Deteksi Tepi Dan Lvq Untuk Klasifikasi Bentuk Wajah

Abstract

Abstrak Bentuk wajah dapat digunakan untuk mengetahui beberapa hal seperti bentuk kacamata atau untuk mengetahui riasan wajah yang cocok. Bentuk wajah juga dapat digunakan untuk observasi kebiasaan, psikologi maupun kesehatan seseorang.Maka dari itu ingin dibuat sistem deteksi dan klasifikasi bentuk wajah yang dapat membantu masyarakat dan juga diharapkan dapat menambah fitur untuk pendeteksian bentuk wajah yang berfungsi menambah akurasi sistem deteksi wajah. Untuk mewujudkan sistem ini dipilih menggunakan bantuan metode Learning Vector Quantization sebagai klasifikasi kelasnya dan ekstraksi ciri F-SIFT (Flip Scale-Invariant Fourier Transform). Pengujian dilakukan dengan 45 data latih dan 45 data uji dan didapatkan nilai akurasi rata-rata untuk citra uji dirotasi, dimiringkan dan dirubah skala berturut-turut adalah sebesar 48.15%, 41.11% dan 85.93%. Kata kunci : Bentuk Wajah, Learning Vector Quantization, Flip Scale-Invariant Fourier Transform Abstract Facial shape can be used to know lot of things like the form of glasses or to find the appropriate facial makeup. Facial shape can also be used for observation of habits, psychology and health of a person. Therefore the writer wanted to create a system detection and classification of face shape that can help the community and also expected to add features to detect facial shape that aims to increase the accuracy of face detection system. The selected method is using Learning Vector Quantization as its classification and Flip Scale-Invariant Fourier Transform (F-SIFT) for the feature extraction. In this simulation will use the face image and will be taken the edge of the face using the Landmark Facial and Canny edge detection. The last process is compared to the shape of a person's face in a database that has been created before. Tests were carried out with 45 training data and 45 test data and average accuracy values obtained for rotated, tilted and modified scales for test images were 48.15%, 41.11% and 85.93% respectively. Keywords : Face Shape, Learning Vector Quantization, Flip Scale-Invariant Fourier Transform