ABSTRAKSI: Manusia mampu melakukan proses identifikasi atau pengenalan dan klasifikasi terhadap suatu pola. Pengenalan tersebut tidak bersifat statis artinya perubahan-perubahan yang terjadi pada pola yang sama masih dapat dikenali sebagai pola yang benar. Hal ini dikarenekan manusia mampu melakukan proses belajar terhadap suatu pola. Sama halnya dengan wajah manusia. Wajah manusia dapat dianalogikan sebagai suatu pola yang dari pola tersebut dapat dilakukan identifikasi terhadap beberapa hal, seperti identitas, usia, jenis kelamin, dan lain sebagainya.
Dalam penelitian tugas akhir ini digunakan metode independent component analysis dan support vector machine untuk mengakuisisi proses belajar pada manusia untuk melakukan klasifikasi terhadap jenis kelamin manusia berdasarkanpada citra wajah dan menerapkannya pada komputer. Keberhasilan metode independent component analysis dan support vector machine tergantung pada pemilihan parameter-parameter yang tepat untuk dapat menghasilkan sistem yang baik.
Dari hasil pengujian didapatkan nilai akurasi tertinggi untuk data training yaitu 100% dan untuk data testing yaitu 84.62%.
Kata Kunci : Klasifikasi jenis kelamin, independent component analysis, support vectorABSTRACT: Human have the ability to identify and classify some certain patterns. The classification is not static it means that if the pattern change they still able to classify the pattern correctly. This is because human have ability to learn to identify or classify some patterns. This is the same with human face. Human face can be analogue as a pattern which from that pattern we can do some identification or classification such as indentity, age, gender, etc.
This final task research use independent component analysis and support vector machine method to aquaire learning process in human to do the classification on human gender based on human face image and apply them on computer. The success of the methods depends on the correct parameter chosen. So we can build a good system.
As the result of experiment the higest accuracy is 100% on training data dan 84.62% on testing data.
Keyword: Gender classification, independent component analysis, support vector