Perbandingan pendekatan global dan lokal pada deteksi dan pengenalan citra wajah.

PERBANDINGAN PENDEKATAN GLOBAL DAN LOKAL PADA DETEKSI DAN PENGENALAN
CITRA WAJAH
a

a,b

Widyadi Setiawan, bNyoman Budiastra, cSri Andriati Asri
Jurusan Teknik Elektro Fakultas Teknik Universitas Udayana Bukit Jimbaran, Kuta Selatan, Badung, Bali
c
Jurusan Teknik Elektro, Politeknik Negeri Bali, Bukit Jimbaran, Kuta Selatan, Badung, Bali
e-mail: widyadi@unud.ac.id
Abstrak

Pengenalan wajah dapat diterapkan pada banyak aplikasi potensial, seperti otentikasi identitas,
information security, surveillance dan interaksi manusia komputer. Penelitian ini bertujuan
membandingkan pendekatan global dan lokal pada sistem deteksi dan pengenalan citra wajah.
Pendekatan global memakai Principle Component Analysis (PCA) sebagai ekstraksi fitur pada
Subsistem Deteksi Wajah dan Jaringan Syaraf Tiruan Perambatan Balik sebagai pengklasifikasinya. Pada
Subsistem Pengenalan Wajah memakai metode Support Vector Machine sebagai pengklasifikasi dan
metode Multiple Discriminant Analysis with Fukunaga Koontz Transform (MDA/FKT) dipakai sebagai
ekstraksi fitur. Pendekatan lokal memakai library yang terdapat pada Luxand FaceSDK baik untuk deteksi

dan pengenalan citra wajah. Pelatihan dan pengujian sistem memakai basis data penelitian (UNUD).
Hasil yang didapat dari perbandingan kedua pendekatan ini adalah: pendekatan global memiliki daya
tahan terhadap variasi pada citra wajah, seperti bervariasinya pencahayaan pengambilan citra, dimensi
piksel dan jarak pengambilan citra. Sedangkan pendekatan lokal lebih unggul dari sedikitnya pemakaian
sampel referensi.
Kata kunci: Deteksi Wajah, Pengenalan Wajah, Multiple Discriminant Analysis with Fukunaga
Koontz Transform, Luxand FaceSDK

COMPARISON OF GLOBAL AND LOCAL APPROACH FOR FACE-IMAGE DETECTION AND
RECOGNITION
a

a,b

Widyadi Setiawan, bNyoman Budiastra, cSri Andriati Asri
Electrical Engineering Dept., Faculty of Engineering Udayana University, Bukit Jimbaran, Kuta Selatan,
Badung, Bali 80361
c
Electrical Engineering Dept., Bali State Polytechnic, Bukit Jimbaran, Kuta Selatan, Badung, Bali
e-mail: widyadi@unud.ac.id

Abstract

Face recognition can be applied to many potential applications, such as identity
authentication, information security, surveillance and human computer interaction. This research
aims to compare global and local approach for face detection an recognition.
The system consist of face detection and recognition subsystem. At Global approach, Face
detection subsystem using PCA as feature extraction and Back Propagation Neural Network as its
classifier. In face recognition subsystem using Support Vector Machine as its classifier. Multiple
Discriminant Analysis Method with Fukunaga Koontz Transforms (MDA / FKT) is used as feature
extraction. At local approach using Luxand FaceSDK library both for face detection and
recognition. Training and Testing database systems using research (UNUD) database.
As a result: Global approach has resistance of face image variation, such as illuminating, pixel
dimension and distance variation. Local approach has superior at minimum reference-sample
used.
Key words: Face Detection, Face Recognition, Multiple Discriminant Analysis with Fukunaga
Koontz Transform, Luxand FaceSDK

1. PENDAHULUAN
Segmentasi citra sebagai salah satu
metode dalam pengolahan citra digital

bermaksud untuk menghasilkan abstraksi dari
masukan berupa citra digital. Untuk kasus
deteksi wajah, abstraksi yang dimaksud adalah
mengetahui lokasi keberadaan wajah pada
suatu citra, baik citra itu terdapat satu atau
lebih gambar wajah. Keberhasilan untuk
mengetahui lokasi wajah ini sangat penting,
dikaitkan dengan proses selanjutnya yaitu
pengenalan/identifikasi wajah. Output deteksi
wajah berupa wajah seseorang dengan fokus
pada mata, hidung dan dagu seseorang, yang
diharapkan akan berbeda/unik tiap individu.
Disamping itu pula hasil deteksi telah
menghilangkan variasi rambut yang dimiliki
tiap individu, sehingga akan lebih berkurang
variasi tiap individu dalam proses pengenalan
wajah.
Dalam pengenalan wajah, proses
klasifikasi sama pentingnya dengan proses
ekstraksi fitur. Setelah fitur-fitur penting data

atau citra wajah dihasilkan pada proses
ekstraksi fitur, fitur-fitur tersebut nantinya
akan digunakan untuk proses klasifikasi.
Terdapat dua penggolongan ekstraksi fitur
pada aplikasi pengenalan citra wajah, yakni:
ekstraksi fitur dengan pendekatan global dan
ekstraksi fitur dengan pendekatan lokal.
Pendekatan
global
memakai
keseluruhan daerah wajah sebagai masukan
sistem pengenalan. Konsep pendekatan ini
adalah menghasilkan kode dari tiap wajah
yang akan dipakai sebagai proyeksi untuk
wajah yang lain. Sedangkan pendekatan lokal
memakai komponen-komponen wajah seperti
mata, alis, hidung, mulut dan lingkaran wajah
yang kemudian disimpan kode tiap komponen
wajah tersebut. Pemakaian pendekatan global
Analisa Diskriminan Majemuk/Transformasi

Fukunaga Koontz (ADM/TFK) menghasilkan
pengenalan wajah yang memerlukan sembilan
sampel referensi wajah [1].
Dari latar belakang di atas dapat ditarik
rumusan masalah pada penelitian ini yaitu:
1. Bagaimana rancangan dan aplikasi
perangkat
lunak
deteksi
dan
pengenalan wajah berbasis citra
dengan pendekatan global dan lokal.
2. Bagaimana unjuk-kerja sistem deteksi
dan pengenalan wajah dengan dua
pendekatan tadi

Analisa Diskriminan Majemuk/
Transformasi Fukunaga Koontz
Berdasarkan teori Bayes Classifier,
Analisa Diskriminan linier optimal hanya

untuk dua distribusi Gaussian atau distribusi
normal dengan nilai matriks kovariannya
sama. Ketika Fisher Criterion dikembangkan
untuk dapat menangani distribusi Gaussian
majemuk atau banyak kelas dengan matriks
kovarian yang tidak sama, maka dibandingkan
dengan Bayes Classifier, Analisa Diskriminan
Linier tidak optimal. Kasus terburuk adalah
ketika semua kelas mempunyai mean yang
sama, sehingga Sb = 0, maka semua metoda
yang berbasis Analisa Diskriminan Linier akan
gagal. Subruang 1 dan 2 tidak ada, hanya
subruang 3 dan 4, dimana subruang 3 dan 4
kurang diskriminatif.
Untuk mengatasi hal ini, maka
permasalahan banyak kelas dibawa ke dalam
permasalahan klasifikasi biner dengan
menggunakan formulasi Δ = ai – aj dan
mendefinisikan ruang intraclass ΩI = {( ai –
aj)│L(ai) = L(aj)} dan ruang extraclass ΩE = {(

ai – aj)│L(ai) ≠ L(aj)}, dimana L(ai) adalah
label kelas ai.
Metode Analisa Diskriminan Majemuk
dengan pendekatan Transformasi Fukunaga
Koontz (Analisa Diskriminan Majemuk/
Transformasi Fukunaga Koontz) . Metoda ini
mempunyai beberapa fitur unik [2], yaitu:
1. Subruang diskriminan optimal yang
dihasilkan optimal dalam jarak
Bhattacharyya.
2. Metoda ini mencari subruang optimal
global dengan memaksimalkan jarak
Bhattacharyya yang merupakan batas
error Bayes classifier.
3. Eigenvector
diskriminan
yang
dihasilkan bisa lebih dari C-1, karena
biasanya rank Σ I dan Σ E lebih besar
dari C-1.

Luxand FaceSDK 5.0.1
Luxand FaceSDK adalah pustaka
(library) deteksi dan pengenalan wajah lintas
platform yang dapat dengan mudah
diintegrasikan ke dalam aplikasi pengguna.
FaceSDK menawarkan API (Application

Programming Interface) untuk mendeteksi dan
mencari wajah, mencari komponen wajah,
untuk pengenalan gender serta untuk
pengenalan wajah pada citra wajah maupun
video.
FaceSDK menyediakan koordinat dari
66 komponen wajah, termasuk mata, alis,
mulut, hidung dan lingkaran wajah. Seperti
yang terlihat pada Gambar 1 [3].

Gambar 2. Desain Sistem Deteksi dan
Pengenalan Wajah

Desain sistem memakai metode
pendekatan lokal pada penelitian ini dapat
dilihat pada gambar 3.
Gambar 1. Komponen Wajah pada Luxand
FaceSDK

Tujuan Penelitian
Penelitian ini
bertujuan untuk
membandingkan ekstraksi fitur pendekatan
global (Analisa Diskriminan Majemuk/
Transformasi Fukunaga Koontz) dengan
pendekatan lokal (SDK biometrika komersial,
Luxand FaceSDK 5.0.1).
2. METODE PENELITIAN
Desain Sistem
Desain sistem memakai metode
pendekatan global pada penelitian ini dapat
dilihat pada gambar 2, dengan mengambil
inputan berupa tangkapan citra wajah berasal

dari live video streaming camera yang
kemudian diproses untuk menghasilkan
keluaran akhir berupa identitas si pemilik
wajah.

Gambar 3. Subsistem Deteksi Wajah

Secara garis besar sistem yang
dibangun baik memakai metode pendekatan
global maupun lokal dapat dibagi menjadi 3
proses utama yaitu, pemprosesan awal

(preprocessing),
ekstraksi
fitur
dan
klasifikasi. Basis data wajah UNUD yang
digunakan dibagi menjadi dua, sebagian
digunakan untuk proses pelatihan (training)
dan sisanya digunakan untuk proses pengujian

(testing).
Pemprosesan Awal (preprocessing)
Pemprosesan awal merupakan proses
pengambilan data wajah dan normalisasi data
wajah. Data wajah yang digunakan harus
dalam bentuk citra abu-abu, jika citra wajah
yang akan digunakan masih dalam bentuk citra
wajah berwarna, maka diperlukan proses untuk
merubah citra tersebut menjadi citra abu-abu.
Normalisasi dilakukan untuk mereduksi
ukuran dan mendapatkan citra wajah yang
cukup ideal untuk dijadikan sebagai data
masukan dengan cara melakukan proses
cropping sehingga didapatkan citra yang ideal
untuk dijadikan sebagai data masukan [4].
Citra ideal disini adalah citra wajah
yang terdiri dari mata, hidung dan mulut serta
background dan rambut yang sebagian besar
sudah dihilangkan, selain itu untuk mereduksi
ukuran citra. Terkadang dalam proses
implementasi atau ketika program dijalankan,
citra masukan mengalami proses resize
menjadi setengah atau seperempat dari ukuran
citra masukan. Hal ini disebabkan karena jika
vektor wajah input yang dihasilkan masih
terlalu besar membutuhkan memori yang
besar.
Ekstraksi Fitur
ADM/TFK
Fitur-fitur sebuah obyek
pada
kategori yang sama mempunyai nilai yang
hampir mirip (similar).
Tahap ini bertujuan mendapatkan
sederet vektor fitur yang nantinya akan
digunakan untuk tahap klasifikasi. Citra wajah
hasil proses pemprosesan awal menjadi
inputan proses ekstraksi fitur. Pada tahap awal
proses ekstraksi fitur, data input matriks wajah
dimensi nxm akan diubah kedalam vector
wajah berdimensi (nxm) x 1 atau menjadi
vektor kolom. Hasil dari proses ektraksi fitur
ini berupa vektor fitur dengan dimensi lebih
kecil (dimensi proyeksi).
Untuk metoda
Analisis Diskriminan Majemuk dengan
pendekatan Transformasi Fukunaga Koontz,
dimensi proyeksi maksimal vektor fiturnya
adalah
(rank(Ht))x1, sedangkan untuk

Analisis Diskriminan Linier dimensi proyeksi
maksimalnya adalah (C-1) x 1 (C adalah
banyak kelas dalam sebuah basis data) [5].
Luxand FaceSDK
Ekstraksi fitur dengan memanfaatkan library
yang dimiliki pada FaceSDK berupa 66 fitur
wajah yang nantinya dicari dari semua citra
wajah.
Klasifikasi
Proses klasifikasi dilakukan setelah
citra wajah diambil fitur-fitur khusus, fiturfitur khusus ini berupa vektor fitur yang
dimensinya lebih kecil. Proses klasifikasi
pendekatan global dengan SVM dibagi
menjadi dua tahap yaitu proses pelatihan dan
proses pengujian. Untuk mencari support
vector dari data input dalam setiap proses
pelatihan digunakan quadratic programming
[6]. Untuk klasifikasi pada pendekatan lokal
yang memanfaatkan library Luxand FaceSDK
dengan memakai pencocokan pada tiap
komponen wajah dengan komponen wajah
referensi.
3. HASIL DAN PEMBAHASAN
Dari penelitian yang telah dilakukan
dapat dipaparkan beberapa pembahasan
sebagai berikut.
Basis Data Wajah
Basis data wajah pada penelitian ini
dipakai untuk menguji subsistem deteksi dan
subsistem pengenalan wajah. Basis data wajah
yang akan dipakai pada penelitian ini yaitu:
• Basis data CBCL (Center for Biological
& Computational Learning)
Basis data ini dipakai pada subsistem
deteksi wajah pada proses pelatihan
Subsistem deteksi wajah Pendekatan
global (dipakai untuk mendapatkan vektor
proyeksi PCA dan Jaringan Syaraf Tiruan
Perambatan Balik yang telah selesai
proses pelatihan), dengan rincian 2429
citra wajah dan 4548 citra non wajah
dimensi 19x19
• Basis data UNUD (Universitas Udayana
Database)
Terdiri atas 29 orang, masing-masing
memiliki 10 citra wajah dimensi 480x640,
dengan format dan jarak pengambilan
gambar
yang
bervariasi,
serta
bervariasinya pencahayaan. Dan 21

orang, masing-masing memiliki 10 citra
wajah dimensi 681x1024 dengan format
dan jarak pengambilan gambar yang
relatif seragam. Basis data ini dipakai
pada subsitem deteksi wajah (proses
pengujian) dan subsistem pengenalan
wajah (proses pelatihan dan pengujian)
pada dua pendekatan.
Proses Pengujian Subsistem Deteksi Wajah
Pengujian Subsistem Deteksi Wajah
memakai Basis Data UNUD. Citra wajah
diubah dalam format aras keabuan Selanjutnya
pada citra tersebut dilakukan proses
Downscale memakai transformasi Wavelet
dengan metode Haar (Haar Transform) yang
memiliki dimensi 80x60 dengan maksud pula
menghilangkan noise frekuensi tingginya.
Kemudian untuk menghaluskan citra dipakai
filter Gaussian, lalu pencarian/deteksi wajah
dilakukan memakai dimesi 19x19 berupa
ekualisasi histogramnya. Vektor proyeksi PCA
yang dihasilkan dari proses pelatihan yang
memiliki dimensi 361x40 dipakai untuk
memproyeksikan 19x19 citra wajah. Proses
selanjutnya adalah klasifikasi ke dalam kelas
wajah dan non wajah memakai Jaringan Syaraf
Tiruan Perambatan Balik yang telah dihasilkan
pada proses pelatihan.
Adapun pengujian subsitem deteksi
wajah diperlihatkan pada Tabel 1. Pada basis
data UNUD tingkat keberhasilan subsistem
deteksi wajah dengan pendekatan global
memiliki keberhasilan yang lebih baik secara
keseluruhan. Beragamnya pencahayaan pada
basis data UNUD, juga dengan adanya format
dan jarak pengambilan gambar yang bervariasi
berakibat pada dimensi piksel wajah yang
beragam terlihat pendekatan global lebih
unggul dalam pedeteksian wajah.
Tabel 1. Hasil Pengujian Subsistem Deteksi Wajah
Metode

Jumlah
Citra
Wajah

Jumlah
Gagal

Jumlah
Berhasil

Prosentasi
(%)

Global
Lokal

500
500

6
32

494
468

98,84
94,35

Proses Pengujian Subsistem Pengenalan
Wajah
Uji
coba
terhadap
subsistem
pengenalan wajah yang dikembangkan pada
penelitian ini dilakukan pada basis data wajah

UNUD. Pada Tabel 2 untuk basis data UNUD
terlihat keberhasilan pengenalan lebih baik
pada pendekatan lokal dengan pemakaian
jumlah citra referensi yang lebih sedikit. Pada
Pendekatan global hasil yang didapat berasal
dari pemakaian Sembilan citra referensi,
sedangkan pendekatan lokal hanya cukup
memakai satu citra referensi.
Tabel 2. Hasil Pengujian Subsistem Pengenalan
Wajah
Metode

Jumlah
Citra
Wajah

Jumlah
Gagal

Jumlah
Berhasil

Prosentasi
(%)

Global
Lokal

500
500

86
62

414
438

82,8
87,6

4. KESIMPULAN
Beberapa kesimpulan yang dapat
diambil dari penelitian ini adalah:
a) Pada Subsistem Deteksi Wajah,
tingkat pendeteksian maksimal yang
dapat dicapai dengan metoda PCA
(pendekatan global) adalah 98,84 %
dan dengan metode library Luxand
FaceSDK (pendekatan lokal) adalah
94,35 %
b) Pada Subsistem Pengenalan Wajah,
tingkat pengenalan maksimal yang
dapat dicapai:
• metoda ADM/TFK (pendekatan
global) adalah 82,8 % dengan
memakai
sembilan
sampel
referensi dan dimensi proyeksi 53.
• metoda Library Luxand FaceSDK
(pendekatan lokal) adalah 87,6 %
dengan memakai satu sampel
referensi.
c) Ekstraksi fitur wajah secara global
lebih beradaptasi dengan lingkungan
pengambilan citra yang bervariasi
d) Ekstraksi fitur wajah secara lokal
mampu
mengurangi
jumlah
pemakaian
sampel
seminimal
mungkin.
UCAPAN TERIMA KASIH
Pada kesempatan ini, kami sebagai tim
peneliti mengucapkan terima kasih yang
sebesar-besarnya kepada Universitas Udayana
melalui Lembaga Penelitian dan Pengabdian
kepada Masyarakat yang telah memberikan

sokongan dana yang sangat membantu bagi
terlaksananya penelitian kami.
DAFTAR PUSTAKA
[1]

[2]
[3]
[4]
[5]

[6]

Widyadi,
Multiple
Discriminant
Analysis with Fukunaga Koontz
Transform and Support Vector Machine
for Image-Based Face Detection and
Recognition, Kursor , Vol. 7, No. 2, Juli
2013, ISSN: 0216-0544, 2013
Fukunaga, K., Introduction to Statistical
Pattern Recognition, second ed.
Academic Press. 1990.
Luxand,Inc , Luxand FaceSDK 5.0.1
Face Detection and Recognition Library
Developer’s Guide, 2015.
Duda, R., Hart, P., and Stork, D.,
Pattern Recognition, Second edition. J.
Wiley and Sons, Inc., 2000.
Zhang, S., and Sim, T., Discriminant
Subspace Analysis: A Fukunaga Koontz
Approach, IEEE Transaction On Pattern
Analysis and Machine Intelligence, vol
29, no 10, pp 1732-1745, 2007.
Chih-Chung Chang and Chih-Jen Lin,
LIBSVM: a Library for Support Vector
Machines, Taiwan. 2008.

DAFTAR MAKALAH YANG AKAN DITERBITKAN PADA PROSIDING SENASTEK 2015 DAN JURNAL
UDAYANA MENGABDI

No NAMA PESERTA

KODE

JUDUL MAKALAH

Strategi Pengembangan Pariwisata Alternatif Di
Kawasan Pariwisata Kintamani, Kabupaten Bangli
(Universitas Udayana)
Apoptosis Sel Spermatogenik Pada Tikus Putih (Rattus
Norvegicus)
Yang Terpapar Asap Rokok Setelah Pemberian
Ekstrak Buah Juwet (Syzygium Cumini)

1

I PUTU SUDANA, A. PAR,
M.PAR

HM-032

2

A.A.Sg.A Sukmaningsih

KO-005

3

AA Istri Sri Wiadnyani, STP.,
MSc

KP-100

Ekstraksi Dan Karakterisasi Pati Keladi (Xanthosoma
Sagittifolium) Dalam Upaya Pengembangan Umbi-Um
(Universitas Udayana)

4

Agung Artha Kusuma

IK-079

Dampak Electronic Word Of Mouth: Adopsi Opini
Online Pada Komunitas Online Konsumen

5

Agus Muliantara

6

Agus Muriawan Putra

HM-027

Pengembangan Desa Tista Sebagai Desa Wisata Di
Kabupaten Tabanan

7

Agus Muriawan Putra

HM-098

Persepsi Masyarakat Jatiluwih Terhadap
Ditetapkannyajatiluwih Sebagai Warisan Budaya
Dunia Di Kabupa (Universitas Udayana)

8

Anak Agung Bawa Putra

KO-057

Ekstraksi Zat Warna Alam Dari Bonggol Tanaman
Pisang (Musa Paradiasciaca L.) Dan Golongan
Senyawanya

9

Anak Agung Diah Parami Dewi,
ST., MT., PhD.

IK-052

Analisis Kendala Dalam Penerapan Green
Construction Dan Strategi Untuk Mengatasinya

10

ANAK AGUNG KOMPIANG OKA
SUDANA

IK-011

E-Adonanbali, Sistem Informasi Mobile Pembelajaran
Adonan Bebantenan Dan Masakan Tradisional Bali
(Universitas Udayana)

11 Anak Agung Manik Pratiwi

Pengembangan Aoe Dan Lvmpada Owncloud Sebagai
Media Penyimpanan Berbasis Awan Pada Sistem
Validasi Karya Ilmiah

HM-132

Partisipasi Masyarakat Lokal Dalam Pengembangan
Atraksi Wisata Pantai Di Kawasan Pariwisata Nusa
(Universitas Udayana)

12 Anggun Fadhlin Librianti

IK-007

Pengembangan Calender Of Events Berbasis Android
Dengan Metodologi Qcc Untuk Peningkatan Efisiensi
(Politenik Manufaktur Astra)

13 cok istri putri kusuma k

TM-005

Pengukuran Koefisien Absorpsi Material Dengan
Metode Tabung Impedansi Dua Microphone
(Universitas Udayana)

14 Cokorde Gede Indra Partha

P-PKM-004

Pelatihan Pengaman Instalasi Listrik Menggunakan
Rcd (Residual Current Device) Sesuai Persyaratan Um

367 RICHARDO E.V. TABISU

TM-021

Evaluasi Kinerja Fasilitas Lapangan Penumpukan Peti
Kemas Di Pelabuhan Jayapura

368 Rida Indah Fariani

IK-002

Penggunaan Dotproject Dalam Pengembangan Sistem
Informasi Manajemen Proyek Berbasis Web (Studi
Kasus) (Politenik Manufaktur Astra)

369 Rivan Sutrisno

HM-007

Model Estimasi Kinerja Keuangan Berdasarkan FaktorFaktor Internal Ukm Di Kabupaten Bandung
(Politeknik Negeri Bandung)

370 Rochtri Agung Bawono

HM-067

Batik Tutur Blitar: Transformasi Pesan Moral Dari
Dinding Candi Menjadi Sehelai Kain

371 Sang Ayu Isnu Maharani

372

Si Putu Gede Gunawan Tista,
ST.,MT

Pemertahanan Bahasa Pada Kawasan Wisata Ubud

IK-044

Pengaruh Pemasangan Ring Pada Permukaan Silinder
Terhadap Drag Dengan Variasi Jarak Antar Ring
(Universitas Udayana)
Kajian Hak Menguasai Negara Atas Air Pada Proyek
Kerjasama Pemerintah Badan Usaha Tentang Sistem
Pen (Pusat Litbang Permukiman Balitbang
Kementerian Pupr)

373 siska purnianti

HM-046

374 SURYA DEWI RUSTARIYUNI

HM-162

Kesiapan Tenaga Kerja Di Kabupaten Badung Dalam
Menghadapi Mea 2015

375 Tedi Erviantono

HM-138

Tipologi Tata Kelola Penegakan Sanksi Pelanggaran
Peraturan Daerah Di Kabupaten Tabanan Dalam
Perspe (Universitas Udayana)

376 Tjokorda Gde Tirta Nindhia

ET-016

Controlling Harmful Gas Hydrogen Sulfide (H2S) By
Desulruizer In Sewage Treatment Plant (Stp). Case

377 Tri Poepowati

BLS-070

Hidrolisa Dengan Asam Dan Enzim Dalam Proses
Konversi Ulva Lactuca Menjadi Etanol

378 Trisna Agung Phabiola, SP.,MSi

KP-104

Uji Keragaman Kisaran Inang Terhadap Penularan
Bean Common Mosaik Virus Pada Tanaman Kacang
Panjang (Universitas Udayana)

379 Widya Wigati

BLS-007

Sintesis Dan Karakterisasi Karbon Aktif Termodifikasi
Eriochrome Blue Black Dari Biji Pepaya

380 Widyadi Setiawan, ST., MT.

IK-017

Perbandingan Pendekatan Global Dan Lokal Pada
Deteksi Dan Pengenalan Citra Wajah (Universitas
Udayana)

381 Yana Qomariana

HM-091

Analisa Kebutuhan Berbahasa Inggris Untuk Jurusan
Non Bahasa Di Fakultas Sastra Dan Budaya Universit
(Universitas Udayana)

382 Yayu Indrawati

HM-121

Optimalisasi Pengembangan Kain Tenun Bali Sebagai
Industri Kreatif Dalam Menunjang Pariwisata Budaya
(Universitas Udayana)