Pengenalan wajah merupakan salah satu bidang yang banyak diteliti dan dikembangkan oleh para pakar pengenalan pola. Hal ini disebabkan semakin meluasnya penggunaan teknik identifikasi wajah dalam aplikasi yang digunakan oleh masyarakat. Wajah dijadikan sebagai obyek pengenalan karena wajah memiliki informasi yang lebih mudah didapat dari pada sidik jari atau iris mata. Pada penelitian ini proses pengenalan wajah dilakukan dalam 3 tahap. Tahap pertama yaitu citra di ekstraksi fitur menggunakan metode Principle Component Analysis (PCA) dan metode Linear Discriminant Analysis (LDA). Nilai matrik bobot dihasilkan dari masing-masing proses ekstraksi fitur. Tahap selanjutnya proses penyatuan fitur, matrik bobot PCA dan LDA disatukan (fusion), sehingga menghasilkan susunan matrik baru yang disebut matrik fusion. Kemudian tahap pengklasifikasian citra menggunakan metode Manhattan Distance dengan cara mencari nilai minimum antara matrik fusion dan matrik fusion-test. Berdasarkan hasil uji coba sistem menggunakan 4 skenario diperoleh rata-rata akurasi 94,8%. Dengan menggunakan skenario yang sama metode PCA menghasilkan rata-rata akurasi 88,4% dan metode LDA menghasilkan rata-rata akurasi 94,6%. Hasil analisa tersebut menyimpulkan bahwa metode penyatuan fitur PCA dan LDA memiliki rata-rata lebih baik dari metode PCA dan LDA untuk pengenalan wajah

Face recognition is one of biometrics that extensively reasearched and developed by experts pattern recognition. This is due to the more widespread used of face identifcation techniques on public. Face is used as recognition object because it has the easier information than the fingerprint and iris. In this study, the face recognition processes carried out in 3 stages. The first stage is image feature extraction using Principle Component Analysis (PCA) and Linear Discriminant Analysis (LDA) methods. Of each extraction process had to be obtained weight matrix value. The second stage is feature fusion process, that weight matrix value of PCA and LDA be combained, until resulting a new matrix is called fusion matrix. The last stage is image classification using Manhattan Distance method by finding the minimum value between fusion matrix and matrix of fusion-test. Based on the testing system results using 4 scenarios obtained an accuracy average is 94,8%. Then, using the same scenario that compared to the PCA method is obtaining an accuracy average 88,4%, and the LDA methode obtains an accuracy average 94,6%. the results of the analysis concluded that feature fusion PCA and LDA method for face recognition had better accuracy average than PCA method and LDA method

Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal Baca Jurnal