Seleksi Fitur Dengan Particle Swarm Optimization Untuk Pengenalan Pola Wajah Menggunakan Naive Bayes
| Main Author: | Hakim, Satria Habiburrahman Fathul |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/112/1/Satria%20Habiburrahman%20Fathul%20Hakim.pdf http://repository.ub.ac.id/112/ |
Daftar Isi:
- Dari hasil pengamatan yang telah dilakukan oleh peneliti terdapat permasalahan yang cukup mengkhawatirkan apabila sistem presensi mahasiswa yang terdapat pada Fakultas Ilmu Komputer, Universitas Brawijaya masih memakai sistem pesensi kehadiran mahasiswanya dengan cara yang manual berupa tanda tangan pada form. Sehingga presensi kehadiran ini sangat rentan sekali disalahgunakan oleh mahasiswa contohnya dengan cara menitipkan absen kepada temannya padahal hal ini sangat merugikan diri sendiri dan juga instansi kampus. Persoalan tersebut dapat diatasi dengan cara mengganti sistem presensi yang masih manual ke sistem presensi yang sudah terdigitalisasi dengan objek wajah mahasiswa menggunakan metode optimasi dan metode klasifikasi agar solusi permasalahan yang mendekati optimum dapat diselesaikan lebih cepat. Metode optimasi yang digunakan oleh peneliti kali ini adalah Particle Swarm Optimization (PSO), yang mana metode tersebut terinspirasi dari perilaku sosial gerakan kawanan burung pada kehidupan kesehariannya. Sedangkan metode klasifikasi adalah metode yang sangat erat kaitannya dengan hipotesis probabilitas. Jadi 2 metode ini akan memiliki fungsi yang berbeda dalam pengenalan wajah pada presensi mahasiswa tersebut dimana PSO disini adalah sebagai seleksi fitur dan Naïve Bayes disini sebagai mesin klasifikasi sekaligus juga mempunyai fungsi untuk mendapatkan fitnessnya. Pada pengujian pengaruh iterasi didapatkan kesimpulan bahwa iterasi dengan total nilai fitness terbaik pada jumlah partikel ke 38 yaitu 13,38, kemudian pada pengujian pengaruh jumlah iterasi didapatkan kesimpulan bahwa total fitness terbesar berada pada iterasi 190 yaitu 36,799, dengan kata lain semakin besar iterasi maka fitness semakin baik pula yang mana akurasi dalam penelitian ini sebagai nilai fitness dan pengujian yang terakhir yaitu pada bobot inersia berada, fitness tertinggi pada bobot inersia 1,2 yaitu 1,588.