TUGAS 2

BACA JURNAL :

- AKUISI DATA
- PRE PROCESSING DATA

AKUISI DATA

1. Face Detection and Tracking Using Live Video Acquisition in Camera Closed Circuit Television
and Webcam (https://ieeexplore.ieee.org/abstract/document/7803065/)
Penerapan teknologi Live Video Acquisition untuk kehadirannya manusia berdasarkan wajah
yang terdeteksi di CCTV kamera. Akuisisi Video Langsung adalah salah satu fungsi perpustakaan yang
disediakan oleh Mathworks MATLAB, untuk digunakan dalam kamera panggilan atau kamera web.
Library tersebut dapat digunakan pada aplikasi yang dibangun menggunakan Matlab. Hasil penelitian ini
dapat disimpulkan bahwa penggunaan. Akuisisi Video Langsung dapat digunakan untuk mendeteksi
keberadaan manusia ditangkap oleh CCTV dan Webcam dengan Deteksi Wajah dan Pelacakan.
Berdasarkan hasil pengujian, aplikasi dapat menangkap objek dan mendeteksi keberadaan manusia pada
jarak hingga 300cm dengan kondisi pencahayaan redup atau minim cahaya, terang bahkan sampai gelap.
Namun hasil penelitian ini masih memiliki kelemahannya, yaitu belum mampu mendeteksi jumlahnya
orang lebih dari satu, sehingga diharapkan untuk penelitian selanjutnya dapat diperkecil agar jumlah
deteksi orang menjadi lebih banyak dari satu orang dan jarak penangkapan benda juga bisa ditingkatkan
lebih lanjut.
2. Howell, Christopher L., Hee-Sue Choi, and Joseph P. Reynolds. "Face acquisition camera design
using the NV-IPM image generation tool." Infrared Imaging Systems: Design, Analysis,
Modeling, and Testing XXVI. Vol. 9452. SPIE, 2015.
(https://www.spiedigitallibrary.org/conference-proceedings-of-spie/9452/94520T/Face-
acquisition-camera-design-using-the-NV-IPM-image-generation/10.1117/12.2179619.short)
pembuatan gambar Night Vision Integrated Performance Model (NV-IPM). Dengan mengontrol efek
kamera seperti blur, noise, dan sampling, kita dapat menganalisis performa algoritme dan menetapkan
standar performa yang lebih lengkap kamera akuisisi wajah. Kemampuan untuk mensimulasikan citra
secara akurat

3. Kumaran, Ivano, et al. "Pengenalan Wajah Menggunakan Pendekatan Berbasis Pengukuran dan
Metode Segmentasi dalam Berbagai Posisi dan Pencahayaan." FIDELITY: Jurnal Teknik
Elektro 3.1 (2021): 5-8. (https://fidelity.nusaputra.ac.id/article/view/85/45)
Penelitian ini bertujuan untuk memperkenalkan konsep segmentasi kulit dan MIP untuk gambar
2D. Akibatnya, efisiensi deteksi wajah dalam posisi dan pencahayaan apa pun akan meningkat
secara signifikan.
 4. Dwi, Ely Kurniawan. RANCANG BANGUN SISTEM PENGENALAN WAJAH MENGGUNAKAN
FILTER GABOR. Diss. Diponegoro University, 2013.
(http://eprints.undip.ac.id/39220/1/Dwi_Ely_Kurniawan.pdf)
Sistem mengakuisisi wajah dengan beberapa posisi sudut, pencahyaan dan ekspresi yang
berbeda-beda. Penelitian ini menggunakan basisdata citra wajah AT&T Face dan Face Realtime dengan
sampel 40 orang dan 10 posisi wajah. Beberapa kesulitan dalam pengenalan wajah muncul karena
variabilitas wajah seperti ekspresi, penuaan, kemiripan wajah dari hubungan keluarga, pencahayaan,
akuisisi di keramaian wajah, tambahan variasi kumis, jenggot, kaca mata dan lain sebagainya. biometrika
merupakan suatu ukuran pengenalan mahluk hidup yang didasarkan pada bagian tubuh atau karakteristik
individu yang unik. Karakteristik biometrika tersebut diantaranya: tanda tangan, sidik jari, wajah, retina
mata, suara, DNA dan lain-lain.
5. (https://www.polgan.ac.id/jurnal/index.php/remik/article/view/10080/214)
Penelitian ini dilakukan dengan sampling yang di ambil dalam variasi posisi pada sudut kemiringan
subjek (-90°, -70°, -45°, -25°, -5° ) dan (+90°, +70°, +45°, +25°, +5° ) dengan ukuran citra 640x480.
Sistem klasifikasi wajah didalam penelitian ini dibangun dengan menggunakan metode support
vector machine (SVM) dan bahasa pemograman Matlap.Penelitian ini menghasilkan tingkat true
detection 90% dan false detection 10% dari jumlah sampel 200 subjek yang digun akan

Kesimpulan :
Dalam akuisi data banyak faktor yang bisa dipakai yaitu
- Poisisi (jarak dan derajat)
- Pencahayaan

PRE PROCESSING DATA IMAGE

Image pre-processing adalah tahap penting dalam pengolahan data wajah pada sebuah dataset sebelum
digunakan untuk pelatihan model atau analisis lebih lanjut. Tujuan utama dari pre-processing adalah
untuk meningkatkan kualitas data, mengurangi noise, dan menghasilkan representasi yang lebih baik dari
wajah yang akan digunakan oleh algoritma pengenalan wajah. Berikut adalah beberapa macam-macam
teknik pre-processing yang umum digunakan pada dataset wajah:
1. Resizing (Pengubahan Ukuran): Mengubah ukuran semua gambar wajah dalam dataset menjadi ukuran
yang seragam. Ini membantu agar model dapat memproses gambar dengan efisien.
https://www.sciencedirect.com/science/article/pii/S2666285X22000565
2. Croping (Pemotongan): Memotong bagian wajah dari gambar asli untuk menghilangkan latar belakang
atau elemen lain yang tidak diperlukan. Ini membantu model fokus pada wajah itu sendiri.
https://www.academia.edu/download/47615332/E0504046053.pdf
3. Gray Scaling (Konversi ke Grayscale): Mengubah gambar berwarna menjadi citra grayscale dengan
menghapus informasi warna. Ini dapat mengurangi kompleksitas data dan mempercepat pelatihan model.
https://scholarworks.calstate.edu/downloads/st74cz13g
4. Normalisasi Kontras (Contrast Normalization): Menyesuaikan kontras gambar sehingga perbedaan
antara piksel yang berdekatan menjadi lebih jelas. Ini dapat membantu model dalam memahami fitur-fitur
wajah dengan lebih baik. https://scholarworks.calstate.edu/downloads/st74cz13g
5. Histogram Equalization (Pengaturan Histogram): Meningkatkan kontras gambar dengan mengubah
distribusi intensitas piksel. Ini bisa membantu dalam menghadapi masalah pencahayaan yang berbeda-
beda pada gambar. https://scholarworks.calstate.edu/downloads/st74cz13g
6. Deteksi Tepi (Edge Detection): Menggunakan filter deteksi tepi seperti Sobel atau Canny untuk
menyoroti tepi-tepi objek pada gambar. Ini dapat membantu model untuk mengekstraksi fitur-fitur wajah
dengan lebih baik. https://www.irjmets.com/uploadedfiles/paper/issue_2_february_2022/19408/final/
fin_irjmets1646316853.pdf
7. Augmentasi Data (Data Augmentation): Membuat variasi gambar dengan memutar, membalik, atau
menambahkan noise ke gambar asli. Ini dapat membantu model untuk lebih umum dalam mengenali
wajah yang berbeda-beda. https://www.mdpi.com/2078-2489/13/8/370
8. Penghapusan Noise (Noise Removal): Menggunakan filter atau teknik penghapusan noise seperti filter
median untuk mengurangi gangguan atau noise dalam gambar.
https://arxiv.org/ftp/arxiv/papers/2011/2011.06928.pdf
Setiap dataset dan masalah pengenalan wajah memiliki kebutuhan pre-processing yang berbeda. Pilihan
teknik pre-processing harus dipertimbangkan berdasarkan karakteristik dataset dan tujuan analisis yang
ingin dicapai. Kombinasi berbagai teknik pre-processing juga dapat digunakan untuk meningkatkan
kualitas data dan performa model.