Analisis Perbandingan Machine Learning SVM Dan Adaboost Face Detection Dengan Metode Viola Jones
Analisis Perbandingan Machine Learning SVM Dan Adaboost Face Detection Dengan Metode Viola Jones
DOI:
https://doi.org/10.35143/elementer.v4i1.2666Abstrak
Teknologi pengenalan wajah sudah banyak diimplementasikan dalam kehidupan sehari-hari. Untuk mendeteksi wajah pada suatu citra dibutuhkan kecepatan dan keakurasian yang cepat dan tepat. Salah satu metode pendeteksian wajah yang bisa digunakan adalah metode Viola Jones. Machine learning yang bisa diimplementasikan untuk metode ini adalah Adaboost dan SVM. Tujuan Penelitian ini adalah membandingkan kelebihan dan kekurangan dari 2 jenis machine learning tersebut. Hasil akurasi metode viola jones dengan machine learning Adaboost yaitu 90%. Total gambar yang digunakan adalah 50 dengan 30 sampel terdapat wajah dan 20 sampel yang tidak memiliki wajah. Sedangkan pada machine learning SVM tingkat keakurasian yang didapat yaitu sebesar 50%. Rata-rata waktu komputasi yang didapat pada metode AdaBoost sebesar 1,9s dan SVM sebesar 31,19s. Persentase nilai Sensitivitas metode AdaBoost didapat sebesar 86,66% dan SVM sebesar 80%. Nilai Spesifisitas untuk AdaBoost 95% dan untuk SVM yaitu 4,76% . Hal ini karena SVM menempatkan banyak sampel dalam kelompok yang ada wajah meskipun sampel tidak memiliki wajah. Sehingga penelitian ini menyimpulkan bahwa metode machine learning yang lebih efisien adalah dengan menggunakan metode AdaBoost. Kata kunci: deteksi wajah, viola jones, AdaBoost, svm, akurasi
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Authors who publish with this journal agree to the following terms:
a. Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
b. Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
c. Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
This work is licensed under a Creative Commons Attribution 4.0 International License.
