EKSTRAKSI FITUR BERBASIS TWO DIMENSIONAL PRINCIPAL COMPONENT ANALYSIS (2DPCA) PADA SISTEM PENGENALAN WAJAH

Pengenalan wajah merupakan salah satu teknologi biometric yang telah banyak dikembangkan oleh peneliti dibidang Computer Vision. Hasil penelitian dibidang ini juga sudah banyak digunakan dalam sistem keamanan seperti lingkungan intelijen dalam kepolisian serta dalam sistem keamanan ataupun verifikasi di berbagai perusahaan-perusahaan besar di Negara maju khususnya. Riset Tugas Akhir face recognition ini menggunakan citra ORL dan citra buatan. Dimana jumlah citra untuk ORL sebanyak 400 citra yang terdiri dari 40 kelas dan 10 pose, masing-masing citra mempunyai dimensi 112 x 92 piksel. Sedangkan, untuk citra buatan sebanyak 150 citra yang terdiri dari 15 kelas dan 10 pose, masing-masing citra mempunyai dimensi 180 x 150 piksel. Di skenario uji coba sistem ini terdapat 2 skenario pada masing-masing database uji coba, yaitu skenario 1 (7 pose citra training dan 3 pose citra testing) dan untuk skenario 2 (5 pose citra training dan 5 pose citra testing). Dalam proses uji coba, sistem ini membandingkan hasil akurasi antara penggunaan Histogram Equalization, Local Binary Pattern (LBP) dan tanpa proses Preprocessing, serta membandingkan hasil akurasi penggunaan jumlah fitur dalam proses klasifikasinya. Dalam proses klasifikasi menggunakan metode Canberra Distance dan Manhattan Distance dengan pendekatan penampilan (Appearance based). Hasil uji coba yang diperoleh membuktikan akurasi tertinggi terdapat pada citra ORL skenario 1 dengan histogram equalization yaitu 96,67%, sedangkan hasil terburuk pada citra ORL skenario 2 dengan LBP yaitu 33%.