Face recognition
Face
recognition adalah salah satu teknologi biometric yang tellah banyak
diaplikasikan dalam system security selain pengenalan retina mata, pengenalan sidik
jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan
sebuah kamera untuk menangkap wajah seseorang kemudan dibandingkan dengan wajah
yang sebelumnya telah disimpan di dalam database tertentu. Face recognition
adalah teknologi dari computer yang mememungkinkan kita untuk mengindetifikasi
atau memverifikasi wajah seseorang melalui sebuah gambar digital. Caranya ialah
dengan mencocokkan tekstur lekuk wajah kita dengan data wajah yang tersimpan di
database.
Face
Recognition masuk ke dalam jenis teknologi Biometric (Biologi). Biometric itu
dibagi menjadi dua tipe yaitu:
1. Psychological yaitu dilakukan dengan cara melakukan pengenalan/analisa terhadap fisik dari manusia. seperti mata, wajah, sidik jari. dll
2. Behavior yaitu dilakukan dengan cara analisa atau pengenalan lewat tingkah laku atau sifat seorang. seperti gaya bicara, gerak jalan, dll.
1. Psychological yaitu dilakukan dengan cara melakukan pengenalan/analisa terhadap fisik dari manusia. seperti mata, wajah, sidik jari. dll
2. Behavior yaitu dilakukan dengan cara analisa atau pengenalan lewat tingkah laku atau sifat seorang. seperti gaya bicara, gerak jalan, dll.
Secara
umum sistem Face Recognition mempunyai beberapa urutan dalam prosesnya. Yaitu:
1. Deteksi
2. Penjajaran
3. Pengukuran
4. Representasi
5. Pencocokan
6. Verifikasi atau Identifikasi
7. Analisis tektur wajah
1. Deteksi
2. Penjajaran
3. Pengukuran
4. Representasi
5. Pencocokan
6. Verifikasi atau Identifikasi
7. Analisis tektur wajah
Tangan bionik
Tangan
bionik atau yang biasa kita sebut tangan robot ini adalah tangan buatan yang
bisa digerakkan sesuai dengan perintah dari otak manusia.Namun sekarang
peneliti sedang mengembangkan teknologi sensor sentuhan pada tangan bionik
sehingga si pemakai mampu merasakan sensasi sentuhan layaknya tangan manusia.
Dengan
tombol tombol program, tangan ini juga bisa menggerakkan pergelangan tangan
atau mengambil kertas tisu super tipis mengenakan ibu jari dan jari manis
tangan bionik ini. Sistem kerja tangan bionik ini digerakkan otot tangan yang
masih bisa terselamatkan dan berfungsi. Otot ini menjadi sensor kinerja tangan
bionik. Kinerja otot berdasar perintah psikomotorik yang berpusat di otak. Tangan
buatan yang melekat di tangan lumpuh mereka. Hanya diperlukan sinyal saraf
lemah untuk mengaktifkan gerakan. Jika mereka sudah menguasainya, pasien
ditawarkan pilihan mengamputasi tangan lumpuh mereka dan menggantinya dengan
tangan palsu yang lebih canggih.
Speech recognition
Speech
recognition adalah proses menangkap kata yang diucapkan melalui mikropon atau
telepon dan mengubahnya ke dalam kata-kata yang tersimpan secara digital.
Kualitas dari sistem speech recognition ditaksir dari dua faktor, yaitu akurasi
(tingkat kesalahan dalam mengubah kata yang diucapkan ke dalam data digital)
dan kecepatan(seberapa cepat software tersebut dapat mengikuti pembicaraan
manusia).
Cara kerja
1. Tahap
penerimaan masukan : Masukan berupa kata-kata yang diucapkan lewat pengeras
suara.
2. Tahap
ekstraksi : Tahap ini adalah tahap penyimpanaan masukan yang berupa suara
sekaligus pembuatan basis data sebagai pola. Proses ekstraksi dilakukan
berdasarkan metode Model Markov Tersembunyi atau Hidden Markov
Model (HMM), yang merupakan model statistik dari sebuah sistem yang
diasumsikan oleh Markov sebagai suatu proses dengan parameter yang tidak
diketahui. Tantangan dalam model statistik ini adalah menentukan
parameter-parameter tersembunyi dari parameter yang dapat diamati.
Parameter-parameter yang telah kita tentukan kemudian digunakan untuk analisis
yang lebih jauh pada proses pengenalan kata yang diucapkan. Berdasarkan HMM,
proses pengenalan ucapan secara umum menghasilkan keluaran yang dapat
dikarakterisasikan sebagai sinyal. Sinyal dapat bersifat diskrit
(karakter dalam abjad) maupun kontinu (pengukuran temperatur, alunan
musik). Sinyal dapat pula bersifat stabil (nilai statistiknya tidak
berubah terhadap waktu) maupun nonstabil (nilai sinyal berubah-ubah terhadap
waktu). Dengan melakukan pemodelan terhadap sinyal secara benar, dapat
dilakukan simulasi terhadap masukan dan pelatihan sebanyak mungkin melalui
proses simulasi tersebut sehingga model dapat diterapkan dalam sistem prediksi,
sistem pengenalan, maupun sistem identifikasi. Secara garis besar model sinyal
dapat dikategorikan menjadi dua golongan, yaitu: model
deterministik dan model statistikal. Model
deterministik menggunakan nilai-nilai properti dari sebuah sinyal
seperti: amplitudo, frekuensi, dan fase dari gelombang sinus.
Model statistikal menggunakan nilai-nilai statistik dari sebuah sinyal
seperti: proses Gaussian, proses Poisson, proses Markov, dan
proses Markov Tersembunyi. Suatu model HMM secara umum memiliki unsur-unsur sebagai
berikut:
·
N, yaitu jumlah bagian dalam model.
Secara umum bagian tersebut saling terhubung satu dengan yang lain, dan suatu
bagian bisa mencapai semua bagian yang lain, serta sebaliknya (disebut
dengan model ergodik). Namun hal tersebut tidak mutlak karena terdapat
kondisi lain dimana suatu bagian hanya bisa berputar ke diri sendiri dan
berpindah ke satu bagian berikutnya. Hal ini bergantung pada implementasi dari
model.
·
M, yaitu jumlah simbol observasi secara
unik pada tiap bagiannya, misalnya: karakter dalam abjad, dimana bagian
diartikan sebagai huruf dalam kata.
·
Probabilita Perpindahan Bagian { } = ij
A a
·
Probabilita Simbol Observasi pada bagian
j, { } () = j Bb k
·
Inisial Distribusi Bagian i p p . Dengan
memberikan nilai pada N, M, A, B, dan p , HMM dapat digunakan sebagai generator
untuk menghasilkan urutan observasi. dimana tiap observasi t o adalah salah
satu simbol dari V, dan T adalah jumlah observasi dalam suatu sequence.
·
Setelah memberikan nilai N, M, A, B, dan
p , maka proses ekstraksi dapat diurutkan. Berikut adalah tahapan ekstraksi
pengenalan ucapan berdasarkan HMM :
·
Tahap ekstraksi tampilan
: Penyaringan sinyal suara dan pengubahan sinyal suara analog ke digital
·
Tahap tugas pemodelan : Pembuatan
suatu model HMM dari data-data yang berupa sampel ucapan sebuah kata yang sudah
berupa data digital
·
Tahap sistem pengenalan HMM
: Penemuan parameter-parameter yang dapat merepresentasikan sinyal suara
untuk analisis lebih lanjut.
3. Tahap
pembandingan : Tahap ini merupakan tahap pencocokan data baru dengan data
suara (pencocokan tata bahasa) pada pola. Tahap ini dimulai dengan proses
konversi sinyal suara digital hasil dari proses ekstraksi ke dalam
bentuk spektrum suara yang akan dianalisa dengan membandingkannya
dengan pola suara pada basis data. Sebelumnya, data suara masukan dipilah-pilah
dan diproses satu per satu berdasarkan urutannya. Pemilihan ini dilakukan agar
proses analisis dapat dilakukan secara paralel. Proses yang pertama kali
dilakukan ialah memproses gelombang kontinu spektrum suara ke
dalam bentuk diskrit. Langkah berikutnya ialah proses kalkulasi yang
dibagi menjadi dua bagian :
· Transformasi gelombang
diskrit menjadi data yang terurut : Gelombang diskrit berbentuk
masukan berukuran n yang menjadi objek yang akan dibagi pada proses konversi
dengan cara pembagian rincian waktu
· Menghitung frekuensi pada
tiap elemen data yang terurut
· Selanjutnya
tiap elemen dari data yang terurut tersebut dikonversi ke dalam bentuk
bilangan biner. Data biner tersebut nantinya akan dibandingkan
dengan pola data suara dan kemudian diterjemahkan sebagai keluaran yang dapat
berbentuk tulisan ataupun perintah pada perangkat.
4. Tahap
validasi identitas pengguna: Alat pengenal ucapan yang sudah memiliki
sistem verifikasi/identifikasi suara akan melakukan identifikasi orang yang
berbicara berdasarkan kata yang diucapkan setelah menerjemahkan suara tersebut
menjadi tulisan atau komando.
Refrensi
Komentar
Posting Komentar