KLASIFIKASI PENGENALAN POLA WAJAH DAN PENGUJIAN 5 …...intensitas, turunan intensitas, edge, orientasi edge, dll. ... Kesamaan dari geometri proyeksi adalah dimensi yang sama dari

KLASIFIKASI PENGENALAN POLA WAJAH DAN PENGUJIAN 5 JENIS BUAH PISANG METODE NAIVE BAYESSIAN

Imam Cholissodin, W. Lisa Yunita, Dinda Novitasari, Nur Alfiyah, Arista Welasari, Anisah

Laboratorium Komputasi Cerdas dan Visualisasi, Jurusan Teknik Informatika, Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya (UB), Malang, 65145, Indonesia

E-mail: [email protected], [email protected], [email protected],

[email protected], [email protected], [email protected]

Abstrak - Pengenalan wajah merupakan bagian yang penting untuk mengenali seseorang, dengan mengenali wajah sesorang kita dapat mengingat nama orang tersebut. Namun beberapa orang memiliki tingkat kesamaan wajah yang cukup tinggi yang membuat citra wajah susah dibedakan jika dilihat sekilas, karenanya dalam kasus ini, klasifikasi Naive Bayessian dianggap paling tepat untuk menguji beberapa dataset untuk membedakan jenis wajah satu orang dengan lainnya. Tidak hanya wajah yang dapat diuji dengan metode ini, melainkan buah yang memiliki tingkat kesamaan dapat diidentifikasi dengan tingkat kesalahan yang rendah oleh metode ini. Paper ini mengenalkan informasi dari pengklasifikasian sudut citra dimana tidak dapat diperoleh hanya dengan pengujian yang singkat. Sebagai hasil dari adanya noise pada gambar dimana nilai dari projektif fitur-fitur yang sama muncul dan mengarah ke penilaian yang salah tentang jenis-jenis citra wajah. Dalam situasi ini, klasifikasi Naive Bayesian dikenalkan. Ketika terjadi kesalahan parameter karakteristik, probabilitas nilai dari tipe-tipe berbeda dari citra wajah dikalkulasikan dengan klasisfikasi Naive Bayesian dan membandingkan nilai probabilitas. Akhirnya menentukan tipe wajah untuk mencapai identifikasi citra dengan tepat. Kata kunci: Pengelompokkan, Metode Naive Bayessian 1. Pendahuluan

Pengklasifikasian merupakan hal yang mudah jika memiliki tingkat perbedaan yang tinggi, namun tidak halnya dengan pengenalan wajah. Pengenalan wajah cukup sulit untuk dibedakan karena masing-masing orang mungkin memiliki bentuk wajah yang sama namun ukuran yang berbeda, ataupun sebaliknya. Sesorang dapat dibedakan satu dengan yang lain jika memiliki

bentuk, ukuran dan warna kulit yang berbeda karenanya setiap orang dapat dikenali dengan ciri khas wajahnya masing-masing. Karena terlalu kompleks mengklasifikasikan, kami berusaha untuk mengenali wajah menggunakan teori bayessian yang dianggap paling mudah untuk mengklasifikasikan sesuatu. Dengan pengklasifikasian menggunakan bayessian, maka kita dapat membedakan satu orang dengan yang lainnya. Pada saat ini juga, teknologi masih minim untuk dapat membedakan beberapa jenis pisang yang dapat di bedakan dengan kasat mata, sehingga kami berinisiatif untuk memecahkan masalah ini dengan menggunakan teknologi pengenalan pola berdasarkan klasifikasi naive bayesian. Metode bayyessian ini digunakan dengan bantuan implementasi aplikasi MATLAB yang dapat menghitung 5 kelas dan 5 fitur dalam mengklasifikasikan. Pada paper ini, kami menggunakan 5 wajah yang berbeda dari anggota kelompok kami dan bebarapa jenis pisang yang biasa digunakan masyarakat yaitu pisang batu, pisang raja, pisang ambon, pisang susu, dan pisang merah. Dengan metode Bayesian, pisang akan dihitung dan diteliti oleh citra yang ditangkap sehingga dapat dibedakan dan langsung dikelompokkan. Citra yang ditangkap akan di hitung dari bentuk, ukuran, dan warna yang dimiliki masing-masing orang agar lebih mudah diklasifikasikan. Beberapa referensi yang kami gunakan ialah: 1. Bayesian Classification of Halftone Image based

on Region Covariance(Zhiqiang Wen, Yongxiang Hu, Wenqiu Zhu,2013).

Mempresentasikan sebuah standar set tempat untuk memperoleh sebuah wilayah penggambaran kovarian baru dan sebuah metode bayesian untuk klasifikasi gambar halftone. Metode yang sederhana dan akan memperoleh hasil klasifikasi yang baik. Sebuah wilayah gambar dapat digambarkan dengan matriks kovarian yang mana memiliki keuntungan seperti rotasi invarian, kurangnya gangguan dari illuminasi, tidak mengubah dimensi

1

untuk ukuran gambar yang berbeda. Wilayah kovarian telah terbentuk menggunakan lokasi pixel, intensitas, turunan intensitas, edge, orientasi edge, dll. sekarang perluasan fitur, seperti Fitur Gabor wavelet untuk klasifikasi tekstur gambar [1] 2. Research of Vehicle Video Image Recognition

Technology Based on Naive Bayesian Classification Model.(TANG Jin-hua,2010).

Dalam pengenalan gambar video kendaraan yang sama mengarah pada karakteristik pengalaman kendaraan mengikuti satu atau lebih transformasi tetap tidak berubah[2]. Kesamaan dari geometri proyeksi adalah dimensi yang sama dari matriks transform. Pengekstrakan kesamaan didapatkan dari gambar untuk model data. [2]. 3. Increasing the Accuracy of Discriminative of

Multinomial Bayesian Classifier in Text Classification (T. MOURATIS & S. KOTSIANTIS, 2009)

Untuk menghitung akurasi pengklasifikasi , seluruh training set dibagi menjadi sepuluh secara eksklusif dan subset sama besar dan untuk setiap bagian classifier itu dicoba pada semua himpunan lain. Metode ini bertujuan untuk akuransi yang lebih signifikan dibanding NB-multinomial tunggal pada 7 keluaran dari data set.[3] TABLE 1. COMPARING THE PROPOSED ALGORITHM WITH

OTHER WELL KNOWN ALGORITHMS

Data-set

FS-DMNB Text

DMNB-Text SMO

NB-Multinomia

l oh0 91.82 91.23 81.96 89.03

oh10 84.48 83.81 74.86 81.24 oh15 85.32 84.77 72.72 83.78 re0 82.31 83.78 75.47 80.38 re1 82.50 82.86 74.29 83.35 tr11 89.37 86.23 74.17 84.79 tr12 91.36 86.91 74.46 83.05 tr21 93.12 91.93 79.46 63.37 tr23 93.19 91.17 74.12 71.55 tr41 97.27 96.36 87.02 94.42

4. Sparse Bayesian Adversarial Learning Using

Relevance Vector Machine Ensembles (Yan Zhou, Murat Kantarcioglu, and Bhavani Thuraisingham, 2012).

Dalam kerangka Bayesian dari vektor relevansi mesin, kami memperkenalkan satu set parameter yang secara langsung mempertimbangkan perbedaan antara dua vektor pada setiap dimensi di ruang

input.[4] Kami memilih metode naive bayesian karena fitur set standart ekstraksi objek wajah dan buah pisang dapat menggambarkan kovarian menurut ukuran, warna dan bentuk gambar pisang dan laju kelas error dapat digunakan untuk evaluasi tampilan pengelompokkan pisang secara cepat. Selain itu metode ini dipilih karena menggunakan konsep peluang dimana setiap sampel data bersifat saling lepas satu sama lain berdasarkan atribut kelas. 2. Metode

Kita akan menjelaskan algoritma untuk menghitung pengukuran wajah yang akan digunakan data wajah dan pisang yang berada didatabase pengujian. Dalam pengujian ini kami menggunakan 5 sketsa wajah kelompok kami dan 5 jenis buah pisang yang beredar di masyarakat untuk diklasifikasikan. 5 Wajah anggota kelompok kami yang diuji yaitu:

No Citra Wajah Nama 1 Anisah

2 Arista

3 Dinda

4 Nur

5 Wilda

2

Jenis pisang yang kami gunakan yaitu:

No Citra Pisang Nama 1 Raja

2 Ambon

3 Batu

4 Merah

5 Susu

Berikut adalah langkah-langkah untuk melakukan pengujian terhadap masing-masing dataset yang kami gunakan.

A. Menginisialisasi matriks dataset.

Matriks dataset akan mendeteksi tiap pixel gambar yang diinputkan. Untuk beberapa pixel pada (i,j). Selain itu, kita juga menghitung determinan rerata nilai gambar skala abu-abu, Q, adalah area local disekeliling garis. Pada materi sebelumnya[6], bentuk lancip di area local terlihat pada kotak. Respon pemilihan poin(i,j) di garis didapat dari

QPS −= (1) Proses ini diulangi kembali dengan orientasi yang berbeda pada garis diantara 0º and 180º. Nilai S didapat dari orientasi yang diletakkan pada nilai garis operator pada pixel. Pengurangan mean nilai skala abu-abu berada pada llingkungan Q, dari nilai mean di P dan Eq. (1) mengubah iluminasi pada background dan menghapusnya dari pemilihan gambar, S. Kami menggunakan 12 garis kotak untuk menggambarkan objek yang akan di testing dan diuji. Berikut ialah reka gambar untuk menghitung objek yang akan dimasukkan.

Gbr 1. Garis Operator

Garis operator ini diletakkan pada sisi kiri “training data” dan sisi kanan “testing data”. Setiap gambar yang masuk pada garis operator akan dihitung sisi yang memiliki tingkat warna yang tinggi pada skala abu-abu di training dan testing data. Pada Gbr(2) “training data” memiliki 3

pengujian gambar yaitu “CitraGray”, “Citra Biner”, “Citra Max Fit” yang akan menampilkan hasil visualisasi dari tiap gambar yang diuji pada kotak garis operator. Sedangkan pada tabel “testing data” memiliki 3 pengujian gambar yaitu “Citra Gray Test”, “Citra Biner Test”, “Citra Max Fit Test”.

Gbr 2. GUI perekaan testing dan training

dataset. Hasil dari citra yang diperoleh di

representasikan dalam “Tingkat Resolusi Gambar”, yaitu variabel yang menaruh variabel. Garis Operator di implementasikan pada gambar-gambar yang terpisah pada piramid. Hasil akhir penjumlahan semua gambar Gaussian Piramid dan rata-rata panjang berat beberapa gambar yang dihasilkan (tingkat kecerahan pengujian). Sebuah threshold kemudian di implementasikan untuk gambar di form untuk inisialisasi segmentasi biner.

B. Penggambaran kovarian Fitur spectrum fourier adalah periode atau kedekatan periode teksture gambar 2D seperti ditunjukkan di gambar 2. Dari gambar 2, dapat menemukan tipe yang berbeda dari spectrum gambar dapat menyediakan tekstur yang berbasis klasifikasi. Dasarnya, kami mempresentasikan sebuah set tempat yang terlihat di gambar 3. Anggapan s di horisontal atau vertical langsung l dan element lain untuk 0. Kemudian i= 1,.....,L dan kita dapat memperoleh tempat L ditunjukkan A1, A2,.....,Al. Tempat ini digunakan untuk mengikat dengan spektrum fourier (batasan masalah perlu diproses) dari gambar halftone. Akibatnya, kita memperoleh fiturL sebagai S1,......,SL di setiap posisi spectrum. Jika E adalah spectrum citra (WxH) dan (x, y) menunjukkan posisi spectrum, Si (x, y)= E (x, y) ⊗ Ai (x, y) di mana ⊗ adalah konvolusi dua dimensi. Inspirasi literatur [6], d-dimensi vektor h(x,y) di posisi spectrum lain adalah desain yang mengikutinya. ℎ(𝑥𝑥,𝑦𝑦) =

[𝑥𝑥,𝑦𝑦,𝐸𝐸(𝑥𝑥,𝑦𝑦), |𝐸𝐸𝑥𝑥|, �𝐸𝐸𝑦𝑦�,�𝐸𝐸𝑥𝑥2 + 𝐸𝐸𝑦𝑦2, |𝐸𝐸𝑥𝑥𝑥𝑥|, �𝐸𝐸𝑦𝑦𝑦𝑦�

,𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝐸𝐸𝑥𝑥

𝐸𝐸𝑦𝑦, 𝑆𝑆1(𝑥𝑥,𝑦𝑦), … … … . 𝑆𝑆𝐿𝐿(𝑥𝑥,𝑦𝑦)] (1)

dimana (x,y) adalah posisi spectrum. E(x,y) menggambarkan amplitudo di posisi (x,y). 𝐸𝐸𝑥𝑥 ,𝐸𝐸𝑥𝑥𝑥𝑥 adalah pertama masing-masing pesan dan pesan

3

kedua turunan amplitudo sepanjang arah x dari spectrum gambar. 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐸𝐸𝑥𝑥 / 𝐸𝐸𝑦𝑦 adalah arah gradien. 𝑆𝑆1(𝑥𝑥,𝑦𝑦), … … … . 𝑆𝑆𝐿𝐿(𝑥𝑥,𝑦𝑦)dijelaskan di atas fitur L masing-masing di posisi (x,y). Nomor dimensi d dari h(x,y) adalah 9+L. vector h(x,y) tidak termasuk karakteristik spasial (berhubungan dengan ruang) spectrum, tetapi juga kaya akan tekstur spectrum. Kovarian matriks C dapat menggambarkannya.

𝐶𝐶 =1𝑀𝑁𝑁� � (ℎ(𝑥𝑥,𝑦𝑦) − 𝜇𝜇)𝑇

𝐻

𝑦𝑦

𝑊

𝑥𝑥=1(ℎ(𝑥𝑥,𝑦𝑦) − 𝜇𝜇) (2)

dimana 𝜇𝜇 = 1

𝑀𝑁𝑁∑ ∑ ℎ(𝑥𝑥,𝑦𝑦)𝐻

𝑦𝑦−1𝑊𝑥𝑥=1 Kovarian matrix C

adalah dxd simetrik matriks definit positif yang nyata yang mana diagonal elemennya diindikasi variasi beberapa fitur element lain yang terlihat dari masing-masing korelasi. Ukurang C independent dari ukuran wilayah target WxH, tetapi hanya tergantung dimensi d. Karena tidak terlalu panjang masing-masing fitur pesanan atau nomor wilayah gambar, matriks kovarian C adalah ketahanan terhadap sasaran deformasi, rotasi. C. Perhitungan yang dilakukan. Penghitungan probabilitas: 𝑃𝑃(𝜔𝜔1): 𝑝𝑝𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑜𝑜𝑎𝑎𝑜𝑜𝑎𝑎𝑝𝑝𝑝𝑝 𝑑𝑑𝑎𝑎𝑎𝑎𝑎𝑎 𝑝𝑝𝑎𝑎𝑎𝑎𝑏𝑏 𝑑𝑑𝑎𝑎𝑎𝑎𝑝𝑝 𝑎𝑎𝑝𝑝𝑎𝑎𝑝𝑝𝑝𝑝 1 𝑃𝑃(𝜔𝜔2):𝑝𝑝𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑎𝑎𝑎𝑎𝑝𝑝 𝑝𝑝𝑝𝑝𝑝𝑝𝑜𝑜𝑎𝑎𝑜𝑜𝑎𝑎𝑝𝑝𝑝𝑝 𝑑𝑑𝑎𝑎𝑎𝑎𝑎𝑎 𝑝𝑝𝑎𝑎𝑎𝑎𝑏𝑏 𝑑𝑑𝑎𝑎𝑎𝑎𝑝𝑝 𝑎𝑎𝑝𝑝𝑎𝑎𝑝𝑝𝑝𝑝 2

𝑃𝑃(𝜔𝜔1) + 𝑃𝑃(𝜔𝜔2) = 1 Tingkat kepercayaan pada citra dapat dihitung dengan rumus dibawah ini:

𝑝𝑝(𝑤𝑤|𝑥𝑥) =𝑝𝑝(𝑥𝑥|𝑤𝑤)𝑝𝑝(𝑤𝑤)

𝑝𝑝(𝑥𝑥)

Tingkat resiko dapat dihitung dengan :

𝑅𝑅(𝛼𝛼𝑖𝑖|𝑥𝑥) = � λ �𝛼𝛼𝑖𝑖�𝑤𝑤𝑗𝑗�𝑝𝑝(𝑤𝑤𝑗𝑗|𝑥𝑥)𝑘𝑘

𝑗𝑗=1

Aturan bayes:

𝑃𝑃�𝜔𝜔𝑗𝑗�𝑥𝑥� = 𝑃𝑃�𝑥𝑥�𝜔𝜔𝑗𝑗�𝑃𝑃(𝜔𝜔𝑗𝑗)/𝑃𝑃(𝑥𝑥)

𝑃𝑃𝑝𝑝𝑝𝑝𝑎𝑎𝑜𝑜𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎 =𝐿𝐿𝑝𝑝𝐿𝐿𝑜𝑜𝑝𝑝𝑝𝑝ℎ𝑝𝑝𝑝𝑝𝑑𝑑 ∗ 𝑃𝑃𝑎𝑎𝑝𝑝𝑝𝑝𝑎𝑎

𝐸𝐸𝑜𝑜𝑝𝑝𝑑𝑑𝑜𝑜𝑎𝑎𝑎𝑎𝑜𝑜

𝑃𝑃(𝑥𝑥) = �𝑝𝑝�𝑥𝑥�𝑤𝑤𝑗𝑗�𝑝𝑝(𝑤𝑤𝑗𝑗)2

𝑗𝑗=1

Fungsi untuk meminimalkan resiko:

𝛼𝛼(𝑥𝑥) = arg𝑚𝑚𝑝𝑝𝑎𝑎∩𝑎𝑎 𝑅𝑅(𝛼𝛼|𝑥𝑥)

= arg𝑚𝑚𝑝𝑝𝑎𝑎∩𝑎𝑎 𝑅𝑅(𝛼𝛼|𝑥𝑥)� λ �𝛼𝛼𝑖𝑖�𝑤𝑤𝑗𝑗�𝑝𝑝(𝑤𝑤𝑗𝑗|𝑥𝑥)𝑘𝑘

𝑗𝑗=1

Keputusan optimal dalam memilih kelas berdasarkan posterior.

𝛼𝛼(𝑥𝑥) = arg𝑚𝑚𝑝𝑝𝑎𝑎∩𝑎𝑎 �1 − 𝑝𝑝(𝛼𝛼|𝑥𝑥)� = arg𝑚𝑚𝑎𝑎𝑥𝑥∩𝑎𝑎 𝑝𝑝(𝛼𝛼|𝑥𝑥)

Fungsi mencari mean

𝜑𝜑𝜇𝜇,𝜎𝜎(𝑥𝑥) =1

√2𝜋𝜋𝜎𝜎2𝑜𝑜−

(𝑥𝑥−𝜇𝜇)22𝜎𝜎2

- Matriks mean dan var_mean

𝜇𝜇(𝑎𝑎1, 𝑎𝑎2, 𝑎𝑎3, 𝑎𝑎4, 𝑎𝑎5) = |

𝑥𝑥1 𝑥𝑥2 𝑥𝑥3𝑦𝑦1 𝑦𝑦2 𝑦𝑦3𝑧𝑧1 𝑧𝑧2 𝑧𝑧4𝑥𝑥1 𝑥𝑥3 𝑥𝑥4𝑦𝑦1 𝑦𝑦3 𝑦𝑦4𝑧𝑧1 𝑧𝑧3 𝑧𝑧4

||


|

𝑜𝑜(𝑎𝑎1, 𝑎𝑎2, 𝑎𝑎3, 𝑎𝑎4, 𝑎𝑎5) = |


||


|

- Menghitung nilai persamaan proyeksi

(𝜇𝜇 < 0, 𝑜𝑜 < 1), (𝜇𝜇 < 0, 𝑜𝑜 = 1), (𝜇𝜇 = 0, 𝑜𝑜 > 1), (𝜇𝜇 = 0, 𝑜𝑜 = 1), (𝜇𝜇 > 0, 𝑜𝑜 = 1), (𝜇𝜇 > 0, 𝑜𝑜 > 1)

Langkah-langkah dari model naive bayesian berdasarkan pada identifikasi pengenalan wajah sebagai berikut: 1. Koordinat dari tiap titik pojok dipilih acak oleh image pre-processing, yang dipilih Ii=(x1,x2,...xn), 1≤ i ≤ n, dan xi merupakan koordinat dari lima titik yang mana dipilih acak dari himpunan I 2. Menentukan kelas variabel c1 dan rangenya

�(𝜇𝜇 < 0,𝑜𝑜 > 1), (𝜇𝜇 > 0,𝑜𝑜 = 1), (𝜇𝜇 > 0,𝑜𝑜 < 1),

(𝜇𝜇 < 0,𝑜𝑜 < 1), (𝜇𝜇 < 0,𝑜𝑜 = 1), (𝜇𝜇 = 0, 𝑜𝑜 > 1), (𝜇𝜇 = 0,𝑜𝑜 < 1),(𝜇𝜇 > 0, 𝑜𝑜 = 1), (𝜇𝜇 > 0,𝑜𝑜 > 1)

�

hal ini diwakili oleh c1~c9. c1~c3 mewaili wajah ataupun citra pisang. c4~c9 adalah nilai dari kesalahan penilaian yang tidak bernilai.

4

3. Menghitung probabilitas Ci. 4.

𝑃𝑃(𝑎𝑎𝑖𝑖|𝑥𝑥1, 𝑥𝑥2, … . 𝑥𝑥𝑛𝑛) =𝑃𝑃(𝑥𝑥1, 𝑥𝑥2, … . 𝑥𝑥𝑛𝑛|𝑎𝑎𝑖𝑖)𝑃𝑃(𝑎𝑎𝑖𝑖)

𝑃𝑃(𝑥𝑥1, 𝑥𝑥2, … . 𝑥𝑥𝑛𝑛)

= 𝑎𝑎𝑃𝑃(𝑎𝑎𝑖𝑖)𝑃𝑃(𝑥𝑥1, 𝑥𝑥2, … . 𝑥𝑥𝑛𝑛|𝑎𝑎𝑖𝑖) (5) P(ci) probalitas utama dari ci 𝑃𝑃(𝑎𝑎𝑖𝑖|𝑥𝑥1, 𝑥𝑥2, … . 𝑥𝑥𝑛𝑛), adalah probabilitas tambahan dari ci, α adalah koefisien. 4. Pengklasifikasi Naive Bayesian adalah pengasumsi setiap atribut independent satu sama lain. Eqs.3.1 dapat disederhanakan ke dalam: 𝑃𝑃(𝑎𝑎𝑖𝑖|𝑥𝑥1, 𝑥𝑥2, … . 𝑥𝑥𝑛𝑛) = 𝑎𝑎𝑃𝑃(𝑎𝑎𝑖𝑖)∏ 𝑃𝑃(𝑥𝑥𝑗𝑗|𝑎𝑎𝑖𝑖)𝑛𝑛

𝑗𝑗=1 (6)

Pengklasifikasi model Naive Bayesian dimulai sebagai proses dari parameter pembelajaran [5]. Secara virtual, hal ini pembelajaran kategorial variabel dari probabilitas tidak kondisional dan atribut variable dari probalitas kondisiional kelas:

𝜃𝜃𝑐𝑐𝑘𝑘 = 𝑃𝑃(𝐶𝐶 = 𝑎𝑎𝑘𝑘); 𝜃𝜃𝑥𝑥𝑖𝑖|𝑐𝑐𝑘𝑘 = 𝑃𝑃(𝑋𝑋𝑖𝑖|𝐶𝐶 = 𝑎𝑎𝑘𝑘) (7)

kategorial variabel dari probabiltas unconditional dan atribut varibel dari kelas kondisional merupakan banyak cara untuk menghitung. Dalam paper ini model MN dipakai. Formula model MN adalah sebagai berikut:

𝜃𝜃𝑐𝑐𝑘𝑘 = 𝑃𝑃(𝑎𝑎𝑘𝑘)

=∑ 𝐵𝐵𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗�𝑛𝑛𝑗𝑗=1

𝑁𝑁,𝐵𝐵𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗� = �

1, 𝐼𝐼𝑗𝑗𝜖𝜖𝑎𝑎𝑘𝑘0, 𝐼𝐼𝑗𝑗𝜖𝜖𝑎𝑎𝑘𝑘

� (8)

𝜃𝜃𝑥𝑥𝑖𝑖|𝑐𝑐𝑘𝑘 = 𝑃𝑃(𝑥𝑥𝑖𝑖|𝑎𝑎𝑘𝑘)

=1 + ∑ 𝑁𝑁𝑗𝑗𝑖𝑖𝐵𝐵𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗�𝑁𝑁

𝑗𝑗=1

|𝑥𝑥| + ∑ ∑ 𝑁𝑁𝑗𝑗𝑖𝑖|𝑥𝑥|𝑖𝑖=1

𝑁𝑁𝑗𝑗=1 𝐵𝐵𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗�

(9)

Dan 𝑁𝑁𝑗𝑗𝑖𝑖 = 𝑇𝑇𝑇𝑇�𝑥𝑥𝑖𝑖 , 𝐼𝐼𝑗𝑗�, |𝑋𝑋| adalah angka dari objek yang dikelompokkan. 5. Dengan pengklasifikasi naive bayesian untuk mengkalsifikasikan bahwa menghitung probabilitas posterior yang diberikan sampel untuk memiliki banyak tipe. Probabilitas kategori maksimum berkorespodensi ke kategori merupakan hasil dari penilaian. Memiliki bermacam-macam tipe dari probabilitas posterior dapat dihitung dengan metode bayesian. Kita mendapatkan:

𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗� =𝑃𝑃(𝑎𝑎𝑘𝑘)𝑃𝑃(𝐼𝐼𝑗𝑗|𝑎𝑎𝑘𝑘)

𝑃𝑃(𝐼𝐼𝑗𝑗) (10)

𝑃𝑃�𝐼𝐼𝑗𝑗� = �𝑃𝑃(𝑎𝑎𝑘𝑘)𝑃𝑃�𝐼𝐼𝑗𝑗|𝑎𝑎𝑘𝑘� (11)|𝑐𝑐|

𝑘𝑘=1

𝑃𝑃�𝐼𝐼𝑗𝑗|𝑎𝑎𝑘𝑘� = �𝑃𝑃(𝑥𝑥𝑖𝑖|𝑎𝑎𝑘𝑘)1𝑁𝑁𝜇𝜇

|𝑥𝑥|

𝑖𝑖=1

(12)

Dan kita bisa mendapatkan penilaian untuk sampel dari probabilitas posterior dengan mensubtitusi (12) ke (10) yang ditunjukkan (13)[6]:

𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗� = 𝜃𝜃𝑐𝑐𝑘𝑘 ∑ (𝜃𝜃𝑥𝑥𝑖𝑖|𝑐𝑐𝑘𝑘)1𝑁𝑁𝑗𝑗𝑖𝑖|𝑥𝑥|

𝑖𝑖−1

∑ 𝜃𝜃𝑐𝑐𝑘𝑘|𝑐𝑐|𝑖𝑖=1 ∏ (𝜃𝜃𝑥𝑥𝑖𝑖|𝑐𝑐𝑘𝑘)

1𝑁𝑁𝑗𝑗𝑖𝑖|𝑥𝑥|

𝑖𝑖=1

(13)

6. Menurut formula, semua nilai di atas dihitung secara berurutan, menentukan probabilitas nilai menurut rumus 𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗�, 𝑝𝑝𝑖𝑖 𝑃𝑃�𝑎𝑎𝑚𝑚�𝐼𝐼𝑗𝑗� > 𝑃𝑃�𝑎𝑎𝑚𝑚�𝐼𝐼𝑗𝑗� >,𝑚𝑚 ≠ 𝑎𝑎, memperbesar 𝑃𝑃�𝑎𝑎𝑘𝑘�𝐼𝐼𝑗𝑗�, mentukan tipe dari kendaraan menurut probabilitas. D. Tingkat resolusi gambar Pemrosesan sebuah citra dimana sebuah citra akan diperhalus dan di-subsampling secara berangsur-angsur sebanyak nilai pixel yang diinginkan. Sehingga 1 citra gambar dapat menjadi beberapa contoh testing dengan ukuran resolusi yang berbeda, jadi gambar hanya dibedakan nilai pixelnya saja Akibatnya, nilai resolusi citra tersebut akan berkurang dari level ke level dan jika diilustrasikan akan seperti sebuah piramida. Semakin tinggi level yang digunakan maka semakin kecil pula resolusi citra yang dihasilkan. Hal ini dilakukan untuk mendapatkan piksel-piksel pemisah yang mempunyai intensitas yang menonjol dengan piksel tetangga lainnya. Pixel yang ditangkap memiliki range dari 0-255 dimana tingkat RGB(Red, Green, Blue) menentukan nilai pixel yang ditangkap. Pixel tersebut harus dihitung supaya memeroleh hasil akuransi yang tepat dan memiliki tingkat error yang rendah. Karenanya intensitas cahaya dan kualitas dalam pemilihan citra menentukan hasil akhir dari pengujian yang dilakukan. Warna setiap pengujian gambar dihitung dalam hasil penghitungan manual dalam program. Warna yang mendominasi akan mengklasifikasikan gambar sesuai citra pada testing yang ada. Berikut adalah hasil tingkat resolusi gambar yang berbeda-beda(diambil dari 1 gambar).

5

6

Gbr 3. Proses Resolusi Gambar skenario Reduce pada pengenalan wajah,

Gbr 3. Proses Gbr 4. Proses Resolusi Gambar, (b) Reduce

pada pengenalan buah pisang,

Gambar 3 dan 4, merupakan citra hasil dari operasi pengurangan pixel pada citra yang ada. Resolusi gambar memiliki variasi yang berbeda dengan tingkat pixel yang diperkecil atau diperbesar dari citra asli yang didapat. Dalam kasus ini citra seperti lowpas pyramid dengan beberapa level, misal G0 adalah citra hasil dari level nol atau sama dengan citra asli, untuk menghasilkan citra G1, pada citra G0 dilakukan proses lowpass-filtered, jika citra G0 mempunyai ukuran i x j, maka ukuran citra G1 menjadi i/2 x j/2. Proses yang sama dilakukan untuk

mendapatkan G2, G3 dan seterusnya [31]. Untuk mendapatkan nilai tiap piksel dari tiap-tiap level pyramid pada citra 2D, dapat dilakukan dengan menggunakan persamaan:

∑∑ ++= −m n

ll njmignmwjig )2,2(),(),( 1 (2)

dimana w (m,n) adalah generating kernel. Untuk lebih sederhananya dapat ditulis menjadi:

)( 1+= ll gREDUCEg (3)

A. Max Filter Contoh matriks citra dan hasil max filter dari

matriks citra dengan window 3x3

TABLE 1. HASIL SAMPLE WINDOWING CITRA WAJAH.

2 4 78 82 16 19 5 36 150 168 172 96 11 68 187 192 198 201 7 82 177 255 248 29 8 89 167 138 222 27 9 98 168 252 238 26

TABLE 2.

SAMPLE 1 PENCARIAN MAXMIN DARI WINDOW 2 4 78 5 36 150 11 68 187

Max filter = 187 Min filter = 2

TABLE 3. SAMPLE 2 PENCARIAN MAXMIN DARI WINDOW

7 82 177 8 89 167 9 98 168

Max filter = 177 Min filter = 7

- Filter max berarti menggantikan pixel dengan nilai tertinggi dari suatu deret yang terbentuk dari matriks yang sesuai dengan ukuran dari filter window. Pixel ini yang paling menonjol dibanding ukuran pixel lain pada gambar testing.

- Filter min merupakan kebalikan dari max filter. Pixel akan digantikan dengan nilai min (minimal) dari sebuah deret dari matriks yang berukuran sesuai dengan window filter. Pixel ini yang paling rendah ukuran pixelnya disbanding pixel lain pada gambar testing.

(Citra Asli)

(Level 0) (Level 1) (Level 2) (a)

(b)

(Citra Asli)

(Level 0) (Level 1) (Level 2)

(a)

(b)

7

B. Normalisasi Data

TABLE 4. FITUR YANG DIGUNAKAN DALAM PROGRAM No Fitur 1 Fitur 2 1 50 30 2 25 50 3 25 25

Untuk normalisasi menggunakan rumus

𝑁𝑁 = 𝑥𝑥𝑖𝑖

�∑ 𝑥𝑥𝑖𝑖2𝑁𝑁𝑖𝑖=1

X normalisasi | 1=

50√502 + 25 + 252

= 0.81

X normalisasi | 2=

50√502 + 25 + 252

= 0.81

5. Hasil Pada penelitian ini akan dilakukan menggunakan pengujian dari citra yang telah dimasukkan dalam “training” data, semua gambar yang ada pada database “training” akan di rekam gambarnya per citra, kemudian hasil dari citra yang telah direkam tersebut akan digunakan sebagai perbandingan uji “testing” data. Sehingga semua data yang akan di testing akan dilakukan pencocokan dari database dan perekaman yang ada pada “training”. Proses uji coba dapat memberikan hasil dari beberapa pegujian yang dapat memberikan hasil yang benar/cocok dengan gambar yang di test. Meskipun ada beberapa gambar yang pda pengujiannya tidak menunjukkan hasil yang sama antara kelas dan hasil klasifikasi yang diberikan.

Pada pengujian yang dilakukan memiliki 3 macam skenario yaitu nilai level, dan menggunakan orientasi sudut yang berbeda-beda. Nilai level yang digunakan meliputi level 1, level 2 dan level 3. Kemudian orientasi sudut yang digunakan meliputi (0° ≤ θ < 180°), (0° < θ < 90°). Pada skenario dua, ada beberapa macam orientasi sudut yang digunakan. Pertama, sudut yang mempunyai interval antara 0 derajat sampai 180 derajat. Tujuanya adalah untuk mengukur citra di letak gambar pengujian yang telah disediakan secara horisontal, sehingga panjang gambar (width) dapat diukur dengan benar. Kedua, sudut yang mempunyai interval antara 0 derajad sampat 90 derajad.

Tujuannya adalah untuk mengukur citra di letak gambar pengujian yang disediakan secara vertical, sehingga lebar gambar (height) dapat diukur.

Citra Gray Wajah Citra Biner Wajah

Citra Gray Pisang Citra Biner Pisang Gbr. 5. Hasil gambar Penangkapan Citra

TABLE 5. HASIL TESTING CITRA WAJAH.

TABLE 6. HASIL TESTING CITRA PISANG.

TABLE 7. HASIL PENGUJIAN DATASET WAJAH

Data

ke-i

Nama Data Human Perception

Machine Perception

1 anisah_depan4 Anisah Wilda 2 anisah_hadap

kanan 4 Anisah Wilda

3 anisah_hadap kiri Anisah Wilda

4 4 anisah_nyerong

kanan 4 Dinda Wilda

5 anisah_nyerong kiri 4

Dinda Wilda

6 Arista_hadap_kanan17

Arista Arista


Arista Arista

8 Arista_serong_kanan13

Arista Arista

9 Arista_serong_kiri20

Arista Arista


Arista Arista

11 dinda_depan 4 Dinda Wilda 12 dinda_miring_kan

an 4 Dinda Wilda

13 dinda_miring_kiri 1

Dinda Wilda

14 dinda_serong_kanan 4

Dinda Wilda

15 dinda_serong_kiri 4

Dinda Wilda

16 Nur_depan1 Dinda Wilda 17 Nur_serong

kanan1 Alfi Wilda

18 Nur_serong kanan2

Alfi Wilda

19 Nur_serong kiri1 Alfi Wilda 20 Nur_serong kiri2 Alfi Wilda 21 wilda_depan1_4 Wilda Wilda 22 wilda_samping

kanan 4 Dinda Wilda

23 wilda_serongkanan6_4

Wilda Wilda

24 wilda_serongkiri5 Wilda Wilda 25 wilda_samping

kiri 4 Dinda Wilda

TABLE 8.

HASILPENGUJIAN DATASET PISANG Data ke-i


Machine Perception

1 pisagraja7 Pisang Merah

Pisang Raja

2 Pisagraja8 Pisang Merah

Pisang Raja


Pisang Raja

4 pisang ambon7 Pisang Merah

Pisang Ambon


Pisang Ambon


Pisang Ambon

7 pisang batu 7 Pisang Ambon

Pisang Batu


Pisang Batu


Pisang Batu

10 pisang merah7 Pisang Merah

Pisang Merah


Pisang Merah


Pisang Merah

13 pisang susu 7 Pisang Merah

Pisang Susu


Pisang Susu


Pisang Susu

(Skenario berikutnya pada lampiran) Seperti Tabel 7, Tabel 8 hasil uji coba citra wajah dan citra pisang pada data testing menampilkan data testing yang telah di uji coba terdapat Human Perception yang diambil dari data citra wajah berdasarkan urutan nama file sedangkan Machine Perception diambil berdasarkan hasil uji coba pada program. Setelah dilakukan hasil uji coba terhadap data testing setiap citra wajah dan pisang yang dilakukan lima skenario maka akan terdapat akurasi data yang diperoeh dari perhitungan datahasil uji coba yang akurat atau benar. Rumus perhitungan akurasi data:

Akuransi =TP + TN

𝑇𝑇𝑃𝑃 + 𝑇𝑇𝑁𝑁 + 𝑇𝑇𝑁𝑁 + 𝑇𝑇𝑃𝑃× 100%

TABLE 9.

TABEL KONTINUENSI. MP HP + -

+ TP FP - FN TN

Pada percobaan antara human perception dan

machine perception pada beberapa gambar masih menunjukkan kesalahan, sehingga hasil riset yang dilakukan masih memiliki kesalahan. Kesalahan ini diperoleh karena citra gambar yang ditangkap kurang baik disekitar citra uji, sehingga antara mesin dengan klasifikasi yang dilakukan tidak memiliki singkronisasi yang baik. Karenanya gambar yang memiliki fokus citra di satu titil akan menghasilkan hasil yang akurat.

8

9

Tabel Akurasi Riset Data Berdasarkan hasil data uji coba diperoleh data akurasi dari masing-masing citra yang disajikan pada Tabel 10&11 dengan hasil akuransi dan gambar grafik akurasi seperti ada pada Tabel 10 & Gbr 6 pada pengujian citra wajah dan Tabel 11 & Gbr 7 pada pengujian citra pisang yaitu:

TABLE 10. HASIL AKURASI CITRA WAJAH.

Hasil Skenario 1 2 3 4 5

Akurasi 84% 100% 60% 80% 50%

Gbr 6. Diagram Akuransi Citra Wajah

TABLE 11. HASIL AKURASI CITRA PISANG.

Hasil Skenario 1 2 3 4 5

Akurasi 60% 80% 50% 80% 80%

Gbr 7. Diagram Akuransi Citra Pisang

Hasil dari pengambilan citra wajah di rekam oleh dataset penangkapan citra dimana dari data dataset tersebut memiliki beberapa parameter yang dapat mengklasifikasikan gambar pada kelasnya masing-masing. Ada perbedaan antara perhitungan dataset wajah dengan dataset pisang, yaitu mean dan varian mean yang dimiliki oleh RGB.

Pada dataset wajah disertakan rata-rata mean da varian mean pada data wajah sedangkan pada dataset pisang menghitung panjang dan lebar pada citra pisang.

Nilai skala abu-abu pada gambar memiliki nilai antara [0, 255] yang mana objek akan diberi nilai 1 (warna putih) dan sekitar objek bernilai 0 (warna

hitam) yang direkam dalam citra yang ada. Berikut adalah hasil gambar dari mulai testing awal hingga hasil gambar max filter yang ada. Berikut adalah hasil pengujian skenario ke 2:

Gbr 8. semua hasil Citra pengujian Wajah skenario 1.

Gbr 9. semua hasil pengujian Pisang

skenario 3. Pada skenario ke 2 citra wajah (Gbr 8)

didapatkan bahwa hasil pengujian citra menunjukkan kelas dan hasil klasifikasi yang berbeda dan hasil yang didapatkan tidak cocok dengan citra yang dimasukkan. Tingkat kesalahan ini akan terjadi dalam suatu pengujian yang dilakukan, karena setiap citra yang dimasukkan memiliki beberapa tingkat perbandingan yang sama, sehingga error akan tetap terjadi dalam pengklasifikasian meskipun nilainya kecil.

Gbr 10. Hasil testing (gbr 8)

Untuk menguji tigkat error yang didapatkan, maka dilakukan kembali pengujian pada skenario lain yang diharapkan dapat dijadikan perbandingan tingkat error. Berikut adalah data yang di dapatkan skenario 5 yang telah mengalami pengujian.

Gbr 11. semua hasil Citra pengujian Wajah skenario 3.

0%

50%

100%

150%

1 2 3 4 5

akuransi

0%20%40%60%80%

100%

1 2 3 4 5

akuransi

Gbr 12. Hasil testing (gbr 11).

Dari hasil pengujian skenario 2 didapatkan bahwa perbedaan data mulai menunjukkan perbedaan dan mengarah pada tingkat kebenaran 50:50. Yaitu data kelas telah mengalami hasil yang benar namun hasil klasifikasi masih salah. Skenario diambil lagi dengan data yang mengalami tingkat kecocokan 100% pada tiap gambar yang akan diuji. Berikut adalah gambar skenario yang benar saat diuji :

Gbr 13. semua hasil Citra pengujian Wajah

skenario 5.

Gbr 14. Hasil testing (gbr 13).

Tingkat kesalahan yang terjadi pada pengujian gambar dipengaruhi oleh banyak faktor yang memicu tingginya tingkat error. Salah satu faktor yang di kenali yaitu kualitas gambar yang kurang baik yang memicu tingkat pengenalan menjadi salah. Pengujian pada kolom “citra gray”, “citra biner”, dan “citra max fit” menguji setiap gambar yang di tes dan hasil dari pengetesan tersebut muncul pada kolom data testing yang ada. Gambar diuji tingkat rata-rata tingkat kecerahan warna merah (R), green (G), dan biru (B). Dari perhitungan tersebut, gambar dapat di kelompokkan masing-masing ke dalam kelas yang telah di tentukan. Data yang memiliki tingkat kelas yang mendekati hasil dari mean yang ada merupakan hasil dari klasifikasi citra yang ditangkap. Dengan

kata lain pengklasifikasian diperoleh dari rata-rata mean warna gambar yang di tangkap pada kolom pengujian, yang kemudian muncullah hasil klasifikasi yang tepat dalam pengelompokkan citra yang ditangkap. 6. Kesimpulan Dalam paper ini, hasil dari pengujian pengklasifikasian citra yang dimiliki manusia dengan pengklasifikasian citra pisang dapat dilakukan dengan metode yang sama namun memiliki perhitungan yang berbeda. Metode Naive Bayessian merupakan metode termudah untuk mengklasifikasikan citra yang diuji, sehingga tingkat error yang didapat rendah dan dapat menunjukkan hasil akuransi yang tepat dari dataset yang diuji. Tingkat intensitas gambar dan kecerahan memengaruhi hasil dari pengujian yang dilakukan, sehingga kualitas gambar harus di perhatikan dalam pemilihan pengujian pengklasifikasian ini. Karenanya untuk mendapatkan hasil akkuransi yang tinggi dibutuhkan kualitas RGB yang baik dalam setiap gambar baik dari “training” maupun “testing”. Optimalisasi sistem ini dapat dikembangkan lebih lanjut, tujuannya dapat digunakan sebagai penggunaan absensi ataupun fungsi lain yang membutuhkan klasifikasi. REFERENSI [1] Zhiqiang Wen, Yongxiang Hu, Wenqiu Zhu. Bayesian Classification of Halftone Image based on Region Covariance. School of computer & communication. 2013 : 1-2. [2] TANG Jin-hua. Research of Vehicle Video Image Recognition Technology Based on Naive Bayesian Classification Model. School of Mechanical & aoutomobile Enginnering. 2010: 1-3. [3] Increasing the Accuracy of Discriminative of Multinomial Bayesian Classifier in Text Classification (T. MOURATIS & S. KOTSIANTIS, 2009) [4] Sparse Bayesian Adversarial Learning Using Relevance Vector Machine Ensembles (Yan Zhou, Murat Kantarcioglu, and Bhavani Thuraisingham, 2012). [5] Enhancement of trabecular bone on dental panoramic radiographs using multiscale line operator. Vision and Image Processing Laboratory, 2011: 1-8. [6] O Tuzel, F Porikli, P Meer. Pedestrian Detection via Classification on Riemannian Manifolds, IEEE Trans. on Pattern Analysis and Machine Intelligence, 2008, 30(10):1713-1727.

10

11

Imam Cholissodin. Lahir di desa Sunge Geneng, kecamatan Sekaran, kabupaten Lamongan pada tanggal 19 Juli 1985. Peneliti telah menyelesaikan pendidikan S2 di Teknik Informatika FTIF ITS Surabaya pada Tahun 2009-2011. Saat ini peneliti aktif sebagai dosen pengajar di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang pada beberapa

mata kuliah, seperti Information Retrieval, Pengolahan Citra Digital, Probabilitas dan Statatistika, Grafika Komputer, Decision Support System dan Pengenalan Pola. Bidang Keminatan yang ditekuni peneliti adalah Information Retrieval, Artificial Vision, Image Processing, dan Cryptography. Di samping mengajar, peneliti juga aktif dalam Riset Group Image Processing dan Vision (IMPROV) di dalam Laboratorium Komputasi Cerdas dan Visualisasi. Selain itu peneliti juga telah melakukan beberapa publikasi pada jurnal nasional dan internasional (IEEE). Riset pada tahun 2013 yang sedang dilakukan sekarang bersama dengan beberapa tim dosen dan mahasiswa semester akhir adalah berfokus pada bidang Information Retrieval untuk melakukan analisis dokumen lembaga pendidikan secara Real-time, yaitu dengan tema “Groups Decision Sentiment Analysis Untuk Klasifikasi Dokumen E-Complaint Kampus Menggunakan Additive Kernel SVM” yang merupakan kombinasi dari dua lintas bidang keilmuan antara Decision Support System (DSS) dan Information Retrieval (IR).

W.Lisa Yunita Lahir di kota Surabaya pada tanggal 26 September 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Unit Aktivitas Kerohanian Katolik (UAKKat) menjabat sebagai Kepala Bidang 1 dan Lembaga Pers Mahasiswa PTIIK (DISPLAY) menjabat sebagai anggota reportase.

Dinda Novitasari Lahir di kota Malang pada tanggal 4 November 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Forum Mahasiswa Studi Bahasa Inggris Universitas Brawijaya (FORMASI UB) menjabat sebagai Coordinator of Public Communication.

Nur Alfiyah Lahir di kota Banyuwangi pada tanggal 6 April 1994. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Lembaga Pers Mahasiswa PTIIK

(DISPLAY) menjabat sebagai anggota reportase dan staff riset di Riset dan Karya Ilmiah Mahasiswa (RKIM) Universitas Brawijaya(UB).

Arista Welasari Lahir di Lumajang pada tanggal 11 Januari 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang. Di samping kuliah, peneliti juga aktif dalam kegiatan organisasi di Teater ANTIIK PTIIK Universitas Brawijaya(UB)

.

Anisah Lahir di Sampang pada tanggal 11 Mei 1993. Menjalani pendidikan S1, Semester 4 di jurusan Teknik Informatika Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya (UB) Malang.

Lampiran Dataset Citra Wajah

- Skenario 2

- Skenario 3

Data ke-i


Machine Perception

1 wajahAnisah1 Anisah Anisah 2 wajahAnisah2 Anisah Anisah 3 wajahAnisah3 Anisah Anisah 4 wajahAnisah4 Anisah Anisah 5 wajahAnisah5 Anisah Anisah 6 wajahArista1 Arista Arista 7 wajahArista2 Arista Arista 8 wajahArista3 Arista Arista 9 wajahArista4 Arista Arista

10 wajahArista5 Arista Arista 11 wajahDinda1 Dinda Dinda 12 wajahDinda2 Wilda Dinda 13 wajahDinda3 Wilda Dinda 14 wajahDinda4 Dinda Dinda 15 wajahDinda5 Dinda Dinda 16 wajahAlfi1 Dinda Alfi 17 wajahAlfi2 Dinda Alfi 18 wajahAlfi3 Dinda Alfi 19 wajahAlfi4 Alfi Alfi 20 wajahAlfi5 Alfi Alfi 21 wajahWilda1 Wilda Wilda 22 wajahWilda2 Wilda Wilda 23 wajahWilda3 Wilda Wilda 24 wajahWilda4 Wilda Wilda 25 wajahWilda5 Dinda Wilda

Data ke-i


Machine Perception

1 anisah_depan5 Anisah Wilda 2 anisah_hadap kanan

5 Dinda Wilda

3 anisah_hadap kiri 5 Anisah Wilda 4 anisah_nyerong

kanan 5 Dinda Wilda

5 anisah_nyerong kiri 5

Anisah Wilda


Arista Arista

7 Arista_serong_kanan16

Arista Arista


Arista Arista


Arista Arista


Arista Arista

11 dinda_depan 5 Dinda Wilda 12 dinda_miring_kana

n 5 Dinda Wilda

13 dinda_miring_kiri 5 Dinda Wilda 14 dinda_serong_kana

n 5 Dinda Wilda

15 dinda_serong_kiri 5 Dinda Wilda 16 Nur_depan2 Dinda Wilda 17 Nur_serong kanan3 Wilda Wilda 18 Nur_serong kanan4 Wilda Wilda 19 Nur_serong kanan5 Wilda Wilda 20 Nur_serong kiri3 Wilda Wilda 21 wilda_depan1_5 Wilda Wilda 22 wilda_samping

kanan 5 Dinda Wilda

23 wilda_samping kiri 5

Dinda Wilda

24 wilda_serongkanan6_5

Wilda Wilda

25 wilda_serongkiri5 Wilda Wilda

12

- Skenario 4

- Skenario 5

Data ke-i


Machine Perception

1 wajahAnisah6 Anisah Anisah 2 wajahAnisah7 Anisah Anisah 3 wajahAnisah8 Anisah Anisah 4 wajahAnisah9 Anisah Anisah 5 wajahAnisah10 Dinda Anisah 6 wajahArista6 Arista Arista 7 wajahArista7 Arista Arista 8 wajahArista8 Arista Arista 9 wajahArista9 Arista Arista 10 wajahArista10 Arista Arista 11 wajahDinda6 Dinda Dinda 12 wajahDinda7 Dinda Dinda 13 wajahDinda8 Dinda Dinda 14 wajahDinda9 Dinda Dinda 15 wajahDinda10 Dinda Dinda 16 wajahAlfi6 Wilda Alfi 17 wajahAlfi7 Wilda Alfi 18 wajahAlfi8 Wilda Alfi 19 wajahAlfi9 Wilda Alfi 20 wajahAlfi10 Wilda Alfi 21 wajahWilda6 Dinda Wilda 22 wajahWilda7 Wilda Wilda 23 wajahWilda8 Dinda Wilda 24 wajahWilda9 Dinda Wilda 25 wajahWilda10 Wilda Wilda

Data ke-i


Machine Perception

1 wajahAnisah11 Dinda Anisah 2 wajahAnisah12 Dinda Anisah 3 wajahAnisah13 Anisah Anisah 4 wajahAnisah14 Anisah Anisah 5 wajahAnisah15 Anisah Anisah 6 wajahArista11 Arista Arista 7 wajahArista12 Arista Arista 8 wajahArista13 Arista Arista 9 wajahArista14 Arista Arista 10 wajahArista15 Arista Arista 11 wajahDinda11 Dinda Dinda 12 wajahDinda12 Dinda Dinda 13 wajahDinda13 Dinda Dinda 14 wajahDinda14 Dinda Dinda 15 wajahDinda15 Dinda Dinda 16 wajahAlfi11 Alfi Alfi 17 wajahAlfi12 Alfi Alfi 18 wajahAlfi13 Alfi Alfi 19 wajahAlfi14 Wilda Alfi 20 wajahAlfi15 Wilda Alfi 21 wajahWilda11 Wilda Wilda 22 wajahWilda12 Wilda Wilda 23 wajahWilda13 Wilda Wilda 24 wajahWilda14 Wilda Wilda 25 wajahWilda15 Wilda Wilda

13

a. Lampiran Dataset Citra Pisang

- Skenario 2

- Skenario 3

Data ke-i


Machine Perception


Pisang Raja


Pisang Raja

3 Pisagraja3 Pisang Raja

Pisang Raja

4 Pisang ambon10 Pisang Merah

Pisang Ambon

5 Pisangambon1 Pisang Merah

Pisang Ambon

6 Pisangambon2 Pisang Ambon

Pisang Ambon

7 Pisang batu 10 Pisang Merah

Pisang Batu


Pisang Batu


Pisang batu

10 Pisang merah10 Pisang Merah

Pisang Merah


Pisang Merah

12 Pisang merah 4 Pisang Merah

Pisang Merah

13 Pisang susu 10 Pisang raja

Pisang Susu

14 Pisang susu 2 Pisang susu

Pisang Susu

15 Pisang susu 3 Pisang susu

Pisang susu

Data ke-i


Machine Perception

1 Pisangraja4 Pisang Merah

Pisang Raja

2 Pisangraja5 Pisang Raja

Pisang Raja

3 Pisangraja6 Pisang Raja

Pisang Raja


Pisang Ambon


Pisang Ambon

6 Pisangambon5 Pisang Merah

Pisang Ambon

7 Pisang batu 3 Pisang Ambon

Pisang Batu

8 Pisang batu 4 Pisang Ambon

Pisang Batu

9 Pisang batu 5 Pisang Batu

Pisang Batu


Pisang Merah


Pisang Merah


Pisang Merah

13 Pisang susu 9 Pisang Batu

Pisang Susu

14 Pisang susu 7 Pisang Susu

Pisang Susu

15 Pisang susu 5 Pisang Batu

Pisang Susu

14

- Skenario 4

Data ke-i


Machine Perception

1 pisangRaja3 Pisang Raja

Pisang Raja


Pisang Raja


Pisang Raja

4 pisangAmbon6 Pisang Ambon

Pisang Ambon


Pisang Ambon


Pisang Ambon


Pisang Batu


Pisang Batu


Pisang Batu


Pisang Merah


Pisang Merah


Pisang Merah

13 Pisang susu 6 Pisang Merah

Pisang Susu


Pisang Susu


Pisang Susu

Skenario 5

Data ke-i


Machine Perception

1 pisangRaja2 Pisang Merah

Pisang Raja


Pisang Raja


Pisang Raja


Pisang Batu


Pisang Batu


Pisang Batu


Pisang Batu


Pisang Batu


Pisang Batu


Pisang Merah


Pisang Merah


Pisang Merah


Pisang Susu


Pisang Susu

15 Pisang susu 3 Pisang Susu

Pisang Susu

15

Documents

KLASIFIKASI PENGENALAN POLA WAJAH DAN PENGUJIAN 5 …...intensitas, turunan intensitas, edge, orientasi edge, dll. ... Kesamaan dari geometri proyeksi adalah dimensi yang sama dari