Face Recognition Using Isomap, KNN and Naïve Bayes Classifier

Rifki Kosasih

doi:10.31154/cogito.v9i1.473.38-47

Authors

Rifki Kosasih Gunadarma University

DOI:

https://doi.org/10.31154/cogito.v9i1.473.38-47

Keywords:

Pengenalan Wajah, Isomap, KNN, Naïve Bayes Classifier

Abstract

Sistem pengenalan wajah merupakan sistem yang dapat mengenali wajah seseorang dengan bantuan komputer. Untuk mengenali wajah tersebut, dilakukan ekstraksi fitur wajah. Pada penelitian ini digunakan metode isomap untuk mengekstrak fitur wajah. Isomap merupakan suatu metode yang dapat mengubah dimensi citra dari tinggi menjadi fitur-fitur yang memiliki dimensi rendah. Data yang digunakan adalah citra wajah yang diperoleh dari 6 orang, setiap orang memiliki 4 variasi ekspresi citra. Setelah fitur wajah diekstrak, selanjutnya dilakukan klasifikasi dengan menggunakan metode K Nearest Neighbor (KNN) dan metode Naive Bayes Classifier. KNN merupakan metode klasifikasi yang menggunakan jumlah tetangga (K) terdekat untuk menentukan kelas sedangkan Naïve Bayes merupakan metode klasifikasi yang menggunakan peluang bersyarat untuk menentukan kelas. Berdasarkan hasil penelitian pada metode KNN, tingkat akurasi terbaik terjadi saat jumlah tetangga K = 2. Nilai akurasi yang diperoleh sebesar 87,5%, nilai rata-rata presisi terbobot (RPT) sebesar 81,25% dan nilai rata- rata recall terbobot (RRT) sebesar 87,5% Pada metode Naive Bayes Classifier diperoleh tingkat akurasi sebesar 50%, nilai rata-rata presisi terbobot (RPT) sebesar 62% dan nilai rata-rata recall terbobot (RRT) sebesar 50%. Berdasarkan hasil tersebut dapat disimpulkan bahwa metode KNN merupakan metode klasifikasi yang lebih akurat dan lebih baik dibandingkan dengan metode Naïve Bayes.

References

R. Kosasih, “Penggunaan Metode Linear Discriminant Analysis Untuk Pengenalan Wajah Dengan Membandingkan Banyaknya Data Latih,” J. Ilm. Teknol. dan Rekayasa, vol. 26, no. 1, pp. 25–34, 2021.

L. Van der Maaten, E. Postma, and J. Van den Herik, “Dimensionality Reduction : A Comparative Review,” Tilburg, Netherlands, 2009.

R. Kosasih, S. Madenda, C. M. Karyati, and L. Etp, “Determination the Optimal Position from T1 and T2 Weighted MR Imaging of the Abdominal Aortic Aneurysm,” Adv. Sci. Eng. Med., vol. 7, no. 10, pp. 915–919, 2015, doi: 10.1166/asem.2015.1778.

J. B. Tenenbaum, V. De Silva, and J. C. Langford, “A Global Geometric Framework for Nonlinear Dimensionality Reduction,” Science (80-. )., vol. 290, no. December, pp. 2319–2323, 2000.

Munawir, L. Fitria, and M. Hermansyah, “InfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan,” InfoTekJar, vol. 4, no. 2, pp. 314–320, 2020.

F. Sarasati, E. Firasari, and F. L. D. Cahyanti, “Implementasi Metode Principal Component Analysis untuk Sistem Pengenalan Wajah,” Infortech, vol. 3, no. 2, pp. 152–156, 2021.

A. Fahrurozi and R. Kosasih, “Face Recognition Using Local Binary Pattern Combined With PCA For Images Under Various Expression and Illumination,” in Proceeding on International Workshop on Academic Collaboration 2017, 2017, no. May, pp. 1–7.

R. Kosasih and A. Fahrurozi, “Clustering of Face Images by Using Isomap method,” in Proceeding on International Workshop on Academic Collaboration 2017, 2017, no. May, pp. 52–56.

R. Kosasih, “Kombinasi Metode Isomap dan KNN Pada Image Processing Untuk Pengenalan Wajah,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, pp. 166–170, 2020.

Ramadiani, D. Bukhori, Azainil, and N. Dengen, “Floyd-warshall algorithm to determine the shortest path based on android,” in IOP Conf. Series: Earth and Environmental Science, 2018, pp. 1–8.

T. S. Darmawan, “Comparison of Dijkstra dan Floyd-Warshall Algorithm to Determine the Best Route of Train,” Int. J. Informatics Dev., vol. 7, no. 2, pp. 54–58, 2018.

Murni, R. Kosasih, A. Fahrurozi, T. Handhika, I. Sari, and D. P. Lestari, “Travel Time Estimation for Destination In Bali Using kNN-Regression Method with Tensorflow,” IOP Conf. Ser. Mater. Sci. Eng., vol. 854, no. 012061, pp. 1–7, 2020, doi: 10.1088/1757-899X/854/1/012061.

Z. Efendi and Mustakim, “Text Mining Classification Sebagai Rekomendasi Dosen Pembimbing Tugas Akhir Program Studi Sistem Informasi,” in Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI), 2017, pp. 235–242.

E. G. Nihad, E. N. El Mokhtar, Z. Abdelhamid, and A. A. Mohammed, “Hybrid approach of the fuzzy C-means and the K-nearest neighbors methods during the retrieve phase of dynamic case based reasoning for personalized follow-up of learners in real time,” Int. J. Electr. Comput. Eng., vol. 9, no. 6, pp. 4939–4950, 2019, doi: 10.11591/ijece.v9i6.pp4939-4950.

M. A. Abuzaraida, M. Elmehrek, and E. Elsomadi, “Online handwriting Arabic recognition system using k-nearest neighbors classifier and DCT features,” Int. J. Electr. Comput. Eng., vol. 11, no. 4, pp. 3584–3592, 2021, doi: 10.11591/ijece.v11i4.pp3584-3592.

C. Fiarni, H. Maharani, and R. Pratama, “Sentiment Analysis System for Indonesia Online Retail Shop Review Using Hierarchy Naive Bayes Technique,” in International Conference on Information and Communication Technologies (ICoICT), 2016, pp. 212–217.

P. Shah, P. Swaminarayan, and M. Patel, “Sentiment analysis on film review in Gujarati language using machine learning,” Int. J. Electr. Comput. Eng., vol. 12, no. 1, pp. 1030–1039, 2022, doi: 10.11591/ijece.v12i1.pp1030-1039.

Normah, “Naïve Bayes Algorithm For Sentiment Analysis Windows Phone Store Application Reviews,” J. Publ. Informatics Eng. Res., vol. 3, no. 2, pp. 13–19, 2019.

R. Kosasih and A. Alberto, “Sentiment analysis of game product on shopee using the TF-IDF method and naive bayes classifier,” Ilk. J. Ilm., vol. 13, no. 2, pp. 101–109, 2021, doi: 10.33096/ilkom.v13i2.721.101-109.

D. P. Lestari, R. Kosasih, T. Handhika, Murni, I. Sari, and A. Fahrurozi, “Fire Hotspots Detection System on CCTV Videos Using You only Look Once (YOLO) Method and Tiny YOLO Model for High Buildings Evacuation,” in 2nd International Conference of Computer and Informatics Engineering IC2IE, 2019, pp. 87–92.

M. Sokolova and G. Lapalme, “A Systematic Analysis of Performance Measures for Classification Tasks,” Inf. Process. Manag., vol. 45, no. 4, pp. 427–437, 2009.