Klasifikasi Citra Wajah dengan Teknologi Pengolahan

Citra Digital Menggunakan Metode Naive Bayes

I Wayan Vendy Wiranatha (!""#!#$##%&
vendy'ira(g)ail*+o)
,iti -..a -)ira (!""#!#$#!$&
-..aa)ira/"(g)ail*+o)
0itria D'i (!""#!###1&
0i12d'i(g)ail*+o)
Abstract - Wajah adalah komponen dari manusia yang
sangat unik dan berbeda antaran manusia yang satu dan
lainnya. Unsur yang membedakan adalah bentuk wajah,
bentuk hidung dan lebar tulang pipi. Klasifikasi bentuk wajah
menggunakan metode Naive Bayes. ara pengklasifikasian
menggunakan metode Naive Bayes adalah mengumpulkan
keyword yang memiliki informasi kesamaan yang paling
banyak. !nformasi berasal dari data training. Kemudian
diadakan pendekatan untuk segala kemungkinan atau
probabilitas dari semua kategori yang berasal dari "itra.
#ehingga dengan prosentase tingkat kesamaan yang
ditemukan, akan menghasilkan keluaran bentuk wajah yang
sesuai.
Keywords : wajah, nave bayes, pengolahan citra digital
I* P3ND-4565-N
Perke)7angan teknologi +o)8uter saat ini
selalu )engala)i ke)ajuan yang +e8at* De'asa ini9
teknologi infor)asi yang kian 7erke)7ang telah
7anyak )enghasilkan 7er7agai a8likasi
)enggunakan +itra 'ajah se7agai su)7er infor)asi*
4al ini dikarenakan se+ara u)u) +itra 'ajah da8at
)e)7erikan infor)asi khusus 7erkaitan dengan
identifikasi 8ersonal na)un se7agai in8ut9 +itra
'ajah )e)8unyai variasi yang tinggi*
Mengenali 'ajah seseorang )eru8akan hal
yang )udah oleh )anusia* ,eseorang akan )udah
)engenali 'ajah seseorang )eski8un eks8resinya
7er7eda* Na)un tidak de)ikian oleh +o)8uter* Maka
di8erlukan se7uah a8likasi untuk )engenali 'ajah
seseorang*
Pengenalan 'ajah (fa+e re+ognition& )eru8akan
suatu 8engenalan 8ola (8attern re+ognition& yang
khusus untuk kasus 'ajah* ,alah satu 8endekatan
untuk 8engenalan o7jek adalah )enggunakan na:ve
7ayes*
,e+ara u)u) siste) 8engenalan 'ajah
)e)8unyai 7e7era8a taha8an yaitu 8endeteksian
'ajah9 ekstraksi 'ajah9 dan 8engenalan 'ajah*
Pendeteksian 'ajah adalah taha8 untuk )enentukan
dan )e)isahkan 7agian dari suatu +itra dia)(still
i)age& yang terdefinisi se7agai 'ajah9 dan ekstraksi
'ajah )eru8akan 8enge)7ilan 7agian dari fitur;fitur
'ajah9 setelah ekstraksi )aka )asuk 8ada taha8an
8engenalan 'ajah yaitu )engenali 'ajah dengan +irri
dan karakteristik tertentu untuk )engetahui identitas*
Dala) tugas akhir ini di+o7a )engga7ungkan
dua )etode untuk )engenali 'ajah )anusia dala)
7e7era8a eks8resi dan 8osisi* ,ehingga di8eroleh
kesi)8ulan tentang 8engga7ungan dua )etode
terse7ut se7agai se7uah )etode 8engenalan 'ajah*
II* D-,-< T3=<I
$. Wajah
Wajah atau )uka adalah 7agian dari ke8ala9 8ada
)anusia )eli8uti 'ilayah dari dahi hingga dagu9 ter)asuk
ra)7ut9 dahi9 alis9 )ata9 hidung9 8i8i9 )ulut9 7i7ir9 gigi9
kulit dan dagu* Wajah teruta)a digunakan untuk eks8resi
'ajah9 8ena)8ilan serta identitas* Tidak ada satu 'ajah
yang seru8a )eski8un )anusia yang ke)7ar identik* =leh
se7a7 itu dengan )elihat 'ajah )anusia9 )anusia da8at
)engenali atau )engidentifikasi seseorang dengan )udah*
B. itra
,e+ara harfiah9 +itra (i)agine& adalah ga)7ar 8ada
7idang d'i)atra (dua di)ensi&* Ditinjau dari sudut
8andang )ate)atis9 +itra )eru8akan fungsi )enerus
(+ontinue& dari intensitas +ahaya 8ada 7idang dua di)ensi*
,u)7er +ahaya )enerangi o7jek9 o7jek )e)antulkan
ke)7ali se7agian dari 7erkas +ahaya terse7ut* Pantulan
+ahaya ini ditangka8 oleh alat;alat o8ti+9 )isalnya )ata
8ada )anusia9 ka)era9 8e)indai (s+anner&9 dan
se7againya9 sehingga 7ayangan o7jek yang dise7ut +itra
terse7ut terekan* Pengolahan +itra )eru8akan suatu 8roses
8engolahan dan analisis +itra yang 7anyak )eli7atkan
8erse8si visual*
. %engenalan Wajah
Banyak dilakukan 8enelitian untuk )en+ari
algorit)a;algorit)a yang te8at 7agi +o)8uter agar da8at
)engenali suatu 'ajah yang diin8utkan*
* -8likasi 8engenalan 'ajah
Be7era8a +ontoh a8likasi dari 8engenalan
'ajah oleh +o)8uter adalah >
Pengenalan +redit +ard9 surat i.in )enge)udi
(,IM&9 8ass8ort
Pengenalan 'ajah untuk sekuritas se7agai tanda
tangan atau sidik jari9 )issal untuk verifikasi
+redit +ard
Pengenalan 8asien yang tidak sadarkan diri
Pengenalan orang yang hilang atau seorang
+ri)inal
Pengontrolan )asyarakat9 se8erti ka)era di 7ank
sehingga da8at terindentifikasi 7ila ada orang
jahat yang )asuk ke 7ank
<ekonstruksi 'ajah sesuai dengan 7ayangan dari
saksi 8ada suatu 8eristi'a kejahatan
!* Taha8an u)u) Pengenalan Wajah
-lgorit)a untuk )engenali 'ajah ada
7er)a+a);)a+a)* Na)un9 8ada u)u)nya ada
taha8an;taha8an u)u) yang di8akai dala)
8engenalan 'ajah9 yaitu >
Per7aikan ?a)7ar
Citra hasil s+anning 7iasanya )engandung
7anyak noise yang harus dihilangkan* Ke)udian
harus diteraokan algorit)a;algorit)a untuk
)e)8ertaja) ga)7ar 7ila ga)7ar ka7ur9 se8erti
filtering yang teorinya ada 8ada 8engolahan
+itra*
Pen+arian feature
-da dua )a+a) feature 8ada 'ajah9 yaitu
holisti" features dan partial features. Pada 8artial
feature9 dala) hal 8engenalan 'ajah 7iasanya
dise7ut se7agai fa"ial feature9 +ontoh featurenya
adalah 'arna dan 7entuk ra)7ut9 )ulut9 )ata9
telinga dan lain;lain* ,edangkan 8ada holisti+
feature setia8 featurenya adalah )eru8akan suatu
karakteristik dari seluruh 'ajah9 )aksutnya
'ajah diangga8 se7agai suatu kesatuan yang
utuh*
Identifikasi
,etelah ko)8uter tahu tentang feature dari
testing foto yang diin8utkan9 )aka da8at
dilakukan 8e)7andingan dengan feature;feature
dari foto 8elatihan*
&. Na've Bayes
Na:ve 7ayes )eru8akan salah satu )etode )a+hine
learning yang )engunakan 8erhitungan 8ro7a7ilitas*
Konse8 dasar yang digunakn na:ve 7ayes adalah teore)a
na:ve 7ayes9 yaitu )elakukan klasifikasi dengan
)elakukan 8erhitungan p( ) "i * & ) dj+9 yaitu
8ro7a7ilitas kategori "i9 jika diketahui doku)en dj*
III* M3T=D=6=?I
-da8un )etode yang digunakan dala) )elakukan
klasifikasi 7entuk 'ajah yaitu )enggunakan )etode Naive
Bayes9 sehingga )e)erlukan 7e7era8a sa)8le dataset dan
juga )enentukan ekstraksi fitur yang ada dala) 7entuk
'ajah*
Data set yang digunakan dala) klasifikasi ini adalah
7entuk 'ajah )anusia dala) 7er7agai sudut 8andang*
,elain data;data terse7ut ka)i )enggunakan a8likasi
8endukung yaitu >
Net7eans
Net7eans )eru8akan soft'are o8ensour+e yang
)e)udahkan dala) )e)7angun 8rogra) dari 7e7era8a
7ahasa 8e)rogra)an se8erti java9 +@@9 8h8 dan lain
se7againya*
$. &ataset
Data set yang digunakan daa) klasifikasi ini adalah 7entuk
'ajah )anusia*
Dala) klasifikasi 'ajah )anusia terda8at $ kelas
7erdasarkan na)a )asing;)asing dari +itra terse7ut9 yaitu >
* Wajah -..a
!* Wajah Vendy
1* Wajah 0itri
2* Wajah <ia
"* Wajah Vi+ky
A* Wajah <angga
$* Wajah Bata
Dala) )asing;)asing kelas terdiri dari 1# data training*
B. ,kstraksi -itur
Pengklasifikasian 8engolahan +itra 'ajah ini )e)iliki 2 fitur
yang sa)a9 yaitu >
* Mean <ed
!* Mean ?reen
1* Mean Blue
2* Dia)eter
. .etode Naive Bayes
Naive Bayes )eru8akan salah satu )etode )a+hine
learning yang )enggunakan 8erhitungan 8ro7a7ilitas* Konse8
dasar yang digunakan oleh naive 7ayes adalah Teore)a Bayes9
yaitu )elakukan klasifikasi dengan )elakukan 8erhitungan
p( ) "i * & ) dj+9 yaitu 8ro7a7ilitas kategori "i9 jika diketahui
doku)en dj* Klasifikasi dilakukan untuk )enentukan kategori
+ C dari suatu +itra 'ajah d & di)ana )/0, 1,
2,...,i3 dan & ) /d0,d1,d2,...,dj3* Penentuan dari kategori
se7uah +itra 'ajah dilakukan dengan )en+ari nilai )aksi)u)
dari p( ) "i * & ) dj+ 8ada %)/p( ) "i * & ) dj+ * " dan d
&3 * Nilai 8ro7a7ilitas p( ) "i * & ) dj+ da8at dihitung
dengan 8ersa)aan (Mit+hell9 !##"&>
& (
& (
& C (
dj & %
dj & "i %
di & "i p
=
= =
= = =

& (
& ( & C (
dj & p
"i p "i dj & p
=
= = =
=
dengan p(& ) dj * )"i+ )eru8akan nilai 8ro7a7ilitas dari
ke)un+ulan +itra 'ajah dj9 jika diketahui +itra 'ajah terse7ut
7erkategori "i, p() "i+ adalah nilai 8ro7a7ilitas ke)un+ulan
kategori +i9 dan p(& ) dj+ adalah nilai +itra 'ajah dj*
Naive Bayes )engangga8 se7uah +itra 'ajah se7agai
ku)8ulan dari titik;titik +itra yang )enyusun +itra 'ajah
terse7ut* ,ehingga 8erhitungan 8ro7a7ilitas ke)un+ulan titik;
titik dari +itra dj* Perhitungan 8ro7a7ilitas p( )"i * & ) dj+
da8at dituliskan se7agai 7erikut>
& 9 9 9**9 1 9 ! 9 (
& ( & C (
& C (
wn wk w w w p
"i p "i wk p
dj & "i p
k

= =
= = =
dengan
& C ( "i wk p
k
=

adalah hasil 8erkalian dari

8ro7a7ilitas ke)un+ulan se)ua titik 8ada +itra d
j*
Proses klasifikasi dilakukan dengan )e)7uat 8ro7a7ilistik
dari data training9 yaitu )enghitung nilai p(wk * "+. 5ntik 'kj
diskrit dengan wkj 4 ) /v 0, v1, v2, ..., vm3 )aka p(wk * "+ di+ari
untuk seluruh ke)ungkinan nilai wkj dan da8at dilakukan
8erhitungan (Mit+hell9 !##"&>
& (
& * (
& C (
" &b
" wkj wk &b
" wkj wk p
=
= =
dan
C C
& (
& (
&
" &b
" p =
dengan &b(wk ) wkj."+ adalah fungsi yang )enge)7alikan
ju)lah +itra 'ajah 7 8ada kategori + yang )e)iliki nilai kata
wk ) wkj* &b("+ adalah fungsi yang )enge)7alikan ju)lah
+itra 'ajah 7 yang )e)iliki kategori +9 dan CDC adalah ju)lah
seluruh data training +itra 'ajah* Persa)aan &b(wk ) wkj."+
sering kali diko)7inasikan dengan 6a8la+ian ,)oothing
untuk )en+egah 8ersa)aan )enda8atkan nilai #9 yang da8at
)engganggu hasil klasifikasi se+ara kesuluruhan* ,ehingga
8ersa)aan &b(wk ) wkj."+ dituliskan se7agai (Mit+hell9 !##"&>
C C & (
& * (
& C (
4 " &b
" wkj wk &b
" wkj wk p
+
+ =
= =
Dengan CVC )eru8akan ju)lah ke)ungkinan nilai dari wkj*
Pe)7erian kategori dari se7uah +itra 'ajah dilakukan dengan
)e)ilih nilai + yang )e)iliki nilai p( ) "i * & ) dj+
)aksi)u) dan dinyatakan dengan>

=
k
" p " wk p p " & ( & C ( )aD arg E
Kategori +E )eru8akan kategori yang )e)iliki nilai p( ) "i *
& ) dj+ )aksi)u)* Nilai p(& ) dj+ tidak )e)8engaruhi
8er7andingan karena untuk setia8 kategori nilainya akan sa)a*
Berikut ini ga)7aran 8roses klasifikasi dengan algorit)a
Naive Bayes>
?7r* Taha8an Proses Klasifikasi Wajah Manusia
&. .a5 -ilter
Contoh )atriks +itra dan hasil )aD filter dari )atriks +itra
dengan 'indo' 1D1
! " " " 1
! " " " 1
! " " " !
2 2 2 1 !
2 2 2 1 !
Kategori
'ajah dari
,uatu Kelas
0ilter )aD 7erarti )enggantikan 8iDel dengan nilai
tertinggi dari suatu deret yang tre7entuk dari )atriks yang
sesuai dengan ukuran dari filter 'indo'*
IV* 4-,I6
Pada 8roses 8engujian ini akan dilakukan 8roses uji +o7a
)enggunakan 1 skenario yang 7er7eda 8ada +itra 'ajah* 4al
ini digunakan untuk )enguji kehandalan dari 8roses
enhan+e)ent dan )enda8atkan 8ara)eter yang 8aling
o8ti)u) yang dilakukan 8ada se)ua 8engujian* Proses uji
+o7a ini juga akan )e)7erikan 7anyak segi 8ositif9 teruta)a
jika 8roses enhan+e)ent terse7ut ditera8kan 8ada 7er7agai
)a+a) ga)7ar yang 7er7eda;7eda*
Cara untuk )e)8eroleh dia)eter dengan grays+ale
?a)7ar diatas )enggunakan nilai 7inerisasi F !#*
Dengan )elihat data ga)7ar diatas ga)7ar tidak terdeteksi
dengan 7aik sehingga 7inerisasi !# tidak di gunakan*
?a)7ar diatas )enggunakan nilai 7inerisasi F !2#*
Dengan )elakukan 7e7era8a kali testing data yang )e)iliki
nilai akurasi yang 8aling tinggi adalah 7inerisasi !2#* Gadi
8enulis )engunakan ukuran 7inerisasi !2#*

,elain itu9 akan dilakukan )enggunakan 8engujian
dari +itra yang telah di)asukkan dala) HtrainingI data9 se)ua
ga)7ar yang ada 8ada data7ase HtrainingI akan di reka)
ga)7arnya 8er +itra9 ke)udian hasil dari +itra yang telah
direka) terse7ut akan digunakan se7agai 8er7andingan uji
HtestingI data* ,ehingga se)ua data yang akan di testing akan
dilakukan 8en+o+okan dari data7ase dan 8ereka)an yang ada
8ada HtrainingI*
6angkah;langkah yang dilakukan adalah >
a* Masukkan # data training untuk )asing;)asing kelas
7* 6alu lakukan testing terhada8 # data testing untuk
)asing;)asing kelas
+* 6ihat 8rosentase ke7enaran dengan 8er7andingan seluruh
data yang ada dikurangi data yang salah lalu di7agi
dengan seluruh data
d* 5langi langkah a9 79 + dengan )engganti data training "
untuk s+enario !9 dan 1# untuk s+enario 1*
-* Ta7el 4asil 5ji Co7a
Pada hasil uji +o7a skenario +itra Wajah 8ada data
training se8erti di7a'ah ini>
Pada 8er+o7aan )enggunakan 8en+itraan 'arna
T-B63 *
D-T- T<-ININ? ,K3N-<I= J-N? DI ?5N-K-N
Data
Training
Azza_1
Azza_2
Azza_3
Azza_4
Azza_5
Fitri_1
Fitri_2
Fitri_3
Fitri_4
Fitri_5
Rangga_1
Rangga_2
Rangga_3
Rangga_4
Rangga_5
Ria_1
Ria_2
Ria_3
Ria_4
Ria_5
Vendy_1
Vendy_2
Vendy_3
Vendy_4
Vendy_5
Vicky_1
Vicky_2
Vicky_3
Vicky_4
Vicky_5
Zata_1
Zata_2
Zata_3
Zata_4
Zata_5
T-B63 !
4-,I6 ,K3N-<I= CIT<- W-G-4 ,K3N-<I= *
Data
ke;i
Data
Testing
Human
Preceti
!n
"ac#ine
Preceti
!n

Azza_31 Azza Azza

!
Azza_32 Azza Azza
1
Azza_33 Azza Azza
2
Azza_34 Azza Azza
"
Azza_35 Azza Azza
A
Azza_3$ Azza Ria
$
Azza_3% Azza Azza
%
Azza_3& Azza Azza
/
Azza_3' Azza Azza
#
Azza_4( Azza Azza

Fitri_31 Fitri Fitri

!
Fitri_32 Fitri Fitri
1
Fitri_33 Fitri Fitri
2
Fitri_34 Fitri Fitri
"
Fitri_35 Fitri Fitri
A
Fitri_3$ Fitri Fitri
$
Fitri_3% Fitri Fitri
%
Fitri_3& Fitri Fitri
/
Fitri_3' Fitri Fitri
!#
Fitri_4( Fitri Fitri
!
Rangga_
31 Rangga Vendy
!!
Rangga_
32 Rangga Rangga
!1
Rangga_
33 Rangga Vendy
!2
Rangga_
34 Rangga Vendy
!"
Rangga_
35 Rangga Vendy
!A
Rangga_
3$ Rangga Rangga
!$
Rangga_
3% Rangga Vendy
!%
Rangga_
3& Rangga Ria
!/
Rangga_
3' Rangga Rangga
1#
Rangga_
4( Rangga Ria
1
Ria_31 Ria Ria
1!
Ria_32 Ria Ria
11
Ria_33 Ria Ria
12
Ria_34 Ria Ria
1"
Ria_35 Ria Ria
1A
Ria_3$ Ria Ria
1$
Ria_3% Ria Ria
1%
Ria_3& Ria Ria
1/
Ria_3' Ria Ria
2#
Ria_4( Ria Ria
2
Vendy_3
1 Vendy Vendy
2!
Vendy_3
2 Vendy Vendy
21
Vendy_3
3 Vendy Vendy
22
Vendy_3
4 Vendy Ria
2"
Vendy_3
5 Vendy Ria
2A
Vendy_3
$ Vendy Azza
2$
Vendy_3
% Vendy Vendy
2%
Vendy_3
& Vendy Vendy
2/
Vendy_3
' Vendy Vendy
"#
Vendy_4
( Vendy Vendy
"
Vicky_31 Vicky Vendy
"!
Vicky_32 Vicky Vendy
"1
Vicky_33 Vicky Vicky
"2
Vicky_34 Vicky Vicky
""
Vicky_35 Vicky Vicky
"A
Vicky_3$ Vicky Vicky
"$
Vicky_3% Vicky Vicky
"%
Vicky_3& Vicky Vicky
"/
Vicky_3' Vicky Vendy
A#
Vicky_4( Vicky Vendy
A
Zata_31 Zata Zata
A!
Zata_32 Zata Zata
A1
Zata_33 Zata Zata
A2
Zata_34 Zata Zata
A"
Zata_35 Zata Zata
AA
Zata_3$ Zata Zata
A$
Zata_3% Zata Zata
A%
Zata_3& Zata Zata
A/
Zata_3' Zata Zata
$#
Zata_4( Zata Zata
T-B63 1
D-T- T<-ININ? ,K3N-<I= ! J-N? DI ?5N-K-N
Data
training
Azza_1
Azza_2
Azza_3
Azza_4
Azza_5
Azza_$
Azza_%
Azza_&
Azza_'
Azza_1(
Azza_11
Azza_12
Azza_13
Azza_14
Azza_15
Fitri_1
Fitri_2
Fitri_3
Fitri_4
Fitri_5
Fitri_$
Fitri_%
Fitri_&
Fitri_'
Fitri_1(
Fitri_11
Fitri_12
Fitri_13
Fitri_14
Fitri_15
Rangga_1
Rangga_2
Rangga_3
Rangga_4
Rangga_5
Rangga_$
Rangga_%
Rangga_&
Rangga_'
Rangga_1(
Rangga_11
Rangga_12
Rangga_13
Rangga_14
Rangga_15
Ria_1
Ria_2
Ria_3
Ria_4
Ria_5
Ria_$
Ria_%
Ria_&
Ria_'
Ria_1(
Ria_11
Ria_12
Ria_13
Ria_14
Ria_15
Vendy_1
Vendy_2
Vendy_3
Vendy_4
Vendy_5
Vendy_$
Vendy_%
Vendy_&
Vendy_'
Vendy_1(
Vendy_11
Vendy_12
Vendy_13
Vendy_14
Vendy_15
Vicky_1
Vicky_2
Vicky_3
Vicky_4
Vicky_5
Vicky_$
Vicky_%
Vicky_&
Vicky_'
Vicky_1(
Vicky_11
Vicky_12
Vicky_13
Vicky_14
Vicky_15
Zata_1
Zata_2
Zata_3
Zata_4
Zata_5
Zata_$
Zata_%
Zata_&
Zata_'
Zata_1(
Zata_11
Zata_12
Zata_13
Zata_14
Zata_15
T-B63 2*
4-,I6 ,K3N-<I= CIT<- W-G-4 ,K3N-<I= !*
Data
ke;i
Data
Testing
Human
Preceti
!n
"ac#ine
Preceti
!n

Azza_31 Azza Azza

!
Azza_32 Azza Azza
1
Azza_33 Azza Azza
2
Azza_34 Azza Azza
"
Azza_35 Azza Azza
A
Azza_3$ Azza Azza
$
Azza_3% Azza Azza
%
Azza_3& Azza Azza
/
Azza_3' Azza Azza
#
Azza_4( Azza Azza

Fitri_31 Fitri Fitri

!
Fitri_32 Fitri Fitri
1
Fitri_33 Fitri Fitri
2
Fitri_34 Fitri Fitri
"
Fitri_35 Fitri Fitri
A
Fitri_3$ Fitri Fitri
$
Fitri_3% Fitri Fitri
%
Fitri_3& Fitri Fitri
/
Fitri_3' Fitri Fitri
!#
Fitri_4( Fitri Fitri
!
Rangga_
31 Rangga Rangga
!!
Rangga_
32 Rangga Rangga
!1
Rangga_
33 Rangga Rangga
!2
Rangga_
34 Rangga Rangga
!"
Rangga_
35 Rangga Rangga
!A
Rangga_
3$ Rangga Rangga
!$
Rangga_
3% Rangga Rangga
!%
Rangga_
3& Rangga Rangga
!/
Rangga_
3' Rangga Rangga
1#
Rangga_
4( Rangga Rangga
1
Ria_31 Ria Ria
1!
Ria_32 Ria Ria
11
Ria_33 Ria Ria
12
Ria_34 Ria Ria
1"
Ria_35 Ria Ria
1A
Ria_3$ Ria Ria
1$
Ria_3% Ria Ria
1%
Ria_3& Ria Ria
1/
Ria_3' Ria Ria
2#
Ria_4( Ria Ria
2
Vendy_3
1 Vendy Vendy
2!
Vendy_3
2 Vendy Vendy
21
Vendy_3
3 Vendy Vendy
22
Vendy_3
4 Vendy Vendy
2"
Vendy_3
5 Vendy Vendy
2A
Vendy_3
$ Vendy Vendy
2$
Vendy_3
% Vendy Vendy
2%
Vendy_3
& Vendy Vendy
2/
Vendy_3
' Vendy Ria
"#
Vendy_4
( Vendy Ria
"
Vicky_31 Vicky Vendy
"!
Vicky_32 Vicky Vendy
"1
Vicky_33 Vicky Vicky
"2
Vicky_34 Vicky Vicky
""
Vicky_35 Vicky Vicky
"A
Vicky_3$ Vicky Vicky
"$
Vicky_3% Vicky Vicky
"%
Vicky_3& Vicky Vicky
"/
Vicky_3' Vicky Vendy
A#
Vicky_4( Vicky Vendy
A
Zata_31 Zata Zata
A!
Zata_32 Zata Zata
A1
Zata_33 Zata Zata
A2
Zata_34 Zata Zata
A"
Zata_35 Zata Zata
AA
Zata_3$ Zata Zata
A$
Zata_3% Zata Zata
A%
Zata_3& Zata Zata
A/
Zata_3' Zata Zata
$#
Zata_4( Zata Zata
T-B63 "*
D-T- T<-ININ? ,K3N-<I= 1 J-N? DI ?5N-K-N
Data
Training
Azza_1
Azza_2
Azza_3
Azza_4
Azza_5
Azza_$
Azza_%
Azza_&
Azza_'
Azza_1(
Azza_11
Azza_12
Azza_13
Azza_14
Azza_15
Azza_1$
Azza_1%
Azza_1'
Azza_2(
Azza_21
Azza_22
Azza_23
Azza_25
Azza_2$
Azza_2%
Azza_2&
Azza_2'
Azza_33
Azza_35
Azza_3%
Azza_3'
Fitri_1
Fitri_2
Fitri_3
Fitri_4
Fitri_5
Fitri_$
Fitri_%
Fitri_&
Fitri_'
Fitri_1(
Fitri_11
Fitri_12
Fitri_13
Fitri_14
Fitri_15
Fitri_1$
Fitri_1%
Fitri_1&
Fitri_1'
Fitri_2(
Fitri_21
Fitri_22
Fitri_23
Fitri_24
Fitri_25
Fitri_2$
Fitri_2%
Fitri_2&
Fitri_2'
Fitri_3(
Rangga_1
Rangga_2
Rangga_3
Rangga_4
Rangga_5
Rangga_$
Rangga_%
Rangga_&
Rangga_'
Rangga_1(
Rangga_11
Rangga_12
Rangga_13
Rangga_14
Rangga_15
Rangga_1$
Rangga_1%
Rangga_1&
Rangga_1'
Rangga_2(
Rangga_21
Rangga_22
Rangga_23
Rangga_24
Rangga_25
Rangga_2$
Rangga_2%
Rangga_2&
Rangga_2'
Rangga_3(
Ria_1
Ria_2
Ria_3
Ria_4
Ria_5
Ria_$
Ria_%
Ria_&
Ria_'
Ria_1(
Ria_11
Ria_12
Ria_13
Ria_14
Ria_15
Ria_1$
Ria_1%
Ria_1&
Ria_1'
Ria_2(
Ria_21
Ria_22
Ria_23
Ria_24
Ria_25
Ria_2$
Ria_2%
Ria_2&
Ria_2'
Ria_3(
Vendy_1
Vendy_2
Vendy_4
Vendy_5
Vendy_$
Vendy_%
Vendy_&
Vendy_'
Vendy_1(
Vendy_11
Vendy_12
Vendy_13
Vendy_14
Vendy_15
Vendy_1$
Vendy_1%
Vendy_1&
Vendy_1'
Vendy_2(
Vendy_21
Vendy_22
Vendy_23
Vendy_24
Vendy_25
Vendy_2$
Vendy_2%
Vendy_2&
Vendy_2'
Vendy_3(
Vendy_4(
Vicky_1
Vicky_2
Vicky_3
Vicky_4
Vicky_5
Vicky_$
Vicky_%
Vicky_&
Vicky_'
Vicky_1(
Vicky_11
Vicky_12
Vicky_13
Vicky_14
Vicky_15
Vicky_1$
Vicky_1%
Vicky_1&
Vicky_1'
Vicky_2(
Vicky_21
Vicky_22
Vicky_23
Vicky_24
Vicky_25
Vicky_2$
Vicky_2%
Vicky_3(
Vicky_3%
Vicky_3'
Zata_1
Zata_2
Zata_3
Zata_4
Zata_5
Zata_$
Zata_%
Zata_&
Zata_'
Zata_1(
Zata_11
Zata_12
Zata_13
Zata_14
Zata_15
Zata_1$
Zata_1%
Zata_1&
Zata_1'
Zata_2(
Zata_21
Zata_22
Zata_23
Zata_24
Zata_25
Zata_2$
Zata_2%
Zata_2&
Zata_2'
Zata_3(
T-B63 A*
4-,I6 ,K3N-<I= CIT<- W-G-4 ,K3N-<I= 1*
Data
ke;i
Data
Testing
Human
Preceti
!n
"ac#ine
Preceti
!n

Azza_31 Azza Azza

!
Azza_32 Azza Azza
1
Azza_33 Azza Azza
2
Azza_34 Azza Azza
"
Azza_35 Azza Azza
A
Azza_3$ Azza Azza
$
Azza_3% Azza Azza
%
Azza_3& Azza Azza
/
Azza_3' Azza Azza
#
Azza_4( Azza Azza

Fitri_31 Fitri Fitri

!
Fitri_32 Fitri Fitri
1
Fitri_33 Fitri Fitri
2
Fitri_34 Fitri Fitri
"
Fitri_35 Fitri Fitri
A
Fitri_3$ Fitri Fitri
$
Fitri_3% Fitri Fitri
%
Fitri_3& Fitri Fitri
/
Fitri_3' Fitri Fitri
!#
Fitri_4( Fitri Fitri
!
Rangga_
31 Rangga Rangga
!!
Rangga_
32 Rangga Rangga
!1
Rangga_
33 Rangga Rangga
!2
Rangga_
34 Rangga Rangga
!"
Rangga_
35 Rangga Rangga
!A
Rangga_
3$ Rangga Rangga
!$
Rangga_
3% Rangga Rangga
!%
Rangga_
3& Rangga Rangga
!/
Rangga_
3' Rangga Rangga
1#
Rangga_
4( Rangga Rangga
1
Ria_31 Ria Ria
1!
Ria_32 Ria Ria
11
Ria_33 Ria Ria
12
Ria_34 Ria Ria
1"
Ria_35 Ria Ria
1A
Ria_3$ Ria Ria
1$
Ria_3% Ria Ria
1%
Ria_3& Ria Ria
1/
Ria_3' Ria Ria
2#
Ria_4( Ria Ria
2
Vendy_3
1 Vendy Vendy
2!
Vendy_3
2 Vendy Vendy
21
Vendy_3
3 Vendy Vendy
22
Vendy_3
4 Vendy Vendy
2" Vendy_3 Vendy Vendy
5
2A
Vendy_3
$ Vendy Vendy
2$
Vendy_3
% Vendy Vendy
2%
Vendy_3
& Vendy Vendy
2/
Vendy_3
' Vendy Vendy
"#
Vendy_4
( Vendy Vendy
"
Vicky_2& Vicky Vicky
"!
Vicky_31 Vicky Vendy
"1
Vicky_32 Vicky Vendy
"2
Vicky_33 Vicky Vicky
""
Vicky_34 Vicky Vicky
"A
Vicky_35 Vicky Vicky
"$
Vicky_3$ Vicky Vicky
"%
Vicky_3% Vicky Vicky
"/
Vicky_3& Vicky Vicky
A#
Vicky_4( Vicky Vendy
A
Zata_31 Zata Zata
A!
Zata_32 Zata Zata
A1
Zata_33 Zata Zata
A2
Zata_34 Zata Zata
A"
Zata_35 Zata Zata
AA
Zata_3$ Zata Zata
A$
Zata_3% Zata Zata
A%
Zata_3& Zata Zata
A/
Zata_3' Zata Zata
$#
Zata_4( Zata Zata
,e8erti Ta7el !9 Ta7el 2 dan Ta7el A hasil uji +o7a
+itra 'ajah 8ada data testing )ena)8ilkan data training yang
telah di uji +o7a terda8at 4u)an Per+e8tion yang dia)7il dari
data +itra 'ajah 7erdasarkan urutan na)a file sedangkan
Ma+hine Per+e8tion dia)7il 7erdasarkan hasil uji +o7a 8ada
8rogra)*
,etelah dilakukan hasil uji +o7a terhada8 data testing
setia8 +itra 'ajah yang dilakukan tiga skenario )aka akan
terda8at akurasi data yang di8eroleh dari 8erhitungan data
hasil uji +o7a yang akurat atau 7enar* <u)us 8erhitungan
akurasi data>
K ## *
L
L

testing data
akurat data
B* Ta7el -kurasi <iset Data
Berdasarkan hasil data uji +o7a di8eroleh data
akurasi dari )asing;)asing +itra yang disajikan 8ada
Ta7el $ dengan ga)7ar grafik akurasi se8erti ada 8ada
?7r9 yaitu>
T-B63 $*
4-,I6 -K5<-,I CIT<- W-G-4
4asil
,kenario
! 1
-kurasi %29!/K /921K /"9$K
Berdasarkan ?7r* dida8atkan nilai akurasi tertinggi
terda8at 8ada s+enario ! dan 1* ,edangkan untuk nilai rata;
rata akurasinya /#9"$K* Nilai akurasi ini da8at dikatakan
o8ti)al9 hal ini dikarenakan dari segi fitur )enurut <?B
yang 7agus*
T-B63 %*
4-,I6 D-T-,3T W-G-4*
4asil +itra 'ajah dari +itra dataset9 +itra grays+ale9
+itra 7iner9 dan +itra )aD filter*
(a& (7&
(+& (d&
Dari 8erhitungan terse7ut9 ga)7ar da8at di
kelo)8okkan )asing;)asing ke dala) kelas yang telah di
tentukan* Data yang )e)iliki tingkat kelas yang
)endekati hasil dari )ean yang ada )eru8akan hasil dari
klasifikasi +itra yang ditangka8* Dengan kata lain
8engklasifikasian di8eroleh dari rata;rata )ean 'arna
ga)7ar yang di tangka8 8ada kolo) 8engujian9 yang
ke)udian )un+ulah hasil klasifikasi yang te8at dala)
8engelo)8okkan +itra yang ditangka8*
C* Desain Ta)8ilan
Dala) a8likasi 8engenalan 'ajah ini terdiri dari 1 7agian
ta7* Terda8at ta7 tentang Data Training9 Data Testing9 dan
-7out 5s*
a* Data Training
Dala) ta)8ilan ini 7erisi tentang 8e7a)8akan
8hoto training9 ta)8ilan +itra grays+ale9 +itra 7iner9
+itra filter9 7utton 7ro'se dan 8roses9 serta ta)8ilan
ekstraksi*
?7r !* Ta)8ilan setelah )engin8utkan sa)8le
'ajah
Data Testing
?7r 1* Ta)8ilan setelah diin8utkan ga)7ar
'ajah
Pada ta)8ilan terse7ut 7erisi tentang foto
'ajah yang sudah di7erikan efek grays+ale9 i)age
7iner9 dan i)age filter9 serta nilai 8osterior9 dan hasil
<?B dan dia)eternya*
7* -7out us
?7r* ?rafik -kurasi Citra Wajah
?7r*1 (a& Citra -sli9 (7& Citra ?rays+ale9 (+& Citra Biner9 (d& MaD
0ilter Biner
?7r 2* Ta)8ilan foto 8e)7uat a8likasi
Pada ta)8ilan terse7ut 7erisi tentang 8e)7uat
a8likasi*
K3,IMP56-N
Dari hasil uji 8engklasifikasian +itra 'ajah )anusia yang
telah dilakukan9 da8at disi)8ulkan 7ah'a a8likasi untuk
)engklasifikasikan 'ajah da8at )enggunakan )etode Naive
Bayes*
Dala) 8enggunakan a8likasi ini9 nilai akurasi dari
8engklasifikasian terse7ut )e)iliki hasil keakuratan yang
sa)a dengan )enggunakan )etode Na:ve Bayes* ,ehingga9
8engklasifikasian diatas sudah ter7ilang +uku8 akurat9 dilihat
dari akurasi )a+hine 8er+e8tion 8resentase yang dida8at 8ada
ta7el uji*
,iste) 8engklasifikasian ini )asih da8at dilakukan
8er7aikan yang tujuannya untuk )e)7antu 8roses
8engklasifikasian*
P5,T-K-
MN ?* 3ason9 B* No7le9 and I* N* ,neddon9 H=n +ertain integrals of
6i8s+hit.;4ankel ty8e involving 8rodu+ts of Bessel fun+tions9I Phil*
Trans* <oy* ,o+* 6ondon9 vol* -!2$9 88* "!/O""9 -8ril /""*
(referen"es+
M!N G* Clerk MaD'ell9 - Treatise on 3le+tri+ity and Magnetis)9 1rd ed*9 vol*
!* =Dford> Clarendon9 %/!9 88*A%O$1*
M1N I* ,* Ga+o7s and C* P* Bean9 H0ine 8arti+les9 thin fil)s and eD+hange
anisotro8y9I in Magnetis)9 vol* III9 ?* T* <ado and 4* ,uhl9 3ds* Ne'
Jork> -+ade)i+9 /A19 88* !$O1"#*
BI=D-T- P3N36ITI
0itria D'i Nurhayati9 6ahir di Magetan9 !
Maret //2* ,aat ini sedang )ene)8uh
8endidikan , jurusan Infor)atika ,e)ester
2 di 5niversitas Bra'ijaya9 Malang* T'itter
> (D'i!#0itria9 fa+e7ook > 0itria D'i*
,iti -..a -)ira9 6ahir di Banjar)asin9 ! Guni
//"* ,aat ini sedang )ene)8uh 8endidikan ,
jurusan Infor)atika ,e)ester 2 di 5niversitas
Bra'ijaya9 Malang* T'itter > (-..aMyra 9
fa+e7ook > ,iti -..a -)ira*
I Wayan Vendy Wiranatha9 6ahir di Bali9 !
Nove)7er //1* ,aat ini sedang )ene)8uh
8endidikan , jurusan Infor)atika ,e)ester 2 di
5niversitas Bra'ijaya9 Malang* T'itter >
(vendyLve+ker 9 fa+e7ook > Vendy Ve+ker9 Pin
BBM> $A!"10CD*