OPTIMALISASI PENGENALAN WAJAH BERBASIS LINEAR DISCRIMINANT ANALYSIS DAN K – NEAREST NEIGHBOR MENGGUNAKAN PARTICLE SWARM OPTIMIZATION

Muhammad, Husnul Ramdani (2022) OPTIMALISASI PENGENALAN WAJAH BERBASIS LINEAR DISCRIMINANT ANALYSIS DAN K – NEAREST NEIGHBOR MENGGUNAKAN PARTICLE SWARM OPTIMIZATION. S1 thesis, Universitas Mataram.

Text laporan TA Final_F1D015054.pdf Restricted to Repository staff only Download (1MB)

Abstract

Wajah merupakan sebuah ciri biometrik yang dapat dijadikan pengenal oleh kebanyakan orang di dunia. Citra digital wajah dapat dimanfaatkan oleh sistem komputer untuk kegunaan pengenalan identitas diri seseorang. Dalam melakukan pengenalan wajah, komputer memerlukan metode yang tepat agar mendapatkan akurasi tinggi dengan waktu komputasi yang baik. Pada penelitian ini diimplementasikan metode ekstraksi fitur Linear Discriminant Analysis (LDA) dengan metode klasifikasi K-Nearest Neighbor (KNN) dan menggunakan metode Particle Swarm Optimization (PSO) untuk seleksi fitur. Dataset yang digunakan pada penelitian ini adalah ORL database sebanyak 400 citra wajah yang diambil dari 40 orang yang berbeda dan setiap orang mempunyai 10 citra wajah. Berdasarkan dari hasil pengujian, akurasi tertinggi yang diperoleh dari metode LDA dan KNN adalah 70,00% dengan waktu komputasi 0,2233s, sedangkan metode LDA dan KNN berbasis PSO mendapatkan akurasi tertinggi sebesar 71,67% dengan waktu komputasi 0,1224s. Sehingga dapat disimpulkan bahwa terjadi peningkatan akurasi setelah penerapan PSO yaitu sebesar 1,67% dan menghemat waktu komputasi sebesar 0,1009s. Adanya peningkatan akurasi menunjukkan bahwa PSO mampu memilih fitur – fitur terbaik dengan tepat dan layak untuk diproses pada saat klasifikasi.

Item Type:	Thesis (S1)
Keywords (Kata Kunci):	Kata Kunci: Klasifikasi Citra, Pengenalan wajah, LDA, PSO, KNN
Subjects:	T Technology > T Technology (General)
Divisions:	Fakultas Teknik
Depositing User:	Rini Trisnawati
Date Deposited:	02 Feb 2022 03:23
Last Modified:	02 Feb 2022 03:23
URI:	http://eprints.unram.ac.id/id/eprint/27585

Actions (login required)

View Item