PENYATUAN FEATURE PRINCIPLE COMPONENT ANALYSIS DAN LINEAR DISCRIMINANT ANALYSIS UNTUK PENGENALAN WAJAH

Pengenalan wajah merupakan salah satu bidang yang banyak diteliti dan dikembangkan oleh para pakar pengenalan pola. Hal ini disebabkan semakin meluasnya penggunaan teknik identifikasi wajah dalam aplikasi yang digunakan oleh masyarakat. Wajah dijadikan sebagai obyek pengenalan karena wajah memiliki informasi yang lebih mudah didapat dari pada sidik jari atau iris mata. Pada penelitian ini proses pengenalan wajah dilakukan dalam 3 tahap. Tahap pertama yaitu citra di ekstraksi fitur menggunakan metode Principle Component Analysis (PCA) dan metode Linear Discriminant Analysis (LDA). Nilai matrik bobot dihasilkan dari masing-masing proses ekstraksi fitur. Tahap selanjutnya proses penyatuan fitur, matrik bobot PCA dan LDA disatukan (fusion), sehingga menghasilkan susunan matrik baru yang disebut matrik fusion. Kemudian tahap pengklasifikasian citra menggunakan metode Manhattan Distance dengan cara mencari nilai minimum antara matrik fusion dan matrik fusion-test. Berdasarkan hasil uji coba sistem menggunakan 4 skenario diperoleh rata-rata akurasi 94,8%. Dengan menggunakan skenario yang sama metode PCA menghasilkan rata-rata akurasi 88,4% dan metode LDA menghasilkan rata-rata akurasi 94,6%. Hasil analisa tersebut menyimpulkan bahwa metode penyatuan fitur PCA dan LDA memiliki rata-rata lebih baik dari metode PCA dan LDA untuk pengenalan wajah.