Pengenalan Wajah pada Data Video Menggunakan Fast Hybrid Classification dan Optimalisasi Nilai K untuk K-NN Rule

Septiana, Nuning (2019) Pengenalan Wajah pada Data Video Menggunakan Fast Hybrid Classification dan Optimalisasi Nilai K untuk K-NN Rule. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 05111750010031-Master_Thesis.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Pengenalan wajah adalah teknologi yang semakin banyak digunakan oleh banyak stakeholder untuk meningkatkan sistem keamanan. Seiring berjalannya waktu, kebutuhan untuk pengenalan wajah kini tidak hanya mencakup citra melainkan video. Beberapa tantangan terkait pengenalan wajah pada video adalah bagaimana menentukan metode yang tepat untuk pre-processing, ekstraksi fitur dan klasifikasi.
Metode klasifikasi yang tepat bisa meningkatkan akurasi klasifikasi. Klasifikasi k-Nearest Neighbour (k-NN) telah digunakan pada pengenalan wajah di data video dan mendapatkan hasil yang baik. Pada Beberapa penelitian lain telah dilakukan untuk memperbaiki kinerja k-NN diantaranya metode FHC (Fast Hybrid Classification) dan optimasi nilai lokal k. Kelemahan dari Metode FHC adalah nilai k yang digunakan masih berupa default. Oleh karena itu, pada penelitian ini diusulkan penggunaan metode optimalisasi nilai k untuk k-NN yang ada di FHC agar akurasinya meningkat. Fast Hybrid Classification adalah metode klasifikasi yang menggabungkan k-means clustering dengan k-NN. Data training akan dikelompokkan ke dalam beberapa prototype yang disebut TLDS (Two Level Data Structure. Dua tingkat pengklasifikasian akan diterapkan untuk melakukan labelling terhadap data uji. Pertama adalah mencari n banyak prototype dengan kelas yang sama pada data uji. Apabila jumlah prototype yang sama tidak mencapai n, maka data uji akan masuk ke pengklasifikasian kedua yang menggunakan k-NN. Pada tahap ini digunakan nilai optimal lokal k untuk mempertajam akurasi. Hasil evaluasi menunjukkan metode ini bisa memberikan akurasi dan performa waktu yang lebih baik yaitu 86% dengan waktu eksekusi yang didapat 3,38 detik.
==============================================================================================================================
Face recognition is a technology that is increasingly used by many stakeholders to improve security systems. Over time, the need for facial recognition now does not only include images but videos. Some challenges related to face recognition on video are how to determine the right method for pre-processing, feature extraction and classification.
The right methods of classification can improve the accuracy. The classification of k-Nearest Neighbor (k-NN) has been used in face recognition in video data and getting good results. Several other studies have been conducted to improve k-NN performance including FHC (Fast Hybrid Classification) method and local value optimization k. The weakness of the FHC Method is that the k value used is still a default. Therefore, in this study the use of the k-NN optimization method in FHC is proposed to increase the accuracy. Fast Hybrid Classification is a classification method that combines k-means clustering with k-NN. Training data will be grouped into several prototypes called TLDS (Two Level Data Structure). Two levels of classification will be applied to label the test data. First is to search for how many prototypes which has the same class in the data testing. If the same number of prototypes does not reach n, then the data testing will go through the second classification using k-NN. At this stage, the local optimal value k is used to sharpen the accuracy.The evaluation results show that this method can provide better accuracy and time performance of 86% with the execution time obtained 3.38 seconds.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	k-means, k-NN, fast hybrid classification, optimasi, video face recognition
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Information and Communication Technology > Information Systems > 59101-(S2) Master Thesis
Depositing User:	Nuning Septiana
Date Deposited:	23 Jul 2026 08:29
Last Modified:	23 Jul 2026 08:29
URI:	http://repository.its.ac.id/id/eprint/67822

Actions (login required)

View Item