validation. Cara kerjanya adalah melakukan pengelompokkan antara data latih dan data uji yang saling asing atau terpisah dan tidak ada irisan, kemudian
dilakukan proses pengujian yang diulang sebanyak k kali. Hasil pengujian itu kemudian dirata-ratakan untuk menghasilkan sebuah nilai Fauzie 2010.
Langkah-langkah teknik k-fold cross validation Pratiwi 2010 adalah sebagai berikut:
1.
Membagi data yang ada menjadi k kelompok
2.
Untuk setiap k, buat sejumlah T himpunan data yang memuat semua data latih kecuali yang berada di kelompok ke-k.
3.
Kerjakan algoritma yang dimiliki dengan sejumlah T data latih.
4.
Uji algoritma ini dengan menggunakan data pada kelompok âkâ sebagai data uji.
5.
Lakukan pencatatan hasil algoritma. K-fold cross validation sangat tepat dan berguna ketika menentukan nilai
yang tepat untuk k. Teknik ini tidak membutuhkan waktu banyak untuk membuat data uji yang ada. Keuntungan teknik k-fold cross validation adalah bahwa semua
elemen pada basis data digunakan untuk pelatihan sekaligus pengujian Pratiwi 2010.
2.6 Salt and pepper Noise
Noise atau derau menurut Alasdair 2004 adalah semacam penurunan kualitas sinyal citra wajah yang disebabkan oleh gangguan dari luar. Hal ini
dimungkinkan terjadi pada saat pengiriman citra secara elektronik dalam sinyal wajah tersebut. Menurut Alasdair 2004, terdapat empat macam tipe derau yaitu
Salt and pepper noise, Gaussian noise, Speckle noise dan periodic noise. Penelitian ini hanya memakai salt and pepper noise sebagai alat untuk melihat
sejauh mana tingkat efektifitas keakurasian data berbasis citra.
METODE PENELITIAN
3.1 Alur Penelitian
Tahapan penelitian dimulai dengan studi pustaka yang meliputi pemahaman proses pengenalan wajah, pemahaman proses reduksi citra dan
pemahaman proses klasifikasi citra wajah. Tahap-tahap pada penelitian ini dijelaskan dalam alur penelitian yang diuraikan pada Gambar 1.
Gambar 1 Alur penelitian. Penelitian ini dimulai dengan studi pustaka untuk memahami pola pada
citra wajah lalu membuat formulasi masalah yang ada. Studi pustaka dilakukan untuk lebih memperdalam pemahaman terhadap proses pengenalan wajah, proses
reduksi citra wajah dan proses klasifikasi citra wajah. Setelah masalah terformulasi maka dilakukan proses pembacaan citra wajah. Selanjutnya ada dua
sistem yang lakukan untuk membandingkan hasil mana yang paling baik. Sistem pertama adalah pengenalan wajah berbasis fitur. Setelah membaca citra wajah,
berdasarkan sistem ini ditentukan 10 titik wajah secara manual. Dari 10 titik wajah tadi, dibuat 11 garis wajah dan dihitung masing-masing jaraknya. Data
jarak garis wajah inilah yang akan menjadi data latih dan data uji berdasarkan k- fold cross validation. Sistem yang kedua adalah berbasis citra. Citra wajah
berukuran 119 92. Jika tiap piksel pada elemen data merepresentasikan fitur maka akan diperoleh fitur sebanyak 110304. Jika terdapat M citra wajah, maka
data citra wajah tersebut akan menjadi M10304. Karena banyaknya data citra maka digunakan praproses data terlebih dahulu untuk mereduksi data tersebut.
Setelah direduksi, data citra wajah itu dikelompokkan menjadi data latih dan data uji berdasarkan k-fold cross validation.
Selanjutnya, data wajah dari kedua sistem tersebut dilakukan proses akurasi dengan menggunakan metode AKU untuk proses reduksi dimensi data
tanpa mengurangi informasi terpenting dari data-data citra tersebut. Tahap selanjutnya adalah melakukan klasifikasi terhadap kedua metode tersebut dengan
menggunakan algoritma k-NN, Tahapan terakhir adalah menghitung tingkat akurasi yang tertinggi untuk menunjukkan sitem pengenalan wajah mana yang
terbaik. Pemrograman semua proses diatas dilakukan dengan MATLAB 7.1.
3.2 Data Citra Wajah
