Tugas Kelompok

TUGAS COMPUTER VISION

 

Nama kelompok :

-          Yudhi firmansyah     17429058

-          Yusuf Ibrahim Malik 17429059

-          Hasbulloh                    17429024

-          Haniarsih                     17429065

-          Debbi                            17429052

 

 

1.       Metode metode untuk face recognize

 

·         PCA (Principal Component Analysis) adalah salah satu algoritma yang digunakan untuk pengenalan berdasarkan appearance based. PCA ini juga merupakan algoritma reduksi dimensi yang mampu menghasilkan komponen-komponen wajah yaitu eigenface.

·         Independent Component Analysis (ICA) adalah sebuah metode statistik yang digunakan untuk memisahkan dua atau lebih variabel acak  yang  tercampur  menjadi  variabel-variabel  yang independent.

·         Linear Discriminant Analysis (LDA) adalah metode ekstraksi fitur dengan perpaduan dari perhitungan operasi matematika dan statistika yang memberlakukan properti statistik terpisah untuk tiap obyek. Tujuan metode LDA adalah mencari proyeksi linier (yang biasa disebut dengan ‘fisherimage’) untuk memaksimumkan matriks kovarian antar kelas (between-class covariance matrix), agar anggota di dalam kelas lebih terkumpul penyebarannya dan pada akhirnya dapat meningkatkan keberhasilan pengenalan.

·         Elastic Bunch Graph Matching (EBGM) adalah algoritma dalam computer vision untuk mengenali objek atau kelas objek dalam gambar berdasarkan representasi grafik yang diambil dari gambar lain. Ini telah digunakan secara mencolok dalam pengenalan dan analisis wajah, tetapi juga untuk gerakan dan kelas objek lainnya.

·         Equivalence partitioning adalah metode pengujian black-box yg memecah atau membagi domain input dari program ke dalam kelas-kelas data sehingga test case dapat diperoleh. Perancangan test case equivalence partitioning berdasarkan evaluasi kelas equivalence untuk kondisi input yg menggambarkan kumpulan keadaan yg valid atau tidak. Kondisi input dapat berupa nilai numeric, range nilai,kumpulan nilai yg berhubungan atau kondisi Boolean.

·         Metode 3-D Morphable adalah

 

·         Metode Bayesian Framework adalah

 

·         Metode Support Vector Machine (SVM) merupakan salah satu metode dalam supervised learning yang biasanya digunakan untuk klasifikasi (seperti Support Vector Classification) dan regresi (Support Vector Regression). Dalam pemodelan klasifikasi, SVM memiliki konsep yang lebih matang dan lebih jelas secara matematis dibandingkan dengan teknik-teknik klasifikasi lainnya. SVM juga dapat mengatasi masalah klasifikasi dan regresi dengan linear maupun non linear.

 

·         Metode HMM Hidden Markov Model (HMM) adalah sebuah model statistik dari sebuah sistem yang diasumsikan sebuah Proses Markov dengan parameter yang tak diketahui, dan tantangannya adalah menentukan parameter-parameter tersembunyi (state) dari parameter-parameter yang dapat diamati (observer). Parameter-parameter yang ditentukan kemudian dapat digunakan untuk analisis yang lebih jauh, misalnya untuk aplikasi Pattern Recognition.

 

 

 

 

 

 

 

2.       Metode metode dalam penerapan character recognize

 

·         OCR (Optical Character Recognition) OCR adalah sebuah aplikasi komputer yang digunakan untuk mengidentifikasi  citra  huruf  maupun  angka untuk  dikonversi  ke  dalam  bentuk  file tulisan.

 

·         Backpropagation adalah algoritma pembelajaran untuk memperkecil tingkat error dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan target yang diinginkan. Backpropagation juga merupakan sebuah metode sistematik untuk pelatihan multilayer JST. Backpopagation dikatakan sebagai algoritma pelatihan multilayer karena Backpropagation memiliki tiga layer dalam proses pelatihannya, yaitu input layer, hidden layer dan output layer, dimana backpropagation ini merupakan perkembangan dari single layer network (Jaringan Layar Tunggal) yang memiliki dua layer, yaitu input layer dan output layer. Dengan adanya hidden layer pada backpropagation dapat menyebabkan besarnya tingkat error pada backpropagation lebih kecil dibanding tingkat error pada single layer network. Hal tersebut dikarenakan hidden layer pada backpropagation berfungsi sebagai tempat untuk mengupdate dan menyesuaikan bobot, sehingga didapatkan nilai bobot yang baru yang bisa diarahkan mendekati dengan target output yang diinginkan.

 

 

 

 

3.       Review jurnal tentang computer vision

 

IMPLEMENTASI METODE HIDDEN MARKOV MODEL UNTUK DETEKSI

TULISAN TANGAN

 

 

ISSN : 2355-9365

Universitas Telkom

 

      Penerapan teknologi sistem pengenalan karakter huruf dan angka pada suatu data sangat dibutuhkan saat ini terutama karena pentingnya dokumen- dokumen oleh pihak atau instansi tertentu, misalnya saja dokumen riwayat kerja pegawai. Setiap pegawai memiliki dokumen kenaikan gaji, kenaikan pangkat atau laporan kerja. Pentingnya sistem deteksi ini disebabkan karena banyaknya data lama yang penting namun ditulis dengan tangan sehingga perlu didokumentasikan. Selain itu, penyimpanan dokumen menjadi lebih efektif dan aman, karena dapat disimpan dengan mudah dikomputer. Pengenalan pola huruf dengan klasifikasi HMM telah digunakan pada penelitian-penelitian sebelumnya terutama pengenalan pola huruf Arab.

 

     Hidden Markov Models (HMM) merupakan pengembangan dari markov model yang ditemukan oleh A.A Markov pada tahun 1906. Berbeda dengan markov biasa dimana statenya dapat langsung diamati, sehingga probabilitas transisi antar state menjadi satu satunya parameter. HMM adalah suatu model probabilitas yang menggambarkan hubungan statistik antara urutan pengamatan atau observasi O dan urutan state yang tersembunyi (hidden) [4], sehingga dapat diamati secara tidak langsung melalui urutan observasi O. Setiap state pada HMM memiliki distribusi peluang output yang mungkin muncul sebagai suatu set proses stokastik yang akan membentuk suatu deretan observasi.

      Berdasarkan hasil pengujian yang dilakukan, penggunaan MDF untuk ekstraksi ciri

dan digabungkan dengan HMM sebagai metode klasifikasinya dapat digunakan untuk melakukan pengenalan karakter huruf dan angka tulisan tangan dengan rata-rata CER 25,28% atau rata-rata akurasi karakter 74,72%. Sistem pengenalan karakter ini menggunakan tulisan tangan dari 30 orang sebagai data latih. Beberapa pengenalan karakter tidak baik disebabkan karena tulisan tangan tidak selalu baik, sehingga terdapat karakter yang saling menempel

hingga terdeteksi menjadi satu karakter. Hasil pengujian sistem pada state 100 memiliki CER dari

0% hingga 56% dan setelah diuji dengan noise Salt & Pepper memiliki CER dari 0% hingga 100% dengan rata-rata CER 43,35%. Semakin kecil presentase CER menunjukkan akurasi sistem tersebut semakin baik. Kenaikan jumlah state HMM waktu komputasi menjadi bertambah lama namun tidak selalu menurunkan presentase CER. Pengenalan citra uji perkata pada state terbaik adalah 100 memiliki rata-rata waktu komputasi 2.23 detik. Hasil pengujian system dengan noise Salt & Pepper hanya mempengaruhi CER tidak terlalu mempengaruhi waktu komputasi sistem pengenalan karakter pada suatu kata.