ANALISA DAN PERANCANGAN APLIKASI PENGENALAN WAJAH MANUSIA MELALUI WEBCAM DENGAN MENERAPKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS

Jurnal Ilmiah INFOTEK, Vol 1, No 1, Februari 2016

ISSN 2502-6989 (Media Cetak)

ANALISA DAN PERANCANGAN APLIKASI PENGENALAN WAJAH MANUSIA MELALUI WEBCAM DENGAN MENERAPKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS Imam Saputra Magister Ilmu Komputer Universitas Putra Indonesia“YPTK” Padang Dosen Tetap STMIK Budi Darma Medan Jl. Raya Lubuk Begalung, Sumbar – Indonesia Telepon : 0751-776666 / Fax. 0751-71913 http://upiyptk.ac.id // Email: [email protected] ABSTRAK Pengenalan wajah merupakan teknologi yang sudah ada dan berkembang cukup lama. Banyak penelitian yang dilakukan untuk meningkatkan akurasi pengenalan wajah manusia. Penelitian ini mencoba untuk menerapkan algoritma Principal Component Analysis untuk mengenali wajah manusia secara realtime melalui webcam. Dalam proses deteksi wajah penelitian ini menggunakan algoritma Haar Cascade Classifier dan dalam proses ekstraksi fitur membandingkan tiga algoritma yaitu algoritma Eigenface, Fisherface dan algoritma Local Binary Pattern Histogram dan untuk pengenalan wajah menggunakan algoritma Principal Component Analysis. Yang diharapkan bermanfaat bagi penelitian di bidang pengenalan wajah. Algoritma Principal Component Analysis digunakan untuk menyederhanakan himpunan data hasil ekstraksi fitur menjadi lebih sederhana tetapi tetap mempertahankan karakteristik dari data tersebut. Implementasi sistem pengenalan wajah ini menggunakan bahasa C# yang terdapat dalam tool Microsoft Visual Studio 2010 dan menggunakan Library OpenCV dan EmguCV sebagai wrapper. Kata Kunci : Pengenalan Wajah, Eigenface, Fisherface, LBPH, PCA.

1.

PENDAHULUAN

Sistem identifikasi merupakan suatu hal yang penting, salah satu sistem yang banyak dikembangkan saat ini adalah sistem identifikasi menggunakan informasi biologis. Salah satu informasi biologis yang sekarang banyak dikembangkan dan memiliki keakuratan tinggi adalah wajah manusia. Untuk dapat mendeteksi wajah seseorang secara realtime maka algoritma yang digunakan adalah algoritma haar cascade classifier dan algoritma ekstraksi ciri eigenface, fisherface dan Local Binary Pattern Histogram yang berasal dari OpenCV, di mana algoritma tersebut merupakan library dari OpenCV yang sudah dapat digunakan dan dapat mengenali wajah seseorang. Dari ketiga algoritma tersebut digunakan algoritma Principal Component Analysis untuk mengekstraksi dan mereduksi fitur dari wajah yang telah terdeteksi, sehingga dapat dibandingkan algoritma mana yang paling akurat dalam proses pengenalan wajah jika fitur wajah ekstraksi dan di reduksi menggunakan alogrtima Principal Component Analysis. 2. Landasan Teori 2.1. Citra Digital Menurut Putra (2010) Citra digital adalah fungsi f(x,y) berukuran M baris dan N kolom, dengan x dan y adalah koordinat spasial, dan amplitudo f di titik koordinat (x,y) dinamakan intensitas atau tingkat

keabuan pada citra di titik tersebut dan nilai x,y serta nilai amplitudo f secara keseluruhan berhingga (finite) dan bernilai diskrit. 2.2. Pengenalan Pola Pengenalan pola adalah cabang kecerdasan buatan yang menitik beratkan pada metode pengklasifikasian objek dalam kelas-kelas tertentu berdasarkan ciri yang digunakan untuk membedakan suatu pola dengan pola lainnya untuk menyelesaikan masalah tertentu. 2.3. Fitur Menurut Al Fatta (2009) fitur adalah segala jenis pembeda, kualitas atau karakteristik. Fitur bisa berwujud simbolik (misalnya warna) atau numerik (misalnya tinggi). Kombinasi dari d-buah fitur dinyatakan sebagai vektor kolom dimensi-d dan disebut vektor fitur. Ruang dimensi –d yang dibentuk oleh vektor fitur disebut sebagai ruang fitur. 2.4. Pola Menurut Al Fatta (2009) pola adalah komposit atau gabungan dari fitur yang merupakan sifat dari sebuah objek. Dalam klasifikasi, pola berupa sepasang variabel (x, ω), dimana : 1. x adalah sekumpulan pengamatan atau fitur (vektor fitur). 2. ω adalah konsep dibalik pengamatan (label). 2.5. Deteksi Wajah

Analisa Dan Perancangan Aplikasi Pengenalan Wajah Manusia Melalui Webcam Dengan Menerapkan Algoritma Principal Component Analysis. Oleh: Imam Saputra

55

Jurnal Infotek STIEKOM, Volume : I, Edisi : I, Februari 2016

Menurut Al-Allaf (2014) deteksi wajah merupakan cara untuk mengambil gambar atau video sebagai input dan mencari lokasi wajah dalam gambar atau video tersebut. Hal tersebut dilakukan untuk memisahkan daerah wajah dengan daerah bukan wajah ataupun daerah background. Pada penelitian ini proses deteksi wajah menggunakan algoritma Haar Cascade Classifier yang ada pada OpenCV yang dikembangkan oleh Paul Viola dan Michael Jones. 2.6. Pre-Processing Pada tahap pre-processing digunakan untuk mengolah citra data training agar dapat di proses dengan optimal pada langkah selanjutnya. Preprocessing memiliki 3 tahap yaitu : 1. Input data training berupa gambar wajah yang telah terdeteksi oleh algoritma pendeteksi wajah Haar Cascade Classifier. 2. Proses mengubah citra RGB menjadi citra grayscale. 3. Reduksi dimensi merupakan proses untuk mengubah dimensi citra dari 2D menjadi 1D. 2.7. Eigenface Menurut Elvarasan dan Mani (2015) ektraksi fitur merupakan suatu teknik yang digunakan untuk mengekstrak subset fitur baru dari fitur original dengan beberapa cara pemetaan fungsional dengan menjaga informasi dalam data sebanyak mungkin. Menurut Bonde, et al (2014) algoritma Eigenface merupakan algoritma yang sangat praktis digunakan dalam deteksi wajah, algoritma sangat efisien dalam melakukan proses training set wajah dan proses penyimpanan. Menurut Muliawan, et al (2015) algoritma Eigenface memiliki beberapa tahapan sebagai berikut: 1. Langkah pertama dengan menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh citra data training. S=(Ґ1,Ґ2,.....,ҐM) (6) 2. Langkah kedua adalah mengambil nilai tengah atau mean (Ѱ) 1 ∑𝑀 Ѱ = 𝑛=1 𝑀

3.

4.

5.

6.

(7) Langkah ketiga adalah mencari selisih (Φ) antara nilai citra data training (Ґi) dengan nilai tengah (Ѱ) Φi = Ґi – Ѱ (8) Langkah keempat adalah menghitung nilai matriks kovarian (C) 1 𝑇 T C = 𝑀 ∑𝑀 (9) 𝑛=1 Φn Φ𝑛 = AA 𝑇 L = ATA L = Φ𝑚 Φn Langkah kelima adalah menghitung Eigen Value (λ) dan Eigen Vector (V) dari matriks kovarian (C) C x vi = λi x vi (10) Langkah keenam adalah menghitung Eigenface (µ) µi = ∑𝑀 (11) 𝑘=1 𝑉𝑖𝑘 Φi

2.8 Fisherface

ISSN: 2502-6968

Menurut Abidin dan Harjoko (2011) algoritma Fisherface merupakan algoritma yang dikembangkan untuk menentukan matriks dan memaksimalkan rasio Scatter Class ke dalam Scatter Class. Algortima Fisherface banyak digunakan untuk menghasilkan set fitur sehingga kemampuan pengenalannya dapat ditingkatkan. Menurut Uyun dan Rahman (2013) algoritma Fisherface memiliki beberapa tahapan sebagai berikut: 1. Menghitung nilai rata-rata X image data training ∑𝑘 𝑗=1 𝑋𝑗

X= 𝑛 (12) 2. Menghitung nilai rata-rata Y image data training ∑𝑘 𝑗=1 𝑌𝑗

Y= 𝑛 3. Menghitung nilai kovarian

(13)

∑𝑘 𝑗=1(𝑋𝑗−𝑋)(𝑌𝑗−𝑌)

4.

5. 6. 7. 8.

cov (x,y) = (14) 𝑛 Membentuk kovarian matriks 𝑐𝑜𝑣(𝑥, 𝑥) 𝑐𝑜𝑣(𝑥, 𝑦) cov matriks = [ ] (15) 𝑐𝑜𝑣(𝑦, 𝑥) 𝑐𝑜𝑣(𝑦, 𝑦) Menghitung nilai rata-rata matriks kovarian (Ẍ) (16) Menghitung matriks kovarian Scatter Within covj = (xj - Ẍ) (xj - Ẍ)T (17) Menghitung matriks Scatter Within Sw = Pj * (covj) (18) Menghitung Eigen Values AAT = US2VT (19)

2.9 Local Binary Pattern Histogram Menurut Rahim, et al (2013) ada beberapa algoritma yang dapat digunakan untuk mengekstraksi fitur penting dari suatu gambar wajah. Salah satu algortima yang digunakan untuk mengekstraksi fitur wajah adalah algoritma Linier Binary Pattern Histogram. Dengan algoritma ini memungkinkan untuk menggambarkan tekstur dalam bentuk citra digital. Hal ini dilakukan dengan cara membagi gambar menjadi beberapa bagian kecil dari fitur yang akan diekstraksi. Fitur-fitur ini terdiri dari pola biner yang menggambarkan lingkungan piksel di daerah tersebut. Fitur yang diperoleh kemudian dirubah menjadi histogram fitur tunggal yang membentuk representasi dari gambar. Jika koordinat pusat piksel xc dan yc, maka koordinat piksel tetangga P adalah xp dan yp di tepi lingkaran dengan radius R dapat dihitung dengan sinus dan cosinus. Xp = Xc + Rcos(2πp/P) (20) Yp = Yc + Rsin(2πp/P) (21) Jika nilai keabuan dari piksel pusat adalah gc dan nilai keabuan dari piksel tetangganya adalah gp dengan P=0,....P-1, dari tekstur lokal piksel xc dan xy dapat didefenisikan sebagai berikut : T = t(gc,g0,.......,gp-1) (22) Setelah nilai dari titik yang didapat menggambarkan sebuah tekstur, langkah selanjutnya adalah mengurangi nilai piksel pusat dengan nilai titik-titik pada lingkaran. Dalam proses ini tektur lokal


56


diwakili oleh distribusi gabungan dari nilai piksel pusat. T = t(gc,g0 - gc,.......,gp-1 - gc) (23) Setelah T(gc) menggambarkan pencahayaan keseluruhan dari suatu gambar yang tidak berhubungan dengan tekstur gambar lokal tidak memberikan informasi yang berguna untuk analisis tektur. Oleh karena itu banyak informasi tentang karekteristik tekstur dalam distribusi gabungan asli yang disajikan dalam distibusi gabungan perbedaan. T ≈ (gc,g0 - gc,.......,gp-1 - gc) (24) 1, 𝑥≥0 s(x) = { 0, 𝑥<0 Meskipun invarian terhadap perubahan skala keabuan, perbedaan di pengaruhi oleh skala. Untuk mendapatkan invarian yang berhubungan dengan transformasi monoton dari skala keabuan, hanya perbedaan yang dianggap. Ini berarti bahwa semua titik dalam lingkaran memiliki nilai keabuan yang lebih tinggi dari pusat piksel. Langkah terakhir dalam algoritma Linier Binary Pattern Histogram untuk piksel (xc, yc)2p diigunakan untuk setiap S (gp-gc). Bobot binomial diasumsikan sebagai berikut : 𝑝−1 LBPpr(xc,yc) = ∑𝑝=0 s(gp – gc)2p (25) Karakteristik Local Binary Pattern Histogram (xc, yc) piksel pertama harus diinterpolasikan untuk mendapatkan nilai titik-titik pada lingkaran. Untuk memperjelas langkah-langkah di atas maka dapat dilihat seperti pada contoh di bawah ini, misalnya terdapat empat data training citra ukuran 3 x 3 piksel untuk dirubah menjadi citra LBPH dengan nilai R=1. 2.10 Pengenalan Wajah Saat ini pengenalan wajah telah dikembangkan untuk banyak aplikasi, terutama untuk aplikasi keamanan. Penggunaan wajah sebagai identifier mempunyai banyak manfaat, terutama kepraktisannya karena tidak memerlukan kartu atau foto untuk diidentifikasi. Masalah utamanya adalah sebuah image yang mewakili sebuah gambar yang terdiri dari vektor yang berukuran relatif besar, sehingga diperlukan teknik untuk mereduksi dimensi image yang diproses. Menurut Muliawan, et al (2015) pengenalan wajah melibatkan banyak variabel, misalkan citra sumber, citra hasil pengolahan citra, citra hasil ekstraksi dan data profil seseorang, dibutuhkan juga alat pengindra berupa sensor kamera dan metode untuk menentukan apakah citra yang ditangkap oleh sensor kamera merupakan wajah manusia atau bukan sekaligus untuk menentukan informasi profil yang sesuai dengan citra wajah yang dimaksud. Menurut Muliawan, et al (2015) pengenalan wajah melibatkan banyak variabel, misalkan citra sumber, citra hasil pengolahan citra, citra hasil ekstraksi dan data profil seseorang, dibutuhkan juga alat pengindra berupa sensor kamera dan metode untuk menentukan apakah citra yang ditangkap oleh sensor kamera merupakan wajah manusia atau bukan sekaligus untuk menentukan informasi profil yang sesuai dengan citra wajah yang dimaksud.

ISSN: 2502-6968

2.11 Principal Component Analysis Menurut Sahu dan Verma (2014) Principal Component Analysis adalah prosedur statistik yang merubah himpunan dari variabel yang mungkin berkorelasi menjadi satu set variabel yang berkorelasi. Principal Component Analysis merupakan algoritma yang banyak digunakan untuk pengenalan objek.

Gambar 1. Langkah-langkah PCA

1. Mean Substraction Pengurangan nilai Mean diperlukan untuk memastikan bahwa Principal Component menggambarkan arah matriks kovarian maksimum. Hal pertama yang perlu dilakukan adalah membentuk satu set data training. Citra dua dimensi direpresentasikan sebagai vektor satu dimensi dengan menggabungkan baris. Citra berubah menjadi vektor dengan panjang N=mn. 𝑋11 … 𝑋11 𝑋12 … 𝑋1𝑛 𝑋11 𝑋 𝑋22 … 𝑋2𝑛 … = 𝑥 (26) ] 𝐼 = [ 21 … … … … 𝑋11 𝑋𝑚1 𝑋𝑚2 … 𝑋𝑚𝑛 … [𝑋11 ] M adalah vektor xi (i=1,2,....M) dengan panjang N membentuk matrik citra training X. Langkah selanjutnya menentukan nilai rata-rata ψ kemudian mengurangi vektor dari setiap vektor citra. 1 Ѱ = 𝑀 ∑𝑀 (27) 𝑛=1 𝑥𝑖 Φi = xi – Ѱ (28) Vektor rata-rata disusun membentuk matriks training baru dengan ukuran N x M. Dengan A=(φ1 φ2..... φM). 2. Matriks Kovarian Matriks kovarian yang terbentuk dari citra mewakili beberapa dimensi yang bervariasi dari nilai Mean dengan tidak mengubah yang lainnya. Matriks kovarian dapat dituliskan sebagai berikut : 1 𝑇 T C = 𝑀 ∑𝑀 (29) 𝑛=1 Φn Φ𝑛 = AA T L = AA Matriks kovarian C memiliki dimensi N x N. Teori aljabar linier untuk matriks P x Q, jumlah maksimum dari Eigen Values yang tidak bernilai 0 memiliki nilai min (P-1, Q-1). Karena jumlah citra training (P) biasanya kurang dari jumlah piksel (M * N). Eigen Values yang bukan 0 sama dengan P-1. Jadi


57


ISSN: 2502-6968

Eigen Values dapat dihitung dari AT * A (matriks P x P), bukan A * AT(M * N x M * N). AT * A adalah pengganti matriks kovarian A * AT. 3. Eigen Vectors dan Eigen Values Eigen Values adalah hasil perkalian matriks, Eigen Values ditentukan oleh kelipatan matriks kovarian dalam ruang dua dimensi Eigen Vectors. Jika vi dan µi adalah Eigen Vectors maka : AT Avi = µi vi (30) Dengan mengalikan kedua persamaan diatas maka didapatkan : AAT Avi = A µi vi (31) AAT (Avi) = µi (Avi) (32) C(Avi) = µi (Avi) (33) Dengan membandingkan persamaan, dapat disimpulkan bahwa Eigen Vectors M-1 adalah ei dan Eigen Values ƛi matriks C yang didapat dari Avi dan µi masing-masing. 4. Feature Vectors Setelah Eigen Vectors ditemukan dari pengganti matriks kovarian, langkah berikutnya adalah menyusun Eigen Values dari yang tertinggi ke yang terendah. Selanjutnya data dapat dikompresi dan data yang memiliki Eigen Vectors kecil akan dibuang 5. Transposition Tahap terakhir dari algoritma Principal Component Analysis adalah mengambil transposisi dari vektor matriks dan dikalikan dengan sekumpulan data yang telah diproses dari tahap pertama. 6. Euclidean Distance Klasifikasi dilakukan dengan menentukan distance. Yang paling umum digunakan adalah Euclidean Distance, Jika jarak minimun antara citra training dan Eigen Vectors lebih tinggi daripada nilai threshold, maka citra dianggap tidak dikenali. Jika A dan B adalah dua vektor dengan panjang D, jarak antara keduanya adalah sebagai berikut : 2 d(A,B) = √∑𝐷 𝑖=1(𝑎𝑖 − 𝑏𝑖 ) = || 𝐴 − 𝐵 || (34)

ataupun keluar dari aplikasi pengenalan wajah. Menu train wajah digunakan untuk membuka form training wajah, menu pengenalan wajah memiliki tiga sub menu yaitu sub menu Eigenface_PCA yang digunakan untuk melakukan proses pengenalan wajah dengan Eigenface, sub menu Fisherface_PCA digunakan untuk melakukan proses pengenalan wajah dengan Fisherface dan sub menu LBPH_PCA yang digunakan untuk melakukan proses pengenalan wajah dengan Local Binary Pattern Histogram.

3. Hasil dan Pembahasan Setelah melakukan tahapan analisis dan perancangan, maka yang harus dilakukan selanjutnya adalah mengimplementasikan hasil yang telah dianalisis dan dirancang sebelumnya. Tahapantahapan implementasi tersebut berupa spesifikasi implementasi perangkat keras dan spesifikasi pengujian perangkat lunak.

3. Form About Me Form About Me digunakan untuk menampilkan informasi data pribadi penulis yang disertai dengan foto.

3.1. Implementasi Sistem Dalam pengimplementasian sistem pengenalan wajah terdiri atas beberapa form di antaranya form pengenalan wajah, form train wajah dan form about me. 1. Form Pengenalan Wajah Dalam form pengenalan wajah terdapat beberapa menu, di antaranya adalah menu file yang mempunyai dua sub menu yaitu menu pengenalan yang digunakan untuk menyimpan dan membuka file pengenalan wajah yang telah disimpan dan menu exit yang digunakan untuk menutup form pengenalan wajah

Gambar 2 Form Main Program

2. Form Train Wajah Form Train Wajah digunakan untuk menambahkan data training. Dalam Form Train Wajah terdiri atas beberapa fasilitas yang dapat digunakan adalah textbox untuk meng-input-kan nama wajah yang telah terdeteksi dan button untuk menambahkan dan menghapus data training.

Gambar 3. Form Train Wajah

Gambar 4 Form About Me

3.2 Pengujian


58


Dalam sebuah pengujian diperlukan suatu batasan tentang kriteria pengujian yang akan dilakukan, berikut ini beberapa kriteria pengujian yang digunakan. 1. Kriteria Data Training Penelitian ini menggunakan beberapa data sampel wajah dari data training yang terdiri dari 200 sampel wajah data training yang diambil dari 25 orang dengan kondisi cahaya normal di dalam ruangan, sehingga setiap orang diambil 8 sampel wajah untuk data training. Format data training adalah .jpg dan berukuran 100 x 100 piksel yang di dalamnya terdapat objek wajah yang telah terdeteksi sebagai wajah. 2. Kriteria Data Uji Data uji terdiri dari 25 wajah orang yang terdapat di dalam data training yang telah dilakukan proses training sebelumnya, dengan kriteria pengujian berdasarkan intensitas pencahayaan yaitu pencahayaan dengan intensitas rendah atau redup dan dan pencahayaan dengan intensitas tinggi atau terang, pengujian dengan ekspresi wajah yaitu ekspresi wajah normal, ekspresi wajah senyum, ekspresi wajah sedih, ekspresi wajah marah dan ekspresi wajah tertawa dan pengujian yang terakhir yaitu penggunaan aksesoris wajah seperti kacamata hitam. Pengujian ini ditujukan untuk menghitung tingkat akurasi sistem pengenalan wajah manusia secara realtime melalui webcam dengan berbagai kondisi seperti kondisi penchayaan, ekspresi wajah dan penggunaan aksesoris wajah. Dalam penelitian ini cahaya yang digunakan berasal dari monitor laptop, untuk pengujian pencahayaan redup maka monitor laptop di-setting dengan intensitas cahaya yang rendah. Tabel 1 Pengujian Pencahayaan Redup No.

1. 2.

Nama

Ahmad Fikri Andika

Deteks i Wajah Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Eigenface PCA Ahmad Fikri Andika

Fisherf ace PCA Ahmad Fikri Andika

LBPH PCA Tidak dikenal Andika

14.

ISSN: 2502-6968

15.

Milfa Yetri Mukhtar

16.

Pak Edi

17.

19.

Ribut Budi Saidi Ramada n Sandy

20.

Siswan

21.

Titing Indriati Tugiono

18.

22. 23. 24. 25.

Usti Fatimah Yennim ar Yuli Siyamto

Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Firahmy Rizky Siswan

Milfa Yetri Tidak dikenal Tidak dikenal Ribut Budi Tidak dikenali

Tidak dikenali Mukhtar

Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Sandy

Sandy

Sandy

Siswan

Siswan


Tidak dikenal Tugion o Tidak dikenal Yennim ar Yuli Siyamt o

Tidak dikenali Titing Indriati Tidak dikenali Tidak dikenali Yennimar

Pak Edi Ribut Budi Tugiono

Usti Fatimah Usti Fatimah Yuli Siyamto

Pak Edi Tidak dikenali Tidak dikenali

Yuli Siyamto

Pada tabel 1 dilakukan percobaan dengan intensitas cahaya yang rendah, semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o. Untuk algoritma Eigenface dan Principal Component Analysis satu data uji tidak dikenali dan enam data uji salah pengenalan, untuk Fisherface dan Principal Component Analysis terdapat sembilan data uji yang tidak dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis terdapat sepuluh data uji yang tidak dikenali. Dari tabel 1 dapat dilihat bahwa algoritma Eigenface_PCA memiliki tingkat akurasi yang paling tinggi. Dalam penelitian ini cahaya yang digunakan berasal dari monitor laptop, untuk pengujian pencahayaan redup maka monitor laptop di-setting dengan intensitas cahaya yang tinggi. Tabel 2 Pengujian Pencahayaan Terang Eigenfac e PCA

Fisherfac e PCA

Ahmad Fikri Andika

Ahmad Fikri Andika

Ahmad Fikri Andika

Anggiat Maruba

Anggiat Maruba

Anggiat Maruba

Terdet eksi Terdet eksi

Azlan

Azlan

Azlan

Fajri Marindra

Fajri Marindra

Fajri Marindra

Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet

Finanta

Finanta

Finanta

Fince Tinus Firahmy Rizky Gustientie dina Imam Saputra M. Bobbi

Tidak dikenal Firahmy Rizky Gustientie dina Imam Saputra M. Bobbi



59

3. 4. 5.

6. 7. 8. 9. 10. 11 12. 13.

Anggiat Maruba Azlan Fajri Marindr a Finanta Fince Tinus Firahmi Rizky Gustient iedina Imam Saputra M. Bobbi M. Yusuf Mamed Rofendy

Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Anggiat Maruba Tidak dikenal Fajri Marindra Firahmy Fince Tinus Firahmy Rizky Gustientie dina Usti Fatimah M. Bobbi Ahmad Fikri Mamed Rofendy

Tidak dikenali Tidak dikenal Fajri Marindr a Tidak dikenali Fince Tinus Firahm y Rizky Tidak dikenal Imam Saputra Tidak dikenal M. Yusuf Mamed Rofend y

Anggiat Maruba Tidak dikenali Fajri Marindra

No.

1. 2. 3.

Finanta Tidak dikenali Tidak dikenali Gustientie dina Imam Saputra Tidak dikenali M. Yusuf Mamed Rofendy

4. 5.

6. 7. 8. 9. 10. 11

Nama

Ahmad Fikri Andika Anggia t Maruba Azlan Fajri Marind ra Finanta Fince Tinus Firahmi Rizky Gustien tiedina Imam Saputra M.

Deteks i Wajah Terdet eksi Terdet eksi Terdet eksi

LBPH PCA


12. 13.

14. 15. 16. 17.

Bobbi M. Yusuf Mamed Rofend y Milfa Yetri Mukhta r Pak Edi

19.

Ribut Budi Saidi Ramad an Sandy

20.

Siswan

21.

Titing Indriati Tugion o Usti Fatima h Yenni mar Yuli Siyamt o

18.

22. 23.

24. 25.

eksi Terdet eksi Terdet eksi

8. M. Yusuf

M. Yusuf

Mamed Rofendy

Tidak dikenal

Mamed Rofendy

Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi

Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

11

Pak Edi

Pak Edi

Pak Edi

13.

Ribut Budi Saidi Ramadan




Sandy

Sandy

Sandy

16.

Siswan

Siswan

Siswan

17.




18.

19.


Usti Fatimah

Usti Fatimah

Usti Fatimah

20.

Siswan


Yennimar

Yennimar

Yennimar

21.

Yuli Siyamto

Yuli Siyamto

Tidak dikenal

22.


9.

1. 2. 3.

4. 5.

6. 7.

Ahmad Fikri Andika Anggia t Maruba Azlan Fajri Marind ra Finanta Fince Tinus

10.

12.

14. 15.

23.

Tabel 3 Pengujian Ekspresi Wajah Normal Nama

Firahmi Rizky Gustien tiedina Imam Saputra M. Bobbi M. Yusuf Mamed Rofend y Milfa Yetri Mukhta r Pak Edi

M. Yusuf

Pada tabel 2 dilakukan percobaan dengan intensitas cahaya yang terang, untuk deteksi wajah semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o. Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis semua data uji berhasil dikenali, untuk Fisherface dan Principal Component Analysis dua data uji tidak dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis satu uji tidak dikenali. Dari tabel 2 pengujian dengan intensitas cahaya tinggi atau terang algoritma Eigenface_PCA adalah algoritma yang paling baik dibandingkan dengan yang lainnya. Dalam penelitian uji ekspresi wajah normal dilakukan dengan mengambil wajah tanpa ekspresi senyum, marah, sedih ataupun tertawa. No.

ISSN: 2502-6968


LBPH PCA

24. 25.

Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi

Firahmy Rizky Gustientie dina Imam Saputra M. Bobbi



M. Yusuf

M. Yusuf

M. Yusuf

Mamed Rofendy

Tidak dikenali

Mamed Rofendy


Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

Pak Edi

Pak Edi

Pak Edi





Sandy

Sandy

Sandy

Siswan

Siswan

Siswan




Usti Fatimah

Usti Fatimah

Usti Fatimah


Yennimar

Yennimar

Yennimar

Yuli Siyamto

Yuli Siyamto

Tidak dikenal

Pada tabel 3 dilakukan percobaan dengan intensitas cahaya yang terang, untuk deteksi wajah semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o. Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis semua data uji berhasil dikenali, untuk Fisherface dan Principal Component Analysis dua data uji tidak dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis satu data uji tidak dikenali. Dari tabel 3 pengujian dengan ekspresi wajah normal algoritma Eigenface_PCA memiliki hasil akurasi yang paling tinggi dibandingkan dengan algoritma yang lainnya. Dalam penelitian uji ekspresi wajah senyum dilakukan dengan mengambil wajah pada saat sedang tersenyum.

Eigenfac e PCA

Fisherfac e PCA

Ahmad Fikri Andika

Ahmad Fikri Andika

Ahmad Fikri Andika

Anggiat Maruba

Anggiat Maruba

Anggiat Maruba

No.


Azlan

Azlan

Azlan

1.

Fajri Marindra

Fajri Marindra

Fajri Marindra

2.


Finanta

Finanta

Finanta

Fince Tinus

Tidak dikenali

Fince Tinus

Tabel 4 Pengujian Ekspresi Senyum

3.

4.

Nama

Ahmad Fikri Andika Anggia t Maruba Azlan

Deteks i Wajah Terdet eksi Terdet eksi Terdet eksi Terdet eksi

Eigenfac e PCA

Fisherfac e PCA

Ahmad Fikri Andika

Ahmad Fikri Andika

Ahmad Fikri Andika

Anggiat Maruba

Anggiat Maruba

Anggiat Maruba

Azlan

Azlan

Azlan


LBPH PCA

60


5.

6. 7. 8. 9. 10. 11 12. 13.

14. 15. 16. 17.

Fajri Marind ra Finanta Fince Tinus Firahmi Rizky Gustien tiedina Imam Saputra M. Bobbi M. Yusuf Mamed Rofend y Milfa Yetri Mukhta r Pak Edi

19.


20.

Siswan

21.


18.

22. 23.

24. 25.

Terdet eksi

Fajri Marindra

Fajri Marindra

Fajri Marindra

Terdete ksi Terdete ksi

Andika

Andika

Andika

Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi

Finanta

Finanta

Finanta

Anggiat Maruba

Anggiat Maruba


Azlan

Azlan

Anggia t Marub a Azlan



M. Yusuf

Fince Tinus Firahmy Rizky Gustientie dina Imam Saputra Tidak dikenali M. Yusuf

Tidak dikenali

Fajri Marindra

Finanta

Finanta

Fince Tinus Firahmi Rizky

Terdete ksi Terdete ksi Terdete ksi

Fince Tinus Firahmy Rizky

Fince Tinus Tidak dikenali

M. Yusuf

8.

Mamed Rofendy

Mamed Rofendy

Mamed Rofendy

9.

Gustient iedina

Terdete ksi

Gustientie dina

Gustientie dina


Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

10.

Imam Saputra

Terdete ksi

Imam Saputra

Imam Saputra

Pak Edi

Pak Edi

Pak Edi

11

M. Bobbi

Terdete ksi

M. Bobbi

M. Bobbi

Ribut Budi Tugiono



12.

M. Yusuf Mamed Rofendy


M. Yusuf

M. Yusuf

Mamed Rofendy

Tidak dikenali


Sandy

Sandy

Siswan

Siswan

Tidak dikenali Siswan




15.

Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

16.

Pak Edi

Pak Edi

Usti Fatimah

Usti Fatimah

Usti Fatimah

17.

Ribut Budi

Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Tidak dikenali Ribut Budi


Yennimar

Yennimar

Yennimar

18.

Terdete ksi

Tugiono

Saidi Ramadan

Yuli Siyamto

Yuli Siyamto

Yuli Siyamto

19.

Saidi Ramada n Sandy

Sandy

Sandy

20.

Siswan

Siswan

21.



Tidak dikenal Titing Indriati Tugiono

Usti Fatimah

Usti Fatimah

Yennimar

Yennimar

Yuli Siyamto

Yuli Siyamto

Pada tabel 4 dilakukan pengujian dengan ekspresi wajah senyum, untuk deteksi wajah semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o. Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis satu data uji salah pengenalan, untuk Fisherface dan Principal Component Analysis satu data uji tidak dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis satu data uji tidak dikenali. Dari tabel 4 dapat dilihat bahwa algortima Eigenface_PCA dan algoritma Fisherface_PCA memiliki nilai akurasi yang tinggi hanya terdapat satu kesalahan pengenalan wajah. Dalam penelitian uji ekspresi wajah senyum dilakukan dengan mengambil wajah pada saat sedang tertawa. Tabel 5 Pengujian Ekspresi Tertawa No. 1.

Nama Ahmad Fikri

Deteksi Wajah Terdete ksi

Eigenface PCA Ahmad Fikri

Fisherface PCA Ahmad Fikri

LBPH PCA Tidak dikenal i

2.

Andika

3.

Anggiat Maruba

4.

Azlan

5.

Fajri Marindr a Finanta

ISSN: 2502-6968

6. 7.

13.

14.

23.

Usti Fatimah


24.

Yennim ar Yuli Siyamto


22.

25.

Ribut Budi

Fajri Marind ra Finanta Fince Tinus Firahm y Rizky Tidak dikenal i Tidak dikenal i Tidak dikenal i M. Yusuf Mame d Rofend y Milfa Yetri Mukht ar Pak Edi Tidak dikenal i Saidi Ramad an Sandy Siswan Titing Indriati Tugion o Usti Fatima h Yenni mar Yuli Siyamt o

Pada tabel 5.8 dilakukan pengujian dengan ekspresi wajah tertawa, untuk deteksi wajah semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o. Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis satu data uji tidak dikenali dan satu data uji salah pengenalan, untuk Fisherface dan Principal Component Analysis semua empat data uji tidak dikenali dan untuk Local Binary Pattern Histogram


61


dan Principal Component Analysis empat data uji tidak dikenali. Dalam penelitian uji ekspresi wajah senyum dilakukan dengan mengambil wajah pada saat sedang marah. Tabel 6 Pengujian Ekspresi Marah No.

1. 2. 3. 4. 5.

6. 7. 8. 9. 10. 11 12. 13.

14.

Nama

Ahmad Fikri Andika Anggiat Maruba Azlan Fajri Marindr a Finanta Fince Tinus Firahmi Rizky Gustient iedina Imam Saputra M. Bobbi M. Yusuf Mamed Rofendy

15.

Milfa Yetri Mukhtar

16.

Pak Edi

17.

19.

Ribut Budi Saidi Ramada n Sandy

20.

Siswan

21.


18.

22. 23. 24. 25.

Usti Fatimah Yennim ar Yuli Siyamto

Deteksi Wajah

Eigenfac e PCA


Tidak dikenali Andika

Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Finanta


Milfa Yetri Mukhtar

Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi Terdete ksi

Fince Azlan Fajri Marindra

Fince Tinus Firahmy Rizky Gustienti edina Usti Fatimah M. Bobbi M. Yusuf Mamed Rofendy

Fisherf ace PCA Ahmad Fikri Tidak dikenali Anggiat Maruba Azlan Fajri Marindr a Finanta Fince Tinus Firahm y Rizky Tidak dikenali Tidak dikenali M. Bobbi M. Yusuf Mamed Rofend y Milfa Yetri Mukhta r Pak Edi

LBPH PCA Ahmad Fikri Andika Tidak dikenali Tidak dikenali Fajri Marindr a Tidak dikenali Tidak dikenali Firahmy Rizky Gustienti edina Imam Saputra M. Bobbi M. Yusuf Tidak dikenali

Sandy

Tidak dikenali Saidi Ramada n Sandy

Milfa Yetri Tidak dikenali Tidak dikenali Ribut Budi Saidi Ramada n Sandy

Siswan

Siswan

Siswan

Tidak dikenali Tugiono

Tidak dikenali Tugion o Usti Fatimah Tidak dikenali Yuli Siyamt o

Titing Indriati Tidak dikenali Usti Fatimah Yennima r Yuli Siyamto

Pak Edi Andika Saidi Ramadan

Usti Fatimah Yennima r Yuli Siyamto

Pada tabel 7 dilakukan pengujian dengan ekspresi wajah marah, untuk deteksi wajah semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o. Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis dua data uji salah pengenalan dan dua data uji tidak dikenali, untuk Fisherface dan Principal

ISSN: 2502-6968

Component Analysis lima data uji tidak dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis delapan data uji tidak dikenali dikenali. Dalam penelitian uji ekspresi wajah senyum dilakukan dengan mengambil wajah pada saat sedang sedih. Tabel 8 Pengujian Ekspresi Sedih No.

1. 2. 3.

4. 5.

6. 7. 8. 9. 10. 11 12. 13.

14. 15. 16. 17.

Nama

Ahmad Fikri Andika Anggia t Maruba Azlan Fajri Marind ra Finanta Fince Tinus Firahmi Rizky Gustien tiedina Imam Saputra M. Bobbi M. Yusuf Mamed Rofend y Milfa Yetri Mukhta r Pak Edi

19.


20.

Siswan

21.


18.

22. 23.

24. 25.


Eigenfac e PCA

Fisherfac e PCA

LBPH PCA

Ahmad Fikri Andika

Ahmad Fikri Andika

Ahmad Fikri Andika

Anggiat Maruba

Anggiat Maruba

Anggiat Maruba


Azlan

Azlan

Azlan

Fajri Marindra

Fajri Marindra

Fajri Marindra

Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi Terdet eksi

Finanta

Finanta

Finanta


Tidak dikenali Tidak dikenali Gustientie dina Tidak dikenali M. Bobbi


M. Yusuf

M. Yusuf

M. Yusuf

Mamed Rofendy

Mamed Rofendy

Mamed Rofendy


Milfa Yetri Mukhtar

Milfa Yetri Mukhtar

Tidak dikenali Ribut Budi Saidi Ramadan

Pak Edi

Milfa Yetri Tidak dikenali Pak Edi




Sandy

Sandy

Siswan

Siswan

Tidak dikenali Siswan




Usti Fatimah

Usti Fatimah

Usti Fatimah


Yennimar

Yennimar

Yuli Siyamto

Yuli Siyamto

Tidak dikenali Yuli Siyamto

Pada tabel 8 dilakukan pengujian dengan ekspresi wajah sedih, untuk deteksi wajah semua wajah terdeteksi selama wajah tegak lurus menghadap ke kamera dan tingkat kemiringan tidak lebih dari 15o.


62


Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis satu data uji tidak dikenali, untuk Fisherface dan Principal Component Analysis satu data uji tidak dikenali dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis satu data uji tidak dikenali. Dari tabel 8 dapat dilihat bahwa algoritma Eigenface memiliki nilai akurasi yang paling tinggi dibandingkan dengan algoritma yang lainnya. Dalam penelitian uji penggunaan aksesoris wajah dilakukan dengan mengambil wajah pada saat sedang menggunakan aksesoris kacamata hitam. Tabel 9 Pengujian Penggunaan Aksesoris Kacamata Hitam No . 1. 2. 3. 4. 5.

6. 7. 8. 9. 10. 11 12. 13.

Nama

Deteksi Wajah

Eigenfa ce PCA

Ahmad Fikri Andika Anggiat Maruba Azlan Fajri Marindra

Tidak

-

Fisherf ace PCA -

Tidak Terdetek si Tidak Terdetek si Tidak Tidak Terdetek si Tidak

Tidak dikenal Fajri Marindr a Tidak dikenal -

Tidak dikenal Tidak dikenal

Finanta Fince Tinus Firahmi Rizky Gustientiedi na Imam Saputra M. Bobbi M. Yusuf

Fince Tinus Fajri Marindr a Firahmy Rizky -

Tidak

-

-

-

Tidak Terdetek si Tidak

Ahmad Fikri -

M. Yusuf -

Tidak dikenal -

Terdetek si Tidak

Finanta

Tidak dikenal Mukhtar

Tidak Terdetek si Terdetek si

Ribut Budi Tugiono

Tidak Terdetek si Tidak

Siswan -

Tidak dikenal Tidak dikenal Tidak dikenal Saidi Ramada n Tidak dikenal -

Tidak Terdetek si Tidak Terdetek si

Yennim ar Tidak dikenal

Usti Fatimah Tidak dikenal

Tidak dikenal Yuli Siyamto

14.

Mamed Rofendy Milfa Yetri

15.

Mukhtar

16. 17.

Pak Edi Ribut Budi

18.

Saidi Ramadan

19. 20.

Sandy Siswan

21.

Titing Indriati Tugiono Usti Fatimah Yennimar Yuli Siyamto

22. 23. 24. 25.

Mukhtar

LBPH PCA -

Firahmy Rizky -

Tidak dikenal Saidi Ramada n Siswan -

Pada tabel 9 dilakukan percobaan dengan intensitas cahaya yang terang, untuk deteksi wajah hanya 10 yang terdeteksi sebagai wajah dan 15 data uji tidak terdeteksi sebagai wajah. Untuk ektraksi fitur dan pengenalan wajah menggunakan Eigenface dan Principal Component Analysis 5 data uji salah pengenalan dan satu data uji tidak, untuk Fisherface dan Principal Component Analysis tujuh data uji tidak

ISSN: 2502-6968

dikenali dan untuk Local Binary Pattern Histogram dan Principal Component Analysis enam data uji tidak dikenali. Dari semua hasil pengujian pada perhitungan di atas yang didasarkan pada berrbagai kriteria atau keadaan pengujian pengenalan wajah manusia melalui webcam secara realtime dapat dirangkum pada tabel 10. Tabel 10 Hasil Pengujian Cahaya Redup Cahaya Terang Ekspresi Normal Ekspresi Senyum Ekspresi Tertawa Ekspresi Marah Ekspresi Sedih Aksesoris Kacamata Hitam

Deteksi Wajah 100 %

Eigenface PCA 72 %

Fisherface PCA 64 %

LBPH PCA 60 %

100 %

100 %

92 %

96 %

100 %

100 %

92 %

96 %

100 %

96 %

96 %

96 %

100 %

92 %

84 %

84 %

100 %

84 %

80 %

68 %

100 %

96 %

88 %

88 %

40 %

16 %

12 %

16%

3. Kesimpulan Setelah dilakukan pengimplementasian sistem pengenalan wajah manusia melalui webcam secara realtime dengan menerapkan algoritma Principal Component Analysis maka dapat diambil beberapa kesimpulan sebagai berikut. 1. Proses ekstraksi fitur menggunakan algoritma Eigenface lebih memiliki tingkat akurasi yang lebih tinggi dibandingkan dengan algoritma Fisherface dan algoritma Local Binary Pattern dalam pengenalan wajah menggunakan algoritma Principal Component Analysis. 2. Proses pengenalan wajah sangat dipengaruhi oleh intensitas cahaya, intensitas cahaya yang terang dapat meningkatkan akurasi proses pengenalan wajah manusia secara realtime melalui webcam. 3. Algoritma Principal Component Analysis dengan Euclidean Distance dapat diterapkan pada sistem pengenalan wajah manusia secara realtime melalui webcam, 4. Ekspresi wajah manusia tidak terlalu berpengaruh pada proses pengenalan wajah secara realtime melalui webcam dengan tingkat akurasi diatas 80 %. 5. Penggunaan aksesoris wajah seperti kacamata hitam sangat mempengaruhi proses deteksi dan pengenalan wajah hingga tingkat akurasinya dibawah 20 %. Daftara Pustaka 1. Abidin, Z. dan Harjoko, A. (2011).”Facial Expression Recognition By Using Fisherface Methode With Backprogation Neural


63


Network”.IJCCS Indonesian Journal of Computing and Cybernetics System. 5 (1). 83-91. 2. Agarwal, M., Jain, Nikun., Kumar, M. dan Agrawal, H. (2010).”Face Recognition using Eigen Faces and Artificial Neural Network”. Internasional Journal of Computer Theory and Engineering. 2 (4). 624-629. 3. Al-Allaf, O. N. A. (2014).”Review of Face Detection System Based Artificial Neural Networks Algorithms”. IJMA The International Journal of Multimedia & Its Applications. 6 (1). 1-16. Al-Fatta, H. (2009).”Rekayasa Sistem Pengenalan Wajah”. Jl. Beo 38-40 : Andi Offset. 7-21. 4. Bonde, G. D., Firke, O. K. dan Attarde, G. L. (2014).”Comparison of The Performance Eigenface and Fisherface Algorithm”. IJECET Internasional Journal of Electronic and Communication Engineering & Technology. 5 (6). 53-60. 5. Delli, N., Sajja, S. dan Mooram, L. (2014).”An Efficient Person Identification System Using Face.” IJARCSMS Internasional Journal of Andvance Research in Computer Science and Management System. 2 (10). 271-277. 6. Elavarasan, N. dan Mani, K. (2015).”A Survey on Feature Extrection Techniques”. Internasional Journal of Innovative Research in Computer and Communication Engineering. 3 (1). 52-55. 7. Karamizadeh, S., Abdullah, S. M., Manaf, A. A., Zamani, Z. dan Hooman, A. (2013).”An Overview of Principal Component Analysis”. Journal of Signal and Information Processing. 4. 173-175. 8. Kekre, H. B., Sarode, T. K. dan Save, J. K. (2013).”Classification of Image Database Using Independent Component Analysis”.IJACSA Internasional Journal of Advanced Computer Science and Applications. 4 (7). 109-116. 9. Khan, A. dan Farooq, H. (2011).”Principal Component Analysis-Linear Discriminant Analysis Feature Extractor for Pattern Recognition”. IJCSI Internasional Journal of Computer Science Issue. 8 (6). 267-270. 10. Kumar, R. dan Singh, S. (2013).”Performance Comparison of EigenFaces vs. Fisher-Faces for Face Recognition”. Internasional Journal of Computer & Organization Trends. 3 (8). 314-317. 11. Muliawan, M. R., Irawan, B. dan Brianorman, Y. (2015).”Implementasi Pengenalan Wajah Dengan Metode Eigenface Pada Sistem Absensi”. Jurnal Coding, Sistem Komputer Untan. 3 (1). 4150.

ISSN: 2502-6968

12. Mulyono, T., Adi, K. dan Gernowo, R. (2012).”Sistem Pengenalan Wajah Dengan Metode Eigenface Dan Jaringan Syaraf Tiruan (JST)”. Berkala Fisika. 15 (1). 15-20. 13. Nindhi. (2015).”Image Processing and Object Detection”. IJAR Internasional Journal of Applied Research. 1 (9). 396-399. 14. Patel, R. dan Yagnik, S. B. (2013).”A Literature Survey on Face Recogniton Techniques”. IJCTT Internasional Journal of Computer Trends and Technology. 5 (4). 189-194. 15. Putra, D. (2010).”Pengolahan Citra Digital”. Jl. Beo 38-40 : Andi Offset. 19-44. 16. Rahim, M. A., Hossain, M. N, Wahid, T. dan Azam, M. S. (2013).”Face Recognition Using Local Binary Pattern (LBP)”. Global Journal of Computer Science and Technology Graphics & Vision. 13 (4). 17. Sahu, M. dan Verma, T. (2014).”Recognition of Object Using Principal Component Analysis”. IJARCSMS Internasional Journal of Advance Research in Computer Science and Management Studies. 2 (9). 180-186. 18. Saragih, R. A. (2007).”Pengenalan Wajah Menggunakan Metode Fisherface”. Jurnal Teknik Elektro Universitas Kristen Maranatha. 7 (1). 50-62. 19. Saudagare, P. V. dan Chaudhari, D. S. (2012).” Human Facial Expression Recognition Using Eigen Face and Neural Network”. IJEAT Internasional Journal of Engineering and Advanced Technology. 1 (5). 238-241. 20. sSingh, V., Shokeen, V. dan Singh, B. (2013).”Face Detection by Haar Cascade Classifier With Simple and Complex Backgrounds Images Using OpenCV Implementation”. IJATES Internasional Journal of Advanced Technology in Engineering and Science. 1 (12). 33-38 21. Uyun, S. dan Rahman, M. F. (2013).”Pengenalan Wajah Dua Dimensi Menggunakan Multi-Layer Perceptron Berdasarkan Nilai PCA dan LDA”. KOMPUTA Jurnal Ilmiah Komputer dan Informatika. 2 (1). 27-34.


64

ANALISA DAN PERANCANGAN APLIKASI PENGENALAN WAJAH MANUSIA MELALUI WEBCAM DENGAN MENERAPKAN ALGORITMA PRINCIPAL COMPONENT ANALYSIS

Recommend Documents