Kusnul Hidayati, 5302415043 (2019) PENGENALAN WAJAH MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP) DAN PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK CITRA BERKUALITAS BURUK. Under Graduates thesis, UNNES.

Preview

PDF (PENGENALAN WAJAH MENGGUNAKAN METODE LOCAL BINARY PATTERN (LBP) DAN PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK CITRA BERKUALITAS BURUK) - Published Version Download (1MB) | Preview

Abstract

Kualitas citra wajah yang buruk dapat menurunkan tingkat akurasi pada sistem pengenalan wajah. Citra wajah berkualitas buruk disebabkan oleh beberapa faktor seperti pencahayaan, ekspresi, dan variasi pose pada citra. Metode ekstraksi fitur dalam pengenalan wajah dapat digunakan untuk mengoptimalkan tingkat akurasi. Tujuan dari penelitian ini adalah untuk meningkatkan akurasi pengenalan wajah menggunakan gabungan metode ekstraksi fitur local binary pattern (LBP) dengan seleksi fitur principal component analysis (PCA) pada citra wajah berkualitas buruk. Penelitian dilakukan dalam dua tahap yaitu tahap pelatihan dan pengenalan. Pada tahap pelatihan, dilakukan proses yang bertujuan untuk mendapatkan fitur dari citra wajah pelatihan kemudian disimpan di dalam database untuk digunakan pada tahap pengenalan. Pada tahap pengenalan dilakukan perbandingan fitur citra wajah pengujian dengan fitur citra wajah yang ada di dalam database. Metode ekstraksi fitur menggunakan LBP, PCA, dan gabungan LBP dengan seleksi fitur PCA. Sedangkan metode klasifikasi menggunakan euclidean distance. Pengujian dilakukan untuk menghitung tingkat akurasi dan waktu komputasi dengan menggunakan metode LBP, PCA, dan gabungan metode LBP dengan seleksi fitur PCA. Hasil penelitian menunjukkan gabungan metode ekstraksi fitur LBP dengan seleksi fitur PCA tidak meningkatkan nilai akurasi pengenalan wajah untuk citra wajah berkualitas buruk. Rata-rata tingkat akurasi dari gabungan metode LBP dengan seleksi fitur PCA yaitu sebesar 9,914% sampai 14,1272%. Metode LBP menunjukkan hasil akurasi yaitu sebesar 16,7581% sampai 31,3024%. Metode PCA menunjukkan hasil akurasi yaitu sebesar 24,8617% sampai 94,1476%.

Actions (login required)

View Item