Dalam beberapa tahun terakhir, pengembangan sistem pengenalan wajah banyak berperan di berbagai bidang, seperti kontrol akses pintu masuk keamanan, pengawasan video dan indentifikasi seseorang. Pengenalan wajah adalah pengenalan pola untuk tujuan identifikasi personal disamping pendekatan biometrik lainnya, seperti pengenalan sidik jari, tanda tangan, retina mata, dan sebagainya. Pengelompokan citra wajah ini bertujuan untuk mengelompokan setiap citra wajah dalam database berdasarkan identitas wajah. Dalam penelitiani ini, diperlukan suatu metode yang dapat mengenali citra wajah dengan cara penggalian fitur dalam gambar. Gray Level Co-occurance Matrix adalah salah satu metode yang digunakan dalam pengenalan citra. Kemudian hasil fitur citra dikelompokkan berdasarkan algoritma Hierarchical Agglomerative Clustering (HAC) dengan teknik yang digunakan Single Linkage, Complete Linkage, dan Average Linkage. Dari hasil pengujian dalam penelitian, didapatkan kinerja pengelompokan Single Linkage dengan performa cluster sebesar 92% dari pengujian cluster yang menggunakan parameter GLCM d = 2 dan ?= 0 , 45, dan 135. Sedangkan metode Average Linkage memiliki performa cluster sebesar 78% dengan menggunakan parameter GLCM d = 1 dan ?= 135, dan metode Complete Linkage memiliki performa cluster sebesar 75% dengan menggunakan parameter GLCM d = 1 dan ?= 135.
展开▼
机译：近年来，面部识别系统的开发在诸如访问控制安全入口，视频监视和人的识别的各个领域中发挥着很大的作用。面部识别是除其他生物识别方法（例如指纹识别，签名，眼睛的视网膜等）以外，出于个人识别目的的模式识别。面部图像的这种分组旨在基于面部身份将数据库中的每个面部图像分组。在这项研究中，我们需要一种可以通过提取图像中的特征来识别面部图像的方法。灰度共存矩阵是图像识别中使用的方法之一。然后，基于层次聚集聚类（HAC）算法，使用单链接，完全链接和平均链接技术对图像特征结果进行分组。从该研究的测试结果中发现，使用GLCM参数d = 2且？= 0、45和135时，具有集群性能的Single Linkage分组的性能为集群测试的92％。而使用参数的Average Linkage方法的集群性能为78％。 GLCM d = 1和？= 135，并且使用参数GLCM d = 1和？= 135，完全链接方法的群集性能为75％。
展开▼
