Kajian Data Mining untuk Klasifikasi Gender Menggunakan Data Wajah dengan Algoritma Naive Bayes dan K Nearest Neighbor (KNN)
Identifikasi gender saat ini lebih sulit dilakukan. Penyebabnya antara lain banyaknya klasifikasi gender, penggunaan identitas palsu di media sosial dan semakin maraknya foto palsu. Peristiwa nyata yang terjadi adalah banyaknya klasifikasi di negara Thailand yang memiliki 18 gender. Peristiwa lainn...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
University of Brawijaya
2025-02-01
|
| Series: | Jurnal Teknologi Informasi dan Ilmu Komputer |
| Subjects: | |
| Online Access: | https://jtiik.ub.ac.id/index.php/jtiik/article/view/8724 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Identifikasi gender saat ini lebih sulit dilakukan. Penyebabnya antara lain banyaknya klasifikasi gender, penggunaan identitas palsu di media sosial dan semakin maraknya foto palsu. Peristiwa nyata yang terjadi adalah banyaknya klasifikasi di negara Thailand yang memiliki 18 gender. Peristiwa lainnya adalah penambahan gender “X” pada aplikasi permohonan passport di Amerika dan beredarnya foto palsu yang diedit dengan aplikasi FaceApp. Kejadian tersebut menyebabkan perlunya membuat model yang bisa melakukan klasifikasi gender agar gender asli dari seseorang bisa diketahui. Penelitian dilakukan dengan mencari model yang bisa mengklasifikasikan gender. Caranya adalah dengan membandingkan hasil akurasi dua algoritma yaitu Naïve Bayes dan KNN (K Nearest Neighbor). Metode yang digunakan mengikuti tahapan dalam KDD (Knowledge Discovery in Database). Atribut yang dipakai adalah bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir. Akurasi kedua algoritma diuji dengan metode Cross Validation dan Confusion Matrix. Tujuan penelitian ini adalah memastikan apakah atribut wajah dapat digunakan untuk klasifikasi gender serta menentukan model yang lebih baik antara Naïve Bayes atau KNN. Hasil pengujian menunjukkan, kedua algoritma memiliki akurasi yang sangat baik. Namun algoritma Naïve Bayes memiliki nillai AUC yang lebih tinggi yaitu 0,996 dibanding algoritma KNN yang memiliki nilai AUC sebesar 0,992. Berdasarkan nilai tersebut, atribut bagian-bagian pada wajah yaitu lebar dahi, lebar hidung, panjang hidung, bibir dan jarak hidung ke bibir dapat digunakan untuk klasifiikasi gender, karena bisa menghasilkan akurasi yang baik. Namun, model Naïve Bayes lebih direkomendasikan karena nilai akurasinya lebih tinggi dan stabil.
|
|---|---|
| ISSN: | 2355-7699 2528-6579 |