikasi Teknologi

Informasi (SNATI 2010), Yogyakarta, 19 Juni 2010, ISSN 1907-5022.

Anosa, Ayu Febri. 2013. Rancang Bangun Sistem Pendukung Keputusan Seleksi

Penerima Jaminan Kesehatan Masyarakat Dengan Kombinasi Metode

Analythical Hierarchy Process Dan Logika Fuzzy Tsukamoto. Skripsi.

Universitas Pendidikan Indonesia.

Kusumadewi, Sri., Purnomo, Hari. 2010. Aplikasi Logika Fuzzy untuk Pendukung

Keputusan. Yogyakarta:Graha Ilmu.

Abdurrahman, Ginanjar. 2011. Penerapan Metode Tsukamoto (Logika Fuzzy)

Dalam Sistem Pendukung Keputusan Untuk Menentukan Jumlah Produksi

Barang Berdasarkan Data Persediaan Dan Jumlah Permintaan. Skripsi.

Universitas Negeri Yogyakarta.

Mulyawan, Hendi. Identifikasi dan Tracking Objek Berbasis Image Processing

Secara Real Time. Tugas Akhir Jurusan Telekomunikasi Politeknik

Elektronika Negeri Surabaya ITS, Surabaya.

Achmad., K. Firdausy. 2010. Teknik Pengolahan Citra Digital Menggunakan

Delphi. Ardhi Publishing. Yogyakarta.

Putri, Ferdaria Zahrah., Andrizal., Devianto Dodi. Aplikasi Webcam dan

Pengolahan Citra untuk Identifikasi Kecacatan Kemasan Kaleng.

Universitas Andalas. Padang.

Cahyaningsih, Sri. 2010. Deteksi Osteoporosis dengan Tresholding Metode Otsu

Pada Citra X-Ray Tulang Rahang. Skripsi. Universitas Islam Negeri,

(46)