Pengenalan Wajah Menggunakan SVM Multi Kernel dengan Pembelajaran yang Bertambah
DOI:
https://doi.org/10.15575/join.v2i2.109Keywords:
Multi Kernel, Pembelajaran yang Bertambah, Pengenalan Wajah, SVMAbstract
Pengenalan wajah secara otomatis merupakan sebuah kebutuhan yang memiliki peran penting dalam kehidupan masyarakat saat ini. Pada dasarnya masalah pengenalan wajah dapat di pecahkan dengan menggunakan algoritma atau metode klasifikas, salah satunya adalah Support Vector Machine (SVM). Walaupun sangat baik dalam menyelesaikan permasalahan klasifikasi, SVM hanya dapat digunakan pada data yang bersifat linear saja, sehingga untuk dapat digunakan pada data non-linear maka SVM dimodifikasi dengan menggunakan fungsi kernel. Sulitnya menemukan fungsi kernel yang sesuai dengan karakteristik data yang dipakai membuat para peneliti melakukan pengembangan dengan menggunakan kombinasi dari beberapa kernel atau disebut Multi kernel. Pada penelitian ini dibangun sebuah sistem pengenalan wajah yang berbasis SVM multi kernel dengan metode pembelajaran yang bertambah, artinya apabila terjadi penambahan data atau informasi baru tidak harus menghapus pengetahuan yang lalu dan mengulang pembelajarannya dari awal. Sehingga pembelajaran sistem yang dibangun lebih dinamis. Hasil yang didapat pada penelitian ini menunjukkan bahwa sistem yang dibangun dapat mengenali wajah manusia dengan baik, hal ini dibuktikan dengan nilai rata-rata keseluruhan akurasi yang mencapai 89%, kemudian nilai precision 41.67% serta nilai recall sebesar 47.67%. Hasil penelitian juga menunjukkan bahwa dengan metode pembelajaran yang bertambah, sistem hanya membutuhkan waktu selama 6.4853 detik secara rata-rata pada keseluruhan uji coba.
References
Kurniawan, D.E, 2012. Rancang Bangun Sistem Pengenalan Wajah Menggunakan Filter Gabor. Universitas Diponegoro, Semarang.
Rakotomamonjy, A., Bach, F.R., Canu, S. Dan Grandvalet, Y. (2008). SimpleMKL. Journal Machine Learning Research 9, hal 2491-2521.
Athoillah, M., Irawan, M.I., dan Imah, E.M. (2015). Study Comparison of SVM-, K-NN- and Backpropagation-Based Classifier for Image Retrieval. Journal of Computer Science and Information, Vol 8, No 1, hal-11-19
Clarke, B., Fokoue, E., dan Zhang, H.H. (2009). Principles and Theory for Data Mining and Machine Learning, Springer Science + Bussiness Media, New York, USA.
Gosselin, P.H., Precioso, F. dan Philip-Foliguet, S. (2010). Incremental Kernel Learning for Active Image Retrieval without Global Dictionaries, Jurnal Pattern Recognition 44, hal 2244-2254
Campbell, C dan Ying, Y. (2011). Learning with Support Vector Machines, Buku seri Synthesis Lectures on Artificial Intelligence and Machine Learning, Morgan & Claypool Publisher, UK
Scholkopf, B dan Smola, A.j. (2001). Learning with Kernels, Buku seri The Adaptive Computations and Machine Learning, MIT Press, Massachusetts Institute of Technology, USA.
Hamel, L. (2009). Knowledge Discovery with Support Vector Machine Learning, John Wiley & Sons, Inc, New Jersey, USA
Shrivastava, A., Pillai, J.K., dan Patel, V.M. (2015). Multiple Kernel-based Dictionary Learning for Weakly Supervised Classification, Jurnal Pattern Recognition, Vol 48, No 8, Hal 2667-2675
Athoillah, M., Irawan, M.I., and Imah, E.M, (2015). Support Vector Machine with Multiple Kernel Learning for Image Retrieval. Proceeding of International Conference on Information, Communication Technology and System (ICICTS), ITS, Surabaya.
Shinya, K dan Shigeo, A. (2006). Incremental Training of Support Machine Learning using Truncated Hypercones, Lecture Notes in Computer Science-Artificial Neural Network in Pattern Recognition, Kobe University Repository, Jepang. Hal 153-164
Zhang, Y., Hu, G., Zhu, F., dan Yu, J., (2009). A new Incremental Learning Support Vector Machine, proceeding of International Converence on Artificial Intelligence and Computational Intelligence AICI, Shanghai, hal 7-10.
Mohri, M., Rostamizadeh, A. dan Talwalkar, A. (2012). Foundations of Machine Learning, Buku seri The Adaptive Computations and Machine Learning, Massachusetts Institute of Technology. USA: MIT Press.
Downloads
Published
Issue
Section
Citation Check
License
You are free to:
- Share — copy and redistribute the material in any medium or format for any purpose, even commercially.
- The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
-
Attribution — You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
-
NoDerivatives — If you remix, transform, or build upon the material, you may not distribute the modified material.
-
No additional restrictions — You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
- You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
- No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
This work is licensed under a Creative Commons Attribution-NoDerivatives 4.0 International License
