Pengenalan Wajah Menggunakan Klastering K-Means Dan Metode K-Nearest Neighbor

Pratama, Yuda (2024) Pengenalan Wajah Menggunakan Klastering K-Means Dan Metode K-Nearest Neighbor. Other thesis, Universitas Komputer Indonesia.

	Text UNIKOM_Yuda Pratama_Cover.pdf - Published Version Download (1MB)
	Text UNIKOM_Yuda Pratama_Lembar Pengesahan.pdf - Published Version Download (3MB)
	Text UNIKOM_Yuda Pratama_Surat Keterangan Persetujuan Publikasi.pdf - Published Version Download (1MB)
	Text UNIKOM_Yuda Pratama_Lembar Pernyataan.pdf - Published Version Download (2MB)
	Text UNIKOM_Yuda Pratama_Daftar Isi.pdf - Published Version Download (79kB)
	Text UNIKOM_Yuda Pratama_BAB I.pdf - Published Version Download (67kB)
	Text UNIKOM_Yuda Pratama_BAB II.pdf - Published Version Download (1MB)
	Text UNIKOM_Yuda Pratama_BAB III.pdf - Published Version Restricted to Repository staff only Download (110kB) | Request a copy
	Text UNIKOM_Yuda Pratama_BAB IV.pdf - Published Version Restricted to Repository staff only Download (3MB) | Request a copy
	Text UNIKOM_Yuda Pratama_Bab V.pdf - Published Version Download (43kB)
	Text UNIKOM_Yuda Pratama_Daftar Pustaka.pdf - Published Version Download (68kB)
	Text UNIKOM_Yuda Pratama_Kontak Penulis Dan Kontributor.pdf - Published Version Download (429kB)

Abstract

Pengenalan wajah adalah teknologi yang dikembangkan karena potensinya dalam berbagai aplikasi, seperti sistem keamanan, akses informasi pribadi, dan absensi. Namun, teknologi ini menghadapi masalah yang memengaruhi akurasi dan waktu komputasi, seperti variasi pencahayaan, pose, ekspresi, occlusion, dan kedalaman bit. Dalam studi ini, metode K-Means Clustering dan K-Nearest Neighbor digunak- an untuk mengurangi beban komputasi dengan membagi dataset menjadi beberapa klaster, dan kinerjanya dibandingkan. Pengujian dilakukan pada beberapa dataset, termasuk AT&T, Yale, dan Georgia Tech. Hasil yang diperoleh pada pendekatan pertama menggunakan metode K Means dan KNN menunjukkan bahwa untuk da- taset AT&T menggunakan klaster 1, waktu komputasi adalah 0,067 detik dengan akurasi 60%. Untuk dataset Yale menggunakan klaster 2, waktu komputasi adalah 0,107 detik dengan akurasi 78%. Sementara itu, untuk dataset Georgia menggu- nakan klaster 1, waktu komputasi adalah 0,094 detik dengan akurasi 50%. Pada pendekatan kedua, hanya menggunakan metode KNN, waktu komputasi untuk da- taset AT&T adalah 0,134 detik dengan akurasi 92%. Untuk dataset Yale, waktu komputasi adalah 0,202 detik dengan akurasi 81%. Sedangkan untuk dataset Geor- gia, waktu komputasi adalah 0,187 detik dengan akurasi 98%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Pengenalan Wajah, K-Nearest Neighbor, K-Means Clustering
Subjects:	000_COMPUTER SCIENCE, INFORMATION & GENERAL WORKS. > 005_Computer Programming, Programs & Data Q Science > QA Mathematics > QA76 Computer software
Divisions:	S1_SKRIPSI > FTIK_Sistem Komputer (02)
Depositing User:	Mia Mia Hayati Kosasih
Date Deposited:	02 Aug 2025 04:50
Last Modified:	02 Aug 2025 04:50
URI:	http://elibrary.unikom.ac.id/id/eprint/10704

Actions (login required)

View Item