Gender Recognition merupakan pengenalan jenis kelamin berdasarkan citra wajah. Hal ini penting dikaji karena dalam citra wajah terdapat fitur karakteristik yang berisi identitas seseorang. Gender Recognition dapat digunakan dalam banyak hal, seperti interaksi manusia dan komputer, sistem kamera, dan sistem temu kembali citra. Pengklasifikasian jenis kelamin pada sistem Gender Recognition diperoleh dari tiga tahap diantaranya preprocessing, ekstraksi fitur, dan pengklasifikasian citra. Preprocessing yang dimaksud bertujuan untuk menghilangkan variasi pencahayaan pada citra menggunakan metode Local Binary Pattern (LBP). Tahap selanjutnya ekstraksi fitur menggunakan metode Principal Component Analysis (PCA) sehingga menghasilkan susunan matrik bobot. Tahap terakhir pengklasifikasian citra menggunakan Euclidean Distance dan Manhattan Distance. Dari hasil uji coba sistem, Euclidean Distance lebih cocok digunakan pada sistem ini, dimana akurasi rata-ratanya mencapai 80% apabila menggunakan PCA dikombinasikan dengan LBP, sedangkan PCA saja rata-rata akurasinya mencapai 85%. Hasilnya berbeda ketika menggunakan Manhattan Distance, dimana akurasi rata-ratanya mencapai 50% apabila menggunakan PCA dikombinasikan dengan LBP, sedangkan PCA saja rata-rata akurasinya mencapai 80%. Hal tersebut menunjukkan bahwa LBP kurang efektif pada sistem ini, dimana kondisi datanya terdapat variasi pencahayaan kurang mencolok. Sedangkan Manhattan Distance tidak cocok digunakan pada LBP, hal ini dikarenakan semua citra testing rata-rata hanya 50% saja yang dikenali.


Deskripsi Lain

Gender Recognition is a gender recognition based on face images. This is important because the face images studied are characteristic features that contains a person's identity. Gender Recognition can be used in many ways, such as human computer interaction, camera systems, and image retrieval systems. Gender classification on the Gender Recognition system obtained from the three stages including preprocessing, feature extraction, and image classification. Preprocessing is aimed at eliminating the illumination variations on the image using the method of Local Binary Pattern (LBP). The next stage of feature extraction using Principal Component Analysis (PCA) to generate the weight matrix arrangement. The last stage image classification using Euclidean Distance and Manhattan Distance. From the test system, Euclidean Distance is more suitable for use in this system, where the average accuracy reaches 80% when using PCA combined with LBP, whereas PCA only the average accuracy was 85%. The result is different when using the Manhattan Distance, where the average accuracy reaches 50% when using PCA combined with LBP, whereas PCA only average accuracy reaches 80%. It shows that LBP is less effective in this system, where the data are variations of lighting conditions are less flashy. While the Manhattan Distance is not suitable for use on LBP, this is because all the images testing average only 50% are recognized.

• PENGGUNAAN METODE FUZZY DALAM SISTEM REKOMENDASI PADA APLIKASI MANAJEMEN OBAT
• SISTEM INFORMASI KEPEGAWAIAN MENGGUNAKAN METODE ANALYTICAL HIERARCHY PROCESS (AHP) BERBASIS WEB DI KOPERASI PEGAWAI TELKOM CITRA RAJAWALI PAMEKASAN
• SISTEM INFORMASI KEPEGAWAIAN BERBASIS WEB DI DINAS PENDIDIKAN KABUPATEN SUMENEP
• EKSTRAKSI FITUR PRINCIPAL COMPONENT ANALYSIS (PCA) UNTUK PENGENALAN HURUF ABJAD BAHASA ISYARAT PADA SISTEM ISYARAT BAHASA INDONESIA (SIBI)
• PENGELOMPOKAN KECAMATAN BERDASARKAN INDIKATOR PEMERATAAN PENDIDIKAN MENGGUNAKAN PARTITION AROUND MEDOIDS (PAM)