Dalam 3 tahun terakhir sudah dihasilkan beberapa skrisp student about Image Processing atapun tentang Computer Vision, serta Computer Graphics yang sudah saya bimbing beserta dengan colega dari Program Studi Teknik Informatika UAD.

1. Khoirun Nisa’/02018223 (2006)

Aplikasi Fast Fourier Transform (FFT) untuk Mendeteksi Cacat  Citra Tekstur Batik

 

   Kemajuan teknologi komputer terutama pada teknik pengolahan citra berkembang semakin pesat. Saat ini pengolahan citra mempunyai peranan penting dalam berbagai bidang seperti bidang perindustrian tekstil (kain). Kain merupakan kebutuhan sandang yang harus dipenuhi, kerusakan kain yang paling utama adalah tinta yang blobor, kain berlubang dan kesalahan dalam pengulangan tekstur, pengontrolan cacat kain saat ini masih kurang efesien karena masih dilakukan  secara manual. Tujuan dari penelitian ini adalah untuk mendeteksi cacat citra tekstur kain batik. Salah Satu teknik untuk mendeteksi cacat citra tekstur kain batik adalah dengan menggunakan algoritma fast fourier transform (FFT), dimana algoritma ini memanfaatkan keperiodikan dan kesimetrisan fungsi trigonometri untuk menghitung transformasi tersebut dengan sekitar N log₂ N. Analisis dari metode FFT, proses input data acuan citra dimulai dengan mengubah citra masukan dari citra asli menjadi grayscale, histogram dan bentuk spektrum, citra spektrum diproses melalui beberapa tahap yaitu menghitung log spektrum digunakan untuk menyesuaikan besarnya frekuensi spektrum, kemudian  melakukan pergeseran (shifting) digunakan untuk melakukan pergeseran dari hasil transformasi fourier ke titik pusat spektrum. Spektrum fourier yang dihasilkan kemudian dihitung berdasarkan nilai parameter statistik yaitu rata-rata, standar deviasi, skewness, kurtosis, dan nilai pixel tertinggi. Perhitungan statistik digunakan untuk menyederhanakan bentuk sebaran frekuensi menjadi suatu nilai atau ukuran. Proses yang sama juga dilakukan terhadap seluruh citra batik yang dideteksi. Proses selanjutnya dengan melakukan perbandingan antara nilai statistik citra data acuan dengan nilai statistik citra data deteksi, perbandingan dilakukan dengan mencari nilai minimum dan nilai maksimum data acuan kemudian dibandingkan dengan nilai citra data deteksi, nilai inilah yang menunjukkan citra yang dideteksi dapat dikategorikan cacat atau tidak.Penelitian ini menghasilkan suatu aplikasi pengolahan citra untuk mendeteksi cacat citra tekstur kain batik dengan algoritma FFT, berdasarkan hasil pengujian menunjukkan bahwa presentase kebenaran sebesar  96.00% untuk pengujian yang sukses , dan 4.00%  untuk pengujian yang gagal.

 

2. Risnaldi Syazali (02018339)/2006

Analisis Perbandingan Metode Intensity Filtering dengan Metode Frequency Filtering Sebagai Reduksi Noise Pada Suatu Citra

Citra memegang peranan sangat penting sebagai bentuk informasi visual yang merupakan salah satu komponen multimedia. Namun kadang pada citra terdapat gangguan (biasa disebut noise) yang menyebabkan gambar yang diterima tersebut tidak dapat dilihat dengan jelas karena terdapat bintik-bintik noise. Untuk itu perlu adanya aplikasi untuk mereduksi noise yang terdapat pada citra sehingga dapat terlihat lebih jelas dibandingkan dengan kondisi awal. Adapun metode yang biasa digunakan adalah metode intensity filtering dan frequency filtering. Pada  penelitian ini akan menjelaskan karakteristik dari kedua metode tersebut, serta melakukan analisis kelebihan dan kekurangan dari kedua metode tersebut. Dua metode ini akan memberikan hasil reduksi noise yang berbeda. Operasi reduksi noise bekerja dengan cara menyaring intensitas warna yang tinggi ( high pass filter ) dan warna yang rendah ( low pass filter ). Langkah awal dari penelitian adalah analisis data dilanjutkan perancangan jenis citra input dan output-nya serta perancangan interface. Langkah selanjutnya adalah mengimplementasikan metode intensity filtering dan metode frequency filtering untuk reduksi noise menggunakan bahasa pemrograman Delphi 7. Adapun jenis citra uji yang digunakan adalah file gambar dengan ekstensi bmp (bitmap) berformat 8 bit dan 24 bit serta dengan ukuran maksimal 640 x 480 piksel. Citra tersebut kemudian ditampilkan ke dalam program lalu dilakukan proses reduksi noise, menampilkan histogram, timing-run serta SNR dari citra filter tersebut. Pengujian dilakukan dengan metode Black-Box. Dari metode yang ada, hasilnya akan berbeda berdasarkan jenis noise yang tercampur pada citra. Hasil penelitian menunjukkan reduksi noise menggunakan metode high pass frequency filtering lebih mengurangi noise pada citra dibandingkan dengan metode yang lain namun memerlukan timing-run yang lama, tetapi pada penggunaan metode low pass frequency filtering meskipun memerlukan timing-run yang lama tetap saja citra hasil masih terdapat banyak noise nya. Pada penggunaan kedua metode intensity filtering memerlukan timing-run yang lebih singkat namun citra hasil masih terdapat banyak noise. Untuk menghasilkan citra hasil yang lebih baik, perlu dilakukan beberapa kali proses noise reduction dengan kombinasi dari beberapa metode.

 3. Anggara Pratama Putra (03018110)/2008

IMPLEMENTASI TRANSFORMASI WAVELET SEBAGAI PEMROSESAN AWAL DALAM SISTEM PENGENALAN WAJAH PADA CITRA DIGITAL

Manusia dapat mengenali dan membedakan wajah seseorang karena dalam otak manusia terdapat semacam spesialisasi kemampuan pemrosesan sinyal visual. Otak kiri lebih memiliki kemampuan membedakan citra wajah secara detil misalnya ekspresi, bentuk mulut, dan lain-lain. Otak kanan memiliki kemampuan membedakan citra wajah secara keseluruhan dengan membedakan wajah dari berbagai identitas. Manusia juga memiliki kelemahan mudah lupa sehingga ada kemungkinan manusia tidak dapat mengenali wajah seseorang yang sebenarnya sudah dikenalinya. Ada beberapa lembaga seperti lembaga kepolisian, yang memerlukan suatu sistem pengolahan data yang dapat mengenali wajah-wajah seorang kriminal atau buronan polisi karena seorang kriminal biasanya mengubah penampilanya untuk menutupi identitas aslinya. Penelitian ini membahas sistem pengenalan citra wajah untuk mengenali identitas seseorang, citra wajah diperoses awal dengan transformasi wavelet sehingga menghasilkan multi resolusi dari citra aslinya. Transformasi wavelet ini digunakan sebagai metode ekstraksi feature sekaligus mereduksi dimensi citra masukan. Citra hasil reduki digunakan sebagai proses pembelajaran dan proses pengklasifikasian menggunakan metode backpropagation. Eksperimen menggunakan sampel citra wajah manusia yang memuat 90 citra yang terdiri dari 80 citra wajah training set dan 8 citra wajah, dan 2 citra non wajah sebagai citra masukan. Keberhasilan pengenalan menggunakan klasifikasi Backpropagation yang diperoleh adalah 80 %. Pengujian juga dilakukan pada citra bernoise uniform dan  gausian dengan amount 65 %, ternyata pengujian pada input citra bernoise tidak mempengaruhi keberhasilan pengenalan secara signifikan.

4.Syarifatun Nikmah (02018226)/2006

APLIKASI DETEKSI TEPI MENGGUNAKAN OPERATOR PREWIT UNTUK KLASIFIKASI BENTUK WAJAH MANUSIA

Bentuk wajah manusia yang dikenal secara umum ada lima yaitu bentuk wajah bulat, oval, segitiga, persegi, dan persegi panjang. Dalam bidang kecantikan, mengetahui bentuk wajah sangat penting karena bentuk wajah mempengaruhi bagaimana cara menata rias wajah dan untuk memilih gaya rambut. Tata rias wajah dan gaya rambut yang sesuai dengan bentuk wajah akan mempercantik wajah begitu pula sebaliknya. Apabila ditentukan secara manual, tata rias wajah dan gaya rambut sering tidak sesuai dengan bentuk wajah karena belum ada standarisasi untuk klasifikasi bentuk wajah. Oleh karena itu, dibutuhkan suatu aplikasi untuk membantu dalam proses klasifikasi bentuk wajah manusia. Tujuan yang ingin dicapai dalam penelitian ini adalah membuat dan menguji coba suatu sistem berbasis komputer sebagai alternatif untuk klasifikasi bentuk wajah manusia dengan memanfaatkan pengolahan citra yaitu deteksi tepi menggunakan operator Prewitt. Subjek penelitian ini adalah membuat aplikasi deteksi tepi menggunakan operator Prewitt untuk klasifikasi bentuk wajah manusia. Data yang digunakan adalah sampel citra wajah berupa file citra berekstensi .bmp (Bitmap). Ada beberapa langkah program yang dilakukan yaitu mengambil citra asli, lalu citra asli dipotong (cropping), citra yang sudah dipotong diubah ke citra keabuan (grayscale), citra keabuan diubah menjadi citra biner (thresholding), citra biner kemudian diolah dengan deteksi tepi menggunakan operator Prewitt, dari deteksi tepi kemudian diubah ukuran citranya (resizing) sehingga dapat ditentukan klasifikasi bentuk wajah manusia. Dari penelitian yang telah dilakukan maka diperoleh hasil dari deteksi tepi menggunakan operator Prewitt menghasilkan titik-titik tepi yang cukup tebal (jelas) sehingga mempermudah dalam klasifikasi bentuk wajah manusia. Dari hasil pengujian program dengan menggunakan 30 sampel citra wajah didapat persentase kebenarannya adalah 90 % sehingga aplikasi ini  layak digunakan.

5. SANDI KURNIA RAHAY (00018292)/2005

APLIKASI METODE DISCRETE HARTLEY TRANSFORM (DHT) UNTUK PEMAMPATAN CITRA

Dewasa ini teknologi komputer telah maju dan berkembang dengan pesat nya. Komputer tidak hanya lagi digunakan untuk keperluan riset-riset ilmiah saja, namun telah dikembangkan menjadi sarana dalam meningkatkan perkembangan komputer digital. Dengan pesat nya dunia digital, telah membuat data digital banyak digunakan, dimana  data digital tersebut bisa berupa citra digital. Citra digital yang berkualitas tinggi, biasa mempunyai kapasitas jumlah byte yang besar. Hal ini menyebabkan jumlah memori yang dipakai untuk menyimpan citra tersebut lebih besar. Tujuan dari penelitian ini adalah membuat aplikasi pemampatan citra atau kompresi citra dengan menerapkan metode DHT (Discrete Hartley Transform).Penelitian diimplementasikan pada citra asli dengan format grayscale dengan jenis citra diam dan berekstensi BMP. Dalam hal ini memori yang dibutuhkan cukup besar. Untuk merepresentasikan kebutuhan memori yang besar maka dilakukan proses kompresi citra. Dimana kompresi citra dengan  metode DHT (Discrete Hartley Transform) diharapkan akan memperkecil kebutuhan  ukuran memori citra, tetapi kualitas citranya masih tetap terjaga. Hasil penelitian menunjukan bahwa citra hasil kompresi menggunakan metode DHT (Discrete Hartley Transform), memiliki kualitas kompresi yang baik, dimana dalam hal ini dapat dilihat dari nilai PSNR (Peak Signal-to-noise-ratio).

6. Deni Puji Rahayu(02018383)/2007

APLIKASI METODE EIGENFACES UNTUK PENGENALAN WAJAH

Pengenalan wajah manusia merupakan salah satu bidang penelitian yang penting, dan dewasa ini sudah banyak penelitian terhadap pengenalan wajah manusia dilakukan dengan kelebihan dan kekurangan tertentu. Hal ini disebabkan karena wajah manusia merepresentasikan sesuatu yang kompleks, sehingga untuk mengembangkan model komputasi yang ideal untuk pengenalan wajah manusia adalah sesuatu hal yang sulit. Tujuan yang ingin dicapai dalam penelitian ini adalah bagaimana membuat suatu program aplikasi untuk pengenalan wajah manusia secara sederhana dengan memanfaatkan teknik pengolahan citra.Subjek penelitian adalah membuat aplikasi untuk pengenalan wajah. Data dalam penelitian ini menggunakan citra sampel wajah manusia dan bukan wajah manusia. Metode penelitian yang digunakan adalah metode literature dengan menggunakan data-data dari buku, dan internet. Eigenfaces menggunakan ide dari PCA (principal component analysis) yang digunakan untuk mereduksi dimensi citra wajah dan menguraikan citra wajah ke dalam suatu kelompok kecil fitur karakteristik citra sehingga menghasilkan variable yang lebih sedikit yang lebih mudah untuk diobservasi dan ditangani. Pengenalan dilakukan dengan memroyeksian suatu wajah baru ke dalam dimensional linier rendah “face space” yang digambarkan oleh Eigenfaces, diikuti dengan komputasi jarak antara posisi resultan di ruang spasi dan dari kelas wajah yang dikenal. Aplikasi diuji dengan metode black box test,  detection rate dan false positive rate.Input pelatihan diperoleh dari hasil pengolahan citra dengan metode Eigenface. Hasil pengujian sistem menunjukkan bahwa penggunaan Eigenfaces untuk pengenalan wajah dapat memberikan tingkat akurasi yang cukup tinggi. Untuk gambar wajah yang diikutsertakankan dalam pelatihan, dapat diperoleh 100% identifikasi yang benar. Dari beberapa kombinasi yang diujikan diperoleh rata-rata terbaik (detection rate) 91,43 % identifikasi yang benar, sedangkan hasil rata-rata terburuk (false positif rate) adalah 0,125% identifikasi yang benar. Persentase ini sudah bisa digunakan untuk mengenali wajah manusia sebab sudah terlihat jelas dari nilai simulasi yang dihasilkan.