Tulisan ini memaparkan simulasi ekstraksi citra wajah secara global dengan menggunakan salah satu teknik Linear Discriminant Analysis (LDA), yaitu Direct Fractional-Step LDA (DF-LDA) untuk pengenalan wajah. Tujuan tulisan ini adalah untuk mengevaluasi unjuk kerja teknik ini terhadap masalah small sample size (SSS) yang sering muncul di dalam pengenalan wajah. Pada dasarnya teknik berbasis LDA ini (DF-LDA) merupakan kombinasi dari teknik D-LDA dan F-LDA, dimana untuk merepresentasikan citra wajah secara global secara efisien dapat ditambahkan sebuah fungsi pembobot (weighting function) dengan bertahap secara langsung dan fraksional pada proses LDA. Proses pencocokan dilakukan dengan mencari jarak Euclidean minimum antara ciri citra wajah uji terhadap ciri citra wajah latih yang terdapat di dalam database. Dari hasil simulasi untuk Database Face Recognition Data dan Database Mahasiswa Maranatha diperoleh akurasi pengenalan wajah yang lebih baik untuk kondisi jumlah citra wajah satu per orang di dalam proses pelatihan jika database wajah diproses secara terpisah.

ABSTRAKTulisan ini menjelaskan tentang pengenalan wajah manusia dengan metode fisherface untuk mengidentif ikasikan seseorang. Keluarannya adalah dikenali atau tidaknya sebuah gambar masukan sebagai salah satu individu pada database. Terdapat empat langkah utama dalam metode pengenalan wajah ini, yaitu deteksi wajah, perhitungan PCA (Principal Component Analysis), perhitungan FLD (Fisher's Linear Discriminant), dan klasifikasi. Dalam modul deteksi wajah, segmentasi warna dilakukan untuk mendapatkan bagian dari gambar masukan yang memiliki warna kulit. Modul perhitungan PCA dan modul perhitungan FLD digunakan untuk membentuk satu set fisherface dari suatu training set yang digunakan. Seluruh gambar wajah dapat direkonstuksi dari kombinasi fisherface dengan bobot yang berbeda-beda. Pada modul terakhir, dilakukan proses pengenalan identitas dengan cara membandingkan bobot fisherface yang dibutuhkan untuk merekonstruksi gambar masukan terhadap gambar pada training set. Perhitungan bobot dilakukan dengan metode jarak Euclidian. Pengujian dilakukan terhadap 66 gambar masukan dan tingkat keberhasilan pengenalan wajah sebesar 81,82%.Kata kunci : fisherface, deteksi wajah, PCA, FLD, klasifikasi, jarak Euclidian. ABSTRACT This paper describes human identification using fisherface method to identify someone. The output is whether recognized or not an input image as an individual in the database. There are four main stages for this method, mainly face detection, PCA (Principal Component Analysis) calculation, FLD (Fisher's Linear

Penerapan fungsi kernel dapat dilakukan untuk memecahkan masalah pada suatu data citra yang bersifat non-linier sehingga data tersebut dapat dipisahkan secara linier oleh sebuah hyperplane dengan cara melakukan pemetaan dari input space terhadap feature space untuk menaikkan dimensinya. Dalam artikel ini akan dibahas peningkatan akurasi pengenalan yang didapat dengan melakukan penerapan kernel jamak pada program berbasis PCA dengan menggunakan jenis kernel linear, polynomial, dan gaussian untuk pengenalan wajah yang diberi variasi pencahayaan. Proses pencocokan atau pengenalan identitas dilakukan dengan metode SVM. Peningkatan yang didapat dari hasil penerapan kernel jamak akan dibandingkan dengan penerapan kernel tunggal dan dilihat seberapa besar pengingkatan akurasi pengenalannya. Berdasarkan hasil penerapan kernel jamak yang dilakukan, rata-rata peningkatan akurasi yang didapatkan dari hasil pengenalan wajah dengan variasi pencahayaan adalah sebesar 10,5% dibandingkan dengan kernel tunggal.

Informasi dalam bentuk multimedia digital mudah dilakukan duplikasi dan modifikasi oleh pihak-pihak yang mungkin saja tidak memiliki izin dari pemilik yang sah. Hal ini dapat menimbulkan persoalan pelanggaran hak cipta atas informasi multimedia tersebut. Salah satu cara untuk mengatasi persoalan tersebut adalah dengan digital watermarking. Dalam artikel ini dibahas mengenai teknik watermarking pada citra digital menggunakan contourlet transform (CT) yang digabung dengan discrete cosine transform (DCT) dan perhitungan noise visibility function (NVF). Watermark disisipkan pada koefisien DCT dari subband hasil transformasi contourlet level 2. Penyisipan watermark dilakukan dengan memperhitungkan nilai NVF koefisien CT dari subband yang digunakan. Untuk daerah yang bertekstur, watermark akan disisipkan lebih kuat daripada daerah yang datar. Dari hasil uji coba diperoleh bahwa citra yang telah disisipi watermark mempunyai kualitas yang baik dengan rata-rata nilai peak signal to noise ratio (PSNR) lebih besar dari 35 dB, dan watermark dapat diekstraksi kembali dengan baik dengan rata-rata nilai bit correct ratio (BCR) lebih besar dari 98%. Watermark masih tahan terhadap kompresi JPEG dengan faktor kualitas Q 9, penambahan noise Gaussian sampai 10%, cropping sampai 25%, dan scaling 75% dan 125%, tetapi tidak tahan terhadap rotasi. Information in the form of digital multimedia can easily be duplicated and modified by parties who may not have the permission of the legal owner. This can lead to issues of copyright infringement of the multimedia information. One solution to overcome this problem is digital watermarking. This article discusses watermarking technique in digital images using contourlet transform (CT) combined with discrete cosine transform (DCT) and noise visibility function (NVF) calculation. Watermark is inserted in the DCT coefficients of level 2 contourlet transform subband. Watermark insertion is done by calculating the NVF value of the CT coefficients of the subband used. For textured areas, the watermark will be inserted stronger than flat areas. From the test results, it is found that the watermarked image has good quality with an average peak signal to noise ratio (PSNR) value greater than 35 dB, and the watermark can be extracted back well with an average bit correct ratio (BCR) value greater than 98%. Watermark is still resistant to JPEG compression with a quality factor Q greater than 9, Gaussian noise addition up to 10%, cropping up to 25%, scaling 75% and 125%, but not resistant to rotation.

Near Duplicate Video Retrieval (NDVR) adalah salah satu jenis teknik retrieval berbasis videoyang sering dilakukan karena banyaknya video yang hampir duplikat dari video asli. Biasanya aktivitasvideo retrieval dilakukan untuk memperoleh manfaat (umumnya komersial) tanpa seijin pemilik hakcipta yang sah. Salah satu isu dalam sistem NDVR adalah ketidakseimbangan jumlah video latih untuksetiap kelas, sehingga di dalam tulisan ini akan dikaji pengaruh jumlah video latih yang berbeda untuksetiap kelas. Metode t-USMVH merupakan rancangan yang akan digunakan dalam sistem NDVR padapenelitian ini. Sementara itu, sistem NDVR yang akan direalisasikan terdiri atas 4 tahapan, yaitu prosesekstraksi keyframe, ekstraksi ciri, pelatihan sistem, serta pencocokan kode hash antarvideo. Pada tahapekstraksi keyframe, pemilihan keyframe dilakukan berdasarkan jumlah sampel per detik tanpamengabaikan perubahan citra antardetik. Di tahap kedua, yaitu proses ekstraksi ciri, ada 2 pendekatanyang dipakai, yaitu ekstraksi ciri global (Hue Saturation Value/HSV) serta ekstraksi ciri lokal (LocalDirectional Pattern/LDP). Selanjutnya, teknik backpropagation merupakan metode untuk pelatihansistem, dan diakhiri dengan pencocokan kode hash antarvideo menggunakan metode Hamming Distance(HD). Variabel yang diuji adalah kombinasi variasi ciri, variasi jumlah iterasi, dan variasi jumlah videolatih untuk setiap kelas. Selain itu, ada 2 variasi jumlah video latih untuk setiap kelas yaitu, imbalancequery video dan balance query video. Hasil simulasi menunjukkan bahwa nilai Mean Average Precision(MAP) untuk kondisi balance query video lebih besar dari pada imbalance query video pada semua variasiiterasi dan semua variasi ciri. Selain itu, penggabungan ekstraksi ciri lokal dan ciri global pada sistembalance query video menghasilkan nilai MAP yang lebih baik daripada hanya menggunakan satu jenisekstraksi ciri.