besar sehingga menyulitkan dalam proses pencarian matriks peragam dan nilai eigen. Metode AKU dipilih karena dapat menemukan pola pada data berdimensi
atau ukuran yang tinggi dengan cara mereduksi dimensi data tanpa kehilangan banyak informasi Smith 2002.
Klasifikasi pada pengenalan wajah ini menggunakan algoritma k-nearest neighbor k-NN. Algoritma ini mengklasifikasikan data berdasarkan k-
tetangga terdekat data dengan menghitung jarak terkecil setelah data diurutkan dari kecil ke besar. Klasifikasi fitur wajah dilakukan dengan melihat data yang
sering muncul pada k-tetangga tersebut. Hasil klasifikasi inilah yang dapat menentukan sistem pengenalan wajah mana yang terbaik dari dua sistem
pengenalan wajah tersebut. Penelitian terhadap pengenalan wajah sudah banyak dilakukan dengan
kelebihan dan kekurangan tertentu, seperti dilakukan oleh Yeni 2005 yang menggunakan sistem berbasis fitur dan Jaringan Syaraf Tiruan untuk klasifikasi
kelasnya dan menyatakan bahwa sistem berbasis fitur memiliki tingkat akurasi pengenalan wajah yang lebih baik dibandingkan dengan metode berbasis piksel.
Rifkie 2010 menggunakan sistem pengenalan wajah berbasis piksel dan AKU sebagai teknik reduksi dimensi dengan hasil akurasi rata- rata sebesar 94.
Penelitian tersebut mendorong untuk melakukan penelitian terkait pencarian sistem pengenalan wajah terbaik diantara dua metode pengenalan wajah.
1.2 Tujuan Penelitian
Penelitian ini bertujuan untuk membandingkan sistem pengenalan wajah yang berbasis fitur dan berbasis citra dalam proses pengenalan wajah dengan
algoritma klasifikasi k-NN. Selain itu juga untuk mengkaji efektifitas tingkat akurasi sistem pengenalan wajah berbasis citra dalam kondisi derau noise.
1.3 Ruang Lingkup
Ruang lingkup penelitian ini mencakup teknik ekstraksi ciri wajah baik yang berbasis fitur maupun berbasis citra dengan menggunakan metode AKU dan
algoritma k-NN untuk proses klasifikasinya. Penelitian ini menggunakan Salt and Pepper Noise sebagai derau yang digunakan pada data pengujian. Data citra untuk
pelatihan dan pengujian diperoleh dari basis data sekunder standar ORL Ollivety Research Laboratory berdimensi 119 X 92 sejumlah 120 citra wajah dari 20
individu yang terdiri dari 3 orang perempuan dan 17 orang laki-laki. Setiap individu memiliki 6 citra wajah yang berbeda dengan beragam ekspresi.
1.4 Manfaat Penelitian
Penelitian ini diharapkan dapat memberikan kontribusi pada pengembangan proses pengenalan wajah dengan menentukan sistem pengenalan wajah mana
yang paling baik untuk mendapatkan tingkat keakurasian yang tinggi.
TINJAUAN PUSTAKA
2.1 Studi Yang Terkait
Penelitian ini dilakukan dengan mengacu tesis tentang proses reduksi wajah yang ditulis oleh Herdiyeni 2005 dan Pratiwi 2010. Pada penelitian
tersebut, Herdiyeni menggunakan metode jarak garis wajah untuk sistem pengenalan wajah 3D menggunakan probabilitas AKU dan jaringan syaraf tiruan.
Data yang pakai dalam penelitian ini sebanyak 100 citra yang terdiri dari 66 citra untuk data pelatihan dan 44 citra untuk data pengujian. Masing-masing citra
wajah tersebut dicropping dan ditentukan secara manual 10 titik koordinat yang akan menghasilkan 5.151 garis wajah. Sedangkan untuk pengenalan wajah
menggunakan piksel digunakan citra wajah berskala 25x36 piksel. Hasil penelitian Herdiyeni 2005 memperlihatkan bahwa tingkat akurasi sistem
berbasis fitur lebih baik dari pada yang berbasis citra. Hasil perbandingan ini dapat dilihat pada Table 1.
Tabel 1. Akurasi Pengenalan Wajah Sistem Berbasis Fitur Dan Berbasis Citra Sistem
Pose Akurasi
Pelatihan Akurasi
Pengujian MSE
Waktu detik
Jarak garis Wajah
Berbasis Fitur 0,1
100,00 55,00
0,04707 44,53
1,2 100,00
90,91 0,01836
44,02 2,3
100,00 88,86
0,02067 42,13
3,4 100,00
59,69 0,04333
39,70 Tingkat Keabuan
Wajah Berbasis Citra
0,1 100,00
54,09 0,04367
39,83 1,2
100,00 62,50
0,03596 38,26
2,3 100,00
77,05 0,03043
38,47 3,4
100,00 56,82
0,04001 37,66
Sumber: Herdiyeni 2005
Pratiwi 2010 melakukan penelitian tentang pengembangan model pengenalan citra wajah dengan jarak euclid pada ruang eigen dengan 2
Dimentional Principal Component Analysis 2DPCA. Penelitian ini
menggunakan basis data ORL dengan menggunakan 40 individu dimana masing- masing memiliki 10 ekspresi yang berbeda. Total data yang digunakan sebanyak
400 citra wajah. Penelitian ini memperlihatkan rata-rata tingkat akurasi sebesar 98,75.
2.2 Proses Pengenalan Wajah
