Deteksi manusia merupakan suatu aplikasi yang berfungsi untuk mendeteksi objek manusia dalam sebuah citra. Beberapa keuntungan yang dapat diambil dari kajian ini, yaitu penerapan pada video pengawasan. Namun, dalam video pengawasan manusia yang dideteksi dalam keadaan bergerak. Sedangkan aplikasi ini, hanya mendeteksi atau menemukan objek manusia dari background sebuah citra. Sehingga dalam proses pembuatan aplikasi ini diperlukan perhitungan – perhitungan khusus untuk mendapatkan hasil yang baik. Penelitian ini menggunakan dua tahap yaitu proses ekstraksi fitur dan klasifikasi. Proses ekstraksi fitur menggunakan metode Histogram Of Oriented Gradients (HOG). Pada prinsipnya HOG menggunakan histogram untuk memperoleh ekstraksi fitur tersebut, dengan beberapa langkah diantarnya yaitu konversi citra, gradient compute dan normalisasi. Sedangkan pada metode Naive Bayes Classifier ini di gunakan untuk proses pengklasifikasian atau pencocokan citra. Sehingga pada hasil akhir dapat diketahui kelas citra yang telah diuji. Berdasarkan uji coba aplikasi menggunakan perhitungan distribusi gaussian probabilitas pada naive bayes classfier dengan nilai threshold = 12,13,14 dan 15 pada skenario 1, 2 dan 3 diperoleh rata – rata akurasi sebesar 68,65%. Kata kunci : Histogram Of Oriented Gradient, Naive Bayes Classifier

Human detection is an application to detect human objects in an image. One of the advantage that can be drawn from this study is video surveillance. However, video surveillance in humans were detected in motion. While this application, only detect or locate human objects from an image background. Thus, in the process of making this application is necessary calculations - special calculations to obtain good results. This study used two methods, histogram of oriented gradient method and the naive bayes classifier. Histogram of oriented gradient method is used to get the feature extraction. In principle, this method uses histogram to obtain the feature extraction, with several steps among which are convertible image, gradient compute and normalization. While the naive bayes classifier method is used for classification or matching the image. So at the end result can be known class image has been tested. The image used is 250 images with 75 positive images and 75 negative images and 100 test images. Based on testing applications using a gaussian distribution probability calculations on naive bayes classfier with threshold value = 12,13,14 and 15 on scenario 1, 2 and 3, obtained the average accuracy of 68.65%. Key words : Human Detection, Histogram Of Oriented Gradient, Naive Bayes Classifier

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal