PENGEMBANGAN APLIKASI SISTEM PENGENALAN WAJAH MENGGUNAKAN LOCAL BINARY PATTERN DENGAN VARIASI POSISI WAJAH

PENGEMBANGAN APLIKASI SISTEM PENGENALAN WAJAH MENGGUNAKAN LOCAL BINARY PATTERN DENGAN VARIASI POSISI WAJAH Ade Mahendra Lubis1; Jeffrey Joson2; Muhammad Zullidar3; Alexander A. S. Gunawan4 Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Bina Nusantara Jln. K. H. Syahdan No. 9, Palmerah, Jakarta Barat 11480 1 [email protected]; [email protected]; [email protected]; [email protected]

ABSTRACT

Many researchers in the field of artificial intelligence to develop a variety of methods including face recognition method. Face recognition can be performed by various methods. But with so many existing face recognition methods will cause confusion in the selection of the method will be applied. This thesis discusses the performance of Local Binary Pattern. Design method used is a rapid application development. Rapid application development flow chosen because it has a short application development, so application development can finish so quickly. And this method allows developers and researchers often interact so as to produce a good application and in accordance with the criteria of the researcher. In the test analysis performed on the speed and accuracy of face recognition process based on changes in the threshold value and the face angle positions. Local Binary Pattern is expected that this algorithm can be used for applications that have a processor with lower computing. The results obtained when used threshold of 75 and there are variations in face angle positions 0 and 45 degrees. Through the results it can be concluded Local Binary Pattern method can give good results in face recognition. Keywords: Face Recognition, Local Binary Pattern, Artificial Intelligence, Face Position Variation

ABSTRAK

Banyak peneliti pada bidang kecerdasan buatan yang mengembangkan berbagai metode termasuk di dalamnya metode pengenalan wajah. Pengenalan wajah dapat dilakukan dengan berbagai metode. Namun dengan begitu banyaknya metode pengenalan wajah yang ada akan menimbulkan kebingungan dalam pemilihan metode yang akan diterapkan. Skripsi ini membahas tentang performa

Local Binary Pattern. Metode perancangan yang digunakan adalah rapid application development. Rapid application development dipilih karena memilki alur pengembangan aplikasi yang pendek, sehingga pengembangan aplikasi dapat berlangsung dengan cepat. Dan metode ini memungkinkan pengembang dan peneliti sering berinteraksi sehingga dapat menghasilkan aplikasi yang baik dan sesuai dengan kriteria peneliti. Pada pengujian analisa dilakukan terhadap kecepatan proses pengenalan wajah serta ketepatan berdasarkan perubahan nilai threshold dan sudut posisi wajah. Diharapkan algoritma Local Binary Pattern ini dapat digunakan untuk aplikasi yang memilki prosesor dengan komputasi yang lebih rendah. Hasil yang didapatkan baik jika digunakan threshold 75 dan terdapat variasi posisi sudut wajah 0 dan 45 derajat. Melalui hasil tersebut dapat disimpulkan metode Local Binary Pattern dapat memberikan hasil yang baik dalam pengenalan wajah.

Kata kunci : Pengenalan Wajah, Local Binary Pattern, Kecerdasan Buatan, Variasi Posisi Wajah

PENDAHULUAN Latar Belakang Seiring dengan perkembangan teknologi informasi, kemajuan dibidang pemograman juga mengalami peningkatan kerumitan dan fungsi. Salah satu bidang yang sedang berkembang yaitu sistem pengenalan pola untuk otentifikasi pengguna. Pengenalan pola (Pattern Recognition) merupakan bidang studi yang melakukan proses analisis gambar yang input-nya adalah gambar ataupun citra digital yang menghasilkan output suatu deskripsi dengan tujuan untuk mendapatkan informasi yang disampaikan oleh gambar atau citra, dengan kata lain meniru kemampuan otak manusia dalam mengenali suatu objek atau pola tertentu untuk menghasilkan suatu informasi yang diperlukan (Gazali & Santoso, 2009). Salah satu sistem pengenalan pola yang sedang berkembang sekarang adalah sistem pengenalan biometrika yang menggunakan wajah. Wajah seseorang telah digunakan untuk proses pengenalan selain suara, sidik jari, maupun cara jalan. Bahkan saat ini berbagai karateristik biometrika lain secara aktif masih dikembangkan oleh para peneliti seperti: DNA, tanda tangan, retina mata, dan lain-lain (Fadlil & Yeki, 2010). Rumusan Masalah Dalam membangun suatu sistem pengenalan citra wajah banyak metode yang digunakan salah satu contohnya adalah Local Binary Pattern. Local Binary Pattern adalah salah satu metode pengenalan yang mulai banyak digunakan namun dengan begitu banyaknya metode yang ada menjadi sulit bagi pengembang aplikasi pengenalan citra wajah untuk menentukan metode mana yang lebih baik untuk diimplementasikan. Atas dasar hal tersebut, lahir pemikiran untuk membuat pengenalan citra wajah menggunakan metode Local Binary Pattern yang akan dapat dijadikan panduan peneliti maupun pengembang untuk menentukan metode mana yang sesuai untuk device yang mempunyai komputasi terbatas seperti smartphone, televisi, kulkas, dan perangkat keras lainnya. Dimana untuk menjalankan aplikasi pengenalan wajah dibutuhkan komputasi yang cukup kompleks untuk mendapatkan hasilnya. Oleh karena itu, alasan kami memilih metode Local Binary Pattern adalah proses komputasinya yang cepat dengan perhitungan integer dan tingkat keakuratan yang cukup baik jika dilihat dari tingkat kecepatan komputasinya. Tujuan dan Manfaat Tujuan penelitian ini secara rinci dapat disebutkan : • Mengembangkan metode pengenalan wajah menggunakan algoritma Local Binary Pattern dengan library OpenCV. • Melakukan analisa kondisi untuk mencari performa terbaik dengan menggunakan algoritma Local Binary Pattern pada variasi posisi wajah dan perubahan threshold. Perangkat lunak ini dapat menghasilkan manfaat sebagai berikut: • Sebagai tolak ukur penggunaan metode oleh peneliti dan pengembang aplikasi pengenalan citra wajah. • Sebagai bahan referensi pengembangan penelitian pengenalan citra wajah. Kajian Pustaka Local binary Pattern Operator LBP adalah salah satu deskriptor tekstur terbaik dan telah banyak digunakan dalam berbagai aplikasi. LBP telah terbukti sangat diskriminatif dan keuntungan utamanya, yaitu variasi untuk perubahan tingkat abu-abu monoton dan efisiensi komputasi, membuatnya cocok untuk tugas gambar menuntut analisis. Ide untuk menggunakan LBP untuk deskripsi wajah didukung oleh fakta wajah dapat dilihat sebagai komposisi pola mikro yang dapat dijelaskan oleh sebuah operator. Local Binary Pattern (LBP) didefinisikan sebagai ukuran tekstur gray-scale invarian, berasal dari definisi umum tekstur di daerah sekitar. Operator LBP dapat dilihat sebagai pendekatan kesatuan dengan model statistik dan struktur tradisional berbeda dari analisis tekstur. Secara sederhana, LBP adalah sebuah kode biner yang menggambarkan pola tekstur lokal. Hal ini dibangun dengan lingkungan batas dengan nilai abu-abu dari pusatnya (Ahonen, Hadid, & Pietikainen, 2004, pp. 2-3). Contoh komputasi LBP pada 3x3 pixel:

Gambar 1 Proses perhitungan pixel LBP Setiap pixel memiliki nilai hasil grayscale, kemudian dilakukan threshold berpusat pada titik tengah. Pixel yang memiliki nilai sama atau lebih dibandingkan dengan titik tengah diberi nilai 1 selain itu diberi nilai 0. Kemudian nilai LBP didapat dari penjumlahan dua pangkat nilai angka yang bernilai satu.

Gambar 2 Rumus komputasi LBP Operator pada LBP memiliki label yang ditandai dengan P dan R. P mewakili jumlah pixel tetangga yang digunakan dalam komputasi sementara R adalah radius antara pixel titik pusat dan pixel tetangga.

Gambar 3 Varian LBP Perpanjangan pada operator aslinya menggunakan Uniform Pattern. Untuk ini, ukuran keseragaman pola yang digunakan: U ("pola") adalah jumlah bitwise transisi dari 0 ke 1 atau sebaliknya ketika pola bit dianggap melingkar. Pola biner lokal disebut seragam jika ukuran keseragaman adalah 2. Misalnya, pola 00000000 (0 transisi), 01110000 (2 transisi) dan 11001111 (2 transisi) adalah seragam sedangkan pola 11001001 (4 transisi) dan 01010011 (6 transisi) tidak. Dalam pemetaan LBP seragam ada yang terpisah output label untuk setiap pola seragam dan semua non-seragam pola ditugaskan ke label tunggal. Dengan demikian, jumlah label output yang berbeda untuk pemetaan pola-pola.

Gambar 4 Uniform patterns Local Binary Pattern untuk Detection Tujuan deteksi adalah untuk menentukan lokasi dan besarnya wajah manusia pada gambar atau citra. Pada proses local binary pattern detection yang diterapkan OpenCV ada dua tahapan penting dalam mendeteksi wajah yaitu Multi-scale Block Local Binary Pattern dan Gentle AdaBoost. Multi-scale Block Local Binary Pattern Operator LBP asli label pixel dari suatu gambar dengan thresholding tetangga 3x3 masing-masing pixel nilai pusat dan mempertimbangkan hasil sebagai string biner atau angka desimal. Kemudian histogram dari label dapat digunakan sebagai deskriptor tekstur. Sebuah ilustrasi dari operator LBP dasar ditampilkan pada gambar 5. Multi-scale LBP merupakan pengembangan dari LBP, sehubungan dengan penggunaan pixel tetangga (Liao, Zun, Lei, Zhang, & Li, 2007, p. 3).

Gambar 5 Proses operator LBP dan MB-LBP(a) LBP operator dasar (b) 9x9 MB-LBP operator Dalam MB-LBP, operator perbandingan antara pixel tunggal dalam LBP hanya diganti dengan perbandingan antara nilai-nilai abu-abu rata-rata pada sebagian daerah. Setiap wilayah sub blok persegi yang mengandung pixel tetangga. Keseluruhan filter terdiri dari 9 blok. kita mengambil ukuran s sebagai parameter, dan S X S yang menunjukkan skala operator MB-LBP (khususnya, 3 x 3 MB-LBP sebenarnya adalah LBP asli). Perhatikan bahwa nilai-nilai skalar dari rata-rata selama blok dapat dihitung sangat efisien dari tabel. Untuk alasan ini, MB-LBP ekstraksi fitur juga bisa sangat cepat karena hanya menimbulkan biaya lebih sedikit dari 3 x 3 LBP operator. Pada gambar 6 diberikan contoh MB-LBP gambar wajah disaring oleh 3 x 3, 9 x 9 dan 15 x 15 blok. Dari contoh ini kita bisa melihat pengaruh parameter s. Untuk skala kecil, lokal, pola mikro dari struktur wajah juga terwakili, yang bermanfaat untuk membedakan rincian lokal wajah. Di sisi lain, menggunakan daerah ratarata nilai daerah, filter skala besar mengurangi kebisingan, dan membuat representasi yang lebih kuat, dan informasi skala besar memberikan informasi melengkapi rincian skala kecil. Tapi banyak informasi diskriminatif juga turun. Biasanya, filter dari berbagai skala harus hati-hati dipilih dan kemudian disatukan untuk mencapai kinerja yang lebih baik.

Gambar 6 Perbedaan citra pada jenis MB-LBP(a) gambar awal (b) 3x3 MB-LBP (c) 9x9 MB-LBP (d) 15x15 MB-LBP Pada gambar 7 menunjukkan MB-LBP fitur untuk gambar perbedaan intra-personal dan ekstrapersonal (piksel yang terang menunjukkan perbedaan yang lebih besar). Perbedaan gambar digunakan untuk menunjukkan kekuatan diskriminatif dari MB-LBP.

Gambar 7 Perbedaan citra pada intra dan extra personal image (a)(b)gambar intra-personal image (c)(d)(e)hasil gambar dari 3x3,9x9,15x15 MB-LBP (f)(g)gambar extra-personal image (h)(i)(j)hasil gambar dari 3x3,9x9,15x15 MB-LBP Gentle AdaBoost Gentle AdaBoost merupakan pengembangan dari metode AdaBoost. Gentle AdaBoost menggunakan regresi pangkat terkecil untuk meminimasi fungsi (Ferreira, 2007, pp. 6-7). Tujuan gentle adaboost adalah menentukan suatu fungsi yang mewakili seluruh hasil data training yang telah dimasukkan. Kemudian dari hasil fungsi tersebut ditentukan batas error yang digunakan sebagai tolak ukur data input baru.

Gambar 9 Fungsi garis terbentuk dari AdaBoost

Gambar 10 Proses klasifikasi AdaBoost Local Binary Pattern Histogram untuk Recognition Pada proses LBP, dibentuk histogram dengan menambahkan nilai setiap blok sesuai dengan pola biner yang sama. Pola biner tersebut yang digunakan berdasakan pattern uniform yang digunakan. Pada prakteknya suatu image dibagi menjadi beberapa bagian/blok. Hal ini dilakukan untuk mempercepat proses komputasi yang dilakukan. Pada Gambar 11, proses ekstrasi wajah dilakukan dengan menggunakan local binary pattern. Uniform pattern yang digunakan adalah 2. Alasan digunakan pengambilan pola biner hanya pada U2 karena pola biner U2 mewakili sekitar 80% dari jumalh pixel yang ada (Lopez, 2010, p. 9). Sehingga hal ini tidak mengganggu proses identifikasi wajah. Dari 8 biner terdapat 256 pola biner yang di dapat dari 2 pangkat 8. Namun pola biner uniform pattern 2 hanya terdapat 58 pola biner uniform. Tapi perlu ditambah kan 1 lagi sebagai non-uniform sebagai perwakilan dari semua pola non-uniform. Sehingga jumlah bin yang digunakan adalah 59 bin.

Gambar 11 Proses penentuan nilai pada LBP a) Contoh gambar wajah b) LBP image label c) Histogram LBP uniform pattern 2\ Euclidean Distance Euclidean distance adalah matrik yang paling sering digunakan untuk menghitung kesamaan 2 vektor. Euclidean distance menghitung akar dari kuadrat perbedaan 2 vektor (Picas, 2008). Rumus dari euclidian distance:

Gambar 12 Rumus Euclidean distance OpenCV OpenCV (Open Computer Vision) adalah program opensource berbasiskan C++ yang saat ini banyak digunakan sebagai program computer vision. Dengan OpenCV dapat membuat interaksi antara manusia dan computer, misalnya wajah dari manusia dideteksi oleh camera/webcam, lalu di proses oleh computer, untuk melakukan aksi tertentu seperti mengikuti/mengenal wajah orang tersebut. Kesemuanya itu membutuhkan openCV sebagai program utama antara webcam dan perangkatnya yaitu computer maupun smartphone. Library ini terdiri dari fungsi-fungsi computer vision dan API (Aplication Programming Interface) untuk image processing high level maupun low level dan sebagai optimisasi aplikasi realtime FLTK The Fast Light Toolkit (FLTK, diucapkan fulltick) adalah sebuah library cross-platform antarmuka pengguna grafis (GUI) yang dikembangkan oleh Bill Spitzak dkk. Dibuat untuk mengakomodasi pemrograman grafis 3D, ia memiliki antarmuka untuk OpenGL, tetapi juga cocok untuk pemrograman GUI umum.

METODE PENELITIAN Metodologi yang digunakan dalam penulisan skripsi untuk analisa perbandingan performa pengenalan wajah Local Binary Pattern pada variase posisi wajah meliputi dua bagian pokok yaitu: 1. Metode Pengumpulan Data Pada metode ini akan dilakukan pengumpulan data dan informasi dengan cara menggunakan studi pustaka. Studi pustaka dilakukan untuk medapatkan informasi sebagai bahan referensi serta sebagai bukti otentik dan studi kasus di lingkungan yang bersangkutan. Hal ini dapat digunakan untuk membantu dalam merancang aplikasi. 2. Metode Perancangan Berdasarkan metode rapid application development yang merupakan salah satu model yang cukup dikenal dalam dunia rekayasa perangkat lunak terdapat tahapan yang dilakukan dalam pengembangan perangkat lunak(Mulyanto, 2008): • User Requirements

•

•

Pada tahap ini developer dan klien bertemu dan menentukan tujuan umum, kebutuhan yang diketahui dan gambaran bagian-bagian yang akan dibutuhkan berikutnya. Detil kebutuhan mungkin tidak dibicarakan pada tahap ini. Develope Prototype Pada tahap ini dilakukan perancangan prototype sistem oleh developer, perancangan sistem dilakukan secara cepat dan rancangan diusahakan mewakili semua aspek software yang telah diketahui. Revise Prototype Pada tahap ini dilakukan evaluasi prototype sistem. Apabila prototype sistem yang telah dikembangkan sesuai dengan tujuan maka prototype tersebut dapat digunakan, akan tetapi jika prototype tersebut tidak sesuai, maka prototype tersebut akan dilakukan revisi dan digunakan sebagai acuan dalam memperjelas kebutuhan software dan kemudian dikembangkan prototype selanjutnya. Siklus ini (develop-revise prototype) akan terus berlangsung hingga didapatkan prototype sistem yang sesuai dengan kebutuhan user.

HASIL DAN BAHASAN Proses deteksi untuk video dilakukan setelah file video yang ingin dikenali dipilih. Video akan diputar window baru yang muncul pada saat file video dipilih. Waktu pemutaran dari video mungkin tidak berjalan realtime karena bergantung pada waktu yang dibutuhkan untuk proses deteksi dan pengenalan, serta jumlah frame perdetik yang dimiliki oleh video tersebut. Hal ini mengakibatkan video dapat berjalan lebih lambat dari seharusnya. Proses pengenalan citra wajah yang terdeteksi dilakukan secara otomatis oleh sistem untuk setiap frame yang ditangkap oleh sistem. Proses simulasi dilakukan dengan menggunakan nilai threshold sebesar 75, 100, 125, 150, 175 serta variasi posisi wajah yang ditunjukan pada tabel 1.

Variasi I II III IV V

Tabel 1 Variasi data training Variasi Sudut Pengambilan Sisi Kiri Sisi Depan Sisi Kanan 45o 0o 45o o o o 30 , 60 0 30o, 60o o o o o 30 , 60 -15 , 15 30o, 60o o o o o o 45 , 60 , 75 -15 , 15 45o, 60o, 75o o o o o o o o 30 , 45 , 60 , 75 -15 , 0 , 15 30o, 45o, 60o, 75o

Pada tabel 2, hasil pengenalan citra wajah dengan menggunakan variasi pose V dan threshold sebesar 75, 100, 125, 150, 175 ditunjukkan pada Tabel 2. Tabel 2 Hasil pengenalan citra wajah secara keseluruhan untuk setiap sampel dengan seluruh variasi pose wajah dan threshold Presentase Jumlah Jumlah No. Inisial Nama Dikenali Berhasil 1. 2. 3. 4. 5. 6. 7. 8. 9. 10.

AT AW HR LE NK RT SF SV WL YV Total

799 738 1006 240 503 152 173 576 630 414 5231

471 411 583 176 316 136 88 414 397 329 3321

58.95% 55.69% 57.95% 73.33% 62.82% 89.47% 50.87% 71.88% 63.02% 79.47% 63.49%

Berdasarkan hasil simulasi di atas, maka dapat dihitung keakuratan sistem dalam mengenali setiap wajah yang terdeteksi adalah:

Keakuratan pengenalan dilihat dari keberhasilan pengenalan berdasarkan nilai threshold dihitung dengan rumus berikut:

Hasil perhitungan keakuratan berdasarkan nilai threshold dan variasi pose yang digunakan adalah variasi pose V ditunjukkan pada Tabel 3. Tabel 3 Hasil simulasi berdasarkan variasi nilai threshold No.

Nilai Threshold

Jumlah Dikenali dalam Batas Threshold

1. 2. 3. 4. 5.

75 100 125 150 175

202 524 1220 1593 1692

Jumlah Berhasil

% keakuratan

202 464 785 925 945

100% 88.55% 64.34% 58.07% 55.85%

Dari hasil simulasi variasi nilai threshold pada tabel 4.6 didapat threshold 75 memiliki akurasi tertinggi dan jumlah dikenali tertinggi pada nilai threshold 175. Simulasi pengambilan tabel 4 menggunakan semua variasi pose I sampai V. Nilai threshold yang digunakan adalah 100 karena dilihat dari sensitivitas pengenalan yang cukup baik serta akurasi yang cukup tinggi.

Variasi I II III IV V

Tabel 0 Hasil simulasi berdasarkan variasi data training Jumlah Dikenali Jumlah Berhasil % keakuratan 335 288 85.97% 317 252 79.50% 434 375 64.54% 506 450 88.93% 524 464 88.55%

Maka dapat diambil kesimpulan secara umum terhadap hubungan jumlah data training citra wajah dan nilai threshold adalah sebagai berikut: 1. Semakin banyak citra wajah yang digunakan dalam melakukan training untuk setiap sampel, maka pengenalan akan semakin baik. Dapat dilihat pada hasil penelitian melakukan variasi perubahan data training set yang digunakan. 2. Semakin rendah nilai threshold, kemiripan citra wajah masukan dengan citra wajah didalam data training semakin tinggi, tetapi dapat mengurangi keberhasilan pengenalan (semakin sulit untuk dikenali). 3. Semakin tinggi nilai threshold, semakin tinggi kemungkinan mengenali citra wajah masukan dengan citra wajah di dalam data training, tetapi semakin tinggi kemungkinan kesalahan. 4. Pada tabel 4.5 didapatkan hasil dari setiap wajah. Hasil ini dapat disimpulkan data training wajah yang terlihat telinganya lebih banyak dikenali dibanding yang tidak terlihat telinganya. 5. Pada tabel 4.7 didapatkan hasil dari setiap wajah. Hasil ini dapat disimpulkan variasi yang memiliki data training dengan sudut posisi wajah 45o lebih tinggi tingkat akurasinya dibandingkan yang tidak memiliki data training wajah dengan sudut 45o. Kegagalan dalam pengenalan dapat disebabkan oleh beberapa hal berikut: 1. Citra digital yang kurang jelas atau mengalami gangguan (noise) yang berlebihan.

2. 3.

Adanya kemiripan antara wajah yang satu dengan yang lainnya. Variasi sudut putaran kepala yang tidak tersedia di dalam data training.

SIMPULAN DAN SARAN Simpulan Berdasarkan hasil analisis terhadap data yang telah diperoleh pada penelitian ini, maka diambil kesimpulan sebagai berikut: 1. Semakin banyak citra wajah yang digunakan dalam melakukan training untuk setiap sampel, maka pengenalan akan semakin baik, tetapi waktu proses untuk training data wajah meningkat. 2. Semakin rendah nilai threshold, kemiripan citra wajah masukan dengan citra wajah di dalam data training semakin tinggi, tetapi semakin sulit mengenali. 3. Semakin tinggi nilai threshold, semakin tinggi kemungkinan mengenali citra wajah masukan dengan citra wajah di dalam data training, tetapi semakin tinggi kemungkinan kesalahan. 4. Kesalahan dalam melakukan pengenalan dapat terjadi karena kemiripan antara dua atau lebih sampel yang berbeda. 5. Variasi yang memiliki data training dengan sudut posisi wajah 45o lebih tinggi tingkat akurasinya dibandingkan yang tidak memiliki data training wajah dengan sudut 45o. Hal ini disebabkan pada sudut posisi wajah tersebut kedua mata, hidung serta telinga terlihat dengan jelas dibandingkan posisi sudut wajah yang lainnya. 6. Metode Local Binary Pattern dapat digunakan untuk menyelesaikan masalah pengenalan citra wajah dengan pose yang bervariasi, dengan bantuan pendeteksian wajah secara multi-pose dan pembagian tugas kerja modul LBP berdasarkan pose yang ditangkap. Dengan menggunakan data training set yang memiliki seluruh jenis variasi posisi wajah, hasil terbaik penggunaan LBP dalam penelitian ini adalah melakukan pengenalan dengan akurasi sebesar 100% untuk nilai threshold sebesar 75, dan hasil terendahnya adalah melakukan pengenalan dengan akurasi sebesar 55.85% untuk nilai threshold sebesar 175. Saran Berikut beberapa saran yang diajukan untuk penggunaan ataupun pengembangan aplikasi ini adalah: 1. Penggunaan aplikasi LBP, disarankan: - Posisi wajah yang akan dijadikan data training, diambil dengan sudut -45o , 0o , dan 45o . - Untuk mendapatkan kepekaan dan akurasi yang baik, gunakan threshold dengan nilai 100. 2. Untuk penelitian selanjutnya, disarankan: - Melakukan penelitian pengenalan wajah dengan rotasi wajah terhadap sumbu z. 3. Pengambilan citra masih dilakukan dengan variabel-variabel yang masih terkontrol. Perlu adanya pengembangan dari sisi proses normalisasi (alignment wajah) dengan algoritma yang lebih baik. 4. Pada penelitian ini, pengambilan citra dilakukan dengan posisi kamera ditempatkan sejajar dengan rata-rata ketinggian kepala manusia. Dalam prakteknya, perlu dikembangkan pose wajah yang diambil. 5. Pada penelitian selanjutnya diharapkan metode Local Binary Pattern dapat digabungkan dengan metode pengenalan wajah lainnya untuk mendapatkan hasil yang lebih akurat lagi.

REFERENSI Ahonen, T., Hadid, A., & Pietikainen, M. (2004). Face Recognition with Local Binary Patterns. SpringerVerlag Berlin Haidelberg, 1-13. Fadlil, A., & Yeki, S. (2010). SISTEM VERIFIKASI WAJAH MENGGUNAKAN JARINGAN SARAF TIRUAN LEARNING VECTOR QUANTIZATION. Jurnal Informatika, 4(2), 480-487. Ferreira, A. (2007, October 12). Survey on Boosting Algorithms for Supervised and Semi-supervised Learning. Retrieved from ISEL: http://www.deetc.isel.ipl.pt/sistemastele/docentes/AF/Textos/RT/SurveyBoosting.pdf Gazali, W., & Santoso, D. (2009, JANUARI). PENERAPAN METODE LAPLACIANFACES PADA KOMPUTER UNTUK PENGENALAN WAJAH. Jurnal Mat Stat, 9(1), 42-53. Liao, S., Zun, X., Lei, Z., Zhang, L., & Li, S. Z. (2007). Learning Multi-scale Block Local Binary Patterns for Face Recognition. Retrieved from CBSR: http://cbsr.ia.ac.cn/ Lopez, L. S. (2010). Local Binary Paterns applied to Face Recognition and Detection. Barcelona: Technical University of Catalonia. Mulyanto, A. D. (2008). Rekayasa Perangkat Lunak (Vol. 1). Jakarta: Direktorat Pembinaan Sekolah Menengah Kejuruan. Picas. (2008, July 29). Euclidian Distance. Retrieved from Computer and Technology (image processing): http://picasline.wordpress.com/2008/07/29/euclidian-distance/

RIWAYAT PENULIS Ade Mahendra Lubis, lahir di Jakarta, 7 November 1989, penulis menamatkan pendidikan sarjana (S1) di Universitas Bina Nusantara dalam bidang Teknik Informatika. Jeffrey Joson, lahir di Jakarta, 27 oktober 1991, penulis menamatkan pendidikan sarjana (S1) di Universitas Bina Nusantara dalam bidang Teknik Informatika. Muhammad Zullidar, lahir di Pontianak, 14 Juli 1991, penulis menamatkan pendidikan sarjana (S1) di Universitas Bina Nusantara dalam bidang Teknik Informatika. Saat ini bekerja sebagai Research and Development Staff di Software Laboratory Center, Universitas Bina Nusantara.