FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2954868207> ?p ?o ?g. }

• W2954868207 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" @default.
• W2954868207 created "2019-07-12" @default.
• W2954868207 creator A5014123105 @default.
• W2954868207 creator A5032934346 @default.
• W2954868207 creator A5045022467 @default.
• W2954868207 creator A5089411412 @default.
• W2954868207 date "2019-06-26" @default.
• W2954868207 modified "2023-09-24" @default.
• W2954868207 title "Perbandingan Kinerja Support Vector Machine (SVM) Dalam Mengenali Wajah Menggunakan SURF DAN GLCM" @default.
• W2954868207 doi "https://doi.org/10.25077/jnte.v8n2.620.2019" @default.
• W2954868207 hasPublicationYear "2019" @default.
• W2954868207 type Work @default.
• W2954868207 sameAs 2954868207 @default.
• W2954868207 citedByCount "0" @default.
• W2954868207 crossrefType "journal-article" @default.
• W2954868207 hasAuthorship W2954868207A5014123105 @default.
• W2954868207 hasAuthorship W2954868207A5032934346 @default.
• W2954868207 hasAuthorship W2954868207A5045022467 @default.
• W2954868207 hasAuthorship W2954868207A5089411412 @default.
• W2954868207 hasBestOaLocation W29548682071 @default.
• W2954868207 hasConcept C12267149 @default.
• W2954868207 hasConcept C153180895 @default.
• W2954868207 hasConcept C154945302 @default.
• W2954868207 hasConcept C41008148 @default.
• W2954868207 hasConceptScore W2954868207C12267149 @default.
• W2954868207 hasConceptScore W2954868207C153180895 @default.
• W2954868207 hasConceptScore W2954868207C154945302 @default.
• W2954868207 hasConceptScore W2954868207C41008148 @default.
• W2954868207 hasLocation W29548682071 @default.
• W2954868207 hasOpenAccess W2954868207 @default.
• W2954868207 hasPrimaryLocation W29548682071 @default.
• W2954868207 isParatext "false" @default.
• W2954868207 isRetracted "false" @default.
• W2954868207 magId "2954868207" @default.
• W2954868207 workType "article" @default.