SISTEM ABSENSI BERBASISKAN PENGENALAN
WAJAH SECARA REALTIME MENGGUNAKAN
WEBCAM DENGAN METODE PCA
Heri Pratikno
Program Studi Sistem Informasi, STIKOM Surabaya, email: heri@stikom.edu
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
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
STIKOM
nyata (rea
(webcam)
Analysis ( presensi t diakses lew
M absensi in biasa juga metode diimplemet cepat deng
Ba diantaranya wajah si a waktu (sin
orang kem nama atau wajah dari
Un penelitian kombinasi misalkan fu
LDA m
Principal
metode Lin
P tik fisiolog adalah berb (robust) te orang satu mengenali
TEORI D Metode P
M penelitian wajah dari file gamb secara lang
Cascade C
wajah akan
image gun area wajah
D pengklasifi tetap, mis
image waja pen-skalaan pengklasifi beberapa k wajah dibe
ltime) menggu dengan metod (PCA). Diman tersebut bisa wat web. Mengapa peng
ni menggunaka disebut denga
Eigenface
tasikan, memp an akurasi yan atasan masala a: proses de aktor hanya s
ngle-face), belu mbar secara fis
labelisasi ben aktor. ntuk mening
berikutnya dari beberap
fuzzy subspace
erupakan kom
Component near Discrimin
Pengenalan waj gis saat ini p
basiskan iris m erhadap perub u dengan yang
orang kembar
DASAR Pendeteksi W
Metode yang ini untuk m sebuah image
ar maupun h gsung dari sebu
Classifier. Di n memeriksa m na mengklasifik
atau area buka alam meng ikasi akan me salkan 50x50 ah bisa lebih be
n yang tela ikasi akan beru kali diatas ima
rbagai skala.
unakan kamer de Principal C
na database h direpresentas genalan waja an metode PC an Eigenface
sederhana, punyai kompu ng cukup tinggi ah pada penel eteksi dan pe satu orang da um diuji-coba sik serta tidak ntuk perubahan gkatkan akura bisa dimplem pa metode y
LDA. Dimana mbinasi antara
Analysis (PC
at Analysis (LD ajah yang berk
aling stabil d mata karena le ahan usia, un g lainnya sert
secara fisik.
Wajah
g digunakan mendeteksi ke
e yang berasal hasil capturin
uah kamera ada imana fungsi masing - masi kasikan apaka an wajah. gklasifikasikan
enggunakan sk 0 piksel. Dik esar atau lebih ah ditetapkan usaha untuk m
ge wajah guna
a tunggal
Component
hasil dari ikan dan ah pada CA yang
?, karena mudah utasi yang
i.
litian ini, engenalan alam satu akan pada memberi n ekspresi asi pada metasikan yang ada, a subspace
a metode CA) dan
DA). karakteris-
an akurat ebih tahan nik antara
a mampu dalam eberadaan dari foto,
ng image
alah Haar
detektor ing lokasi ah sebagai wajah kala yang karenakan
kecil dari n, maka mendeteksi
a mencari
Gambar 1. Det
Cla
Pengk tersimpan pada berfungsi un pengklasifikasi keberadaan im download ada pengklasifikasi
face), klasifik pengklasifikasi
pedestrian), pe atas (upper b
bagian bawah ( Pada
Cascade Clas
tampak depan dimanfaatkan :
“haarcasc
“haarcasc
“haarcasc
“haarcasc
Keempat klasi hasil deteksi ya program dan Bahkan untuk sebuah progra bisa digunaka umum algoritm gambar 2.
Gambar 2
Metode Peng
Metod wajah telah d
teksi wajah den
assifier
klasifikasi a file dengan ntuk memut ian masing
mage. Pengklas a beberapa m i wajah tamp kasi profil wa i seluruh tu engklasifikasi
body) dan pe (lower body).
OpenCV, pe
ssifier untuk ada beberapa :
cade_frontalfa cade_frontalfa cade_frontalfa cade_frontalfa
ifikasi tersebu ang berbeda-be
kondisi ling meningkatkan am, keempat an secara ber ma pendeteksi
2. Diagram alir
genalan Waj
de PCA untuk diaplikasikan o
ngan Haar Cas Haar Ca
ekstensi XML tuskan baga – masing sifikasi yang b macam, diantar pak depan (f
ajah (profile
ubuh (full bo
untuk tubuh b engklasifikasi engklasifikasi mendeteksi a pilihan yang
ace_default.xm ace_alt.xml”
ace_alt2.xml”
ace_alt_tree.xm
ut akan memb eda, tergantung gkungan sekit n akurasi detek klasifikasi te rsama-sama. S
wajah tampak
r deteksi wajah
ah
k merepresenta oleh M. Kirby
scade
ascade
L yang aimana lokasi bisa di ranya:
frontal face),
ody /
bagian tubuh erikan g pada tarnya. si dari ersebut Secara k pada
h asikan y dan
STIKOM
L. Sirovich dan A. mengemba wajah. Sec dengan Eig
oleh L. Siro PC penguranga menghasilk optimal da ditetapkan. sangat ber pengenalan umum untu data berdim Pe mereduksi kompresi efektif stru Penurunan informasi dekomposi secara or eigenfaces. Se direpresent bobot (ve tersimpan Sebuah dibandingk cara mengu masing ima
Pa contoh dar titik dua d garis yang bahwa dap garis PC1 dari dua dim
( Gambar 3. M
vectors d sentasikan sekumpula
h pada tahun 1 Pentland angkan metode cara umum me
genface, diman ovich dan M. K CA merupak an dimens kan linier
ari sekumpula . PCA sebuah guna dalam b n wajah, komp
uk mendapatka mensi tinggi.
endekatan PC dimensi dat data dan m uktur dimensi r dalam dimen yang tidak isi struktur waj
rthogonal ya .
etiap imag
tasikan sebaga ektor fitur) d dalam array
gambar ac kan dengan sek ukur jarak anta
age.
ada gambar 3 i PCA, terlihat dimensi (2D) g diberi nama pat dilakukan p tanpa kehilan mensi tersebut
a) (a). Proyeksi d (b). Reduksi P Metode PCA
dan eigenval image wajah. n dari fitur y
990, kemudian tahun 199 PCA untuk pe etode PCA dis na teknik ini d Kirby tahun 19
kan sebuah si statistik
kuadrat dek an training ya h teknik stati bidang aplikas presi image d an pola (patter
CA digunaka ta dengan ca mengungkapka
rendah dari po nsi ini akan m berguna ser jah ke dalam k ang dikenal
ge wajah ai sekumpulan dari eigenfac y dimensi sa cuan (probe
kumpulan imag
ara vektor fitu , menunjukka t bahwa mayor terletak deka a PC1. Hal in proyeksi
titik-ngan informas t.
Eigenvector m yang mencirika
n M. Turk 1 telah engenalan sebut juga
dipelopori 987.
metode yang komposisi ang telah stik yang i, seperti: dan teknik
rn) dalam an untuk
ara dasar n paling ola wajah. menghapus rta men-komponen
sebagai dapat ur
masing-an sebuah ritas titik-at dengan
ni berarti titik pada si penting
n eigen-
merepre- merupakan an variasi
a
antara image
wajah member kurang untuk tampilan dari inilah yang dis
Gambar 4.
PCA Secara M
PCA pada persama sebuah imag eigenvector di dikomparasi menggunakan [Hiamain, P. 20
Pertam dekomposisi d menggabungka panjang. M sa sedangkan N a
image yang sehingga sebua dengan vektor
x1=
dimana p mere secara individu
Sebelu menjadi pusa
image rata-rata image rata-rata rata :
Langk mendapatkan mendiskripsika pusat image ra dengan nilai e eigenvalue sam
λi=
Telah
eigenvalue d
wajah. Setiap rikan kontribu k setiap eige eigenvector s sebut dengan ei
. Sekumpulan w
Matematis
secara mate aan 1, menj
ge terdekomp ikalkulasi serta antara satu perhitungan E
007]. ma, sebuah i
dalam sebuah an setiap baris ama dengan se adalah baris i
merupakan u ah image dap sebagai beriku epresentasikan u.
um dianalisa at rata-rata d a dari vektor im
a dan wi adala
m =
wi = xi – m
kah berikutn satu set eigen
an informasi ata-rata. Himpu
eigenvalue ter ma dengan : =
h terbukti bahw diperoleh den
p lokasi dari usi yang lebih
genvector, seh seperti wajah
igenface.
wajah eigenfac
ematis sebaga elaskan baga mposisi, baga a bagaimana
dengan la
Euclidean Dis
image wajah vektor 1D d menjadi satu v ejumlah input
image x kolom ukuran dari i
at direpresenta ut :
n sebuah nilai vektor image
dengan mengu
mage. m meru ah pusat image
nya adalah
nvector yang p utama dari unan eigenvect
rtinggi (λi), d
wa eigenvecto
ngan mendap
image
h atau hingga
hantu,
ce
aimana aimana aimana
image
ainnya
stance
2D di dengan
vektor
image
m dari
image. asikan (1) piksel
harus urangi upakan e
(2)
(3) untuk paling setiap
tor (ei)
dimana (4)
or dan patkan
STIKOM
eigenvector
persamaan
W merupa pusat gam
transpose.
M matrik
eigenvector
Selanjutnya
Pa matrik kov normalisas matrik k
eigenvalue
rangking M
vektor im
penguranga
Ei eigenvalue
maka aka
subspace
direpresent sedikit. S informasi input imag
sebuah eig
dianalisa.
Ei eigenvalue
disebabkan tertinggi m
image. Seb diproyeksik dalam subs
D jumlah dim
Ω, mendis
eigenvector image wa implemetas input imag
mendapatk Jarak ant disebut den
r dan eigenval
dari kovarian
C =WWT
akan matrik y mbar rata-rata
Untuk mengh
WTW. Diman
r dan nilai eige WTWdi = µ
a kedua sisi dik
WWT(Wdi) = µ
ada M-1 eigenv varian (WWT)
i eigenvectorW
kovarian (W µi, matrik
M-1 karena jum
mage, sedangk an awal image igenvector
yang bukan an menghasilk
pada d tasikan dengan Sehingga eig
yang paling
ge untuk digu
genspace, dima
igenspace disu dari tertingg n eigenvector
menunjukkan buah image w kan ke eigensp space ditentuka
Ω = [v1v2…
imana v1=
mensi yang leb skripsikan inp
r dalam me ajah. Pengena sikan dengan m
e wajah (Ω)ke kan sebuah waj ara wajah-wa ngan Euclidean εk = || (Ω –
lue dari matrik matrik :
T
ang terdiri da (wi) dan W
hitung C digun na di dan µi
envalue dari W µi di
kalikan dengan
µi (Wdi)
vector (e1) per
direpresentasi
Wdi. Eigenvalu
WWT) diberika kovarian han mlah terbatas d
kan -1 bera rata-rata. berkoresponde 0 dari matrik kan ortonorm data image
n kesalahan ya
envector aka relevan dari unakan mengk ana image lainn usun menurut k gi ke terendah
r dengan e
varian terbes wajah kemudi
pace, lokasi d an dengan rum
vM’]T
dan M
ih kecil daripa ut dari masin erepresentasika alan wajah memproyeksika e eigenspace, m jah dalam data ajah dalam
n Distance (εk)
Ωk) ||
kovarian,
(5) ari vektor
WT adalah nakan M x
i menjadi
WTW :
(6) n W :
(7) rtama dari
ikan oleh
ue (λi) dari
an oleh nya dapat
dari input asal dari ensi ke
kovarian, mal untuk
yang ang paling an berisi
sejumlah konstruksi nya dapat kesesuaian h, hal ini
eigenvalue
ar dalam ian dapat dari image
mus: (8)
M’ adalah ada M dan ng-masing an input
dapat di an sebuah maka akan abase (Ωt).
subspace
.
(9) s i k d t
P
w g d
a
w g
t
e
d S d d b a
Amba standar jika E
input wajah d kecil dari pad diakui sebaga tersebut.
PERENCAN
Secara wajah pada p gambar 5. Se diperlukan beb
acquisition, pre
Gambar Sedan wajah menggu gambar 6.
Gambar 6. D w Sekum training ditran
eigenface E, k dalam trainin Setelah meng diketahui, imag
disimpan pada Kemu bobot dari ima
adalah wajah. S
ang batas (thr Euclidean Dist
dan sebuah wa da ambang ba ai wajah mil
NAAN SISTE
a garis besar penelitian ini, ebelum proses berapa proses
re-processing d 5. Sistem Peng ngkan algoritm unakan eigenf
Diagram alir alg wajah
mpulan image
nsformasikan kemudian setia ng dihitung b gamati image ge tertentu dih
vektor WX. udian WX dib
age untuk me Salah satu cara
reshold) θε m
tance antara s ajah pengguna atas ini, maka lik dari pen
EM
sistem penge , ditunjukkan s pengenalan
awal, diantar dan ekstraksi fi
genalan Wajah ma untuk penge
face, tampak
goritma pengen yang ada di ta kedalam kelo ap image yan bobotnya (we e X yang hitung bobotny
bandingkan d emastikan bahw
a untuk menga menjadi
sebuah a lebih a akan ngguna
enalan pada wajah ranya: itur. h
enalan pada
nalan ahapan ompok ng ada
eight). tidak ya dan dengan wa itu anggap
STIKOM
setiap bob dalam spa
antara bob dari image
Jik
treshold, k terletak ter yang tidak wajah. Ap vektor W klasifikasi
IMPLEM
Si wajah ini program O
Vision Lib
dengan du lisensi Op Dev-C++ y Bloodshed Bl pengenalan yang terli berfungsi manusia y
image waj wajah.
Gamba Pa berfungsi u permasalah maupun meningkatk pengenalan wajah dipe berwarna k
Histogram
pada gamb Ga
bot vektor m
ace, menghitu ot vektor dari
WX yang tida ka jarak rat kemudian bob rlalu jauh dari dikenali akan abila X diang WX akan dis
berikutnya.
MENTASI SI
istem absensi i, diimplemen
OpenCV (Op brary) yang di ukungan Wi pen Source B yang dikemban
Software. lok diagram la n wajah, tersus ihat pada g
untuk mer ang di-capture
jah untuk did
r 7. Blok diagr pengenalan ada proses untuk menorma han luminasi
terlalu tera kan perform n wajah. Pad
erlukan prose ke greyscale, m
Equalization
ar 8.
ambar 8. Proses
merupakan seb ung jarak rat i WX dan bob ak dikenali.
ta-rata meleb bot vektor im
i bobot image
dianggap buka ggap wajah ma simpan untuk
STEM
berbasiskan pe ntasikan men
pen Source
ikembangkan o illow Garage BSD dan pem
ngkan secara g angkah-langka sun enam bagi ambar 7. A
representasikan
e oleh kamera eteksi keberad
ram langkah-la n wajah
awal (pre-pr
alisasi image w yang terla ang sehingga
masi pada da sistem pe
s konversi da maka digunaka , sebagaimana s pre-processin
buah titik ta-rata D bot vektor bihi nilai
mage WX
e maka X an sebuah aka bobot k proses engenalan nggunakan
Computer
oleh Intel dibawah mrograman gratis oleh ah dalam ian utama
cquisition
n wajah a menjadi daan area
angkah
rocessing) wajah dari lu gelap a dapat
sistem engenalan ari image
an metode a tampak
ng
p p
w
d
C f
d
b i s m m d s o s k b w b d g p p g m p g 1
i p d
Untuk pengenalan wa pada penelitia
windows denga deteksi area w
Cascade Class frontalface_alt
deteksi 20x20 p
Gambar 9 Imple berbasiskan pe ini menggun sebanyak sep menjadi dua menggunakan datanya diamb sedangkan kel orang penggu secara langsun
Kesep kedua kelomp beberapa perb wajah dari foto berjilbab, peru dan berkaca-m guna menget pengenalan wa Datab pada file deng gambar 10. Sed masing-masing pengguna diam gambar greysc
120x90 piksel
Gambar Pada inputan imag
pengguna bese dari kesepul
k menampilkan ajah sebagaima an ini meng an resolusi 320 wajah menggun
sifier dengan p
t.xml yang me piksel.
. Tampilan det ementasi
engenalan waj nakan inputan puluh orang
kelompok. K lima orang bil dari foto o
lompok kedua una yang wa ng di kamera.
puluh data inp pok tersebut bedaan karakte o, wajah orang, ubahan bentuk mata. Hal ini
tahui konfide ajah dari sistem base data para
gan ekstensi . dangkan banya g pengguna mbil antara 150
cale yang di-ca
dalam bentuk
r 10. Formasi d gambar 11,
ge wajah da erta tampilan im
luh data p
n proses detek ana pada gam ggunakan tam
0x240 piksel. nakan metode pilihan haarcas
empunyai kotak
teksi area waja sistem ab ajah secara re
n data pen dengan pemb Kelompok pe g pengguna
orang dari int a mempunyai ajahnya diinp putan penggun
merepresenta eristik, diantar , usia, jenis kel k rambut, ber
sengaja dila ensi dan a m yang telah dib
pengguna ters .XML, tampak aknya data pel dari kese 0 sampai denga
apture pada re formasi file .P
database XML ditampilkan c ari kesepuluh
mage wajah rat pengguna ter
ksi dan mbar 9, mpilan
Kotak
Haar scade_
k area
ah bsensi
altime
ngguna bagian ertama yang ternet, i lima putkan na dari asikan ranya: lamin, rkumis akukan akurasi buat. impan k pada
latihan epuluh an 200 esolusi
PGM.
contoh data ta-rata rsebut.
STIKOM
Sedangkan tampilan kesepuluh delapan ko
Gambar 1
EUCLIDE
Pe pemberian saat sebuah wajah akan itu. Eigen pengenalan diimplemen
Co orang yang wajah yang pengenalan jarak (dista
contoh m ditraining. Se wajah yang sebagai o menyerupa yang ke im
batas (thre
sebagai ora maka waj sebagai ora Ja jarak dari disebut de
distance). Euclidean a d1.2 =
y2-y1, tamp
n pada gamb database eige
inputan data p lom.
1. Image rata-r
Gambar 12. Da
EAN DISTANC
engenalan waj sebuah nama d h wajah terde n mencari tah nface merupak n wajah sederh
ntasikan. ontoh image
g sudah ditrain g belum diken n akan dilakuk
ance) antara im masing-masing
elanjutnya aka g paling mend rang yang p ai orang yang
mage wajah i
eshold) maka ang itu, jika d jah tersebut ang yang tidak arak pada eig
satu titik ke engan jarak
Pada ruang d antara titik P1 d
, dima pak pada gamb
bar 12, men
enface dari k pengguna dalam
rata dari para p
ata Eigenface
CE
ajah merupaka dari sebuah wa eteksi maka pe u siapa yang kan sebuah hana yang mud
wajah dari ning dan sebu nali, maka dala kan perhitunga mage yang baru wajah yan an dipilih cont dekati dengan y
paling mendek dikenal. Apab itu diatas nila
image akan dibawah nilai akan diklas dikenal.
genface diukur e titik lainnya Euclidean (E
dua dimensi (2 dan P2 sebagai
ana dx = x2-x1
ar 13.
nunjukkan kombinasi m formasi
pengguna
an proses ajah, pada engenalan wajahnya algoritma dah untuk beberapa uah image
am proses an sebuah u terhadap ng sudah
toh image yang baru kati atau bila jarak i ambang n dikenali
threshold
ifikasikan r sebagai a, hal itu
Euclidean
2D) jarak berikut :
dan dy = G
A
d m u
i
k p
E
d s m k s n R s
n
d p
n
y j y b A s
n
d k s k
n
p m
Gambar 13. Ja
AKURASI DA
Imple dua tahapan, y memproyeksik untuk mencari
image. Perhi konfidensi dala penelitian in
Euclidean dista
Nilai deteksi yang seseorang pali mempunyai k konfidensi an sedangkan ima nilai konfidens Rumus untuk sebagai berikut
nKonfi =
dimana EucD
perhitungan
nTrainWajah
yang ditrainin jumlah eigenva
Nilai yang sama den berbasiskan pe Adapun rumu sebagai berikut
nAkurat = nCorre
dimana nCo
komparasi dar setiap image
kesesuaian pa
nWrong adala proses pengen memenuhi nila
arak Euclidean
AN KONFIDEN
ementasi peng yaitu : loading
kannya ke dal i proyeksi terd itungan ting am proses pen ni berdasarka
ance.
konfidensi did g mempunyai ing tinggi. D kesamaan akan
ntara 0.5 sam age yang berbe
si antara 0.0 mencari nilai t :
Distance ad dari Euc
merupakan j ng dan nEigen
alues.
akurasi dida ngan proses nil erhitungan da us perhitunga t :
ect *
orrect merup ri proses peng
yang diuji aling tinggi ah jumlah ket nalan image w ai treshold yang
d1.2 dalam ruan
NSI
genalan memp
g image waja lam subspace
dekat pada pel gkat akurasi ngenalan wajah
an pada m dapatkan dari p i nilai kem Dimana image
n mempunyai mpai dengan eda akan memp
sampai denga i konfidensi a dalah jarak
clidean dis
jumlah dari
n adalah bany apatkan dari p
lai konfidensi, ari jarak Eucl an akurasi a pakan nilai
genalan wajah ikan dengan
(truth). Seda tidaksesuaian wajah, karena
g telah ditetapk ng 2D punyai ah dan
PCA latihan dan h pada metode proses miripan yang i nilai n 1.0,
punyai an 0.5.
adalah
(10)
hasil
stance,
image
yaknya proses yaitu: lidean. adalah
(11)
hasil h pada
nilai angkan dalam tidak kan.
STIKOM
HASIL D
H berbasiskan dengan m
tabel1. Dim banyaknya kesepuluh berbeda-be tiap prosesn
Tabel 1. D
Se kan secara nilai akur pengguna.
Tabel 2.
Ap wajah ora diregistrasi gambar 14 data pengg sedangkan proses logo
(a) Gambar 14
DAN PEMBA
asil percobaan n pengenalan menggunakan
mana pada tabe data pelatiha pengguna den eda serta waktu
nya.
Data dan waktu p
edangkan pada a lengkap data asi dan konf
. Data akurasi ti
pabila inputan ang atau foto i maka tampila
(a). Pada gamb guna yang su
pada gambar
out dari sistem (b 4. (a) Belum dit
(c) Logout
AHASAN
n dari sistem wajah secara kamera terlih el tersebut men an yang diber ngan karakteris u yang diperluk
pelatihan tiap pe
a tabel 2, mem para penggun fidensi dari t
iap karakteristik
n data pengg o wajah yan an sistem absen
bar 14 (b) men ukses melakuk r 14 (c) men
absensi. b) (
training, (b) Lo
m absensi a realtime
hat pada nunjukkan rikan dari stik wajah
kan untuk
engguna
mperlihat- na beserta tiap para
k wajah
guna dari ng belum nsi seperti nampilkan kan login, nampilkan (c)
ogin dan
S
a d d 1 2 3 4
R
A D H K L
SIMPULAN
Berda absensi berba dilakukan pad disimpulkan : 1. Proses dete
dapat dila kecepatan rata-ratanya 2. Akurasi da sistem pen 97.67 % da 3. Sistem m
karakteristi data penggu 4. Estimasi b
pergerakan
RUJUKAN
Azizah, R.N. Metode
Elektro-Dabhade, S.A. and R Cascade Compon
Journal Manage
halaman Hiarnain, P.
Authent
Kurniawan, A 2011. A Identifik Gabor
Telekom Lim, R. dan Y
Pengena Webcam
teknik I Petra:
ac.id/us facegab
asarkan hasil asiskan penge
da penelitian eksi dan penge akukan secara deteksi tiap i
a sebesar 0.25 an konfidensi ngenalan waja an 0.97. mampu men
ik wajah dari una.
besarnya simp n kepala penggu
2009. Pengen
Subspace LD
-FTI: ITS Sura . 2012. Real T Recognition
e Classifier nent Analy
l of Compu ement Researc
n 59-64. 2007. Visio tication System
A., Saleh, A. d
Aplikasi Absen kasi Wajah Me Wavelet. munikasi – PEN Yulia, R.O.P. 2
alan Waja m & Metode G
Informatika – (Online). (ht ser_files/55-55
bor.pdf, diakses
pengujian s enalan wajah
ini, maka enalan image
a realtime k
image wajah ms.
dari implem ah rata-rata se ngenali peru
kesepuluh in pangan sudut una sebesar 10 nalan Wajah d DA. Jurusan T
abaya. Time Face Det
using Haar-r and PHaar-ri ysis. Interna
uter Science ch, Vol (1 Issu
on-Based Biom m. Galway: NU
dan Ramadijan
nsi Kuliah Be Menggunakan M
Jurusan T N Surabaya. 2007. Pelacaka ah Menggu Gabor Filter. Ju
Universitas K
ttp://fportfolio.
5/resmana-s 01 Agu5/resmana-stu5/resmana-s 2 sistem
yang dapat wajah karena waktu mentasi ebesar ubahan nputan rotasi 00. dengan
Teknik
tection -Based incipal
ational and
ue 1):
metric
UI. nti, N.
erbasis Metode
Teknik
an dan unakan
urusan Kristen
.petra.
2013).