ABSTRAKSI: Metode ekstraksi feature merupakan salah satu bagian vital pada proses pengenalan wajah. Feature-feature pada citra wajah yang memiliki variasi pencahayaan, ekspresi wajah dan sudut pengambilan citra memiliki sifat yang nonlinear. Metode klasik yang sifatnya linear seperti PCA dan LDA tidak mampu melakukan proses ekstraksi feature secara tepat pada feature citra wajah yang sifatnya nonlinear. Kekurangan metode linear dapat diatasi dengan penggunaan fungsi kernel. Salah satu metode ekstraksi feature yang menerapkan penggunaan fungsi kernel adalah metode KDDA. Metode ini telah terbukti memiliki performansi tingkat akurasi yang lebih baik dibandingkan metode lain seperti GDA, D-LDA dan KPCA [5].
Pada tugas akhir ini telah dilakukan analisa dan implementasi pengenalan wajah menggunakan fungsi kernel Gaussian RBF pada metode KDDA. Pengujian dilakukan terhadap variance dari Gaussian RBF (σ) dan jumlah sampel yang berbeda sehingga diketahui pengaruhnya terhadap tingkat akurasi dari pengenalan wajah. Pengujian dilakukan terhadap database wajah UMIST yang memiliki ukuran 112 x 92 dengan variasi sudut pandang wajah. Fungsi kernel yang dipakai sebagai pembanding adalah fungsi kernel Polinomial.
Dari hasil pengujian diketahui bahwa jumlah sampel memiliki pengaruh yang lebih besar pada tingkat akurasi daripada pengaruh dari variance Gaussian RBF (σ). Selain itu, berdasarkan hasil perbandingan akurasi hasil pengujian, fungsi kernel Gaussian RBF memiliki tingkat akurasi yang lebih baik daripada fungsi kernel Polinomial.Kata Kunci : pengenalan wajah, metode kernel, Gaussian RBF, Polinomial.ABSTRACT: Feature extraction method is a vital element in face-recognition process. The features in facial image, which have tons of variation in illumination, facial expression and image viewpoint, have a non-linear behavior. A linear, classic method like PCA and LDA can’t give an accurate result of feature extraction from a non-linear object, like the facial image. The drawback of linear method can be overcome with the use of kernel function. One of the methods that used the kernel is KDDA. This method had been proven to have a better performance and gives a more precise result compared to other methods like GDA, D-LDA and KPCA [5].
In this Final Assignment, some analysis and implementation have been done through facial image using Gaussian RBF kernel in KDDA method. Gaussian RBF variance, along with some different samples were tested to see its influence on face recognition’s level of accuracy. The test was applied to UMIST facial database, 112 x 92 in measure and had varied viewpoints. Polynomial kernel was used as comparison.
From the test result, we know that the amount of samples have bigger influence in level of accuracy than the variance of Gaussian RBF do. Moreover, the Gaussian RBF kernel has a better accuracy than the Polynomial one.Keyword: face recognition, kernel method, Gaussian RBF, Polinomial.