Saat ini perkembangan teknologi yang berkaitan dengan pengenalan wajah banyak dimanfaatkan pada aplikasi pengenalan data biologis (biometrics) seperti pengenalan jenis kelamin. Penerapan aplikasi yang memerlukan pengenalan jenis kelamin adalah proses segmentasi pasar untuk mengetahui trend demografis dari produk yang dipasarkan berdasarkan jenis kelamin. Selain itu, aplikasi ini juga dapat digunakan untuk pembatasan akses suatu ruangan. Klasifikasi jenis kelamin pada citra wajah menggunakan metode Naive Bayes dapat digunakan untuk membedakan wajah wanita dan wajah pria berdasarkan fitur. Pembuatan data training berupa citra wajah dengan total 61 data dengan rincian 25 perempuan dan 36 laki-laki. Penggunaan fitur yang diperoleh dari deteksi mata, hidung dan mulut diekstraksi dengan metode Principal Component Analysis yang selanjutnya akan dilakukan proses klasifikasi jenis kelamin dengan metode Naive Bayes yang menghasilkan akurasi kecocokan sebesar 80%.

Saat ini perkembangan teknologi  yang berkaitan dengan pengenalan wajah banyak dimanfaatkan pada aplikasi pengenalan  data  biologis  (biometrics) seperti  pengenalan  jenis  kelamin.  Penerapan  aplikasi  yang  memerlukan pengenalan jenis kelamin adalah proses segmentasi pasar untuk mengetahui trend demografis dari produk yang dipasarkan berdasarkan jenis kelamin, selain itu juga dapat digunakan untuk pembatasan akses suatu ruangan dan lain-lain. Deteksi jenis kelamin berdasarkan citra wajah jarak jauh dengan metode Haar Cascade Classifier dapat digunakan untuk membedakan wajah wanita dan wajah pria dengan jarak kurang dari 200 cm. Data yang dilakukan untuk proses training adalah 150 wajah laki-laki dan 150 wajah perempuan, dari jumlah wajah tersebut diambil 100 citra wajah untuk setiap jarak berukuran 100, 150, dan 200 cm. Penggunaan fitur-fitur geometris yang diperoleh dari deteksi mata, hidung dan mulut diproses dengan pengukuran jarak antar fitur-fitur dari wajah yang akan dilakukan proses klasifikasi jenis kelamin. Untuk klasifikasi jenis kelamin dilakukan perbandingan 2 metode klasifikasi yaitu

No abstract

Micro-expression recognition is one of the popular researches in analysing expressions on the face. Micro-expression is a facial movement that occurs in a short time and is difficult to identify manually by human eyes. In general research, facial landmarks are used to form a large size ROI for each facial feature for the feature extraction process. In this study, we track the subtle motions of micro expressions by using point features. This approach aims to get feature extraction from tracking results and then analyse micro-expression. We compared the Active Shape Model and Response Map Fitting methods to produce accurate points and fast time on facial features. To measure the subtle motion tracking of facial features in each frame tracking is done using the Kanade-Lucas-Tomasi method. To estimate the rationality of our method, we conducted an experiment on CASME II and SAMM dataset for micro-expressions. The results show that the points on DRMF are more accurate with point-to-point error is 7.9 and the time taken is faster which requires time is 0.02 second. We evaluated the method proposed for evaluation showed that using CASME II - Naive Bayes (79.3%) and SAMM - Naive Bayes (74.6%).

Algorithms developed to identify people with iris image data have been tested in many field and laboratory experiment. This paper analysis some a parameters of iris image used to recognize human. Iris recognition system, which is applied based on segmentation, normalization, encoding, and matching is also describe in this paper. Circle Hough Transform segmentation module used to find the inner and outer boundaries of the iris. The experiment was carried out using CASIA v1 iris database with grayscale images. Shape, intensity, and location information for localizing the pupil or iris and normalizing the iris area a used iris segmentation by unwrapping circular area into a rectangular area. Normalized area will be used to extract the features using Gray Level Co-occurrence Matrix (GLCM) and Gabor filter, the feature compared the recognition accuracy using Support Vector Machines (SVM) and Naive Bayes classifiers. GLCM feature test results achieved 95.24% SVM classification accuracy, whereas using achieved 85.71% Naive Bayes. Gabor feature test results achieved 95.24% SVM classification accuracy, whereas using achieved 95.23% Naive Bayes. The classification process based on GLCM and Gabor features show that the SVM method have to highest recognition accuracy compare to Naive Bayes classifier.