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

Abstract

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%.

Sistem Pelacakan Posisi Aset Laboratorium Melalui Sensor Tanpa Kontak Fisik Menggunakan Metode K – Nearest Neighbor (K- NN)

“…dan Wulandari M [5] yaitu mengetahui posisi koordinat RFID tag yang terbaca oleh RFID reader menggunakan Metode Landmarc berdasarkan RSSI dan penerapan algoritma K-Nearest Neighbor (K-NN). Metode klasifikasi KNN dibandingkan juga dengan metode lainnya seperti learning vector quantization (LVQ) [6] dan metode nearest neighbor (NN) [7] dan pada analisisnya metode KNN digunakan karena hasil review pada penelitian analisis metode pengenalan wajah two dimensial principal component analysis (2dpca) dan kernel fisher discriminant analysis menggunakan klasifikasi knn (k-nearest neighbor) [8].…”