ABSTRAKSI: Dalam kehidupan sehari-hari, informasi jenis kelamin penting untuk keperluan personalisasi, misalnya untuk kepentingan interaksi sosial. Banyak interaksi sosial yang secara kritis tergantung pada persepsi jenis kelamin dari pihak-pihak yang terlibat di dalamnya. Task klasifikasi jenis kelamin ini diperlukan pada beberapa aplikasi. Salah satunya adalah aplikasi untuk membatasi akses terlarang sebuah tempat tertentu berdasarkan jenis kelamin. Pada kasus seperti ini, akurasi sistem yang tinggi sangat diperlukan karena kesalahan persepsi terhadap pihak yang diidentifikasi dapat menimbulkan dampak yang fatal.
Dalam tugas akhir ini digunakan kombinasi algoritma AdaBoost dan Support Vector Machine (dikenal sebagai AdaBoostSVM) untuk menirukan kemampuan manusia dalam mengklasifikasikan jenis kelamin berdasarkan citra wajah. Dengan menggunakan algoritma AdaBoost sebagai kerangka kerja dan beberapa RBFSVM (SVM dengan RBF kernel) sebagai komponen classifier-nya, dapat dihasilkan sistem klasifikasi yang mempunyai akurasi tinggi.
Berdasarkan hasil pengujian, diperoleh akurasi sistem terbaik adalah 86%. Jika dibandingkan dengan akurasi yang dihasilkan oleh single SVM classifier, tingkat akurasi yang dihasilkan oleh AdaBoostSVM ternyata tidak lebih baik. Hal ini terjadi karena pada kasus klasifikasi jenis kelamin ini terdapat dilemma antara akurasi dan diversity. Dimana jika dikombinasikan classifier-classifier yang akurat namun tidak memiliki diversity yang tinggi, sering menyebabkan performansi algoritma AdaBoost menjadi tidak optimal.Kata Kunci : klasifikasi, jenis kelamin, algoritma AdaBoost, Support Vector MachineABSTRACT: In daily life, gender information is important for personalization purposes. For example, people use this information for social interaction interests. Many social interactions critically depend on the correct gender perception of the parties involved. Gender classification task is required on some applications. One of them is the application to restrict access a certain place based on sex. In such cases, high accuracy system is necessary because misinterpretation can cause a fatal impact.
This final project uses the combination of AdaBoost algorithm and Support Vector Machine (known as AdaBoostSVM) to imitate the human ability for classifying gender based on face images. By using the AdaBoost algorithm as a framework and some RBFSVM (SVM with RBF kernel) as its component classifier, can produce a high accurate classification system.
As the result of experiment, the highest accuracy is 86%. The accuracy of AdaBoostSVM is not better than the accuracy of a single SVM classifier. This result happens because there is dilemma between accuracy and diversity in gender classification problem. If we combine these accurate but non-diverse classifiers often cause the performance of AdaBoost algorithm becomes not optimum.Keyword: classification, gender, AdaBoost algorithm, Support Vector Machine