IMPLEMENTASI ALGORITMA PRINCIPAL COMPONENT ANALYSIS DAN EUCLIDEAN DISTANCE DALAM FACE RECOGNITION

Efendi, Ferdy (2024) IMPLEMENTASI ALGORITMA PRINCIPAL COMPONENT ANALYSIS DAN EUCLIDEAN DISTANCE DALAM FACE RECOGNITION. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (172kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (762kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (318kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (569kB)
	Text (BAB V) BAB V.pdf Download (94kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (445kB)
	Archive (SOURCE CODE) Sourcecode - 17.11.1294.zip Restricted to Repository staff only Download (13MB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (847kB)

Abstract

Dalam era teknologi informasi yang berkembang pesat, teknologi biometrik, terutama pengenalan wajah, telah menjadi pendekatan penting dalam mengidentifikasi individu berdasarkan karakteristik fisik dan biologis mereka, sering digunakan dalam sistem keamanan untuk mengidentifikasi pelaku kejahatan secara akurat. Penelitian ini mengkaji masalah akurasi dan efektivitas algoritma Principal Component Analysis (PCA) dalam mengenali wajah manusia, khususnya dalam mengatasi variasi ekspresi dan posisi yang sering menjadi tantangan dalam proses identifikasi. Penelitian ini menggunakan metode PCA untuk ekstraksi ciri wajah dari database The Yale Face Database dan Euclidean Distance untuk membandingkan ciri-ciri tersebut dengan database yang ada. Tahapan penelitian meliputi pengumpulan data, praproses data di mana citra wajah diekstraksi dan diubah ukuran menjadi 100x100 piksel. Selanjutnya, normalisasi citra dilakukan untuk mengurangi kompleksitas komputasi dan noise. Praproses juga termasuk konversi citra menjadi array dan pembagian database menjadi data latih dan uji. Pelatihan sistem menggunakan PCA dilakukan dengan mengurangi dimensi data citra menjadi 50 dimensi utama, sementara pengujian menggunakan set uji mengevaluasi kemampuan model untuk menggeneralisasi pengetahuan pada data baru. Hasil penelitian menunjukkan tingkat akurasi yang tinggi pada data uji, mencapai 93.94%, dengan PCA yang efektif dalam mereduksi dimensi data citra sambil mempertahankan fitur penting untuk pengenalan. Kesimpulan ini menunjukkan bahwa kombinasi PCA dan Euclidean Distance adalah efektif untuk aplikasi pengenalan wajah, memberikan dasar bagi pengembangan sistem keamanan yang lebih akurat dan efisien.

Actions (login required)

View Item