KOMBINASI KPCA DAN EUCLIDEAN DISTANCE UNTUK PENGENALAN CITRA WAJAH

Abstract

Permasalahan machine learning dan pattern recognition bukan merupakan penelitian yang baru. Seiring dengan perkembangan teknologi, semakin berkembang pula teknik dan algoritma yang digunakan untuk menyelesaikan permasalahan machine learning dan pattern recognition. Pada penelitian ini telah berhasil melakukan pengenalan citra wajah menggunakan ekstraksi fitur Kernel Principal Component Analysis (KPCA) untuk menentukan karakteristik dari wajah dan Euclidean Distance sebagai metode klasifikasi berbasis statistik. Sedangkan uji coba telah dilakukan pada basis data citra wajah ORL, YALE dan BERN menggunakan kernel polynomial dan Gaussian, dengan reduksi dimensi menjadi v = 25 dan v = 50. Akurasi pengenalan citra wajah tertinggi dari ketiga basis data tersebut adalah menggunakan kernel Gaussian dan reduksi dimensi v = 50 dengan tujuh data pelatihan di setiap kelasnya. Pada basis data citra wajah ORL diperoleh akurasi pengenalan sebesar 98,50%, pada basis data citra wajah YALE diperoleh akurasi pengenalan sebesar 97,65%, dan pada basis data citra wajah BERN diperoleh akurasi pengenalan sebesar 97,95%. Dengan demikian, metode ekstraksi fitur KPCA yang dikombinasikan dengan metode klasifikasi Euclidean Distance sangat baik digunakan sebagai pengenalan citra wajah. Kata kunci: Kernel Principal Component Analysis (KPCA), Euclidean Distance, kernel polynomial, kernel Gaussian Abstract Problems of machine learning and pattern recognition are not a new research. Along with the development of technology, growing techniques and algorithms used to solve the problems of machine learning and pattern recognition. In this research has been successfully performed face recognition using Kernel Principal Component Analysis (KPCA) as feature extraction to determine the characteristics of the face and Euclidean Distance as the classification method based on statistics. While the experiments have been conducted on ORL face image database, YALE and BERN using polynomial and Gaussian kernel, the dimension reduction to v = 25 and v = 50. Highest recognition accuracy of three face image database is to use the Gaussian kernel and the reduction of dimension v = 50 with seven training data in each class. In the ORL face image database obtained recognition accuracy of 98,50%, on the basis of image data obtained YALE face recognition accuracy of 97,65%, and on the basis of image data obtained BERN face recognition accuracy of 97,95%. Thus, KPCA feature extraction methods are combined with Euclidean Distance classification method is best used as a facial image recognition. Key words: Kernel Principal Component Analysis (KPCA), Euclidean Distance, polynomial kernel, Gaussian kernel