Percobaan selanjutnya adalah percobaan menggunakan citra hasil partisi menjadi tiga bagian secara horizontal dengan ukuran yang sama, yaitu 81 x 320 piksel. Masing-masing bagian (atas, tengah, dan bawah) diterapkan algoritme VFI5 sehingga menghasilkan nilai
vote. Ketiga nilai vote (atas, tengah, dan bawah) kemudian digabungkan/dijumlahkan dan dihitung akurasinya. Akurasi dari keempat percobaan citra dengan partisi ternyata rata- ratanya mencapai 100%. Nilai vote hasil percobaan citra dengan partisi disajikan pada Lampiran 3.
Perbandingan Hasil Percobaan Citra Utuh Tanpa Partisi dan Percobaan Citra dengan Partisi
Grafik akurasi semua iterasi percobaan citra utuh tanpa partisi dan citra dengan partisi disajikan pada Gambar 11, dan grafik kelas data uji benar dari semua iterasi percobaan tersebut disajikan pada Gambar 12.
Gambar 11 Grafik akurasi percobaan citra utuh tanpa partisi dan citra dengan partisi.
Gambar 12 Grafik kelas data uji benar percobaan citra utuh tanpa partisi dan citra
dengan partisi.
Pada Gambar 11 terlihat bahwa akurasi keempat iterasi percobaan citra utuh mengalami peningkatan, yaitu iterasi 1 meningkat 13.33%,
iterasi 2 meningkat 6.67%, iterasi 3 meningkat 3.37%, dan iterasi 4 meningkat 6.67%. Pada Gambar 12 terlihat bahwa jumlah data uji yang benar diklasifikasi mengalami peningkatan pada percobaan citra dengan partisi, yaitu kelas 3 (K3), kelas 7 (K7), kelas 8 (K8), kelas 9 (K9), kelas 14 (K14), dan kelas 15 (K15). Hal ini menunjukkan bahwa terjadi peningkatan akurasi dari percobaan citra utuh ke percobaan citra dengan partisi seperti pada hasil penelitian Muttaqien (2009).
Peningkatan akurasi menjadi 100% pada percobaan citra dengan partisi disebabkan adanya penggabungan nilai vote ketiga bagian citra partisi (atas, tengah, dan bawah). Contohnya, pada iterasi 1 percobaan citra utuh, kelas 7 ekspresi 1 (nilai vote = 4.766) diklasifikasi sebagai kelas 13 (nilai vote = 14.61) dengan selisih nilai vote yang cukup besar, yaitu sebesar 9.844. Namun, pada iterasi 1 percobaan citra dengan partisi, kelas 7 ekspresi 1 benar diklasifikasi dengan nilai vote
sebesar 28.59, sedangkan nilai vote kelas 13- nya hanya 4.815. Nilai vote sebesar 28.59 tersebut didapat dari penggabungan nilai vote
citra partisi bagian atas, tengah, dan bawah. Pada iterasi 1 subpercobaan citra partisi bagian atas, kelas 7 ekspresi 1 (nilai vote = 7.38) salah diklasifikasi, yaitu sebagai kelas 10 (nilai vote = 8.585) dengan selisih nilai vote
sebesar 1.205. Begitu pula pada iterasi 1 subpercobaan citra partisi bagian tengah, kelas 7 ekspresi 1 (nilai vote = 4.292) salah diklasifikasi, yaitu sebagai kelas 10 (nilai vote = 6.317) dengan selisih nilai vote sebesar 2.025. Namun, pada iterasi 1 subpercobaan citra partisi bagian bawah, kelas 7 ekspresi 1 benar diklasifikasi dengan nilai vote sebesar 16.92, sedangkan nilai vote kelas 10-nya sebesar 8.252.
Nilai vote yang diperoleh untuk kelas 7 ekspresi 1 pada iterasi 1 subpercobaan citra partisi bagian bawah ini memiliki selisih yang cukup besar dengan kelas 10-nya, sehingga ketika nilai vote ketiga bagian citra partisi digabungkan, nilai vote kelas 7 (7.38 + 4.292 + 16.92 = 28.59) lebih besar dari nilai vote kelas 10 (8.585 + 6.317 + 8.252 = 23.15). Hal inilah yang menyebabkan kelas 7 ekspresi 1 tersebut benar diklasifikasi pada percobaan citra dengan partisi.
Setelah dilakukan dua macam percobaan, yaitu percobaan citra utuh tanpa partisi dan percobaan citra dengan partisi, selanjutnya akan disajikan pembahasan dari percobaan citra tiap partisi (atas, tengah, dan bawah).
Citra Partisi Bagian Atas Iterasi 1
Hasil iterasi 1 subpercobaan citra partisi bagian atas disajikan pada Tabel 7 dan nilai
vote-nya disajikan pada Lampiran 4.
Tabel 7 Hasil iterasi 1 subpercobaan citra partisi bagian atas
Pada Tabel 7 terlihat bahwa 5 data uji salah diklasifikasi, yaitu kelas 4 ekspresi 1 dikenali sebagai kelas 10 dengan selisih nilai vote 0.081, kelas 7 ekspresi 1 dikenali sebagai kelas 10 dengan selisih nilai vote 1.205, kelas 7 ekspresi 2 dikenali sebagai kelas 9 dengan selisih nilai
vote 6.852, kelas 12 ekspresi 2 dikenali sebagai kelas 5 dengan selisih nilai vote 0.507, dan kelas 15 ekspresi 1 dikenali sebagai kelas 8 dengan selisih nilai vote 1.649, sehingga akurasinya adalah 83.33%.
Iterasi 2
Hasil iterasi 2 subpercobaan citra partisi bagian atas disajikan pada Tabel 8 dan nilai
vote-nya disajikan pada Lampiran 4. Pada Tabel 8 terlihat bahwa hanya 1 data uji yang salah diklasifikasi, yaitu kelas 15 ekspresi 4 dikenali sebagai kelas 9 dengan selisih nilai vote 4.788, sehingga akurasinya adalah 96.67%.
Tabel 8 Hasil iterasi 2 subpercobaan citra partisi bagian atas
Iterasi 3
Hasil iterasi 3 subpercobaan citra partisi bagian atas disajikan pada Tabel 9 dan nilai
vote-nya disajikan pada Lampiran 4.
Tabel 9 Hasil iterasi 3 subpercobaan citra partisi bagian atas
Pada Tabel 9 terlihat bahwa 3 data uji salah diklasifikasi, yaitu kelas 8 ekspresi 5 dikenali sebagai kelas 10 dengan selisih nilai vote 1.25, kelas 9 ekspresi 5 dikenali sebagai kelas 7 dengan selisih nilai vote 3.269, dan kelas 14 ekspresi 5 dikenali sebagai kelas 13 dengan selisih nilai vote 1.403, sehingga akurasinya adalah 90%.
Iterasi 4
Hasil iterasi 4 subpercobaan citra partisi bagian atas disajikan pada Tabel 10 dan nilai
vote-nya disajikan pada Lampiran 4.
Tabel 10 Hasil iterasi 4 subpercobaan citra partisi bagian atas
Pada Tabel 10 terlihat bahwa 7 data uji salah diklasifikasi, yaitu kelas 3 ekspresi 7 dikenali sebagai kelas 9 dengan selisih nilai vote 1.384, kelas 7 ekspresi 8 dikenali sebagai kelas 11 dengan selisih nilai vote 1.837, kelas 8 ekspresi 7 dikenali sebagai kelas 14 dengan selisih nilai
vote 2.637, kelas 8 ekspresi 8 dikenali sebagai kelas 2 dengan selisih nilai vote 2.737, kelas 11 ekspresi 7 dikenali sebagai kelas 3 dengan
selisih nilai vote 0.791, kelas 15 ekspresi 7 dikenali sebagai kelas 8 dengan selisih nilai vote
0.384, dan kelas 15 ekspresi 8 dikenali sebagai kelas 3 dengan selisih nilai vote 3.809, sehingga akurasinya adalah 76.67%.
Hasil dari keempat iterasi pada subpercobaan citra partisi bagian atas memiliki rata-rata akurasi sebesar 86.67%. Jumlah data uji yang benar diklasifikasi pada keseluruhan hasil subpercobaan citra partisi bagian atas disajikan pada Gambar 13. Pada Gambar 13 terlihat bahwa data uji yang paling sedikit benar diklasifikasi adalah kelas 15 (K15), yaitu sebanyak 4 data uji dari total 8 data uji (tiap iterasi 2 data uji) yang digunakan pada subpercobaan citra partisi bagian atas.
Gambar 13 Grafik hasil subpercobaan citra partisi bagian atas.
Citra Partisi Bagian Tengah Iterasi 1
Hasil iterasi 1 subpercobaan citra partisi bagian tengah disajikan pada Tabel 11 dan nilai
vote-nya disajikan pada Lampiran 5.
Tabel 11 Hasil iterasi 1 subpercobaan citra partisi bagian tengah
Pada Tabel 11 terlihat bahwa 7 data uji salah diklasifikasi, yaitu kelas 3 ekspresi 1 dikenali sebagai kelas 11 dengan selisih nilai vote 9.242, kelas 7 ekspresi 1 dikenali sebagai kelas 10 dengan selisih nilai vote 2.025, kelas 7 ekspresi 2 dikenali sebagai kelas 10 dengan selisih nilai
vote 1.089, kelas 8 ekspresi 2 dikenali sebagai kelas 7 dengan selisih nilai vote 0.963, kelas 9
ekspresi 1 dikenali sebagai kelas 2 dengan selisih nilai vote 1.913, kelas 9 ekspresi 2 dikenali sebagai kelas 10 dengan selisih nilai
vote 1.574, dan kelas 15 ekspresi 1 dikenali sebagai kelas 2 dengan selisih nilai vote 4,863, sehingga akurasinya adalah 76.67%.
Iterasi 2
Hasil iterasi 2 subpercobaan citra partisi bagian tengah disajikan pada Tabel 12 dan nilai
vote-nya disajikan pada Lampiran 5. Pada Tabel 12 terlihat bahwa 2 data uji salah diklasifikasi, yaitu hanya kelas 12 ekspresi 3 dan 4 saja yang salah dikenali yaitu keduanya dikenali sebagai kelas 2 dengan selisih nilai vote0.402, sehingga akurasinya adalah 93.33%.
Tabel 12 Hasil iterasi 2 subpercobaan citra partisi bagian tengah
Iterasi 3
Hasil iterasi 3 subpercobaan citra partisi bagian tengah disajikan pada Tabel 13 dan nilai
vote-nya disajikan pada Lampiran 5.
Tabel 13 Hasil iterasi 3 subpercobaan citra partisi bagian tengah
Pada Tabel 13 terlihat bahwa 4 data uji salah diklasifikasi, yaitu kelas 8 ekspresi 5 dikenali sebagai kelas 4 dengan selisih nilai vote 2.227, kelas 8 ekspresi 6 dikenali sebagai kelas 5 dengan selisih nilai vote1.036, kelas 9 ekspresi 5 dikenali sebagai kelas 15 dengan selisih nilai
vote 1.572, dan kelas 12 ekspresi 6 dikenali sebagai kelas 15 dengan selisih nilai vote0.996, sehingga akurasinya adalah 86.67%.
Iterasi 4
Hasil iterasi 4 subpercobaan citra partisi bagian tengah disajikan pada Tabel 14 dan nilai
vote-nya disajikan pada Lampiran 5. Pada Tabel 14 terlihat bahwa 8 data uji salah diklasifikasi, yaitu kelas 2 ekspresi 7 dikenali sebagai kelas 15 dengan selisih nilai vote 3.6, kelas 3 ekspresi 7 dikenali sebagai kelas 9 dengan selisih nilai
vote 2.561, kelas 7 ekspresi 8 dikenali sebagai kelas 13 dengan selisih nilai vote 3.376, kelas 8 ekspresi 7 dikenali sebagai kelas 4 dengan selisih nilai vote 0.097, kelas 10 ekspresi 7 dikenali sebagai kelas 14 dengan selisih nilai
vote 0.276, kelas 11 ekspresi 7 dikenali sebagai kelas 3 dengan selisih nilai vote 4.406, kelas 12 ekspresi 7 dikenali sebagai kelas 6 dengan selisih nilai vote 0.162, dan kelas 15 ekspresi 8 dikenali sebagai kelas 1 dengan selisih nilai vote
0.266. sehingga akurasinya adalah 73.33%. Tabel 14 Hasil iterasi 4 subpercobaan citra partisi bagian tengah
Hasil dari keempat iterasi pada subpercobaan citra partisi bagian tengah memiliki rata-rata akurasi sebesar 82.50%. Jumlah data uji yang benar diklasifikasi pada keseluruhan hasil subpercobaan citra partisi bagian tengah disajikan pada Gambar 14.
Gambar 14 Grafik hasil subpercobaan citra partisi bagian tengah.
Pada Gambar 14 terlihat bahwa data uji yang paling sedikit benar diklasifikasi adalah kelas 8 (K8) dan kelas 12 (K12), yaitu sebanyak 4 data uji dari total 8 data uji (tiap iterasi 2 data uji) yang digunakan pada subpercobaan citra partisi bagian tengah.
Citra Partisi Bagian Bawah Iterasi 1
Hasil iterasi 1 subpercobaan 1 citra partisi bagian bawah disajikan pada Tabel 15 dan nilai
vote-nya disajikan pada Lampiran 6. Pada Tabel 15 terlihat bahwa hanya 1 data uji yang salah diklasifikasi, yaitu kelas 9 ekspresi 1 dikenali sebagai kelas 8 dengan selisih nilai vote 1.609, sehingga akurasinya adalah 96.67%.
Tabel 15 Hasil iterasi 1 subpercobaan citra partisi bagian bawah
Iterasi 2
Hasil iterasi 2 subpercobaan citra partisi bagian bawah disajikan pada Tabel 16 dan nilai
vote-nya disajikan pada Lampiran 6. Pada Tabel 16 terlihat bahwa semua data uji benar diklasifikasi, sehingga akurasinya adalah 100%. Tabel 16 Hasil iterasi 2 subpercobaan citra partisi bagian bawah
Iterasi 3
Hasil iterasi 3 subpercobaan citra partisi bagian bawah disajikan pada Tabel 17 dan nilai
vote-nya disajikan pada Lampiran 6. Pada Tabel 17 terlihat bahwa hanya 1 data uji yang salah diklasifikasi, yaitu kelas 8 ekspresi 6 dikenali sebagai kelas 15 dengan selisih nilai vote 1.392, sehingga akurasinya adalah 96.67%.
Tabel 17 Hasil iterasi 3 subpercobaan citra partisi bagian bawah
Iterasi 4
Hasil iterasi 4 subpercobaan citra partisi bagian bawah disajikan pada Tabel 18 dan nilai
vote-nya disajikan pada Lampiran 6. Pada Tabel 18 terlihat bahwa 3 data uji salah diklasifikasi, yaitu kelas 4 ekspresi 7 dikenali sebagai kelas 9 dengan selisih nilai vote 0.676, kelas 8 ekspresi 7 dikenali sebagai kelas 12 dengan selisih nilai
vote 2.306, dan kelas 10 ekspresi 7 dikenali sebagai kelas 5 dengan selisih nilai vote 1.089, sehingga akurasinya adalah 90%.
Tabel 18 Hasil iterasi 4 subpercobaan citra partisi bagian bawah
Hasil dari keempat iterasi pada subpercobaan citra partisi bagian bawah memiliki rata-rata akurasi sebesar 95.84%. Jumlah data uji yang benar diklasifikasi pada keseluruhan hasil subpercobaan citra partisi bagian bawah disajikan pada Gambar 15. Pada Gambar 15 terlihat bahwa data uji yang paling
sedikit benar diklasifikasi adalah kelas 8 (K8), yaitu sebanyak 6 data uji dari total 8 data uji (tiap iterasi 2 data uji) yang digunakan pada subpercobaan citra partisi bagian bawah.
Gambar 15 Grafik hasil subpercobaan citra partisi bagian bawah.
Perbandingan Hasil Subpercobaan Ketiga Citra Partisi (Atas, Tengah, dan Bawah)
Grafik hasil subpercobaan ketiga citra partisi disajikan pada Gambar 16. Adapun nilai akurasi dari ketiga subpercobaan citra partisi disajikan pada Tabel 19.
Gambar 16 Grafik hasil subpercobaan ketiga citra partisi.
Tabel 19 Hasil subpercobaan ketiga citra partisi
Iterasi Ke-
Akurasi Subpercobaan Citra Partisi Bagian (%)
Atas Tengah Bawah
1 83.33 76.67 96.67
2 96.67 93.33 100
3 90 86.67 96.67
4 76.67 73.33 90
Rata-Rata 86.67 82.50 95.84
Pada Gambar 16 terlihat bahwa kelas yang data ujinya semua benar diklasifikasi pada ketiga subpercobaan citra partisi adalah K1, K5, K6, dan K13, sedangkan kelas yang pada ketiga subpercobaan citra partisi terdapat data uji yang salah diklasifikasi adalah K8 dan K9. Pada Tabel 19 terlihat bahwa subpercobaan citra partisi bagian tengah menghasilkan akurasi paling rendah pada keempat iterasinya, sedangkan subpercobaan citra partisi bagian bawah menghasilkan akurasi paling tinggi.
Akurasi subpercobaan citra partisi bagian atas seharusnya dapat menjadi akurasi tertinggi dibanding akurasi subpercobaan citra partisi bagian tengah dan bawah. Hal ini disebabkan potongan citra bagian atas di satu kelas pada delapan ekspresinya sama karena tidak terpengaruh oleh perbedaan ekspresi yang umumnya pada bagian tengah dan bawah wajah. Namun tidak demikian, penyebabnya adalah posisi objek/orang pada citra tidak semuanya sama, sehingga objek/orang pada citra partisi bagian atas, tengah, dan bawah yang terpotong juga tidak sama. Contoh hasil pemotongan citra partisi bagian atas yang tidak sama disajikan pada Gambar 17.
Gambar 17 Citra partisi bagian atas kelas 15 ekspresi terkejut (kiri) dan ekspresi kerling
(kanan).
Perbandingan Hasil Seluruh Percobaan
Setelah seluruh percobaan dilakukan dapat diketahui akurasi terbaik pada penelitian ini serta kelas dan ekspresi citra yang mudah dan sulit dikenali. Akurasi seluruh percobaan disajikan pada Tabel 20, jumlah data uji yang benar diklasifikasi dari tiap kelas pada seluruh percobaan disajikan pada Gambar 18, dan banyaknya ekspresi yang salah diklasifikasi pada seluruh percobaan disajikan pada Tabel 21.
Tabel 20 Akurasi seluruh percobaan Iterasi Ke- Akurasi (%) Citra Utuh Citra dengan Partisi
Citra Partisi Bagian
Atas Tengah Bawah
1 86.67 100 83.33 76.67 96.67 2 93.33 100 96.67 93.33 100 3 96.67 100 90 86.67 96.67 4 93.33 100 76.67 73.33 90 Rata- Rata 92.50 100 86.67 82.50 95.84
Gambar 18 Grafik jumlah data uji yang benar diklasifikasi pada seluruh percobaan.
Tabel 21 Banyaknya ekspresi yang salah diklasifikasi pada seluruh percobaan
Pada Tabel 20 terlihat bahwa akurasi tertinggi diperoleh pada percobaan citra dengan partisi yaitu dengan rata-rata akurasi sebesar 100%, sedangkan akurasi terendah diperoleh pada subpercobaan citra partisi bagian tengah dengan rata-rata akurasi sebesar 82.50%. Pada Gambar 18 terlihat bahwa kelas yang data ujinya semua benar diklasifikasi pada seluruh percobaan adalah K1, K5, K6, dan K13, sedangkan kelas yang pada seluruh percobaan (kecuali percobaan dengan citra partisi) terdapat data uji yang salah diklasifikasi adalah K8 dan K9. Adapun pada Tabel 21 terlihat bahwa secara keseluruhan ekspresi yang paling mudah dikenali adalah ekspresi 3 (E-3) dan ekpsresi yang paling sulit dikenali adalah ekspresi 7 (E- 7).
Perbandingan dengan Penelitian Terkait
Pada penelitian Muttaqien (2009), akurasi tertinggi pada pengenalan tanda tangan dengan partisi mencapai 95.56%, sedangkan pada penelitian ini akurasi tertinggi mencapai 100%. Pada penelitian Purwaningrum (2009), akurasi tertinggi pada pengenalan wajah menggunakan data latih tunggal mencapai 96.3%, sedangkan pada penelitian ini akurasi tertinggi mencapai 96.67% (percobaan citra utuh tanpa partisi).
KESIMPULAN DAN SARAN Kesimpulan
Pada penelitian ini dapat disimpulkan: 1. Akurasi pada percobaan citra utuh memiliki
rata-rata sebesar 92.50% dan mencapai 100% pada percobaan citra dengan partisi. 2. Adanya partisi citra dapat meningkatkan
akurasi percobaan dan partisi menjadi tiga bagian secara horizontal mencapai akurasi maksimum pada penelitian ini.
Akurasi subpercobaan citra partisi bagian atas seharusnya dapat menjadi akurasi tertinggi dibanding akurasi subpercobaan citra partisi bagian tengah dan bawah. Hal ini disebabkan potongan citra bagian atas di satu kelas pada delapan ekspresinya sama karena tidak terpengaruh oleh perbedaan ekspresi yang umumnya pada bagian tengah dan bawah wajah. Namun tidak demikian, penyebabnya adalah posisi objek/orang pada citra tidak semuanya sama, sehingga objek/orang pada citra partisi bagian atas, tengah, dan bawah yang terpotong juga tidak sama. Contoh hasil pemotongan citra partisi bagian atas yang tidak sama disajikan pada Gambar 17.
Gambar 17 Citra partisi bagian atas kelas 15 ekspresi terkejut (kiri) dan ekspresi kerling
(kanan).
Perbandingan Hasil Seluruh Percobaan
Setelah seluruh percobaan dilakukan dapat diketahui akurasi terbaik pada penelitian ini serta kelas dan ekspresi citra yang mudah dan sulit dikenali. Akurasi seluruh percobaan disajikan pada Tabel 20, jumlah data uji yang benar diklasifikasi dari tiap kelas pada seluruh percobaan disajikan pada Gambar 18, dan banyaknya ekspresi yang salah diklasifikasi pada seluruh percobaan disajikan pada Tabel 21.
Tabel 20 Akurasi seluruh percobaan Iterasi Ke- Akurasi (%) Citra Utuh Citra dengan Partisi
Citra Partisi Bagian
Atas Tengah Bawah
1 86.67 100 83.33 76.67 96.67 2 93.33 100 96.67 93.33 100 3 96.67 100 90 86.67 96.67 4 93.33 100 76.67 73.33 90 Rata- Rata 92.50 100 86.67 82.50 95.84
Gambar 18 Grafik jumlah data uji yang benar diklasifikasi pada seluruh percobaan.
Tabel 21 Banyaknya ekspresi yang salah diklasifikasi pada seluruh percobaan
Pada Tabel 20 terlihat bahwa akurasi tertinggi diperoleh pada percobaan citra dengan partisi yaitu dengan rata-rata akurasi sebesar 100%, sedangkan akurasi terendah diperoleh pada subpercobaan citra partisi bagian tengah dengan rata-rata akurasi sebesar 82.50%. Pada Gambar 18 terlihat bahwa kelas yang data ujinya semua benar diklasifikasi pada seluruh percobaan adalah K1, K5, K6, dan K13, sedangkan kelas yang pada seluruh percobaan (kecuali percobaan dengan citra partisi) terdapat data uji yang salah diklasifikasi adalah K8 dan K9. Adapun pada Tabel 21 terlihat bahwa secara keseluruhan ekspresi yang paling mudah dikenali adalah ekspresi 3 (E-3) dan ekpsresi yang paling sulit dikenali adalah ekspresi 7 (E- 7).
Perbandingan dengan Penelitian Terkait
Pada penelitian Muttaqien (2009), akurasi tertinggi pada pengenalan tanda tangan dengan partisi mencapai 95.56%, sedangkan pada penelitian ini akurasi tertinggi mencapai 100%. Pada penelitian Purwaningrum (2009), akurasi tertinggi pada pengenalan wajah menggunakan data latih tunggal mencapai 96.3%, sedangkan pada penelitian ini akurasi tertinggi mencapai 96.67% (percobaan citra utuh tanpa partisi).
KESIMPULAN DAN SARAN Kesimpulan
Pada penelitian ini dapat disimpulkan: 1. Akurasi pada percobaan citra utuh memiliki
rata-rata sebesar 92.50% dan mencapai 100% pada percobaan citra dengan partisi. 2. Adanya partisi citra dapat meningkatkan
akurasi percobaan dan partisi menjadi tiga bagian secara horizontal mencapai akurasi maksimum pada penelitian ini.
3. Akurasi tertinggi hasil percobaan ketiga partisi citra bagian dicapai pada percobaan citra partisi bagian bawah dengan rata-rata sebesar 95.84%.
Saran
Penelitian lebih lanjut dapat dilakukan yaitu dengan menggunakan teknik penambahan noise
pada citra untuk mengetahui pengaruh noise
terutama terhadap percobaan citra dengan partisi yang menghasilkan akurasi 100%.
DAFTAR PUSTAKA
Dahua L. 2006. Discriminant Feature Persuit: from Statistical Learning to Informative Learning. Hong Kong: The Chinese University.
Gonzalez RC & Woods RE. 2002. Digital Image Processing. New Jersey: Prentice Hall.
Guvenir HA. 1998. A Classification Learning Algorithm Robust to Irrelevant Features. Di Dalam: Giunchiglia F, editor. Artificial Intelligence: Methodology, System
Applications. Proceeding of AIMSA ’98;
Sozopol, 21-23 September 1998. Sozopol: Springer-Verlag. hlm 281-290.
Guvenir HA, Demiroz G, & Ilter N. 1998. Learning differential diagnosis of erythemato-squamous diseases using voting feature intervals. Artificial Intelligence in Medicine 13:147-165.
Han J, Kamber M. 2006. Data Mining Concepts And Techniques. Ed ke-2. San Fransisco: Elsevier Inc.
Karande KJ & Talbar SN. 2008a. Face Recognition under Variation of Pose and Illumination using Independent Component Analysis. ICGST-GVIP, Vol. 8.
Karande KJ & Talbar SN. 2008b. Independent Component Analysis of Edge Information for Face Recognition. International Journal of Image Processing, Vol. 3.
Muttaqien F. 2009. Pengenalan Tanda Tangan dengan Citra Pelatihan Tunggal Menggunakan Algoritme VFI5 Berbasis Histogram [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Pramitasari N. 2009. Pengenalan Citra Wajah Menggunakan Algoritme VFI5 dengan Praproses Transormasi Wavelet [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Purwaningrum EA. 2009. Pengenalan Wajah dengan Citra Pelatihan Tunggal Menggunakan Algoritme VFI5 Berbasis Histogram [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Tan et al. 2005. Introduction to Data Mining. Boston: Pearson Education, Inc.