Diterima Redaksi: 14-09-2022 | Selesai Revisi: 30-12-2022 | Diterbitkan Online: 30-12-2022 219 Terakreditasi SINTA Peringkat 4 Surat Keputusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi, Nomor: 158/E/KPT/2021 masa berlaku mulai Volume 5 Nomor 2 Tahun 2018 sampai Volume 10 Nomor 1 Tahun 2023 Terbit online pada laman web jurnal: https://jurnal.plb.ac.id/index.php/tematik/index Jurnal Teknologi Informasi Komunikasi (e-Journal) Vol. 9 No. 2 (2022) 189-224 ISSN Media Elektronik: 2443-3640 Pengenalan Wajah menggunakan Principle Component Analysis (PCA) dengan Model Algoritma Machine Learning untuk Mengidentifikasi Jenis Kelamin pada Kartu Identitas Mahasiswa Face Recognition using Principle Component Analysis (PCA) with Machine Learning Algorithm Model to Identify Gender on Student Identity Cards Dian Ade Kurnia 1 , Umi Hayati 2 , Tuti Hartati 3 , Salsa Loni Manikari 4 , Fahmi Afandi 5 1 Manajemen Informatika, STMIK IKMI Cirebon 2,3,4 Teknik Informatika, STMIK IKMI Cirebon 1 Dianade2014@gmail.com , 2 umi.haya41@gmail.com , 3 toohart2013@gmail.com, 4 Lonimanikari06@gmail.com, 5 brengestextreme.pkfr@gmail.com Abstract Numerous individuals are still investigating the field of facial recognition research. This is evident from the advancement of computer vision technologies, which are utilized in a variety of real-world applications. This study's objective was to identify a face based on the traits or gender presentation on a college student's identification card. SEMMA (Sample, Explore, Modify, Model, and Assessment) is a data science or machine learning technique that utilizes the Support Vector Machine (SVM) and Artificial Neural Network (ANN) methods (ANN). Nevertheless, the modeling is also helped by preprocessing with the Principle Component Analysis (PCA) technique, which seeks to decrease the dimensions of current picture characteristics to selected features. According to the findings of this study, the accuracy performance of the SVM algorithm improved by 77.50% and 78.10%, respectively. The performance improvement was greater than in prior experiments that did not use dimension reduction approaches with PCA. Keywords: face recognition, computer vision, SVM, ANN, PCA Abstrak Kajian tentang pengenalan wajah sampai saat ini masih banyak orang yang melakukan eksplorasi, hal ini dapat dilihat dari perkembangan teknologi Computer Vision yang diterapkan diberbagai aplikasi kehidupan. Tujuan penelitian ini adalah untuk mengidentifikasi wajah seseorang berdasarkan ciri atau featur jenis kelamin pada kartu identitas mahasiswa di sebuah perguruan tinggi. Metode yang digunakan melalui pendekatan data sains atau machine learning yaitu SEMMA (Sample, Explore, Modify, Model dan Asses) dengan penerapan pemodelan 2 (dua) algoritma yakni Support Vector Machine (SVM) dan Artificial Neural Network (ANN). Namun pemodelan tersebut juga didukung dengan pre-processing dengan teknik Principle Component Analysis (PCA) yang tujuannya mereduksi dimensi dari berbagai fitur gambar yang ada menjadi fitur yang terpilih. Hasil yang diperoleh dari penelitian ini bahwa adanya peningkatan performance pada aspek akurasi 77.50% untuk algoritma SVM dan 78.10%. Perolehan kinerja tersebut lebih baik dari penelitian sebelumnya yang tidak melibatkan teknik dimensi reduksi menggunakan PCA. Kata kunci: : pengenalan wajah, computer vision, SVM, ANN, PCA 1. Pendahuluan Pengenalan wajah merupakan proses identifikasi seseorang berdasarkan apa yang mereka lihat. Saat ini dengan teknologi digital dapat dengan mudah untuk mengakses objek gambar maupun video[1] . Mengenali wajah manusia menggunakan teknik pengenalan wajah telah menjadi bagian penting dalam aktivitas penelitian para ilmuwan dibidan computer vision[2]. Proses pengenalan wajah terdiri dari dua bagian, pertama adalah proses ekstraksi fitur dan kedua adalah membandingkan fitur yang diekstraksi dengan beberapa metode[3]. Proses ekstraksi fitur dapat dilakukan dengan cara mereduksi dimensi sebuah data melalui teknik daintaranya adalah Principle Component Analysis (PCA), Independent Component Analysis (ICA), dan