ANALISIS DAN IMPLEMENTASI ALGORITMA FISHERFACE PADA SISTEM PENGENALAN WAJAH UNTUK KEAMANAN HANDPHONE BERBASIS ANDROID
NASKAH PUBLIKASI
diajukan oleh Rebli Widiyanto 09.11.3240
kepada
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER AMIKOM YOGYAKARTA YOGYAKARTA 2013
ANALYSIS AND IMPLEMENTATION FISHERFACE ALGORITHM on FACE RECOGNITION SYSTEM FOR MOBILE SECURITY ANDROID BASED
ANALISIS DAN IMPLEMENTASI ALGORITMA FISHERFACE PADA SISTEM PENGENALAN WAJAH UNTUK KEAMANAN HANDPHONE BERBASIS ANDROID Rebli Widiyanto Emha Taufiq Luthfi Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA
ABSTRACT Face recognition is one of image processing application has been successful implemented in the field of security systems than fingerprint recognition and retina recognition. This final project take the face recognition as security based android smartphone. This application using camera smartphone to identify the user face for opening smartphone key and to protect personal application such as message conversation, photo, email or social networking applications. This application also features a password as a backup method if it fails to do facial recognition. If the capture face result match with face identity in database, then smartphone security key success opened. But, if not suitable then the key cannot opened. This final project use fisherface algorithm in pattern face classification. This algorithm is combined of principal component analysis (pca) with fisher linear discriminant (lda). Basic of this algorithm is dimension reduction which enlarge between class scalter to within-class scalter from characteristics of vector. More big the ratio, characteristics of vector generated more not sensitive to expression changes or light changes, so can produce a better classification. Keywords : face recognition, android, fisherface, pca, fld
1.
PENDAHULUAN Sebagai alat komunikasi yang sedang diminati masyarkat dunia, keamanan data
yang disimpan di dalam smartphone android seperti email, foto, dokumen sensitif dan lain-lain menjadi isu yang sangat penting. Isu ini menjadi semakin penting mengingat seringnya smartphone digunakan oleh orang lain, misalnya saudara ataupun teman dari sipemilik smartphone. Selain itu penggunaan sistem pembuka kunci dengan PIN dan pattern yang membentuk sebuah garis pola juga masih memiliki kelemahan, contohnya pemilik smartphone lupa dengan angka kombinasi PIN atau garis pola yang digunakan untuk membuka kunci keamanan smartphone. Pengenalan wajah (face recognition) merupakan salah satu teknologi biometrik yang sekarang telah diterapkan untuk banyak aplikasi dalam bidang keamanan, antara lain Access security system, Authentification system, hingga sebagai alat bantu dalam pelacakan pelaku kriminal. Namun dalam perkembangannya masih terdapat beberapa permasalahan, selain masalah komputasi dan kapasitas penyimpanan data, kondisi citra wajah yang menjadi masukan (input) sistem juga merupakan masalah yang penting. Beberapa aspek penting yang mempengaruhi kondisi citra wajah manusia diantaranya adalah pencahayaan, ekspresi wajah dan perubahan atribut seperti kumis, janggut dan kacamata. Pada tahun 1997, Peter N. Belhumeur, Joao P. Hespanha dan David J. Kriegman mengembangkan algoritma yang dinamakan Fisherface. Algortima ini merupakan gabungan dari metode Principal Component Analysis (PCA) dengan Fisher’s Linear Discriminant (FLD). Dasar dari algoritma ini adalah reduksi dimensi yang sekaligus 1
memperbesar rasio jarak antar kelas terhadap jarak intra kelas dari vektor ciri . Semakin besar rasio, vektor ciri yang dihasilkan semakin tidak sensitif terhadap perubahan ekspresi ataupun perubahan cahaya, sehingga dapat menghasilkan klasifikasi yang lebih baik. Selain dapat menghasilkan tingkat klasifikasi yang lebih baik, algoritma Fisherface ini juga performa dan waktu pemrosesan yang lebih cepat. Dengan kelebihannya, tentunya algoritma Fisherface ini cocok untuk diimplementasikan pada sistem pengenalan wajah yang berbasis pada smartphone android, sehingga ditulislah laporan skripsi dengan judul “Analisis Dan Implementasi Algoritma Fisherface Pada Sistem Pengenalan Wajah Untuk Keamanan Handphone Berbasis Android”.
1
Peter N Belhumeur et al, 1997. Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection
1
2.
LANDASAN TEORI
2.1
Pengenalan Wajah Sistem pengenalan wajah adalah aplikasi pengolahan citra yang dapat 2
mengidentifikasi atau memverifikasi seseorang melalui citra digital atau frame video . Saat ini sistem pengenalan wajah telah menjadi salah satu aplikasi pengolahan citra yang cukup popular terutama di dalam bidang keamanan seperti verifikasi kartu kredit dan identifikasi penjahat. 3
Sistem pengenalan citra wajah umumnya mencakup empat modul utama : 1. Deteksi wajah (face detection). 2. Penyelasaran wajah (Face Alignment) 3. Ekstraksi fitur (feature extraction) 4. Pencocokan (matching). 2.1.1
Deteksi Wajah Proses deteksi wajah merupakan salah satu bagian terpenting dalam sistem
pengenalan wajah. Sistem harus mampu mendeteksi keberadaan wajah pada citra dengan berbagai variasi pose, pencahayaan, ekspresi wajah dan atribut (kaca mata, kumis dan jenggot). 2.1.1.1 Metode Viola Jones Metode Viola-Jones merupakan salah satu metode pendeteksian objek yang cukup populer, yang dapat memberikan hasil dengan tingkat keakuratan yang cukup tinggi dan dengan kecepatan yang sangat tinggi. Metode ini, diusulkan oleh Paul Viola dan Michael Jones pada tahun 2001, dengan menggabungkan empat kunci utama untuk 4
mendeteksi suatu objek, yaitu :
2.1.2
1.
Fitur persegi sederhana, disebut fitur Haar
2.
Integral image untuk pendeteksian fitur dengan cepat
3.
Metoda AdaBoost machine-learning
4.
Cascade classifier untuk mengkombinasikan banyak fitur
Peyelarasan Wajah (Face Alignment) Pada proses pendeteksian wajah, citra wajah yang didapatkan masih berupa
perkiraan kasar atau masih memiliki kualitas yang cukup buruk seperti ukuran yang berbeda dengan ukuran normal, faktor pencahayaan yang kurang atau lebih, kejelasan 2
Krisna Gunawan, 2012. Perancangan Sistem Pengenalan Wajah Berbasis Algoritma Principal Component Analysis (PCA) 3 Stan Z. Li dan Anil K Jain. Handbook of Face Recognition, Springer Science+Business Media Inc, New York 2004, Hal 2. 4 Robin Hewitt, “How Face Detection Works” http://www.cognotics.com/opencv/servo_2007_series/part_2/sidebar.html diakses tanggal : 2 Juli 2013
2
citra yang buruk dan sebagainya. Sehingga perlu dilakukan proses penyelarasan.Proses penyelarasan wajah merupakan proses yang bertujuan untuk menormalisasi wajah dari citra wajah yang didapatkan dari proses pendeteksian wajah. Proses ini terdiri dari tahapan-tahapan sebagai berikut: 1. Grayscaling (tahap konversi citra warna menjadi warna abu) 2. Pemotongan (tahap pemisahan citra wajah dengan latar belakangnya) 3. Resizing (tahap normalisasi dimensi citra) 4. Equalizing (tahap koreksi tingkat kecerahan citra 2.1.3
Ekstraksi Fitur (Feature Extraction) Reduksi komponen atau fitur wajah dilakukan untuk mengurangi memori yang
dibutuhkan dan waktu komputasi. Ada dua cara yang digunakan yaitu pemilihan fitur (feature selection) dan ekstraksi fitur (feature extraction). Pemilihan fitur bertujuan untuk memilih sejumlah fitur yang banyak berpengaruh dari fitur yang ada. Sedangkan ekstraksi fitur di dapat dengan memproyeksikan fitur ke dalam dimensi yang lebih rendah. Fitur adalah segala jenis aspek pembeda, kwalitas atau karakteristik. Fitur bisa berupa simbolik (misal warna) atau numerik (misal intensitas). Terdapat dua jenis karakteristik yang disebut sebagai fitur dari sebuah citra: 1. Bagian global dari suatu citra. 2. Bagian khusus dari suatu citra. Terkadang fitur dari suatu citra tidak berhubungan langsung dengan bagiabagian yang terdapat pada citra tersebut tetapi masih mencerminkan karakteristik tertentu dari citra. Fitur wajah merupakan hasil suatu algoritma ekstraksi terhadap citra wajah. Ekstraksi fitur dilaksanakan dengan alasan: 1. Mengurangi data masukan (sehingga mempercepat proses dan mengurangi kebutuhan data). 2. Menyediakan sekumpulan fitur yang relevan untuk proses klasifikasi. 3. Mengurangi redudansi. 4. Menemukan variabel fitur yang menjelaskan data. 5. Menghasilakan representasi dalam dimensi yang lebih kecil dengan sedikit informasi yang hilang 2.1.4
Penyimpanan Fitur Proses penyimpanan fitur merupakan tahapan terakhir dari proses pelatihan citra
wajah. Proses ini berfungsi untuk menyimpan fitur hasil ekstraksi citra wajah yang ada di dalam database ke dalam sebuah file berekstensi *.xml. File inilah yang nantinya akan digunakan untuk proses pencocokan antara citra wajah yang diuji dengan hasil ekstraksi fitur yang terdapat pada file ini.
3
2.1.5
Pencocokan Pencocokan fitur adalah tahapan inti dari pada proses pengenalan citra wajah.
Proses ini merupakan proses pencocokan fitur dari citra uji dengan fitur citra wajah dari database, yang sebelumnya telah melalui proses pelatihan citra. Proses perbandingan ini dilakukan menggunakan metode pengenalan pola, salah satunya adalah metode nearest neighbours. 2.1.6
Reduksi Dimensi Citra dengan Algoritma Fisherface Metode Fisherface dikembangkan oleh Peter N. Belhumeur, João P. Hespana
dan David J. Kreigman pada tahun 1997 untuk mengatasi kelemahan metode Eigenface, khususnya untuk citra dalam variasi pencahayaan dan ekspresi wajah. Metode ini mentransformasikan vektor dari ruang citra berdimensi-n ke ruang citra berdimensi-m 2
dengan m < n . Dasar dari metode Fisherface ini adalah Fisher's Linear Discriminant (FLD). FLD ditemukan oleh Robert Fisher pada tahun 1936 untuk klasifikasi taksonomi dan menjadi salah satu teknik yang banyak digunakan dalam pengenalan pola (pattern recognition). FLD merupakan salah satu contoh metode class specific, karena metode ini berusaha untuk membentuk jarak (scatter) antar kelas dan intra kelas sehingga dapat 2
menghasilkan klasifikasi yang lebih baik . Fisher's Linear Discriminant yang menjadi dasar dari algoritma Fisherface memilih matriks transformasi W yang dapat memaksimalkan rasio antara determinan between-class scatter (SB) dengan within-class scatter (SW) dari vektor-vektor ciri melalui fungsi :
Wopt argmax w
| WS BW T | | WSWW T |
(2.1)
= [w1; w2; ....; wm] dimana [w1; w2; ....; wm] merupakan m buah vektor eigen (dalam bentuk vektor baris) dari rasio antara SB dengan SW, yang bersesuaian dengan m buah nilai eigen terbesar. Jika wi adalah vektor eigen dari rasio antara matriks SB dengan matriks SW dan di merupakan nilai eigen yang bersesuaian, maka :
SB wiT di SwwiT dimana i = 1...m dan d1 > d2 > ... > dm.
2 2
Ibid Ibid
4
Jika xi, i = 1...N adalah vektor citra dimensi-n dan masing-masing vektor citra merupakan anggota salah satu dari C kelas citra wajah {X1, X2, ..., XC} dan vektor u adalah rata-rata vektor citra yang dapat diperoleh dari persamaan :
1 N xi N i1
(2.2)
maka matriks SB dan matrik SW dapat diperoleh melalui persamaan berikut : C
SB Ni (i )T ( i )
(2.3)
i 1
C
SW
Ni
( x j i )T ( x j )
i 1 j 1,in j X i
(2.4)
dimana Ni adalah jumlah anggota kelas Xi dan μi adalah rata-rata citra anggota kelas Xi, i = 1...C. Suatu citra wajah dengan lebar dan tinggi masing-masing l dan t piksel mempunyai jumlah piksel sebanyak lxt. Tiap-tiap piksel dikodekan dengan nilai 0-255 sesuai dengan nilai tingkat keabuannya. Maka dapat dibentuk citra wajah berdasarka nilai keabuan tersebut yaitu :
gi =
dimana i = 1...N (banyaknya citra wajah) Setiap gi adalah anggota salah satu kelas wajah X. Jika terdapat C buah kelas wajah X maka terdapat Xj, dimana j = 1..C. Untuk setiap kelas wajah Xj terdapat Nj citra wajah, dimana j = 1..C dan N1 = N2 = Nj. Dengan demikian jumlah citra wajah adalah N1 + N2 + N3 + ... + Nc = N. Dari vektor citra wajah di atas dapat dibentuk suatu vektor baris citra wajah yaitu : xi = [a11 a12 ... alt ]
(1*N)
Dengan demikian vektor citra dikatakan berada dalam ruang citra dimensi-n, dimana i = 1...N. Selanjutnya adalah membentuk matriks input berdimensi N*n yang berisi kumpulan vektor baris citra yang akan digunakan dalam pelatihan dan pengujian. x1 x input 2 xN
(N*n)
Matriks input ini yang merupakan masukan untuk metode Fisherface. Berikut akan dijelaskan algoritma metode Fisherface.
5
2.2
Android Android adalah sebuah sistem operasi untuk perangkat mobile berbasis linux
yang mencakup sistem operasi, middleware dan aplikasi. Android menyediakan platform 5
terbuka bagi pengembang untuk menciptakan aplikasi mereka . 2.3
Open Source Computer Vision (OpenCV) Open Source Computer Vision (OpenCV) adalah sebuah library open source
multi-platform berlisensi BSD (Berkeley Software Distribution) yang bersifat gratis untuk digunakan baik di kegiatan akademik maupun komersial. Library
ini berfungsi untuk
mentransformasikan data dari citra diam atau kamera video ke salah satu keputusan atau representasi baru. OpenCV dirilis pada Januari 1999 oleh Visual Interactivity Group di Intel Microprocessor Research Lab. Tujuan dari pengembangan OpenCV adalah untuk membangun suatu komunitas open source computer vision dan menyediakan situs yang mendistribusikan upaya dari komunitas sehingga dapat dikonsolidasi dan dioptimalkan kinerjanya. 2.4
JavaCV JavaCV merupakan sebuah open source Java Interface untuk library OpenCV,
FFmpeg, libdc1394, PGR FlyCapture, OpenKinect, videoInput dan ARToolKitPlus. JavaCV memperbolehkan programmer untuk memanggil fungsi-fungsi OpenCV dengan menggunakan bahasa pemrograman java. Dalam penelitian skripsi ini menggunakan JavaCV versi 0.6. 2.5
HaarCascade Frontal Face HaarCascade Frontal Face adalah suatu library berupa file berekstensi .xml yang
diciptakan oleh Rainer Leinhart pada tahun 2000. Library ini mengadopsi metode ViolaJones yang memiliki fungsi untuk mendeteksi objek berupa wajah dengan posisi tegak 6
lurus ke depan . 3.
ANALISIS DAN PERANCANGAN SISTEM
3.1
Analisis Kebutuhan Sistem Analisis kebutuhan sistem digunakan untuk mengetahui kebutuhan-kebutuhan
apa saja yang diperlukan untuk merealisasikan sistem yang akan dibuat. Dibagian ini akan dibagi menjadi dua bagian yaitu analisis kebutuhan fungsional dan analisis kebutuhan non-fungsional. 3.1.1
Analisis Kebutuhan Fungsional
5
Nazaruddin Safaat H, Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android Informatika, Bandung 2012, Hal 1 6 Devy Chandra et al, 2011, Studi Pendeteksian Wajah Dengan Metode Viola Jones
6
Analisis kebutuhan fungsional adalah paparan mengenai fitur-fitur yang akan dimasukan ke dalam aplikasi yang akan dibuat. Kebutuhan fungsional juga berisi informasi-informasi apa saja yang harus ada dan dihasilkan oleh sistem. 3.1.2
Analisis Kebutuhan non-fungsional Analisis kebutuhan non-fungsional adalah bagian yang akan mendukung
jalannya proses pembuatan sistem aplikasi pengenalan wajah berbasis android. 3.2
Perancangan Sistem Perancangan sistem merupakan pemodelan secara umum tentang alur kerja
sistem yang akan dibuat. Perancangan ini mengidentifikasi secara rinci komponenkomponen sistem yang akan dibuat dan dari sini akan didapatkan gambaran yang jelas mengenai sistem tersebut. 3.2.1
Perancangan Pengenalan Wajah
Gambar 3.1 Diagram Blok Pengenalan Wajah Proses pengenalan wajah pada aplikasi ini terbagi menjadi dua bagian utama, yaitu proses pelatihan dan proses pencocokan. Pada proses pelatihan terdapat beberapa tahap yang dilakukan yaitu deteksi wajah, penyelarasan wajah, penyimpanan citra wajah ke dalam database, ekstraksi fitur dan penyimpanan hasil ekstraksi. Proses pencocokan memiliki beberapa tahapan yang sama seperti proses pelatihan, perbedaannya hanyalah pada proses pencocokan, karena tahapan ini adalah inti dari pengenalan wajah. 3.2.1.1 Deteksi dan Penyelarasan Wajah
7
Gambar 3.2 Diagram Proses Deteksi Wajah Proses deteksi wajah dilakukan untuk mencari area wajah pada citra yang ditangkap kamera, deteksi wajah ini menggunakan JavaCV dan library haarcascade frontal face. Setelah area wajah berhasil dideteksi, langkah selanjutnya menggambar garis persegi pada area yang terdeteksi sebagai wajah seperti yang terlihat pada gambar (3.3). Area wajah yang telah diberi garis persegi selanjutnya akan dipotong untuk mendapatkan bagian citra wajah.
Gambar 3.3 Ilustrasi Hasil Deteksi Wajah Agar proses pelatihan dapat dilakukan dengan baik citra wajah yang telah didapatkan harus melalui proses penyelarasan terlebih dahulu. Proses penyelarasan yang dilakukan adalah memperkecil ukuran citra wajah dan menaikan nilai histogram dari citra wajah.
Gambar 3.4 Ilustrasi Hasil Penyelarasan Wajah
8
3.2.1.2 Pelatihan Dengan Fisherface Pada proses ini algoritma fisherface akan melakukan pembelajaran terhadap citra yang telah disimpan ke dalam database. Hasil dari pembelajaran fisherface ini kemudian akan disimpan dengan format *.xml dan akan digunakan untuk proses pencocokan.
Gambar 3.5 Diagram Proses Pelatihan Fisherface 3.2.1.3 Pencocokan Proses pencocokan merupakan inti dari pengenalan wajah, dalam proses ini citra uji yang dimasukan akan dicocokan dengan hasil pembelajaran citra yang telah dilakukan dengan algortima fisherface tadi. Adapun diagram perancangan untuk proses pencocokan ini adalah sebagai berikut :
Gambar 3.6 Diagram Proses Pencocokan
9
3.2.2
Perancangan Use Case Diagram
Gambar 3.7 Use Case Diagram 3.2.3
Perancangan Activity Diagram
3.2.4
Perancangan Sequance Diagram
3.2.5
Perancangan Class Diagram
10
Gambar 3.8 Class Diagram
11
4.
IMPLEMENTASI DAN PEMBAHASAN
4.1 Implementasi Implementasi merupakan tahapan setelah melakukan analisis dan perancangan sistem pada siklus rekayasa perangkat lunak, dimana aplikasi siap untuk dioperasikan pada keadaan yang sebenarnya sehingga akan diketahui apakah program yang telah buat benar–benar dapat menghasilkan sebuah keluaran yang sesuai dengan tujuan yang diinginkan. 4.1.1
Uji Coba Sistem dan Program
4.1.1.1 Black Box Testing Pengujian Black Box Testing berfokus pada fungsi sistem, tentang kesalahan interface, fungsi, basis data atau kesalahan kinerja sistem. Pengujian dilakukan terhadap seluruh menu yang ada untuk mencari kesalahan, sehingga apabila ditemukan kesalahan dapat dilakukan perbaikan. 4.1.1.2 White Box Testing White box testing adalah meramalkan cara kerja perangkat lunak secara rinci, karena logical path (jalur logika) perangkat lunak akan dites dengan menyediakan test case yang akan mengerjakan kumpulan kondisi atau pengulangan secara spesifk. Secara sekilas dapat diambil kesimpulan white box testing merupakan petunjuk untuk mendapatkan program yang benar secara 100%. 4.1.1.3 Pengujian Pengenalan Wajah Berikut adalah hasil pengujian untuk pengenalan wajah : Tabel 4.1 Hasil Pengujian Pengenalan Wajah No
Status Cahaya
Kamera
Ekspresi
Atribut
Hasil
1
Terang
Depan
Senyum
Janggut
Berhasil masuk
2
Terang
Depan
Standar
Janggut, kacamata
Berhasil masuk
3
Cukup
Depan
Ekspresif
Janggut, kacamata
Berhasil masuk
4
Cukup
Depan
Senyum
Janggut, topi
Berhasil masuk
5
Redup
Depan
Standar
Janggut
Berhasil masuk
6
Redup
Depan
Senyum
Janggut, kacamata
Berhasil masuk
7
Gelap
Depan
Standar
Janggut
Gagal
8
Gelap
Depan
Senyum
Janggut, kacamata
Gagal
12
5.
PENUTUP
5.1
Kesimpulan Berdasarkan hasil analisis dan implementasi yang telah dilakukan, serta untuk
mengakhiri penelitian pada laporan skripsi yang berjudul “Analisis Dan Implementasi Algoritma Fisherface Pada Sistem Pengenalan Wajah Untuk Keamanan Handphone Berbasis Android” maka penulis dapat menarik kesimpulan sebagai berikut : 1. Untuk merancang aplikasi pengenalan wajah pada smartphone android dibutuhkan analisis sistem yang baik terutama pada tahap deteksi wajah, penyelarasan wajah dan pencocokan wajah. 2. Penggunaan
library JavaCV membuat pengimplementasian algoritma
Fisherface pada aplikasi pengenalan wajah berbasis android ini menjadi lebih mudah untuk dilakukan. 3. Algoritma fisherface untuk pengenalan wajah pada aplikasi ini tidak terpengaruh pada eskpresi, atribut wajah ataupun perubahan cahaya. 4. Aplikasi pengenalan wajah dengan algoritma fisherface berbasis android ini dapat digunakan sebagai kunci untuk membuka perangkat seluler android. 5. Aplikasi pengenalan wajah ini dapat digunakan untuk melindungi aplikasi yang terpasang di smartphone android. 5.2
Saran Dalam penulisan skripsi ini tentu masih terdapat banyak kekurangan, namun ini
tidak menutup kemungkinan untuk dapat disempurnakan pada pengembangan selanjutnya agar dapat meningkatkan fungsionalitas dan manfaat dari aplikasi ini. Beberapa hal yang mungkin dapat dilakukan untuk pengembangan aplikasi pengenalan wajah dengan algortima fisherface ini yaitu : 1. Peningkatan kecepatan deteksi dan perbaikan pada proses penyelarasan wajah. 2. Mengubah tampilan / interface yang lebih baik agar aplikasi ini dapat terlihat lebih menarik bagi pengguna. 3. Penambahan fitur PIN dan Pola sebagai metode unlock cadangan selain password. 4. Memblokir tombol Home pada fitur lock screen. 5. Meningkatkan akurasi untuk
verifikasi wajah
dengan menambahkan
algortima baru seperti Jaringan saraf tiruan ataupun algoritma klasifikasi lainnya.
13
DAFTAR PUSTAKA
Bradski, Gary dan Adrian Kaehler.2008.Learning OpenCV. Sebastopol: O’Reilly Media. Putra, Darma.2010.Pengolahan Citra Digital. Yogyakarta: Andi Offset. Safaat, N.2012. Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android. Bandung: Informatika. Z.Li, Stan dan Anil, K.Jain.2004. Handbook of Face Recognition. New York: Springer Science+Business Media Inc, Anonim.2010.How to Convert RGB to Grayscale. http://www.had2know.com/technology/rgb-to-gray-scale-converter.html. diakses tanggal 4 Juli 2013 Hewitt, R.2007.How Face Detection Works. http://www.cognotics.com/opencv/servo_2007_series/part_2/sidebar.html. diakses tanggal 2 Juli 2013 PL2N4.Pengenalan Android. http://pln24.wordpress.com/android/pengenalan-android/. diakses tanggal 10 Juni 2013 Ardiyanto, F.2007.Sistem Pengenalan Wajah Berbasis Metoda Fisherface.Laporan Tugas Akhir.Program Studi Teknik Elektro.ITB.Bandung Belhumeur, P.N., Joã, P.H dan David, J.K.1997.Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Trans. Pattern Anal. Machine Intell, vol. 19, pp 711-720 Chandra, D., Gaja, N.P dan Nugroho, L.A.2011.Studi Pendeteksian Wajah Dengan Metode Viola Jones.Laporan Skripsi.Jurusan Teknik Informatika. Universitas Bina Nusantara.Jakarta Gunawan, K.2012. Perancangan Sistem Pengenalan Wajah Berbasis Algoritma Principal Component Analysis (PCA).Laporan Tugas Akhir.Jurusan Teknik Komputer. Universitas Komputer Indonesia.Bandung Ramdani, D.2011.Aplikasi Perbandingan Algoritma Metode Fisherface Dengan Metode Eigenface Pada Sistem Pengenalan Pola Wajah.Laporan Skripsi.Jurusan Teknik Informatika. Universitas Komputer Indonesia.Bandung Restomi.2000.Optimasi Jaringan Saraf Tiruan Propagasi Balik untuk Pengenalan Citra Wajah Dua Dimensi Berbasis Fisherface Menggunakan Algoritma Gentika.Laporan Tugas Akhir.Fakultas Ilmu Komputer.Universitas Indonesia.Depok Semuil, T.2011.Pengenalan Wajah Pelanggan Toko.Seminar Nasional Aplikasi Teknologi Informasi.Yogyakarta
14
