Proyeksi Acak dan Teknik Scanning pada Algoritma Sparse Representation based Classification untuk Pengenalan Wajah

Sparse Representation based Classification (SRC) merupakan metode yang cukup terkenal dalam pengenalan wajah, karena kemampuannya dalam mengatasi beberapa permasalahan yang terjadi pada pengenalan wajah seperti oklusi, variasi pose, dan berbagai macam ekspresi wajah. SRC memiliki kekurangan yaitu beban komputasi yang berat. Untuk mengatasi kekurangan tersebut, dalam makalah ini kami mengusulkan penurunan dimensi citra untuk mengurangi beban komputasi. Penurunan dimensi yang dilakukan dengan cara mengalikan matriks fitur dengan matriks proyeksi acak. Matriks proyeksi acak tersebut dibangkitkan menggunakan distribusi gaussian, uniform binary, dan uniform integer. Faktor reduksi yang digunakan dalam makalah ini yaitu dari 24 hingga 168. Proyeksi acak tersebut akan dibandingkan dengan metode linear klasik yaitu downscale. Hasil simulasi pada dataset AT&T menunjukkan bahwa faktor reduksi dengan sebesar 10.304 : 128 memiliki tingkat akurasi maksimum 87,5% pada proyeksi random uniform integer, dimana nilai maksimum ini dilakukan secara iterasi. Pada pengujian oklusi, teknik SRC masih dapat mendeteksi citra dengan tingkat oklusi sampai dengan 80%. Dari hasil pengujian teknik scanning yang dilakukan tidak mempengaruhi tingkat akurasi, namun dapat mempengaruhi waktu komputasi. Kata Kunci – Representasi Jarang, Proyeksi Acak, Pengenalan Wajah. ; Sparse Representation based Classification (SRC) is a method that is quite well known in face recognition because of its ability to overcome several problems that occur in facial recognition, such as occlusion, pose variations, and various facial expressions. SRC has the disadvantage of a heavy computational load. To overcome these shortcomings, we propose a reduction in image dimensions to reduce the computational load in this paper. Dimensional reduction is made by multiplying the feature matrix by a random projection matrix. The random projection matrix is generated using a gaussian distribution, uniform binary, and uniform integer. The reduction factor used in this paper is ...