Implementasi Dan Analisis Algoritma Linear Discriminant Dan Local Linear Discriminant Dalam Mengklasifikasi Gender Dengan Praproses Principal Component Analysis
Abstract
Ada beberapa variasi dalam proses pengenalan wajah, salah satunya adalah pengklasitikasian gender. Dalarn mengklasifikasikan gender pun ada beberapa metode yang digunakan, yaitu metode yang merepresentasikan wajah ke dalam bentuk geometrik (measurement-based models), seperti menghitung jarak, sudut. dan daerah antara bagian·bagian utama wajah yaitu mata, hidung, atau dagu_ Namun metode tersebut kurang optimal. Metode laitmya adalah merepresentasikan wajah ke dalam bentuk piksel (pixel·based models). Metode pixel·based models yang juga dijadikan sebagai landasan teori penelitian ini mentransfonnasi citra wajah ke dalam piksel·piksel. Karena dimensi piksel hasil transformasi tersebul berukuran besar kemudian diJakukan reduksi dimensi (preprocessing) dengan menggunakan anal isis komponen utama (principal component analysis) yang juga dikenal dengan metode eigenjace. Selanjutnya hasil preprocessing tersebul dilanjutkan dengan proses pengenalan (dalam hal ini proses pengklasiflkasian gender). Algoritma yang digunakan untuk mengklasifikasi gender pada penelitian ini adalah algoritma Linear Discriminant (LO) dan Local Linear Discriminant (LLO). Kedua algoritma tersebut merupakan algoritma pengklasifikasi, yang mengklasifikasikan sekumpulan objek (input) menjadi dua kelas (output). Oalam percobaan ini menggunakan 200 citra wajah pria dan 200 citra wajah wan ita. Untuk mengetahui pengaruh rambut dalam proses klasifikasi, maka dilakukan manipulasi terhadap citra wajah dengan menghilangkan bagian rambut. Oengan demikian didapat dua kelompok bahan percobaan, yaitu citra wajah lengkap (dengan rambut) dan citra wajah tidak lengkap (tanpa ram but). Jackknife schema ialah salah satu cara efektif untuk memanfaatkan data citra yang digunakan sebagai input metode, yaitu secara acak membagi data citra tersebUl menjadi training face dan test face. Training face ini berguna sebagai pembuat eigenface, kemudian training face dan test face bersama-sama digunakan untuk mengetes kemampuan algoritma. Koefisien eigenface yang dibahas pada percobaan ini adalah eigenface ke-I, 2, 8,17,3], dan 50, karena hasil yang diperoleh dianggap mewakili. Oari hasil percobaan yang dilakukan, tingka
Collections
- UT - Computer Science [2254]