Blog Archives

Principal Component Analysis (PCA) adalah teknik analisis statistik yang digunakan untuk mengurangi dimensi data. Berikut adalah beberapa konsep penting terkait PCA:

Dimensi data: Dimensi data adalah jumlah variabel atau fitur dalam dataset. PCA digunakan untuk mengurangi dimensi data dengan memproyeksikan data ke dalam ruang dimensi yang lebih rendah.
Komponen utama: Komponen utama adalah kombinasi linear dari variabel dalam dataset yang menjelaskan sebagian besar variasi dalam data. PCA mencari komponen utama dengan memaksimalkan varians data yang dijelaskan oleh setiap komponen.
Varians: Varians adalah ukuran seberapa tersebar data dalam satu dimensi. PCA memilih komponen utama yang memiliki varians tertinggi untuk mempertahankan sebanyak mungkin informasi dalam data.
Reduksi dimensi: PCA digunakan untuk reduksi dimensi data dengan memproyeksikan data ke dalam ruang dimensi yang lebih rendah. Proyeksi dilakukan dengan mencari kombinasi linear dari fitur yang memaksimalkan pemisahan antara kelas.

Pengenalan Wajah Menggunakan Metode Principal Component Analysis (PCA)

Aug 10

Posted by adi pamungkas

Pengenalan wajah adalah bidang yang mendapat perhatian besar dalam pengolahan citra dan kecerdasan buatan. Metode Principal Component Analysis (PCA) adalah salah satu teknik yang kuat dan umum digunakan dalam pengenalan wajah. Dalam artikel ini, kita akan membahas bagaimana PCA bekerja dalam pengenalan wajah dan mengapa metode ini menjadi pilihan populer dalam tugas ini.

Pengenalan wajah adalah proses identifikasi individu berdasarkan ciri-ciri wajah yang unik. Dalam kasus sistem otomatis, tujuan utamanya adalah mengidentifikasi atau mengautentikasi seseorang menggunakan citra wajah mereka. Metode PCA adalah salah satu pendekatan yang dapat mengurangi dimensi data citra wajah dan mengekstraksi informasi penting untuk pengenalan.