ABSTRAKSI: nonlinier, sehingga tidaklah mengherankan apabila teknik linier ekstraksi feature
wajah seperti principle component analysis (PCA) atau linier discriminant
analysis (LDA) tidak dapat memberikan solusi yang cukup baik dan handal dalam
mengatasi permasalahan nonlinier. Salah satu solusi dari kegagalan teknik linier
ekstraksi feature wajah dalam masalah nonlinier adalah gagasan penggunaan
fungsi kernel. Beberapa algoritma yang menggunakan fungsi kernel telah terbukti
dapat mengatasi permasalahan nonlinier yang dihadapi teknik linier ekstraksi
feature wajah, salah satunya adalah algoritma kernel direct discriminant analysis
(KDDA) yang merupakan pengembangan dari algoritma direct linier discriminant
analysis (DLDA) dan generalized discriminant analysis (GDA).
Tugas akhir ini menganalisa performansi dari metode KDDA yang
menggunakan kernel polinomial dengan melakukan pengujian dan perbandingan
dengan metode direct fractional linear discriminant analysis (DF-LDA). Hasil
dari pengujian menunjukkan bahwa performansi dari metode KDDA yang diukur
dengan tingkat akurasinya adalah 49%-60% (2 sampel), 69%-75% (3 sampel),
82%-88% (4 sampel), 90%-94% (5 sampel), dan 98%-99% (6 sampel), sedangkan
performansi dari metode DF-LDA adalah 56% (2 sampel), 70% (3 sampel), 84%
(4 sampel), 94% (5 sampel), dan 98% (6 sampel).Kata Kunci : pengenalan wajah, metode kernel, KDDA, DF-LDA.ABSTRACT: Feature extraction is the fundamental problem in pattern recognition. It is
well known that the feature distribution of face images under a perceivable
variation in viewpoint, illumination and facial expression is highly nonlinear, so it
is not suprising that linear techniques, such those based on principle component
analysis (PCA) or linear discriminant analysis (LDA), cannot provide reliable
and robust solution to those problems. One of solution to failure of linear
techniques on feature extraction to those nonlinear problem is the idea of using
kernel function. Some algorithm that utilize kernel function have been proved to
overcome those problems faced by linear techniques on feature extraction, one of
those algorithm is kernel direct discriminant analysis (KDDA) algorithm which
generalized from linear direct discriminat analysis (DLDA) and generalized
discriminant analysis (GDA).
This final task analyze the performance of KDDA method with kernel
polynomial by experiment and compared it with direct fractional linear
discriminant analysis (DF-LDA) method. The result of experiments on KDDA
method performance are 49%-60% (2 sample), 69%-75% (3 sample), 82%-88%
(4 sample), 90%-94% (5 sample), and 98%-99% (6 sample), otherwise DF-LDA
performance are 56% (2 sample), 70% (3 sample), 84% (4 sample), 94% (5
sample), and 98% (6 sample).Keyword: face recognition, kernel method, KDDA, DF-LDA.