Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal JURNAL NASIONAL TEKNIK ELEKTRO
Arnia, Fitri
Universitas Syiah Kuala
Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perbandingan Kinerja Support Vector Machine (SVM) Dalam Mengenali Wajah Menggunakan SURF DAN GLCM Bahri, Syamsul; Saddami, Khairun; Arnia, Fitri; Muchtar, Kahlil
JURNAL NASIONAL TEKNIK ELEKTRO Vol 8, No 2: July 2019
Publisher : Jurusan Teknik Elektro Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (524.644 KB) | DOI: 10.25077/jnte.v8n2.620.2019

Abstract

Face recognition is one part of the biometrics research. Face recognition is widely used in identification and recognition process. Speed-up Robust Feature (SURF) is one of feature extraction method used in face recognition system. This research aims to compare face recognition performance between SURF and Gray Level Co-occurence Matrix (GLCM) methods for perspective rotation. In this study, the image features were extracted using SURF and GLCM. Each feature was used on classification stage using Support Vector Machine (SVM). The dataset was obtained from National Cheng Kung University (NCKU). The NCKU dataset has more variation of rotation angle. The dataset used in this study consists of 10 classes that showed 10 of the subject. The results show that SURF method obtained 85% of accuracy and GLCM method reached 50% of accuracy. Therefore, we concluded that SURF method has better performance on implementing on face recognition system.Keywords : SURF, GLCM, Face Recognition, SVM Abstrak Pengenalan wajah merupakan salah satu bagian dari penelitian biometrika. Pengenalan wajah banyak digunakan dalam proses identifikasi manusia. Metode ekstraksi fitur Speed-Up Robust Feature (SURF) merupakan salah satu metode yang digunakan untuk mengenali wajah. Penelitian ini bertujuan untuk membandingkan kinerja sistem pengenalan wajah dengan menggunakan metode ekstraksi fitur SURF dan Gray Level Co-occurence Matrix (GLCM). Pada penelitian ini, data input wajah akan diekstraksi fiturnya menggunakan SURF dan GLCM. Setiap fitur digunakan pada tahapan klasifikasi menggunakan Support Vector Machine (SVM). Data yang digunakan merupakan data yang didapatkan dari National Cheng Kung University (NCKU). Data wajah NCKU mempunyai sudut rotasi yang lebih banyak. Dataset yang digunakan pada penelitian ini terdiri dari 10 kelas yang menunjukkan 10 subjek penelitian. Pengenalan wajah menggunakan metode SURF dan SVM mempunyai akurasi 85%, sedangkan menggunakan metode GLCM mempunyai akurasi 50%. Hasil menunjukkan bahwa metode SURF mempunyai kinerja yang lebih baik dari metode GLCM.Kata Kunci : SURF, GLCM, pengenalan wajah, SVM
Pengenalan Aksara Jawi Tulisan Tangan Menggunakan Freemen Chain Code (FCC), Support Vector Machine (SVM) dan Aturan Pengambilan Keputusan ., Safrizal; Arnia, Fitri; Muharar, Rusdha
JURNAL NASIONAL TEKNIK ELEKTRO Vol 5, No 1: Maret 2016
Publisher : Jurusan Teknik Elektro Universitas Andalas

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25077/jnte.v5n1.185.2016

Abstract

Jawi is one variant of Arabic script consists of 35 characters. Some of Jawi characters have the same main shape, but different number of dots in different location. Thus, recognition process of Jawi characters can be done by performing a classification based on the main shape. In recognition process, feature extraction plays an important role. In this research, Freeman Chain Code (FCC) was used as feature extraction and Support Vector Machine (SVM) as classifier. Then we apply the decision rules to classifySVMresult into Jawi characters. FCC is used to represent the boundary of Jawi characters into a chain code. Then the chain code is used bySVMto classify the characters into 19 groups. Feature of location and the number of dots are used by decision rules to classify the groups into Jawi characters. The Jawi characters are handwritten and generated by 10 writers from different backgrounds and ages. The recognition rate of this research was 80.00%.Keywords : Jawi script, handwriting, FCC, SVM, decision rules.Abstrak—Aksara Jawi merupakan salah satu varian dari aksara Arab yang terdiri dari 35 aksara. Dari 35 aksara Jawi  tersebut terdapat beberapa aksara dengan bentuk bagian utama yang sama namun memiliki letak dan jumlah titik yang berbeda. Karena perbedaan tersebut maka proses pengenalan aksara Jawi dapat dilakukan dengan melakukan klasifikasi berdasarkan perbedaan bentuk bagian utama. Pada penelitian ini Freeman Chain Code (FCC) digunakan sebagai ekstraksi fitur dan Support Vector Machine (SVM). FCC digunakan untuk merepresentasikan garis batas (boundary) aksara Jawi kedalam kode rantai. Kode rantai tersebut diklasifikasi dengan menggunakan SVM kedalam 19 kelompok. Fitur letak titik dan jumlah titik digunakan sebagai aturan pengambilan keputusan terhadap 19 kelompok hasil klasifikasi SVM kedalam aksara Jawi. Aksara Jawi yang digunakan merupakan tulisan tangan dari 10 orang penulis dari berbagai latar belakang dan umur. Tingkat keberhasilan klasifikasi penelitian ini mencapai 80,00%.Kata Kunci : aksara Jawi, tulisan tangan, FCC, SVM, aturan pengambilan keputusan
Co-Authors ., Safrizal Bahri, Syamsul Muchtar, Kahlil Muharar, Rusdha Saddami, Khairun