Sistem Pengenalan Wajah 3D Menggunakan ICP dan SVM

Abstract

<p>Pengenalan wajah merupakan salah satu teknologi biometrik yang banyak diaplikasikan terutama pada sistem keamanan. Sistem absensi dengan wajah, mengenali pelaku tindak kriminal dengan CCTV adalah beberapa aplikasi dari pengenalan wajah. Efisiensi dan akurasi menjadi faktor utama pengenalan wajah banyak diaplikasikan. Pada penelitian ini, sistem identifikasi<em> </em>diimplementasikan dalam bentuk pengenalan wajah 3 dimensi berbasis <em>t</em><em>emplate </em><em>m</em><em>atching </em>menggunakan metode<em> Iterative Closest Point</em> (ICP) dan klasifikasi <em>Support Vector Machine</em> (SVM). <em>Iterative Closest Point</em> (ICP) memberikan informasi dimensi dengan meminimalisasi kesalahan antara titik-titik dalam satu tampilan dan titik terdekatnya agar template wajah 3D yang dibuat sesuai dengan citra referensi. Sedangkan SVM adalah adalah metode klasifikasi dengan menentukan kelas citra berdasarkan informasi yang diperoleh dari proses ektraksi ciri.<em> </em>Hasil akhir dari penelitian ini adalah suatu aplikasi yang mampu melakukan identifikasi pengenalan pola wajah 3D. Berdasarkan <em>c</em><em>onfusion </em><em>m</em><em>atrix</em>, diperoleh bahwa sistem ini bekerja dengan <em>p</em><em>recision</em> 97,30%, <em>r</em><em>ecall</em> 100,00%, <em>a</em><em>ccuracy </em>97,56% pada pengambilan <em>frame</em> citra sebanyak 48, iterasi ke 49, partisi 12, dan menggunakan SVM tipe OAA.</p><p><em><strong>Abstract</strong></em></p><p><em>Face recognition is a biometric technology that is widely applied especially in the security system. Attendance systems with faces, recognizing criminals with CCTV are some of the applications of face recognition. Efficiency and accuracy are the main factors that face recognition is widely applied. In this study, the identification system was implemented in the form of 3-dimensional face recognition based on template matching using the Iterative Closest Point (ICP) method and Support Vector Machine (SVM) classification. Iterative Closest Point (ICP) provides dimensional information by minimizing errors between points in one view and the closest point so that 3D face templates are made in accordance with the reference image. Whereas SVM is a classification method by determining the image class based on information obtained from the extraction of features. The final result of this study is an application that is able to identify 3D face pattern recognition. Based on the confusion matrix, found that this system works with 97.30% precision, recall 100.00%, 97.56% accuracy in image frame capture as much as 48 iterations to 49, the partition 12, and using the SVM-type OAA.</em></p><p><em><strong><br /></strong></em></p>

Support Vector Machine Untuk Pengenalan Bentuk Manusia Menggunakan Kumpulan Fitur Yang Dioptimalkan

“…Pembelajaran mesin menjadi metode analisis data yang mengotomasi pembuatan model analitik. Ini adalah cabang dari kecerdasan buatan yang berdasarkan ide bahwa sistem dapat belajar dari data, mengidentifikasi pola, dan mengambil keputusan dengan sedikit intervensi manusia (Darwis, 2016;De Lima et al, 2019). Ilmu ini berfokus untuk membuat sistem atau algoritma yang terus belajar dari data dan meningkatkan akurasinya dari waktu ke waktu tanpa pemrograman tertentu.…”

“…Beberapa hasil penelitian menyatakan bahwa implementasi Iterative Closest Point sebagai metode ekstraksi ciri dan Support Vector Machine sebagai metode klasifikasi telah mampu memberikan akurasi yang tinggi pada sistem identifikasi pengenalan wajah 3D (De Lima et al, 2019). Pengklasifikasian data dimensi tinggi dengan pembagian kelas lebih dari dua pada SVM dalam penelitian ini ternyata mampu memberikan hasil akurasi yang baik (Yulianti et al, 2019).…”

“…Teknik tersebut telah diterapkan pada masalah-masalah regresi dan kasifikasi dengan kinerja yang sangat bagus di rentang tugas klasifikasi biner (Altawaier & Tiun, 2016;Assignments, 2001;Chen et al, 2015;Kremer et al, 2014;Qian et al, 2015). Beberapa hasil penelitian menyatakan implementasi Iterative Closest Point sebagai metode ekstraksi ciri dan support vector machine sebagai metode klasifikasi telah mampu memberikan akurasi yang tinggi pada sistem identifikasi pengenalan wajah 3D (De Lima et al, 2019). Pengklasifikasian data dimensi tinggi dengan pembagian kelas lebih dari dua pada SVM dalam penelitian ini ternyata mampu memberikan hasil akurasi yang baik (Yulianti et al, 2019).…”

Sistem Deteksi Penggunaan Masker secara Real Time menggunakan Metode Eigenface dan Support Vector Machine

“…Beberapa penelitian sebelumnya yang menggunakan svm memiliki hasil akurasi yang cukup tinggi [5] [6]. SVM bekerja pada data yang memiliki dimensi tinggi dengan memanfaatkan kernel untuk memetakan data [7].…”