PROCEEDING. Aplikasi Teknologi Informasi dalam Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor Pariwisata. Bali, 9 Oktober 2011

PROCEEDING SEMINAR NASIONAL TEKNOLOGI INFORMASI DAN APLIKASINYA 2012 “Aplikasi Teknologi Informasi dalam Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor Pariwisata” Bali, 9 Oktober 2011

Diselenggarakan Oleh : Program Studi Teknik Informatika Jurusan Ilmu Komputer Universitas Udayana Bali

KATA PENGANTAR

Puji syukur kita panjatkan kehadirat Tuhan Yang Maha Esa, atas terselesainya penyususnan Proceeding SNATIA 2012 ini. Buku ini memuat naskah hasil penelitian dari berbagai bidang kajian yang telah direview oleh pakar dibidangnya dan telah dipresentasikan dalam acara Seminar SNATIA 2012 pada tanggal 9 Oktober 2012 di Universitas Udayana kampus Bukit Jimbaran, Badung, Bali. Kegiatan SNATIA 2012 merupakan yang pertama kali diadakan, dan akan menjadi agenda tahunan Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Universitas Udayana. SNATIA 2012 mengambil tema “Aplikasi Teknologi Informasi dalam Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor Pariwisata”, dengan pembicara utama seminar yang terdiri dari pakar peneliti dibidang teknologi informasi, pembicara dari praktisi pariwisata Bali, dan pembicara dari Dinas Kebudayaan Propinsi Bali. Meskipun kegiatan seminar dan pendokumentasian naskah dalam proceeding ini telah dipersiapkan dengan baik, namun kami menyadari masih banyak kekurangannya. Untuk itu panitia mohon maaf yang sebesar-besarnya, dan juga mengucapkan terimakasih atas kepercayaan dan kerjasamanya dalam kegiatan ini. Kritik dan saran perbaikan sangat diharapkan untuk penyempurnaan di masa mendatang, yang dapat dikirimkan melalui email [email protected]. Kepada semua pihak yang terlibat, baik langsung maupun tidak langsung dalam penyelenggaraan seminar, dan penyusunan proceeding SNATIA 2012, panitia mengucapkan terima kasih.

Denpasar, 9 Oktober 2012 Panitia SNATIA 2012 Ketua Pelaksana

I Gede Santi astawa, S.T., M.Cs.

DAFTAR ISI Kata Pengantar Daftar Isi Analisis Dan Implementasi Algoritma Learning Vector Quantization (Lvq) Dalam Pengenalan Ekspresi Wajah Kadek Dian Trisnadewi, I Wayan Santiyasa, I Made Widiartha ..........................................................

1

Analisis Kualitas Voip Pada Jaringan Yang Menggunakan Active Queue Management Random Early Detection (Red) I Dewa Made Bayu Atmaja Darmawan ................................................................................................

6

Analisis Sistem Firewall Pada Jaringan Komputer Menggunakan Iptables Untuk Meningkatkan Keamanan Jaringan ( Studi Kasus : Jaringan Komputer Jurusan Matematika Fakultas Mipa Universitas Udayana) I Wayan Supriana, I Wayan Santiyasa, Cokorda Rai Adi Pramartha..................................................

13

Ekstraksi Tepi Dengan Menggunakan Fuzzy Spatial Filtering Dan Slicing Intensity I Gede Aris Gunadi, Retantyo Wardoyo .............................................................................................

22

Evaluasi Cluster Menggunakan Metode Prototype-Based Cohesion And Separation Dan Silhouette Coefficient Pada Implementasi Algoritma Som Gusti Ayu Vida Mastrika Giri, Kadek Cahya Dewi ...........................................................................

29

Group Decision Support System Dengan Menggunakan Metode Analytical Hierarchy Process (Ahp) Dan Borda Dalam Penentuan Lokasi Bank Dan Pimpinan Cabang Yang Tepat Desak Made Dwi Utami Putra ...............................................................................................................

34

Identifikasi Lagu Menggunakan Algoritma K-Nearestneighbours – Cosine Similarity(KNNCS) I Gede Suta Lascarya Astawa, Agus Muliantara, Kadek Cahya Dewi.................................................

42

Kompresi Citra Fraktal Dengan Algoritma Genetika Adaptif Putu Indah Ciptayani1, Zulfahmi Indra2...............................................................................................

46

Mobile Information System Untuk Mengidentifikasidefisiensi Unsur Hara Pada Daun Asti Dwi Irfianti, Endang Sulistyaningsih ............................................................................................

51

Model Rekayasa Perangkat Lunak Berbasis Komponen (Component-Based Software Engineering) Herri Setiawan, Edi Winarko................................................................................................................

57

Model Sistem Pendukung Keputusan Kelompok Dengan Metode Multiplicative Exponent Weighting Muhammad Syaukani, Sri Hartati .......................................................................................................

65

Optimasi Distribusi Pupuk Bersubsidi Dengan Menggunakan Algoritma Genetika (Studi Kasus: Kab. Jombang Jawa Timur) Asti Dwi Irfianti, Sri Hartati ..................................................................................................................

72

Perancangan Dan Implementasi Aplikasi Web Service(Studi Kasus : Sim Perpustakaan Dengan Simak F.Mipa Universitas Udayana) Made Agung Raharja .............................................................................................................................

78

Perancangan Dan Implementasi Rekam Medis Berbasis Mobile Ida Bagus Made Mahendra, Ida Bagus Gede Dwidasmara, Putu Praba Santika .................................

88

Pengalokasian Sumber Daya Dalam Sistem Pendukung Keputusan Rita Wiryasaputra .... .............................................................................................................................

95

Perancangan Dan Implementasi Customer Information Gathering Menggunakan Model Ruang Vektor Dan Perluasan Query Sang Gede Suriadnyana, I Made Widiartha, I Gede Santi Astawa ......................................................

101

Perancangan Dan Implementasi Sistem Pencarian Buku Menggunakan Algoritma Pemetaan Transaksi Wayan Gede Suka Parwita, Ngurah Agus Sanjaya Er, Luh Gde Astuti ..............................................

107

Pengembangan Cost Driver Model Cocomo Ii Dengan Modifikasi Nilai Atribut Analysis Capability Untuk Estimasi Usaha Perangkat Lunak Sri Andayani, L. Anang Setiyo.............................................................................................................

111

Prototype Sistem Penyeberangan Jalanbagi Penyandang Tuna Netra Berbasis Rfid( Radio Frequency Identification ) I Made Widhiwirawan ...........................................................................................................................

119

Review Of Ontology-Based Question Answering System Eka Karyawati, Azhari S. N. ................................................................................................................

126

Resiko Proyek Teknologi Informasi Herri Setiawan, Ashari SN ....................................................................................................................

134

Sistem Pendukung Keputusan Untuk Pembelian Rumah Menggunakan Analytical Hierarchy Process (Ahp) Standy Oei, Riah Ukur Ginting .............................................................................................................

140

Vanet Untuk Solusi Komunikasi Data Di Kawasan Pariwisata Bali I Komang Ari Mogi,Waskitho Wibisono ..............................................................................................

146

Visualisasi Cluster Menggunakan Smoothed Data Histograms (Sdh) Pada Audio Clustering Lagu Daerah Indonesia Menggunakan Self Organizing Map (Som) Kadek Cahya Dewi, Gusti Ayu Vida Mastrika Giri ............................................................................

153

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya

2012

ANALISIS DAN IMPLEMENTASI ALGORITMA LEARNING VECTOR QUANTIZATION (LVQ) DALAM PENGENALAN EKSPRESI WAJAH Kadek Dian Trisnadewi, I Wayan Santiyasa, I Made Widiartha Program Studi Teknik Informatika, Jurusan Ilmu Komputer, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Udayana Email: [email protected] ABSTRAK Pengenalan ekspresi wajah manusia merupakan salah satu bidang penelitian yang sangat penting karena merupakan perpaduan antara perasaan dan aplikasi komputer. Ekspresi wajah sering dipakai sebagai trigger pada kamera, animasi wajah dan pencarian citra wajah dari video. Metode linear yang paling optimal dalam mereduksi redundansi dalam sebuah set data adalah metode PCA. PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. Learning vector Quantization (LVQ) merupakan salah satu metode Jaringan Syaraf Tiruan yang dapat digunakan untuk mengidentifikasi suatu pola citra. Penelitian dilakukan untuk mengenali ekpresi wajah senyum dan netral dengan sudut pengambilan citra 300, 450, 600, 900, dan 1200 menggunakan metode PCA dan algoritma LVQ. Dari hasil pengujian sistem terhadap 60 citra ekspresi wajah, diperoleh rata-rata akurasi sebesar 69,8%. Kata kunci: Metode PCA, Algoritma LVQ, Ekspresi Wajah ABSTRACT Human facial expression recognition is one of the very important area of research because it is a blend of feelings and computer applications. Facial expressions are often used as a trigger to the camera, facial animation and the search for a face image from the video. The most optimal linear method in reducing redundancy in a set of data is the method of PCA. PCA is a linear transformation that is used for data compression. Learning Vector Quantization (LVQ) is one method of Artificial Neural Networks that can be used to identify a pattern image. The study was conducted to identify a smile and a neutral facial expression with the angle of the image 300, 450, 600, 900, and 1200 using the PCA and the LVQ algorithms. From the results of testing the system on 60 images of facial expressions, obtained an average accuracy of 69.8%. Keywords: PCA method, LVQ algorithm, Face Expression 1. PENDAHULUAN 1.1 Latar Belakang Perangkat lunak komputer telah banyak diaplikasikan di dalam berbagai bidang, diantaranya bidang militer, kedokteran, pendidikan dan sebagainya. Fenomena tersebut terjadi pula dalam bidang biometri yaitu pengenalan ekspresi wajah manusia. Metode Principal Component Analysis (PCA) adalah salah satu metode dasar dalam pengenalan wajah yang berdasarkan teori konsep informasi. Sedangkan algoritma learning vector Quantization (LVQ) merupakan salah satu metode Jaringan Syaraf Tiruan yang dapat digunakan untuk mengidentifikasi suatu pola citra. LVQ ini merupakan jaringan hybrid yang menggunakan supervised dan unsupervised learning. Berdasarkan pemaparan di atas dibuatlah suatu sistem yang dapat mengenali pola citra ekspresi wajah manusia dengan metode PCA dan algoritma LVQ. 1.2 Rumusan Masalah Rumusan masalah yang dapat diangkat dalam penelitian ini, diantaranya: 1. Bagaimana implementasi metode PCA dalam melakukan proses ekstraksi ciri pada citra ekspresi wajah. 2. Bagaimana implementasi algoritma Learning Vector Quantization (LVQ) untuk pengenalan citra ekspresi wajah. 1.3 Tujuan Penelitian Adapun tujuan yang ingin dicapai dalam penelitian ini adalah: 1. Untuk membangun sebuah aplikasi yang dapat mengenali ekspresi wajah yang diinputkan oleh pengguna dengan menggunakan metode PCA dan algoritma LVQ. 2. Mengukur tingkat akurasi dari algoritma LVQ dalam mengenali citra ekspresi wajah. 1.4 Batasan Masalah Sesuai dengan rumusan masalah yang telah diangkat maka dalam penelitian ini terdapat beberapa batasan masalah yang digunakan, yaitu: 1. Citra yang digunakan adalah citra hitam putih dengan ukuran 46 x 56 piksel. 2. Wajah yang akan dikenali adalah wajah yang menghadap ke depan dengan posisi tegak dan tidak terhalangi oleh objek lain. 3. Citra wajah yang dipakai adalah citra yang diambil dari sudut 300, 450, 600, 900, dan 1200.

1

Jurusan Ilmu Komputer, FMIPA, Universitas Udayana

2012


4. Pada citra hanya terdapat satu wajah. 5. Data citra yang digunakan adalah data citra dengan format .bmp. 6. Ekspresi yang dikenali adalah ekspresi tersenyum dan netral. 1.5 Manfaaat Penelitian Manfaat yang dapat diperoleh dari penelitian ini adalah aplikasi ini nantinya dapat dijadikan sebagai sub aplikasi dalam membangun suatu sistem yang memanfaatkan teknik pengenalan ekspresi wajah dalam prosesnya seperti pengenalan wajah untuk sekuritas sebagai pengganti tanda tangan atau sidik jari. 2.

TINJAUAN PUSTAKA Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana inputnya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan nonwajah (Sung, 1996). 2.1 Citra Citra menurut kamus Webster adalah suatu representasi atau gambaran, kemiripan, atau imitasi dari suatu objek atau benda, contohnya yaitu foto seseorang dari kamera yang mewakili orang tersebut, foto sinar X-thorax yang mewakili gambar bagian tubuh seseorang dan lain sebagainya (Hestiningsih, 2008). a. Citra Digital Citra digital adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya yang disebut sebagai elemen gambar atau piksel menyatakan tingkat keabuan pada titik tersebut. b. Citra Biner Citra biner merupakan citra yang telah melalui proses pemisahan piksel-piksel berdasarkan derajat keabuan yang dimiliki. Citra biner adalah citra yang hanya direpresentasikan nilai tiap pikselnya dalam satu bit (satu nilai binary). 2.2 Metode Principal Component Analysis (PCA) PCA adalah sebuah transformasi linier yang biasa digunakan pada kompresi data. PCA adalah sebuah teknik statistika yang berguna pada bidang pengenalan, klasifikasi dan kompresi data citra. Algoritma PCA adalah sebagai berikut (Zayuman, 2011): 1. Sebelum PCA dapat dilakukan, dilakukan lexicographical ordering untuk setiap wajah yang akan dilatihkan dimana kolom yang satu diletakkan disamping kolom yang lain sehingga membentuk vektor wajah yang merupakan vector kolom. Vektor-vektor wajah tersebut disusun sedemikian rupa sehingga membentuk suatu matriks X dengan orde n x m, dimana n adalah banyaknya jumlah piksel (w * h) dan m adalah banyaknya gambar wajah. Matriks inilah yang akan digunakan sebagai masukan bagi PCA. 2. Hitung rata-rata (mean) setiap baris dari matriks besar tersebut, lalu kurangi semua nilai di setiap baris dengan rata-rata tersebut. 3. Membuat matriks kovarian L, ................................ …………………………………………………. (2.1) L = Xt*X 4. Mencari nilai eigen (E) dan vektor eigen (C) dari matriks kovarian L. 5. Mencari eigenfaces P. P = C*X ......................... ………………………………………………… (2.2) 6. Menghitung komponen utama citra-citra latih Y, Y = Pt * X ..............................………………………………………………… (2.3) Hasil transformasi ini merupakan gambar wajah yang telah di reduksi menjadi beberapa variabel yang diperlukan saja yang akan dimasukkan ke jaringan syaraf tiruan. 2.3. Algoritma Learning Vector Quantization (LVQ) Algoritma pada jaringan syaraf LVQ bertujuan untuk menemukan unit output yang terdekat dengan vektor input (Ming Leung, 2009). Adapun algoritma dari LVQ adalah: 1. Tetapkan bobot (w), Maksimum epoh (MaxEpoh), error minimum yang diharapkan (Eps), Learning rate () 2. Tentukan a) Input : x (m,n) b) Target : T (1,n) 3. Tetapkan kondisi awal epoh =0 4. Kerjakan jika: (epoh <MaxEpoh) atau ( > eps) a) epoh = epoh + 1 b) Kerjakan untuk i =1 sampai n i. Tentukan j sedemikian hingga ||x-wj|| minimum (sebut sebagai cj) ii. Perbaiki wj dengan ketentuan Jika T = cj maka wj(baru) = wj(lama)+ [x-wj(lama)]


2

Proceeding Seminar Nasional Teknologi Informasi & Aplikasinya 5. 6.

2012

jika T cj maka wj(baru) = wj(lama)- [x-wj(lama)] Kurangi learning rate Tes kondisi berhenti, yaitu kondisi yang mungkin menetapkan sebuah jumlah tetap dari iterasi atau rating pembelajaran mencapai nilai kecil yang cukup.

3. METODOLOGI PENELITIAN 3.1 Data Penelitian Data penelitian yang digunakan dalam penelitian ini terdiri dari 20 citra wajah manusia yang berbeda-beda dengan 2 ekspresi yaitu ekspresi tersenyum dan ekpresi netral. Dimana menggunakan 5 sudut pengambilan yang berbeda yaitu 300, 450,600, 900, dan 1200. Dari seluruh data citra, 70% digunakan sebagai data training serta 30% sebagai data testing Inisialisasi variabel-variabel awal pelatihan dengan LVQ (Sutarno, 2010): • Bobot referensi (w) : vektor input pertama di masing-masing kelas. • Learning rate () : 0,1 dengan pengurangan sebesar 0,01* • Maksimum epoh : 1000 • Error minimum (Eps): 0,00001. 3.2 Desain sistem Desain sistem yang akan dibuat dapat dilihat pada usecase pada gambar 3.1. Berdasarkan usecase yang telah dibuat, sistem pengenalan ekspresi wajah memiliki tiga proses utama yaitu ekstraksi ciri, pelatihan, dan pengenalan ekspresi wajah menggunakan algoritma LVQ.

Gambar 3.1 Diagram Usecase Sistem Pengenalan Ekspresi Wajah 4. HASIL DAN PEMBAHASAN 4.1 Implementasi Sistem 4.1.1 Proses Ekstraksi Ciri Citra Latih dengan Metode PCA Dalam proses ekstraksi ciri diawali dengan mentransformasikan citra-citra pelatihan ke dalam vektor kolom sehingga membentuk sebuah matriks. Kemudian menghitung rata-rata tiap baris dari matriks kumpulan citra latih. Selanjutnya menghitung selisis vektor citra pelatihan dengan rata-rata vektor citra pelatihan. Setelah mtriks selisih citra pelatihan diperoleh, kemudian dihitung covarian dari matriks selisih citra pelatihan tersebut dengan cara mengalikan matriks selisih citra pelatihan yang telah ditranspose dengan matriks citra pelatihan. Selanjutnya menghitung nilai eigen serta vektor eigen untuk memperoleh eigenfaces. Komponen utama dari citra pelatihan dicari dengan mengalikan matriks eigenface yang sudah ditranspose terlebih dahulu dengan matriks selisih citra pelatihan. 4.1.2 Proses Pelatihan dengan Algoritma LVQ Pada proses pelatihan, vektor citra pelatihan hasil ektraksi dengan metode PCA masuk kedalam jaringan LVQ. Kemudian sistem akan melakukan pelatihan (training) sampai memenuhi maximum epoh atau learning rate kurang dari eror minimum yang sudah ditentukan dalam sistem. 4.1.3 Proses Klasifikasi dengan Algoritma LVQ Tahap klasifikasi citra uji dimulai dengan mentransformasikan citra uji ke dalam vektor satu dimensi kemudian vektor citra uji tersebut dikurangi dengan matriks rata-rata citra pelatihan. Hasilnya kemudian direduksi menggunakan eigenfaces dengan cara mengalikan eigenfaces transpose dengan vektor citra uji yang sudah dikurangi rata-rata matriks citra pelatihan. Sehingga dieroleh vektor citra uji yang memiliki dimensi lebih kecil atau sama dengan dimensi vektor citra pelatihan yang kemudian masuk kedalam jaringan LVQ untuk dikenali.

3


2012


4.2 Uji Coba Sistem Sistem pengenalan ekspresi wajah ini menggunakan 200 data citra dimana 140 digunakan sebagai data pelatihan dan 60 citra sebagai data uji. Untuk pengujian citra dengan ekspresi senyum dan netral, dimana dari pengujian 60 citra, tiap 12 citra mewakili sudut pengambilan yang berbeda, hasilnya dapat dilihat pada table 4.1. Tabel 4.1 Hasil Pengujian Citra Ekspresi Senyum dan Netral Sudut Jumlah Citra yang Akurasi citra berhasil dikenali 300 450 600 900 1200

12 12 12 12 12

6 7 10 10 9

50% 58% 83% 83% 75%

Dari table 4.1 dapat dilihat bahwa dari total 60 citra yang diuji yaitu masing-masing 30 citra dengan ekspresi senyum dan netral dengan sudut pengambilan 300, 450, 600, 900, dan 1200, sebanyak 42 citra yang berhasil dikenali dengan benar. Dari hasil pengujian diperoleh tingkat akurasi sebesar 50%, 58%, 83%, 83%, dan 75% untuk masingmasing sudut pengambilan citra. Berdasarkan tingkat akurasi masing-masing sudut tersebut, diperoleh ratarata tingkat akurasi hasil pengujian citra ekspresi senyum dan netral sebesar 69,8% dari hasil penjumlahan nilai akurasi dibagi dengan banyaknya sudut pengambilan citra. 5. PENUTUP 5.1 Kesimpulan Berdasarkan penelitian yang sudah dilakukan tentang sistem pengenalan ekspresi wajah maka kesimpulan yang dapat diambil diantaranya: 1. Metode PCA dapat melakukan proses ekstraksi ciri terhadap citra wajah untuk menghasilkan matriks yang akan menjadi bobot dalam proses jaringan syaraf tiruan serta mereduksi dimensi matriks citra wajah menjadi ukuran yang lebih kecil. 2. Dari hasil pengujian sistem, algoritma LVQ dapat mengenali ekspresi wajah manusia dengan tingkat akurasi pengenalan sebesar 69,8% untuk ekspresi senyum dan netral. 5.2 Saran Untuk pengembangan sistem pengenalan ekspresi wajah, penulis ingin menyampaikan beberapa saran diantaranya: 1. Pada penelitian selanjutnya penulis diharapkan dapat memperbanyak jumlah data training sehingga dapat memberikan akurasi pengenalan yang lebih tinggi. 2. Pada penelitian selanjutnya penulis diharapkan dapat membuat sistem yang tidak hanya mengenali ekspresi senyum dan netral tetapi juga ekspresi lain seperti sedih dan tertawa. 6. DAFTAR PUSTAKA [1] Ahmad, Usman. 2005. “Pengolahan Citra Digital & Teknik Pemrogramannya”. Edisi I. Yogyakarta: Graha Ilmu. [2] Al-Daoud, E. (2009), “A Comparison Between Three Neural Models for Classication Problems”, Journal of Articial Intelligence 2, 56–64 [3] Anandita. 2007. “Face Expression Recognition In Two Dimensional Image by Using Neural Network Algorithm Backpropagation”. Fakultas Ilmu Komputer, Universitas Gunadarma. [4] Cahyo, Septian. 2009. “Analisis Perbandingan Beberapa Metode Deteksi Tepi Menggunakan Delphi 7”. Laboratorium Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma. [5] Hestiningsih, Idhawati. 2008. Pengolahan Citra.http://toba.mytoba.com/dl/Pengolahan%20Citra.pdf. Diakses tanggal 10 Desember 2011. [6] Hjelmas, E, Low, B.K, 2001, “ Face Detection: A Survey” , Computer Vision and Image Understanding. 83, pp. 236-274. [7] Atalay, Ilker. 1996. “Face Recognition Using Eigenfaces ”. Computer Engineer, Istanbul Technical University. [8] Ming, Leung, K. 2009. “Learning Vector Quantization”. Departement of Computer and Information Science. [9] Oktaorora. 2011. “Penentuan Jenis Lipstik Pilihan Pelanggan Berdasarkan Faktor Usia Dan Warna Kulit Menggunakan Metode Jaringan Syaraf Tiruan”. Jurusan Teknik Informatika, Institut Teknologi Sepuluh November.


4


2012

[10] [11] [12] [13] [14] [15]

[16] [17] [18]

Pitas. 1993. “Digital Image Processing Algorithms”. Prentice Hall, Singapore. Sari, Maulina. 2010. “Penerapan Algoritma Eigenface Pada Sistem Absensi Karyawan Berbasis Webcam”, Program Studi Matematika, Universitas Sumatra Utara. Sihombing, Togu. 2011. “Pengenal Huruf Tulisan Tangan Menggunakan Jaringan Saraf Tiruan Metode Lvq (Learning Vector Quantization)”. Teknik Elektro Universitas Diponegoro. Smith, Lindsay, 2 Juni 2007. “A Tutorial on Principal Component Analysis”. http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf Sung, K.K, 1996, “ Learning and Example Selection for Object and Pattern Detection” , AITR 1572, Massachusetts Institute of Technology AI Lab. Sutarno. 2010. “Identifikasi Ekspresi Wajah Menggunakan Alihragam Gelombang Singkat (Wavelet) Dan Jaringan Syaraf Tiruan Learning Vector Quantizatons (LVQ).” Palembang: Universitas Sriwijaya Indralaya. Yang, M.H, Kriegman, D, Ahuja, N, 2002, “Detecting Faces in Images: A Survey” , IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 24, no. 1. Qur’ani Y. 2010. “Jaringan Syaraf Tiruan Learning Vector Quantization Untuk Aplikasi Pengenalan Tanda Tangan”. Jurusan Teknik Informatika, Universitas Islam Indonesia. Zayuman. 2011. “Pengenalan Wajah Manusia Menggunakan Analisis Komponen Utama (PCA) Dan Jaringan Syaraf Tiruan Perambatan-Balik”. Semarang: Jurusan Teknik Elektro, Universitas Diponegoro.

5


PROCEEDING. Aplikasi Teknologi Informasi dalam Menunjang Pelestarian Budaya Nasional dan Pengembangan Sektor Pariwisata. Bali, 9 Oktober 2011

Recommend Documents