Analisis Metode Pengenalan Wajah Two Dimensial Principal Component Analysis (2DPCA) dan Kernel Fisher Discriminant Analysis Menggunakan Klasifikasi KNN (K- Nearest Neighbor)

Bilah Samping Artikel

pdf
Diterbitkan: Okt 15, 2020
DOI: https://doi.org/10.48182/jtrm.v2i2.30
Kata Kunci:
Pengenalan Wajah, KNN, 2DPCA, Kernel, Akurasi

Isi Artikel Utama

Abdur Rohman Harits Martawireja
Politeknik Manufaktur Bandung
Hilman Mujahid Purnama
Politeknik Manufaktur Bandung
Atika Nur Rahmawati
Politeknik Manufaktur Bandung

Abstrak

Pengenalan wajah manusia (face recognition) merupakan salah satu bidang penelitian yang penting dan belakangan ini banyak aplikasi yang menerapkannya, baik di bidang komersil ataupun di bidang penegakan hukum. Pengenalan wajah merupakan sebuah sistem yang berfungsikan untuk mengidentifikasi berdasarkan ciri-ciri dari wajah seseorang berbasis biometrik yang memiliki keakuratan tinggi. Pengenalan wajah dapat diterapkan pada sistem keamanan. Banyak metode yang dapat digunakan dalam aplikasi pengenalan wajah untuk keamanan sistem, namun pada artikel ini akan membahas tentang dua metode yaitu Two Dimensial Principal Component Analysis dan Kernel Fisher Discriminant Analysis dengan metode klasifikasi menggunakan K-Nearest Neigbor. Kedua metode ini diuji menggunakan metode cross validation. Hasil dari penelitian terdahulu terbukti bahwa sistem pengenalan wajah metode Two Dimensial Principal Component Analysis dengan 5-folds cross validation menghasilkan akurasi sebesar 88,73%, sedangkan dengan 2-folds validation akurasi yang dihasilkan sebesar 89,25%. Dan pengujian metode Kernel Fisher Discriminant dengan 2-folds cross validation menghasilkan akurasi rata rata sebesar 83,10%.

##plugins.generic.usageStats.downloads##

##plugins.generic.usageStats.noStats##

Rincian Artikel

##submission.howToCite##
Harits Martawireja, A. R., Purnama, H. M., & Rahmawati, A. N. (2020). Analisis Metode Pengenalan Wajah Two Dimensial Principal Component Analysis (2DPCA) dan Kernel Fisher Discriminant Analysis Menggunakan Klasifikasi KNN (K- Nearest Neighbor). JTRM (Jurnal Teknologi Dan Rekayasa Manufaktur), 2(2), 89-98. https://doi.org/10.48182/jtrm.v2i2.30
Terbitan
Vol 2 No 2 (2020): Vol 2 No 2 (2020): Volume: 2 | Nomor: 2 | Oktober 2020
Bagian
Articles
##submission.license.cc.by-sa4.footer##

Artikel yang diajukan untuk dipublikasikan pada JTRM (Jurnal Teknologi dan Rekayasa Manufaktur) ini adalah karya dari penulis dan/atau tim penulis yang memiliki pembahasan pada bidang sains dan teknologi. Naskah tersebut belum pernah dipublikasikan di Jurnal (media) apapun atau tidak sedang diajukan untuk dipublikasikan pada jurnal atau prosiding lain. Apabila terdapat duplikasi penerbitan, artikel akan dicabut/dihapus oleh Dewan Redaksi.

Nama dan alamat email yang dimasukkan pada laman JTRM (Jurnal Teknologi dan Rekayasa Manufaktur) hanya akan digunakan sebatas kepentingan penerbitan artikel pada laman JTRM (https://jtrm.polman-bandung.ac.id/) dan tidak akan diberikan kepada pihak lain untuk kepentingan apapun.

Referensi

[1] E. B. Utomo, “Pengenalan Wajah Wanita Berkerudung Menggunakan Metode 2DPCA dan K-Nearest Neighbor,” pp. 1–7, 2014.
[2] Lina and A. J. Feriyansah, “Sistem Pengenalan Wajah Dengan Metode 2D-PCA,” J. Pendidik. Teknol. Komun. Terap., no. July 2012, p. 138, 2012.
[3] R. T. Wahyuningrum and F. Damayanti, “Efficient kernel-based two-dimensional principal component analysis for smile stages recognition,” Telkomnika, vol. 10, no. 1, pp. 113–118, 2012.
[4] J. Yang, D. Zhang, A. F. Frangi, and J. Y. Yang, “Two-Dimensional PCA: A New Approach to Appearance-Based Face Representation and Recognition,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 26, no. 1, pp. 131–137, 2004.
[5] L. Sirovich and M. Kirby, “Low-dimensional procedure for the characterization of human faces,” J. Opt. Soc. Am. A, vol. 4, no. 3, p. 519, 1987.
[6] J. Shah, M. Sharif, M. Raza, and A. Azeem, “A Survey: Linear and Nonlinear PCA Based Face Recognition Techniques,” Int. Arab J. Inf. Technol., no. November, 2013.
[7] K. Liu, Y. Q. Cheng, and J. Y. Yang, “Algebraic feature extraction for image recognition based on an optimal discriminant criterion,” Pattern Recognit., vol. 26, no. 6, pp. 903–911, 1993.
[8] J. Yang and J. Y. Yang, “From image vector to matrix: A straightforward image projection technique-IMPCA vs. PCA,” Pattern Recognit., vol. 35, no. 9, pp. 1997–1999, 2002.
[9] Informatikalogi, “Algoritma K-Nearest Neighbor (K-NN),” 2017. [Online]. Available: https://informatikalogi.com/algoritma-k-nn-k-nearest-neighbor/.
[10] V. S. Vijayalakshmi, B. Shwetha, and S. V Sathyanarayana, “Image Classifier based Digital Image Forensic Detection-A Review and Simulations,” Int. Conf. Emerg. Res. Electron. Comput. Sci. Technol., 2015.
[11] I. Setyawan, A. F. Putra, I. K. Timotius, and A. A. Febrianto, “Face recognition using Kernel Fisher’s Discriminant Analysis and nearest neighbor,” Proc. 2011 6th Int. Conf. Telecommun. Syst. Serv. Appl. TSSA 2011, pp. 5–7, 2011.