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

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%.