Analisis Performa Convolutional Neural Network (CNN) dan Naive Bayes dalam Face Recognition: Akurasi dan Kompleksitas
Keywords:
CNN, Naive Bayes, pengenalan wajah, klasifikasi, akurasi.Abstract
Face recognition adalah salah satu aplikasi utama dari pengolahan citra digital yang digunakan di berbagai bidang, seperti keamanan, verifikasi identitas, dan sistem pembayaran. Penelitian ini bertujuan untuk menganalisis performa dua algoritma pembelajaran mesin, yaitu Convolutional Neural Network (CNN) dan Naive Bayes, dalam pengenalan wajah menggunakan dataset Labelled Faces in the Wild (LFW). Dataset ini terdiri dari ribuan gambar wajah yang telah dilabeli, dibagi menjadi data pelatihan dan data pengujian. Metode CNN menggunakan arsitektur jaringan saraf tiruan dengan lapisan konvolusi, pooling, dan fully connected untuk mengekstraksi fitur kompleks. Sedangkan Naive Bayes memanfaatkan histogram fitur yang lebih sederhana untuk klasifikasi. Proses diawali dengan pra-pemrosesan citra seperti normalisasi, pengurangan noise, dan deteksi fitur penting. Hasil penelitian menunjukkan akurasi CNN mencapai 77,64%, jauh lebih tinggi dibandingkan Naive Bayes yang hanya mencapai 28%. Model CNN unggul dalam precision, recall, dan F1-score, khususnya pada kelas dengan banyak data seperti George W. Bush dan Colin Powell. Namun, performa pada kelas kecil, seperti David Beckham, masih dapat ditingkatkan melalui augmentasi data. Naive Bayes, meskipun akurasinya rendah, menawarkan kecepatan pelatihan dan kesederhanaan implementasi. Kesimpulannya, CNN adalah pilihan utama untuk aplikasi yang membutuhkan akurasi tinggi, sementara Naive Bayes dapat digunakan untuk sistem sederhana dengan kebutuhan respons cepat. Penelitian ini memberikan wawasan tentang kekuatan dan keterbatasan kedua algoritma, menunjukkan pentingnya pemilihan metode berdasarkan kebutuhan aplikasi spesifik.
Kata Kunci: CNN, Naive Bayes, pengenalan wajah, klasifikasi, akurasi.
Abstract
Face recognition is one of the main applications of digital image processing used in various fields, such as security, identity verification, and payment systems. This study aims to analyze the performance of two machine learning algorithms, Convolutional Neural Network (CNN) and Naive Bayes, in face recognition using the Labelled Faces in the Wild (LFW) dataset. The dataset comprises thousands of labeled facial images, divided into training and testing sets. The CNN method employs artificial neural network architecture with convolutional, pooling, and fully connected layers to extract complex features. Conversely, Naive Bayes utilizes simpler histogram-based features for classification. The process begins with image preprocessing, including normalization, noise reduction, and key feature detection. Results indicate that CNN achieves an accuracy of 77.64%, significantly outperforming Naive Bayes at 28%. CNN excels in precision, recall, and F1-score, particularly for classes with abundant data such as George W. Bush and Colin Powell, though performance for smaller classes like David Beckham could benefit from data augmentation. Despite its lower accuracy, Naive Bayes offers faster training and simpler implementation. In conclusion, CNN is the superior choice for applications requiring high accuracy, whereas Naive Bayes is suitable for simpler systems demanding quick responses. This study highlights the strengths and limitations of both algorithms, emphasizing the importance of selecting methods based on specific application needs.
Keywords: CNN, Naive Bayes, face recognition, classification, accuracy.
