Evaluasi Performa Komparatif Algoritma SVM, KNN, dan Decision Tree dalam Tugas Pengenalan Wajah Menggunakan PCA - Dalam bentuk buku karya ilmiah

RIZKY NUGRAHA PRATAMA

Informasi Umum

Kode

25.04.5365

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

85 kali

Informasi Lainnya

Abstraksi

<div>Pengenalan wajah merupakan teknologi yang banyak digunakan di berbagai bidang, termasuk keamanan, autentikasi pengguna, dan analisis video. Penelitian ini mengevaluasi kinerja komparatif dari algoritma klasifikasi Support Vector Machine (SVM), K-Nearest Neighbors (KNN), dan Decision Tree dalam mendeteksi wajah. Untuk meningkatkan efisiensi pemrosesan, digunakan Principal Component Analysis (PCA) sebagai metode ekstraksi fitur dan reduksi dimensi, karena beberapa penelitian menunjukkan bahwa PCA dapat membantu mengurangi dimensi dari dataset yang besar, sehingga meningkatkan efisiensi dan akurasi model klasifikasi. Dataset yang digunakan terdiri dari 77.658 gambar yang dikategorikan ke dalam dua kelas: owner dan strangers. Model dilatih menggunakan penyetelan hyperparameter tuning dan dievaluasi melalui teknik k-fold cross-validation yang diulang sebanyak 10 iterasi untuk memastikan evaluasi yang kuat dengan merata-ratakan hasil pada metrik kinerja utama. Kinerja diukur menggunakan metrik utama seperti accuracy, precition, sensitivity, dan f1-score. Hasil eksperimen menunjukkan bahwa algoritma Decision Tree mengungguli SVM dan KNN, dengan accuracy tertinggi sebesar 97,81% pada fold ke-3. Untuk kelas owner, algoritma ini mencapai precition sebesar 91,25%, sensitivity sebesar 68,05%, dan f1-score sebesar 77,94%. Sementara itu, untuk kelas strangers, algoritma ini mencapai precition sebesar 98,11%, sensitivity sebesar 99,60%, dan f1-score sebesar 98,85%. Penelitian ini memberikan wawasan yang berharga mengenai efektivitas berbagai metode klasifikasi dalam sistem deteksi wajah, serta menyoroti algoritma decision tree sebagai metode yang paling efektif dalam menangani tugas pengenalan wajah secara efisien, meskipun masih menghadapi tantangan dalam memprediksi data wajah dari kelas owner. Diharapkan penelitian ini dapat dikembangkan lebih lanjut dengan menggunakan dataset yang lebih besar dan beragam, mencakup variasi ekspresi wajah, sudut pandang, dan kondisi pencahayaan, serta peningkatan dalam identifikasi wajah owner dan implementasi sistem pengenalan wajah secara real-time.</div>