A
SISTEM ABSENSI BERBASISKAN PENGENALAN WAJAH SECARA REALTIME MENGGUNAKAN WEBCAM DENGAN METODE PCA Heri Pratikno
AY
Program Studi Sistem Informasi, STIKOM Surabaya, email:
[email protected]
SU
R
AB
Abstract: Face can be considered as part of biometric system which is used in computing processes for tracking, recognition, expression and pose estimation in computer vision. Face recognition has become an attraction and a lot of dedicated research in this field has been done since a decade ago. This is mainly because face recognition does not require direct physical contact interaction between human and computer input sensor, problems in face recognition system are quite dynamic and complex. This is caused by several factors, including: indoor lighting conditions, angle of view of the camera, the speed of head movement and facial expression changes. Several methods for face recognition, for example: Gabor filter, PCA, LDA, subspace LDA, Neural Network and Fuzzy. Differences of these methods depend on the end result that is desired, such as computing speed, accuracy and durability. This study applied the PCA method that is commonly referred to as the application of the Eigenface. The PCA method was chosen due to that realtime attendance system required simplicity, speed and accuracy. The results showed that realtime facial recognition to the input face examined in ten different actors have avarage confidence values 0.97 with an average accuracy of 97.67%. The speed of detection for each image is 0.25 ms. Keywords: Face Recognition, Principal Component Analysis, Eigenface
ST
IK
O
M
Teknologi biometrik digunakan untuk proses identifikasi secara otomatis dan verifikasi berdasarkan perilaku (behavioral) atau ciri-ciri fisik (physical traits) dari seseorang. Dimana biometrik memvalidasi identitas orang dengan cara menghitung karakterstik individu seseorang yang bersifat unik sehingga menjadi berbeda dengan yang lainnya. Biometrik berdasarkan karakteristik perilaku lebih mencerminkan kondisi psikologis individu, misalkan : gaya berjalan, tanda-tangan dan pola bicara. Sedangkan biometrik yang berkarakteristik fisiologis relatif lebih stabil daripada karakteristik perilaku, diantaranya: wajah, sidik-jari, retina, iris dan sebagainya. Pelacakan wajah manusia pada penelitian sebelumnya, menggunakan kombinasi antara algoritma CamShift dan Gabor Filter, hasil pengujian sistemnya mencapai keakuratan sebesar 79,31% [Lim, R. 2007]. Sedangkan pengenalan wajah dengan metode subspace LDA yang menerapkan kombinasi metode PCA (Principal Components Analysis) dan LDA (Linear Discriminant Analysis) paling akurat
mempunyai rata-rata pengenalan 95,7% [Azizah, R.N. 2009]. Aplikasi absensi kuliah berbasis identifikasi wajah menggunakan metode Gabor Wavelet pada penelitian lain, hasil pengujian pose frontal memiliki prosentase pengenalan rata-rata 97% [Kurniawan, A. 2011]. Sedangkan penelitian lain yang terkait dengan deteksi dan pengenalan wajah secara real-time menggunakan Haar-Cascade Classifier dan PCA. Dengan pencahayaan normal dan data latih tiap orang sebanyak 25 image mempunyai prosentase pengenalan rata-rata 88% [Dabhade, S.A. 2012]. Pada penelitian ini akan dibuat suatu sistem yang bisa mendeteksi (detection), melacak (tracking) serta mengenali wajah (face recognition) seseorang yang digunakan sebagai media verifikasi untuk absensi jam kedatangan dan kepulangan (time attendance) dalam organisasi atau perusahaan. Dalam proses input komputasinya tidak perlu ada interaksi kontak secara fisik antara manusia dengan komputer sehingga berbeda dengan sistem finger-print. Implementasi dari sistem absensi tersebut dilakukan secara otomatis dalam waktu
A
Gambar G 1. Detteksi wajah denngan Haar Casscade Claassifier
AB
AY
Pengkklasifikasi Haar Caascade tersimpan t padaa file dengan ekstensi XML L yang berfungsi b unntuk memuttuskan bagaaimana pengklasifikasi p ian masing – masing lokasi keberadaan k im mage. Pengklassifikasi yang bbisa di download d adaa beberapa m macam, diantarranya: pengklasifikasi p i wajah tamppak depan (ffrontal face), f klasifikkasi profil waajah (profile face), pengklasifikasi p i seluruh tuubuh (full boody / pedestrian), p peengklasifikasi untuk tubuh bbagian atas a (upper bbody) dan peengklasifikasi tubuh bagian b bawah ((lower body). Pada OpenCV, peengklasifikasi Haar Cascade C Classsifier untuk mendeteksi wajah tampak t depan ada beberapaa pilihan yangg bisa dimanfaatkan d : “haarcasccade_frontalfaace_default.xml” “haarcasccade_frontalfaace_alt.xml” “haarcasccade_frontalfaace_alt2.xml” “haarcasccade_frontalfaace_alt_tree.xm ml” Keempat K klasiifikasi tersebuut akan memberikan hasil h deteksi yaang berbeda-beeda, tergantungg pada program p dan kondisi linggkungan sekittarnya. Bahkan B untuk meningkatkann akurasi deteksi dari sebuah s prograam, keempat klasifikasi teersebut bisa b digunakaan secara berrsama-sama. S Secara umum u algoritm ma pendeteksi wajah tampakk pada gambar g 2.
SU
R
nyata (realtime) menggu unakan kamera tunggal de Principal Component C (webcam) dengan metod ( Diman na database hasil h dari Analysis (PCA). presensi tersebut t bisa direpresentasikan dan diakses lew wat web. Mengapa M peng genalan wajaah pada absensi in ni menggunakaan metode PC CA yang biasa juga disebut dengaan Eigenface ?, karena Eigenface metode sederhana, mudah punyai kompu utasi yang diimplemettasikan, memp cepat dengan akurasi yan ng cukup tinggii. Baatasan masalaah pada penellitian ini, diantaranyaa: proses deeteksi dan peengenalan wajah si aktor a hanya satu s orang daalam satu waktu (sin ngle-face), belu um diuji-cobaakan pada orang kem mbar secara fissik serta tidak memberi nama atau labelisasi ben ntuk perubahan n ekspresi wajah dari aktor. ntuk mening gkatkan akuraasi pada Un penelitian berikutnya bisa dimplem metasikan pa metode yang y ada, kombinasi dari beberap fu subspace LDA. Dimanaa subspace misalkan fuzzy LDA merupakan kom mbinasi antaraa metode CA) dan Principal Component Analysis (PC near Discriminat Analysis (LD DA). metode Lin Pengenalan P waj ajah yang berk karakteristik fisiolog gis saat ini paling stabil dan akurat adalah berb basiskan iris mata m karena leebih tahan (robust) teerhadap perubahan usia, un nik antara orang satu u dengan yang g lainnya serta mampu mengenali orang kembar secara fisik.
M
TEORI DASAR D Metode Pendeteksi P Wajah W
ST
IK
O
Metode M yang g digunakan dalam penelitian ini untuk mendeteksi m keeberadaan wajah dari sebuah imagee yang berasal dari foto, h capturin ng image file gambar maupun hasil gsung dari sebu uah kamera adaalah Haar secara lang Cascade Classifier. C Diimana fungsi detektor wajah akan n memeriksa masing m - masiing lokasi image gun na mengklasifik kasikan apakaah sebagai area wajah atau area bukaan wajah. wajah meng gklasifikasikan Dalam pengklasifiikasi akan meenggunakan sk kala yang tetap, missalkan 50x50 0 piksel. Dik karenakan image wajaah bisa lebih beesar atau lebih kecil dari pen-skalaan n yang telaah ditetapkan n, maka pengklasifiikasi akan beru usaha untuk mendeteksi m beberapa kali k diatas image wajah gunaa mencari wajah diberbagai skala.
Gambar 22. Diagram alirr deteksi wajahh
Metode M Penggenalan Wajah Metodde PCA untukk merepresentaasikan wajah w telah ddiaplikasikan ooleh M. Kirbyy dan
AY
A
antara a image wajah. Setiapp lokasi dari image wajah w memberrikan kontribuusi yang lebihh atau kurang k untukk setiap eige genvector, sehhingga tampilan t dari eigenvector sseperti wajah hantu, inilah i yang dissebut dengan eiigenface.
Gambar 4.. Sekumpulan w wajah eigenfacce
PCA P Secara M Matematis
AB
PCA secara mateematis sebagaaimana pada p persamaaan 1, menjelaskan bagaaimana sebuah s imagge terdekomp mposisi, bagaaimana eigenvector e diikalkulasi sertaa bagaimana image dikomparasi d antara satu dengan laainnya menggunakan m Euclidean Disstance perhitungan E [Hiamain, [ P. 20007]. Pertam ma, sebuah iimage wajah 2D di dekomposisi d ddalam sebuah vektor 1D ddengan menggabungka m an setiap baris menjadi satu vvektor panjang. p M saama dengan seejumlah input image sedangkan s N aadalah baris iimage x kolom m dari image i yang merupakan uukuran dari iimage. sehingga s sebuaah image dapat direpresentaasikan dengan d vektor sebagai berikuut :
ST
IK
O
M
SU
R
L. Sirovich h pada tahun 1990, kemudian n M. Turk dan A. tahun 1991 Pentland telah mengembaangkan metode PCA untuk peengenalan wajah. Seccara umum meetode PCA dissebut juga dengan Eig genface, diman na teknik ini dipelopori d oleh L. Siro ovich dan M. Kirby K tahun 19 987. PC CA merupak kan sebuah metode pengurangaan dimenssi statistik yang menghasilk kan linier kuadrat dek komposisi optimal daari sekumpulaan training yaang telah ditetapkan.. PCA sebuah h teknik statistik yang sangat berguna dalam bidang b aplikasi, seperti: pengenalan n wajah, komp presi image dan d teknik umum untu uk mendapatkaan pola (patterrn) dalam data berdim mensi tinggi. Peendekatan PC CA digunakaan untuk mereduksi dimensi datta dengan caara dasar m n paling kompresi data dan mengungkapka uktur dimensi rendah r dari po ola wajah. efektif stru Penurunan dalam dimen nsi ini akan menghapus m informasi yang tidak berguna serrta menk dekomposiisi struktur wajjah ke dalam komponen secara orrthogonal yaang dikenal sebagai eigenfaces.. dapat Seetiap imag ge wajah direpresenttasikan sebagaai sekumpulan n jumlah bobot (veektor fitur) dari d eigenfaces, yang tersimpan dalam arrayy dimensi saatu (1D). gambar accuan (probee) akan Sebuah kan dengan sek kumpulan imag ge dengan dibandingk cara mengu ukur jarak antaara vektor fitu ur masingmasing ima age. Paada gambar 3, menunjukkaan sebuah contoh dari PCA, terlihatt bahwa mayorritas titikd (2D) terletak dekaat dengan titik dua dimensi garis yang g diberi namaa PC1. Hal in ni berarti bahwa dap pat dilakukan proyeksi p titik- titik pada garis PC1 tanpa kehilan ngan informassi penting mensi tersebutt. dari dua dim
(a)
x1=
(1)
dimana d p mereepresentasikann sebuah nilai piksel secara s individuu. Sebeluum dianalisa vektor image harus menjadi m pusaat rata-rata ddengan menguurangi image i rata-rataa dari vektor im mage. m meruupakan image i rata-rataa dan wi adalaah pusat imagee ratarata r : m= (2) wi = xi – m
(b)
Gambar 3. (a). Proyeksi dasar d PCA (b). Reduksi PCA P ke 1D Metode M PCA menggunakan n eigenvectors dan d eigenvallues untuk merepresentasikan image wajah. Eigenvector merupakan m y mencirikaan variasi sekumpulan dari fitur yang
(3)
Langkkah berikutnnya adalah untuk mendapatkan m satu set eigennvector yang ppaling mendiskripsika m an informasi utama dari setiap pusat p image raata-rata. Himpuunan eigenvecttor (ei) dengan d nilai eeigenvalue terrtinggi (λi), ddimana eigenvalue e sam ma dengan : λi =
(4)
Telahh terbukti bahw wa eigenvectoor dan eigenvalue e ddiperoleh denngan mendappatkan
W merupaakan matrik yang terdiri daari vektor pusat gam mbar rata-rata (wi) dan WT adalah transpose. Untuk mengh hitung C digun nakan M x na di dan µi menjadi M matrik WTW. Diman eigenvectorr dan nilai eigeenvalue dari WTW : WTWdi = µi di
(6)
Selanjutnyaa kedua sisi dik kalikan dengan nW: WWT(Wdi) = µi (Wdi)
PERENCAN P NAAN SISTE EM Secaraa garis besar sistem pengeenalan wajah w pada ppenelitian ini,, ditunjukkan pada gambar g 5. Seebelum prosess pengenalan wajah diperlukan d bebberapa proses awal, diantarranya: acquisition, a pre re-processing ddan ekstraksi fiitur.
A
(5)
(7)
Gambar 5. Sistem Penggenalan Wajahh
Sedanngkan algoritm ma untuk pengeenalan wajah w mengguunakan eigenfface, tampak pada gambar g 6.
O
M
SU
R
Paada M-1 eigenv vector (e1) perrtama dari matrik kov varian (WWT) direpresentasiikan oleh normalisasi eigenvector Wd W i. Eigenvalu ue (λi) dari k (W WWT) diberikaan oleh matrik kovarian eigenvalue µi, matrik kovarian han nya dapat M karena jum mlah terbatas dari d input rangking M-1 vektor im mage, sedangk kan -1 beraasal dari pengurangaan awal image rata-rata. Eiigenvector berkorespondeensi ke eigenvalue yang bukan 0 dari matrik kovarian, kan ortonorm mal untuk maka akaan menghasilk subspace pada data d image yang n kesalahan yaang paling direpresenttasikan dengan sedikit. Sehingga S eigenvector akaan berisi informasi yang paling relevan dari sejumlah ge untuk digu unakan mengk konstruksi input imag sebuah eig genspace, dimaana image lainn nya dapat dianalisa. usun menurut kesesuaian k Eiigenspace disu eigenvalue dari tertingg gi ke terendah h, hal ini n eigenvectorr dengan eigenvalue e disebabkan tertinggi menunjukkan m varian terbesar dalam image. Seb buah image wajah w kemudiian dapat diproyeksik kan ke eigensp pace, lokasi dari d image dalam subsspace ditentukaan dengan rum mus:
AB
C =WWT
Ambaang batas (thrreshold) θε m menjadi standar s jika E Euclidean Disttance antara ssebuah input i wajah ddan sebuah waajah penggunaa lebih kecil k dari padda ambang baatas ini, makaa akan diakui d sebagaai wajah millik dari penngguna tersebut. t
AY
eigenvectorr dan eigenvallue dari matrik kovarian, persamaan dari kovarian matrik :
IK
Ω = [v1v2…vM’]T
(8)
ST
dan M’ Dimana v1= M adalah mensi yang lebih kecil daripaada M dan jumlah dim Ω, mendisskripsikan input dari masin ng-masing eigenvectorr dalam meerepresentasikaan input image waajah. Pengenaalan wajah dapat di implemetassikan dengan memproyeksika m an sebuah input image wajah (Ω) kee eigenspace, maka m akan kan sebuah wajjah dalam dataabase (Ωt). mendapatk Jarak antara wajah-waajah dalam subspace ngan Euclidean n Distance (εk). disebut den εk = || (Ω – Ωk) ||
(9)
Gambar 6. D Diagram alir alggoritma pengennalan w wajah Sekum mpulan image yang ada di taahapan training t ditrannsformasikan kedalam keloompok eigenface e E, kkemudian setiaap image yanng ada dalam d traininng dihitung bbobotnya (weeight). Setelah S menggamati imagee X yang tidak diketahui, d imagge tertentu dihhitung bobotnyya dan disimpan d pada vektor WX. Kemuudian WX dibbandingkan ddengan bobot b dari imaage untuk meemastikan bahw wa itu adalah a wajah. S Salah satu caraa untuk mengaanggap
A
Untukk menampilkann proses detekksi dan pengenalan p waajah sebagaimaana pada gam mbar 9, pada p penelitiaan ini mengggunakan tam mpilan windows w dengaan resolusi 3200x240 piksel. Kotak deteksi d area w wajah menggunnakan metode Haar Cascade C Classsifier dengan ppilihan haarcasscade_ frontalface_alt f t.xml yang meempunyai kotakk area deteksi d 20x20 ppiksel.
AY
setiap bob bot vektor merupakan m seb buah titik dalam spa ace, menghitu ung jarak ratta-rata D antara bobot vektor darii WX dan bob bot vektor dari image WX yang tidaak dikenali. ka jarak ratta-rata meleb bihi nilai Jik treshold, kemudian k bob bot vektor im mage WX terletak terrlalu jauh darii bobot imagee maka X yang tidak dikenali akan dianggap bukaan sebuah ggap wajah maaka bobot wajah. Apabila X diang W akan dissimpan untuk k proses vektor WX klasifikasi berikutnya.
MENTASI SISTEM IMPLEM
Gambar 9 . Tampilan detteksi area wajaah
AB
Impleementasi sistem abbsensi berbasiskan b peengenalan waj ajah secara realtime ini i menggunnakan inputann data penngguna sebanyak s seppuluh orang dengan pembbagian menjadi m dua kelompok. K Kelompok peertama menggunakan m lima orangg pengguna yang datanya d diambbil dari foto oorang dari intternet, sedangkan s kellompok keduaa mempunyaii lima orang o pengguuna yang waajahnya diinpputkan secara s langsunng di kamera. Keseppuluh data inpputan penggunna dari kedua k kelomppok tersebut merepresentaasikan beberapa b perbbedaan karakteeristik, diantarranya: wajah w dari fotoo, wajah orang,, usia, jenis kellamin, berjilbab, b peruubahan bentukk rambut, berrkumis dan d berkaca-m mata. Hal ini sengaja dilaakukan guna g mengettahui konfideensi dan aakurasi pengenalan p waajah dari sistem m yang telah dibbuat. Databbase data para pengguna tersimpan pada p file denggan ekstensi ..XML, tampakk pada gambar g 10. Seddangkan banyaaknya data pellatihan masing-masing m g pengguna dari keseepuluh pengguna p diam mbil antara 1500 sampai dengaan 200 gambar g greysccale yang di-caapture pada reesolusi 120x90 1 piksel dalam bentuk formasi file .P PGM.
O
M
SU
R
Siistem absensi berbasiskan peengenalan wajah inii, diimplemen ntasikan men nggunakan program OpenCV O (Op pen Source Computer Vision Lib brary) yang diikembangkan oleh o Intel dengan du ukungan Wiillow Garage dibawah lisensi Op pen Source BSD B dan pem mrograman Dev-C++ yang y dikemban ngkan secara gratis g oleh Bloodshed Software. Bllok diagram laangkah-langkaah dalam pengenalan n wajah, tersussun enam bagiian utama yang terliihat pada gambar 7. Acquisition berfungsi untuk merrepresentasikan n wajah manusia yang di-capturee oleh kameraa menjadi daan area image wajjah untuk dideteksi keberad wajah.
IK
Gambar 7. Blok diagrram langkah-laangkah pengenalan n wajah
ST
Paada proses awal (pre-prrocessing) berfungsi untuk u menormaalisasi image wajah w dari permasalah han luminasi yang terlalu gelap maupun terlalu teraang sehinggaa dapat kan perform masi pada meningkatk sistem pengenalan n wajah. Pad da sistem peengenalan wajah dipeerlukan proses konversi daari image berwarna ke k greyscale, maka m digunakaan metode Histogram Equalization, sebagaimanaa tampak pada gambar 8.
Gaambar 8. Prosess pre-processin ng
Gambarr 10. Formasi ddatabase XML Pada gambar 11, ditampilkan ccontoh inputan i imagge wajah daari kesepuluh data pengguna p beseerta tampilan im mage wajah ratta-rata dari d kesepulluh data ppengguna terrsebut.
A
Sedangkan n pada gamb bar 12, men nunjukkan tampilan database eigeenface dari kombinasi k p dalam m formasi kesepuluh inputan data pengguna delapan kolom.
Gambar G 13. Jaarak Euclidean d1.2 dalam ruanng 2D
Gambar 12. Daata Eigenface
ST
IK
O
M
AY
SU
R
EUCLIDE EAN DISTANC CE Peengenalan waj ajah merupakaan proses pemberian sebuah nama dari d sebuah waajah, pada h wajah terdeeteksi maka peengenalan saat sebuah wajah akan n mencari tahu siapa yang wajahnya itu. Eigen nface merupak kan sebuah algoritma pengenalan n wajah sederh hana yang mud dah untuk diimplemen ntasikan. Co ontoh image wajah dari beberapa orang yang g sudah ditrain ning dan sebu uah image wajah yang g belum diken nali, maka dalaam proses pengenalan n akan dilakuk kan perhitungaan sebuah jarak (dista ance) antara im mage yang baru u terhadap contoh masing-masing m wajah yan ng sudah ditraining. Seelanjutnya akaan dipilih conttoh image wajah yang g paling mend dekati dengan yang y baru sebagai orang yang paling p mendek kati atau bila jarak menyerupaai orang yang dikenal. Apab yang ke im mage wajah itu i diatas nilai ambang batas (threeshold) maka image akan n dikenali sebagai oraang itu, jika dibawah d nilai threshold maka wajjah tersebut akan diklasifikasikan sebagai oraang yang tidak dikenal. Jaarak pada eig genface diukurr sebagai jarak dari satu titik kee titik lainnyaa, hal itu Euclidean disebut deengan jarak Euclidean (E distance). Pada ruang dua d dimensi (2 2D) jarak a titik P1 dan d P2 sebagai berikut : Euclidean antara d1.2 = , dimaana dx = x2-x1 dan dy = y2-y1, tamp pak pada gambar 13.
AKURASI A DA AN KONFIDEN NSI Impleementasi penggenalan memppunyai dua d tahapan, yyaitu : loadingg image wajaah dan memproyeksik m kannya ke dallam subspace PCA untuk u mencarii proyeksi terddekat pada pellatihan image. i Perhiitungan tinggkat akurasi dan konfidensi k dalaam proses penngenalan wajahh pada penelitian p inni berdasarkaan pada m metode Euclidean E distaance. Nilai konfidensi diddapatkan dari pproses deteksi d yangg mempunyaii nilai kem miripan seseorang s paliing tinggi. D Dimana image yang mempunyai m kkesamaan akann mempunyaii nilai konfidensi k anntara 0.5 sam mpai dengann 1.0, sedangkan s imaage yang berbeeda akan memppunyai nilai n konfidenssi antara 0.0 sampai dengaan 0.5. Rumus R untuk mencari nilaii konfidensi aadalah sebagai s berikutt :
AB
Gambar 11. Image rata-rrata dari para pengguna p
nKonfi n =
(10)
dimana d EucD Distance addalah jarak hasil perhitungan p dari Eucclidean disstance, nTrainWajah n merupakan jjumlah dari image yang y ditraininng dan nEigenn adalah banyyaknya jumlah j eigenvaalues. Nilai akurasi didaapatkan dari pproses yang y sama denngan proses nillai konfidensi, yaitu: berbasiskan b peerhitungan daari jarak Eucllidean. Adapun A rumuus perhitungaan akurasi aadalah sebagai s berikutt : nAkurat n = nCorreect *
(11)
dimana d nCoorrect meruppakan nilai hasil komparasi k darri proses penggenalan wajahh pada setiap s image yang diujiikan dengan nilai kesesuaian k paaling tinggi (truth). Sedaangkan nWrong n adalaah jumlah kettidaksesuaian dalam proses p pengennalan image w wajah, karena tidak memenuhi m nilaai treshold yangg telah ditetapkkan.
SIMPULAN S
Hasil percobaan n dari sistem m absensi berbasiskan n pengenalan wajah secaraa realtime dengan menggunakan m kamera terlih hat pada tabel1. Dim mana pada tabeel tersebut men nunjukkan banyaknya data pelatihaan yang diberrikan dari kesepuluh pengguna den ngan karakterisstik wajah u yang diperluk kan untuk berbeda-beeda serta waktu tiap prosesn nya.
Berdaasarkan hasil pengujian ssistem absensi a berbaasiskan pengeenalan wajah yang dilakukan d padda penelitian ini, maka dapat disimpulkan d : 1. 1 Proses deteeksi dan pengeenalan image wajah dapat dilaakukan secaraa realtime kkarena kecepatan deteksi tiap iimage wajah waktu rata-ratanyaa sebesar 0.25 ms. 2. 2 Akurasi daan konfidensi dari implem mentasi sistem penngenalan wajaah rata-rata seebesar 97.67 % daan 0.97. 3. 3 Sistem m mampu menngenali peruubahan karakteristiik wajah dari kesepuluh innputan data pengguuna. 4. 4 Estimasi bbesarnya simppangan sudut rotasi pergerakann kepala pengguuna sebesar 1000.
Seedangkan padaa tabel 2, mem mperlihatkan secaraa lengkap data para penggun na beserta nilai akurasi dan konffidensi dari tiap t para pengguna.
RUJUKAN R
Azizah, A R.N. 2009. Pengennalan Wajah ddengan DA. Jurusan T Teknik Metode Subspace LD Elektro--FTI: ITS Suraabaya. Dabhade, D S.A.. 2012. Real T Time Face Dettection Recognition using Haar--Based and R Cascadee Classifierr and Priincipal Componnent Analyysis. Internaational Journall of Compuuter Science and Manageement Researcch, Vol (1 Issuue 1): halamann 59-64. Hiarnain, H P. 2007. Visioon-Based Biom metric Authenttication System m. Galway: NU UI. Kurniawan, K A A., Saleh, A. ddan Ramadijannti, N. Aplikasi Absennsi Kuliah Beerbasis 2011. A Identifikkasi Wajah Me Menggunakan M Metode Gabor Wavelet. Jurusan T Teknik munikasi – PEN N Surabaya. Telekom Lim, L R. dan Y Yulia, R.O.P. 22007. Pelacakaan dan Pengenaalan Wajaah Mengguunakan Webcam m & Metode G Gabor Filter. Juurusan teknik IInformatika – Universitas K Kristen Petra: (Online). (htttp://fportfolio..petra. ac.id/usser_files/55-555/resmanafacegabbor.pdf, diaksess 01 Agustus 22013).
O
M
SU
R
Tabel 2.. Data akurasi tiiap karakteristikk wajah
AB
AY
Tabel 1. Data D dan waktu pelatihan p tiap peengguna
A
HASIL DAN D PEMBA AHASAN
ST
IK
Ap pabila inputan n data pengg guna dari wajah oraang atau foto o wajah yan ng belum diregistrasii maka tampilaan sistem absen nsi seperti gambar 14 (a). Pada gamb bar 14 (b) men nampilkan guna yang su ukses melakuk kan login, data pengg sedangkan pada gambarr 14 (c) men nampilkan out dari sistem absensi. proses logo
(a) (b b) (c) ( 4. (a) Belum dittraining, (b) Lo ogin dan Gambar 14 (c) Logout