8888IJCCS, Vol.x, No.x, Julyxxxx, pp. 1~5 ISSN: 1978-1520
1
Perbandingan Bentuk Frame dalam Segmentasi Wajah Manusia dengan Menggunakan Metode Template Matching Fika Rusilawati*1, Hardianing Wahyu Kinasih2, Gasim3 STMIK GI MDP; Jl. Rajawali No.14, +62(711)376400/376360 3 Program Studi Teknik Informatika, STMIK GI MDP Palembang email: *
[email protected],
[email protected],
[email protected] 1,2
Abstrak Penelitian sebelumnya telah melakukan pengenalan wajah manusia dengan proses windowing model frame segiempat. Penelitian ini akan melakukan perbandingan dengan macam-macam frame model windowing selain segiempat yaitu ellips, segitiga, segiempat, dan segilima. Proses yang akan digunakan dalam penentuan segmentasi wajah pada citra RGB dengan ekstraksi fitur warna kulit. Tujuan dari penelitian ini adalah membandingkan tingkat akurasi terhadap masing-masing 4(empat) bentuk frame yang akan digunakan. Penelitian ini menggunakan Segmentasi warna kulit dan metode Template Matching yang membandingkan nilai citra masukan dengan template yang telah dibuat. Hasil dari penelitian ini menunjukkan bahwa tingkat akurasi dari setiap masing-masing frame tersebut berbeda, adapun hasilnya adalah keberhasilan deteksi dengan menggunakan frame segiempat memiliki nilai paling tinggi yaitu 97% dibandingkan dengan ketiga frame lain, sedangkan pada frame segitiga memiliki nilai yang paling rendah yaitu 68% dibandingkan dengan ketiga frame lainnya. Kata kunci : Segmentasi wajah, Segmentasi warna kulit, Template Matching, frame Abstract Previous research has done a human face recognition with windowing process models rectangular frame. This research will make comparisons with various windowing models other than rectangular frame that is elliptical, triangular, and pentagonal. Process used determining the segmentation of the face on the RGB image is the skin color feature extraction. The purpose this research was to compare the accuracy of the each the four forms of frames that will be used. This research uses skin color segmentation and template matching methods which compares the value of the input image with a template that has been made. The result of research indicate that the accuracy of each frame is different, As for the result is detection capability with a rectangular frame having the highest value is 97% compares with the three other frames, while the triangular frame has the lowest value is 68% compared with the three other frames. Keywords : Face segmentation, Skin color segmentation, Template Matching, frame 1. PENDAHULUAN Perkembangan dalam citra yang semakin berkembang terutama dalam penentuan area wajah manusia pada sebuah citra, dalam penerapannya pada berbagai bidang seperti pada dalam penyelidikan, absensi karyawan dan juga database kependudukan, tetapi aoutomatisasi pengolahan komputer memerlukan berbagai macam teknik pengolahan citra. Dalam penentuan area wajah citra dapat dimanfaat dalam penyandian, manipulasi, permodelan, pengenalan pola, dan untuk pencarian objek[1]. Adapun kemungkinan cara yang
Received June1st,2012; Revised June25th, 2012; Accepted July 10th, 2012
2
ISSN: 1978-1520
dilakukan adalah dengan menggunakan citra RGB untuk mengektraksi fitur warna kulit pada segmentasi wajah manusia. Dari penelitian yang sudah ada[3,10,9,7] dengan melakukan penerapan metode template matching diantaranya pada penelitian Jemmy Kusuma Candra dkk yaitu meneliti sistem pendeteksi orang tergeletak berbasis sebuah kamera pengawas menghasilkan sistem tidak dapat membedakan pendeteksian orang tergeletak atau orang bukan tergeletak karena hampir semua hasil pendeteksian dianggap tergeletak. Pada penelitian Gurum Ahmad Pauzi dkk sistem aplikasi yang dibuat bertujuan untuk pengolahan citra plat ke dalam teks menghasilkan Sistem berhasil mengenali karakter dengan baik jika pada kondisi nilai threshold 60 dan jarak 45 cm antara kamera dengan plat nomor, dengan keberhasilannya mencapai 97%. Pada penelitian Sangap Mulyadi dkk melakukan pengujian menggunakan sketsa wajah dengan membuat template mata dibantu dengan pembentukan grid pada objek, deteksi fitur, dan receiver operating characteristic (ROC) menghasilkan pergerakkan presentasi posisi deteksi mata mencapai 80% tanpa menggunakan grid, dengan menggunakan grid terjadi kenaikan akurasi deteksi sebesar 90% sehingga membutikan penggunaan grid efektif untuk mendeteksi lokasi posisi mata. Pada penelitian yang dilakukan Bowo Leksono dkk yaitu meneliti metode template macthing untuk klasifikasi sidik jari di dapatkan pada proses klasifikasi sebanyak 61 masukkan sidik jari, kemudian diklasifikasikan lagi sehingga pada template Plain Acrh, Plain Whorl, dan double loop menunjukkan bahwa tingkat keberhasilan sebesar 100%. Sedangkan pada penelitian pada segmentasi wajah diantaranya[12,8,5,2,4] penelitian yang dilakukan Sinar Sinurat menjelaskan program dengan menguji beberapa sampel data wajah hingga memberikan suatu pernyataan kesamaan pola wajah yang sedang diamati dan penegenalannya menggunakan Principal Components Analysis, yaitu mengkonstruksi pola input wajah digital menggunakan teknik propagasi dalam pengenalan wajah. Penelitian yang dilakukan M. Dwisnanto Putro dkk Menjelaskan bahwa sistem untuk mendeteksi wajah pada suatu gambar dengan menggunakan metode Viola-Jones, memiliki kelebihan tepat dibandingkan metode deteksi wajah lainnya dengan akurasi 90,9%. Namun memiliki kelemahan dari sistem deteksi wajah ini yaitu tidak dapat menentukan wajah pada gambar yang memiliki wajah tidak tegak atau formal. Pada penelitian Dian Parikesit menjelaskan bahwa Metode deteksi tepi dengan pencocokan pola dapat di implementasikan sebagai sistem pengenalan pola wajah. Metode deteksi tepi yang mempunyai tingkat keberhasilan pengenalan paling tinggi adalah metode deteksi Roberts dan Prewitt, yaitu sebesar 75%. Sedangkan metode deteksi tepi Sobel memiliki tingkat keberhasilan pengenalan sebesar 74%. Pada pengujian pengenalan jenis tepi wajah, metode deteksi tepi yang mempunyai tingkat keberhasilan pengenalan paling tinggi adalah metode deteksi tepi Sobel, yaitu sebesar 90%. Sedangkan metode deteksi tepi Roberts dan Prewitt memiliki tingkat keberhasilan pengenalan sebesar 84%.Penelitian Abdul Fadlil dkk menjelaskan bahwa system verifikasi wajah menggunakan metode ekstraksi SPCA (Simple Principle Component Analysis) dan teknik klasifikasi jaringan saraf tiruan Learning Vector Quantization yang telah dibuat dapat bekerja dengan baik. Hasil-hasil eksperimen dari pengujian system didapatkan hasil pengujian untuk kerja system didapat nilai FRR rata-rata 0% dan FAR rata-rata 1,55% pada nilai laju pembelajaran 0,1. Penelitian Dewi Agushinta dkk menjelaskan bahwa untuk mendapatkan keunikan jarak fitur-fitur wajah dibutuhkan minimal lima jarak fitur wajah atau lebih, Penelitian ini menunjukkan bahwa penetapan fitur wajah beserta jarak dari komponen wajah dapat memberikan suatu model semantik wajah yang dapat digunakan untuk mengindentifikasi wajah yang selanjutnya dapat digunakan sebagai komponen untuk sistem pengenalan wajah. Beberapa hasil penelitian di atas dengan metode template matching, belum terdapat yang membandingkan tingkat akurasi dari beberapa frame, sehingga penelitian tersebut digunakan sebagai penunjang dalam penelitian perbandingan bentuk frame dalam segmentasi wajah manusia dengan menggunakan metode template matching dengan menggunakan empat templat yang dibuat yaitu ellips, segitiga, segiempat dan segilima.
IJCCS Vol. x, No. x, July201x : first_page–end_page
IJCCS
3
ISSN: 1978-1520 2. METODE PENELITIAN
Jalannya proses penelitian ini mengikuti langkah-langkah yang tersaji pada Gambar 1. Mulai
1. Kamera resolusi 320x240 pixel. 2. Objek wajah manusia 3. Suasana pada ruangan tertutup dengan pencahayaan yang cukup 4. Jarak kurang lebih dari 2 meter. 5. Pengambilan gambar dengan background polos.
Identifikasi Masalah
Jurnal dan Pustaka
Akuisisi Data
Pra Proses
Proses Segmentasi Warna Kulit
Thresholding Template : - Ellips - Segitiga - Segiempat - Segilima
Template Matching
Hasil
Selesai
Gambar 1 Metodologi
1.
2. 3. 4. 5.
Adapun metodologi penelitian yang memiliki tahapan-tahapan sebagai berikut : Identifikasi masalah, identifikasi masalah bertujuan untuk mendapatkan fokus penelitian dengan mengetahui posisi penelitian yang dilakukan bertujuan untuk mendapatkan detail penelitian Akuisisi data yaitu tahap pengumpulan data kemudian data tersebut diseleksi untuk mendapatkan hasil citra yang baik. Dilakukan praproses guna mendapatkan citra yang diinginkan diproses pada tahap selanjutnya. Selanjutnya dilakukan tahap segmentasi kulit dan juga tahap template matching yang menentukkan area-area warna kulit mana yang merupakan wajah. Analisa hasil yaitu mengetahui berapa persentase dari masing-masing bentuk shape dalam deteksi lokalisasi wajah dengan penerapan metode template matching.
2.1 Akuisisi Data Akuisisi data merupakan kegiatan pengumpulan data, data yang digunakan adalah data citra RGB atau citra berwarna seperti foto yang nantinya digunakan sebagai data sekunder yang akan digunaka. Berikut adalah karakterisitik data yang dibutuhkan: 1. Kamera yang digunakan memiliki resolusi 320x240 pixel, contoh foto dapat dilihat pada Gambar 2.
Gambar 2 Contoh Foto yang Digunakan
Title of manuscript is short and clear, implies research results (First Author)
4
ISSN: 1978-1520
2. Objek yang digunakan merupakan objek wajah manusia yang tidak terhalangi oleh objek lain, seperti : kumis, jenggot, dan lain-lain. 3. Wajah yang akan dideteksi adalah wajah yang menghadap ke depan (frontal), dalam posisi tegak, dan tidak terhalangi sebagian oleh objek lain. 4. Posisi jarak antara kamera dengan wajah yang digunakan adalah ± 2 meter. 5. Latar belakang yang digunakan pada pengambilan gambar adalah latar yang polos. 6. Pengambilan foto dilakukan pada diruangan tertutup dengan pencahayaan yang cuku, maksudnya wajah terlihat dengan jelas. 7. Data yang dikumpulkan ±100 gambar mahasiswa STMIK GI MDP. 2.2 Pra Proses Tahap pra-proses merupakan tahap pengolahan sebuah citra yang hasil pemotretan menjadi citra yang akan dibutuhkan untuk proses selajutnya Dalam tahap pra-proses ini dilakukan tahap – tahap sebagai berikut : 1. Noise Removal Penghilangan noise pada citra, noise merupakan gangguan pada gambar yang semacam bintik-bintik atau noda yang ditemukan pada hasil pengambilan gambar[11]. Noise biasanya diakibatkan karena kamera tidak fokus atau disebabkan oleh proses capture yang tidak sempurna. Noise removal digunakan apabila kondisi gambar yang digunakan terdapat terdapat bintik-bintik atau noda seperti yang ditampilkan pada Gambar 3 (a), hasil dari proses noise removal adalah hasil citra yang mulanya memiliki noise akan berkurang dan menghasilkan citra yang lebih baik. Hasil dari penghilangan noise dapat dilihat pada Gambar 3 (b).
(a) (b) Gambar 3 (a) sebelum proses penghilangan noise dan (b) sesudah meghilangkan noise. 2. Image Sharpening Setelah dilakukan noise removal yaitu menghilangkan noise, efek dari menghilangkan noise citra mengalami proses pelembutan citra sehingga akan dilakukan penajaman citra (image sharpening) yang bertujan memperjelas tepian objek. Penajaman citra merupakan kebalikan dari proses pelembutan citra karena operasi ini menghilangkan bagian citra yang lembut seperti yang terlihat pada Gambar 4.
IJCCS Vol. x, No. x, July201x : first_page–end_page
IJCCS
ISSN: 1978-1520
5
Gambar 4 Hasil Image Sharpened 3. Resize Image Tahap ini dilakukan agar ukuran gambar yang diproses mempunyai lebar dan tinggi yang sama. 2.3 Proses 2.3.1 Segmentasi Warna kulit Tahap segmentasi warna kulit bertujuan untuk memisahkan area berwarna kulit dengan area berwarna non-kulit. Pendeteksian kulit dalam mensegmentasi dengan menggunakan cara mengubah RGB ke ruang hsv. Hasil dari proses segmentasi berdasarkan RGB dilakukan untuk mengeliminasi area-area yang didapat bukan warna kulit. Hasil dari segementasi warna kulit tersebut dapat dilihat pada Gambar 5.
Gambar 5 Hasil konversi RGB ke HSV Hasil konversi RGB ke HSV terlihat pada Gambar 8, ternyata pada konversi citra ke HSV antara latar belakang dengan objek terjadi perubahan yang signifikan. Pada warna kulit yang terdeteksi ditandai dengan warna biru, kemudian latar berwarna merah, sedangkan rambut dan baju berwarna hijau. 2.3.2 Thresholding Setelah dilakukan konversi ke HSV kemudian dilakukan tahap konversi ke citra biner dengan nilai thresholding tertentu, konversi ini bertujuan untuk menangkap lebih jelas objek yang akan dideteksi, objek yang terdeteksi ditandai dengan warna hitam dan daerah bukan objek ditandai dengan warna putih dengan , seperti pada Gambar 6.
Title of manuscript is short and clear, implies research results (First Author)
6
ISSN: 1978-1520
Gambar 6 Hasil konversi ke citra biner Dari Gambar 6, objek yang terdeteksi berwarna hitam merupakan objek kulit manusia sedangkan latar objek berubah menjadi warna putih. 2.4.3 Template Matching Setelah melakukan konversi citra RGB ke HSV dan thresholding, kemudian dilakukan proses pengenalan wajah menggunakan template matching. Proses ini bertujuan untuk mendeteksi wajah yang dilakukan dengan cara membandingkan citra masukan dengan nilai template yang telah ditentukan dari masing-masing shape. Pembentukkan template menggunakan kode matlab dengan formula pada persamaan 2.1, 2.2, 2.3 dan 2.4 : SUM_BW_template = 3600 - nnz(BW_template);......... ..... (2.1) FIND=0; ............................................................................... (2.2) FIND_TMP = 3600 - nnz(J); ................................................ (2.3) if and(FIND_TMP >= FIND, FIND_TMP <= SUM_BW_template) FIND=FIND_TMP; FINDY=Y; FINDX=X;.............................................................. (2.4) Template yang digunakan yang terdiri dari ellips, segitiga, segiempat dan segilima seperti pada Gambar 7 .
Gambar 7 Template shape yang digunakan Nilai template yang digunakan dapat dihitung secara matematis yang ditunjukkan pada persamaan 2.5, 2.6, 2.7 dan 2.8 : 1.
Ellips
a. Diketahui : s = 60px Luas segiempat = 60 x 60=360 px b. Diketahui : a = 30 px, b= 30 px Luas Ellips = 1414,2 px c. Luas luas area = Luas 1 – luas 2 = 2185,7 IJCCS Vol. x, No. x, July201x : first_page–end_page
px
IJCCS
7
ISSN: 1978-1520 2.
Segitiga
a. Diketahui : s = 60px Luas segiempat = 60 x 60=360 px b. Diketahui : a = 60 px, b= 60 px Luas Segitiga = 1800 px c. Luas luas area = Luas 1 – luas 2 = 1800 px 3.
Segiempat
a. Diketahui : s = 60 px Luas Segiempat = 3600 px
b. Diketahui : s = 60 px Luas Segiempat = 3600 px
c. Luas luas area = Luas 1 – luas 2 = 0 px 4.
Segilima
a. Diketahui : s = 60 px Luas Segiempat = 3600 px b. Diketahui : Luas bangun 1 : a = 60 px , t = 20 px Luas bangun 2 : (sisi sejajar) a= 30 px, b= 60 px , t= 40 px
a. Luas I = 600 px
b. Luas II = 1800 px Title of manuscript is short and clear, implies research results (First Author)
8
ISSN: 1978-1520
c. Luas Total = Luas I + Luas II = 600 + 1800 = 2400 px d. Luas luas area = Luas 1 – luas 2 = 1200 px Persamaan – persamaan di atas merupakan luas daerah yang digunakan dalam pembentukkan template, pembentukkan template mempunyai syarat yang ditunjukan pada persamaan 2.4 yaitu jika FIND_TMP lebih besar dari nilai awal nya yaitu 0 pada persamaan 2.2, FIND_TMP lebih kecil dari daerah SUM_BW_template ditunjukkan pada persamaan 3.3 secara matematis SUM_BW_template nilai perhitungan ditunjukkan pada persamaan 2.5, 2.6, 2.7 dan 2.8. Apabila proses matching antara citra masukan cocok dengan template pencarian wajah dari citra masukan dengan melakukan tracking perpixel dari ujung kanan atas hingga ujung kiri bawah dari citra masukan seperti yang di ilustrasikan pada Gambar 8. Pada proses tracking template wajah akan dicocokkan dengan nilai template yang telah ditentukan, apabila belum terdeteksi maka masih akan dilakukan tracking kembali pada proses lokalisasi selanjutnya, sampai akhirnya template mendeteksi wajah. Dari pencocokkan tersebut akan terjadi selisih waktu dan ke-akuratan dari masing-masing shape yang akan dibandingkan dan dianalisa. Ilustrasi dari proses tracking yang dapat dilihat pada Gambar 8.
Gambar 8 Ilustrasi Image Tracking pada Pengenalan Wajah 2.4.4
Flowchart Bentuk algoritma untuk penerapan metode template matching pada perbandingan bentuk frame pada wajah manusia dapat dilihat pada flowchart di Gambar 9.
IJCCS Vol. x, No. x, July201x : first_page–end_page
IJCCS
9
ISSN: 1978-1520 Mulai
Masukan Citra Referensi
Citra RGB (Red, Green, Blue)
Citra HSV (Heu, Saturation, Value)
Citra Biner (Black, White)
Tracking
Template Matching
Matching dan Tracking Template Jika, FIND = 0 FIND_TMP = 3600 - nnz(j)
Template Cocok Jika, FIND = FIND_TMP
TIDAK
YA Hasil
Selesai
Gambar 9 Flowchart Algoritma Program 3. HASIL DAN PEMBAHASAN 3.1 Hasil Pengujian Hasil pengujian didapat setelah melakukan proses yang telah diterangkan pada bab sebelumnya metodologi penelitian, proses pertama dengan melakukan pra proses apabila citra data sampel yang digunakan terdapat noise. Selanjutnya berlanjut pada tahap proses, pada tahap ini dilakukan resize gambar, segmentasi warna kulit, dan kemudian dilakukan template matching menggunakan empat frame yaitu ellips, segitiga, segiemat dan segilima. Dari proses yang telah diterangkan dilakukan proses deteksi pada 100 data sampel, selanjutnya hasil deteksi penerapan metode template matching dalam perbandingan beberapa bentuk frame untuk lokalisasi wajah manusia ditampilkan pada Tabel 1. Tabel 1 Tabel Perbandingan perbandingan beberapa bentuk frame dan kecepatan waktu deteksi Deteksi Frame No
Nama
1 2
Waktu (second)
Segitiga
Segiempat
Segilima
1.jpg
Ellips Horizontal
Ellips Horizontal 7
Segitiga
Segiempat
Segilima
Ellips Vertikal
7
7
7
Ellips Vertikal 7
2.jpg
7
7
7
3
3.jpg
7
7
7
7
7
7
4
4.jpg
7
7
7
7
7
5
5.jpg
7
7
7
7
7
6
7
6.jpg
-
7
7
7
7
7
7
7.jpg
7
7
7
7
7
8
8.jpg
7
7
7
7
7
9
9.jpg
8
8
8
8
8
10
10.jpg
7
7
7
7
7
Title of manuscript is short and clear, implies research results (First Author)
10
ISSN: 1978-1520
11
11.jpg
7
7
7
7
7
12
12.jpg
7
7
7
7
7
13
13.jpg
-
7
7
7
7
7
14
14.jpg
-
7
7
7
7
7
15
15.jpg
-
7
7
7
7
7
16
16.jpg
-
-
7
7
7
7
7
17
17.jpg
7
7
7
7
7
18
18.jpg
7
7
7
7
7
19
19.jpg
7
7
7
7
7
20
20.jpg
-
7
7
7
7
7
21
21.jpg
-
7
7
7
7
7
22
22.jpg
7
7
7
7
7
23
23.jpg
7
7
7
7
7
24
24.jpg
7
7
7
7
7
25
25.jpg
7
7
7
7
7
26
26.jpg
7
7
7
7
7
27
27.jpg
-
7
7
7
7
7
28
28.jpg
7
7
7
7
7
29
29.jpg
7
7
7
7
7
30
30.jpg
7
7
7
7
7
31
31.jpg
8
8
8
8
8
32
32.jpg
-
8
8
8
8
8
33
33.jpg
7
7
7
7
7
34
34.jpg
-
7
7
7
7
7
35
35.jpg
7
7
7
7
7
36
36.jpg
7
7
7
7
7
37
37.jpg
-
-
7
7
7
7
7
38
38.jpg
-
-
-
-
7
7
7
7
7
39
39.jpg
-
-
7
7
7
7
7
40
40.jpg
-
-
-
-
7
7
7
7
7
Dari Tabel 1 diterangkan tanda () maksudnya citra masukkan dapat terdeteksi saat pengujian dari masing-masing frame dan sebaliknya tanda (–) citra masukkan tidak dapat terdeteksi pada saat pengujian dari masing-masing frame pada kolom deteksi frame, sedangkan pada kolom waktu merupakan catatan waktu pada deteksi dari masing-masing frame dalam satuan second (s) dan kolom waktu menampilkan angka-angka dari waktu tercepat dari deteksi hingga waktu terlama dalam deteksi dari tiap-tiap frame. 3.2 Analisa Hasil Pengujian Setelah didapat dari hasil penerapan template matching dengan menggunakan beberapa frame pada objek wajah manusia berdasarkan Tabel 3.1. Untuk mengetahui hasil perbandingan dari ke empat frame digunakan rumus rata-rata dari Persamaan 3.1 hasil tersebut yang didapat dari 100 data sampel yang telah diuji. ................. (3.1) Keterangan : = jumlah citra yang berhasil dideteksi dari setiap frame. = jumlah citra keseluruhan. Hasilnya perhitungan adalah sebagai berikut :
% % %
68% 97% 73%
IJCCS Vol. x, No. x, July201x : first_page–end_page
IJCCS
ISSN: 1978-1520
11
Dari hasil pehitungan persentasi keberhasilan deteksi dengan menggunakan frame tersebut, dapat dianalisis tingkat keberhasilan pada frame segiempat memiliki nilai yang paling tinggi yaitu 97% dibanding ke tiga frame yang lain sedangkan pada frame segitiga memiliki nilai yang paling kecil dibanding ketiga frame lainnya yaitu 68%. Dari kecepatan deteksi, waktu digunakan dalam melakukan eksekusi tidak terlalu mencolok karena pada tiap frame memiliki waktu yang sama atau memiliki perbedaan berkisar 1s, rata-rata dari keempat frame tersebut paling lama 8 s dan paling cepat 7 s pada setiap frame. 4. KESIMPULAN Setelah melakukan analisis perbandingan beberapa bentuk shape untuk lokalisasi wajah menggunakan metode template matching ini dan berdasarkan pembahasan pada bab-bab sebelumnya, maka dapat ditarik kesimpulan sebagai berikut : 1. Dari hasil dan pembahasan pada penerapan template matching dengan menggunakan beberapa frame pada objek wajah manusia, persentasi keberhasilan deteksi dengan menggunakan frame segiempat memiliki nilai yang paling tinggi yaitu 97% dibanding ke tiga frame yang lain sedangkan pada frame segitiga memiliki nilai yang paling kecil yaitu 68% dibanding ketiga frame lainnya. 2. Kualitas foto yang digunakan mempengaruhi hasil deteksi yang dilakukan. 3. Hasil dari kecepatan dari proses deteksi dari keempat frame paling lama kurang lebih 22 second sedangkan proses paling cepat berkisar 8 second 5. SARAN Mengingat berbagai keterbatasan yang dialami penulis terutama masalah pemikiran dan waktu, maka penulis menyarankan untuk mengembangkan penelitian dimasa yang masa yang akan datang sebagai berikut : 1. Penelitian ini dapat digunakan bagi peneliti sebagai referensi bagi peneliti selanjutnya dalam penerapan metode template matching dalam shape yang lain seperti segienam (hexagon), trapesium (trapezoid), diamond dan bentuk shape lainnya. 2. Kualitas foto (data sampel) sangat berpengaruh dengan hasil deteksi sehingga penulis menyarankan agar mengambil sampel menggunakan kamera DSLR (Digital Single Lens Reflex). 3. Pada penelitian selanjutnya diharapkan dapat mendeteksi tidak hanya citra yang tampak depan (frontal) dapat digunakan posisi lain dan juga dengan jarak yang berbeda-beda. DAFTAR PUSTAKA [1] Achmad Hidayatno, R. Rizal Isnanto, Dhody Kurniawan, “Penentuan Wilayah Wajah Manusia pada Citra Berwarna Berdasarkan Warna Kulit dengan Metode Template Matching”, Jurnal Teknologi Elektro, Vol 5 No 2, Juli 2006. [2] Abdul Fadlil, Surya Yeki, “Sistem Verifikasi Wajah Menggunakan Jaringan Saraf Tiruan Learning Vector Quantization”, Jurnal Informatika Vol 4, No.2, Juli 2010. [3] Candra, Jemmy kusuma,Timotius, Ivanna K,dan Stiawan, Iwan., Sistem Pendeteksi Orang Tergeletak Berbasis Sebuah Kamera Pengawas dengan Menggunkaan Metode Template Matching, Jurnal cybermatika, Desember 2013. [4] Dewi Agushinta R., Adang Suhendra, Hendra, Ekstraksi Fitur dan Segmentasi Wajah sebagai Semantik pada Sistem Pengenalan Wajah, National Conference on Computer Science & Information Technology VII. [5] Dian Parkesit, Analisis Deteksi Tepi untuk Mengindentifikasi Pola Wajah Ruviuw (Image Edge Detection Based dan Morphology), Dian Education Center, Jakarta, May 28, 2014.
Title of manuscript is short and clear, implies research results (First Author)
12
ISSN: 1978-1520
[6] Elizabet, Pengembangan Sistem Identifikasi Biometrik Wajah Menggunakan Metode Neural Network dan Pattern Matching, Skripsi Teknik Elektro Universitas Indonesia, 2008. [7] Leksono, Bowo, Hardayatno, Achmad, dan Isnanto, R.Rizal., Aplikasi Metode Template Macthing untuk Klasifikasi Sidik Jari, Transmisi, ejournal UNDIP, 2011. [8] M. Dwisnanto Putro, Teguh Bharata Adji, Bondhan Winduratna, Sistem Deteksi Wajah dengan Menggunakan Metode Viola-Jones, Seminar Nasional “Science, Engineering and Technology”, 2012. [9] Mulyadi, Sangap, Hariadi, Mochamad, dan Purnomo, Mauridhi Hery., Pengujian Hasil Template Matching untuk Mendeteksi Posisi Mata Menggunakan Receiver Operating Characteristic (ROC), Jurnal Digilib Intitus Sepuluh November, 2011. [10] Pauzi, Gurum Ahmad, Warsito, Suciyati, Sri Wahyu dan Sahtoni., Analisis Pemanfaatan Teknik Template Matching pada Sistem Akuisisi dan Pengenalan Karakter Citra Plat Nomor Kendaraan, Jurnal Teori dan Aplikasi Fisika vol 01, no.01, Januari 2013. [11] Putra, Darma, Pengolahan Citra Digital, Andi offset, Yogyakarta, 2010 Rachmad, Aeri, November 2008, Pengolahan Citra Digital Menggunakan Teknik Filtering Adaptive Noise Removal Pada Gambar Bernoise, Jurnal Teknik Informatika, http://www.scribd.com/doc/226938083/jurnal-image-processing, agustus 2014 [12] Sinar Sinurat, Analisa Sistem Pengenalan Wajah Berbentuk Citra Digital dengan Algoritma Principal Components Analysis, Informasi dan Teknologi Ilmiah(INTI) ISSN : 2339-210X, Volume : III, Nomor : 1, Mei 2014. [13] Wibowo Jati Sasongko, Deteksi dan Klasifikasi Citra Berdasarkan Warna Kulit Menggunakan HSV , Jurnal Tekhnologi Informasi Dinamik ISSN : 0854-9524, Volume : 16,Nomor: 2, Juli 2011.
IJCCS Vol. x, No. x, July201x : first_page–end_page
