ANALISIS AKURASI SIMILARITY WAJAH MENGGUNAKAN MANHATTAN DISTANCE MELALUI FITUR BENTUK, WARNA DAN TEKSTUR
Jumi¹, Achmad Zaenuddin.²
¹,2, Jurusan Administrasi Niaga, Politeknik Negeri Semarang ² [email protected]
ABSTRACT
Face is a human biometric characteristic that can be categorized as unique. Every human being has different faces or differences despite being born twins. These differences make the face unique. This makes the face image as one of the unique fields that can be used as key field on the detection of personal information based on the image. In the process of verifying the attendance of lectures manually through signature detection is still possible in the presence of counterfeiting and takes a long time. This condition can be anticipated through the verification of the attendance of the lecture using face detection. Conditions at lectures that affect the accuracy of face detection include students alternating seating position, facial pose variation, class lighting and camera distance to the object. This requires methods to improve detection accuracy in order to verify attendance. The method used in this research is facial recognition through matching similarity of shape, color and texture. Form feature extraction uses invariant moment, color feature extraction using color moment and texture feature extraction using statistical texture. In this research, we developed a model of college attendance verification through the introduction of many class faces or classrooms using stereo vision camera. The test is done by combining two images from the stereo vision camera. The test will produce a system that has a detection accuracy level that supports valid lecture verification with various seating variations, pose variation, brightness illumination variations and camera range variations with objects. The result of matching similarity test reaches more than 75% accuracy.
Keywords: Verification, face, detection, stereo vision, accuracy
ABSTRAK
Wajah merupakan ciri biometric manusia yang dapat dikategorikan bersifat unik. Setiap manusia memiliki wajah yang berbeda-beda atau mempunyai perbedaan sekalipun dilahirkan kembar. Perbedaan tersebut membuat wajah bersifat unik. Hal ini menjadikan citra wajah sebagai salah satu field yang bersifat unik yang dapat dijadikan sebagai key field pada deteksi informasi personal berbasis citra. Pada proses verifikasi kehadiran kuliah secara manual melalui deteksi tandatangan masih di mungkinkan adanya pemalsuan dan memerlukan waktu lama. Kondisi ini dapat diantisipasi melalui verifikasi kehadiran kuliah menggunakan deteksi wajah. Kondisi pada saat perkuliahan yang mempengaruhi akurasi deteksi wajah diantaranya adalah mahasiswa berganti-ganti posisi tempat duduk, variasi pose wajah, pencahayaan kelas dan jarak kamera dengan obyek. Hal ini memerlukan metode untuk meningkatkan akurasi deteksi agar verifikasi kehadiran kuliah memiliki tingkat validasi yang tinggi.Metode yang digunakan pada penelitian ini adalah pengenalan wajah melalui matching similarity bentuk, warna dan tekstur. Ekstraksi fitur bentuk menggunakan invariant moment, ekstraksi fitur warna menggunakan color moment dan ekstraksi fiturtekstur menggunakan statistical texture. Pada penelitian ini dikembangkan model verifikasi kehadiran kuliah melalui pengenalan banyak wajah dikelas atau ruang kuliah menggunakan stereo visioncamera. Pengujian dilakukan dengan menggunakan gabungan dua citra dari camera stereo vision. Pengujian akan menghasilkan sebuah sistem yang memiliki tingkat akurasi deteksi yang mendukung verifikasi kehadiran perkuliahan yang valid dengan berbagai variasi posisi tempat duduk, variasi pose, variasi kecerahan pencahayaan (iluminasi) dan variasi jarak kamera dengan obyek. Hasil pengujian matching similarity mencapai akurasi lebih dari 75%.
1. PENDAHULUAN
Ketersediaan Penggunaan presensi manual pada kehadiran kuliah belum aman terhadap manipulasi tingkat kehadiran dalam mengikuti perkuliahan dan memerlukan waktu khusus untuk melakukan tanda tangan. Begitupula jika menggunakan cara yang lebih modern yaitu menggunakan kartu identitas dengan cara di scanning. Penggunaan kartu ini masih memiliki kelemahan yaitu dengan menitipkan kartu kepada temannya untuk scanning kehadiran. Mengantisipasi kemungkinan tersebut, maka perlu dikembangkan sistem verifikasi kehadiran kuliah menggunakan identifikasi biometris manusia yang meliputi karakteristik fisik seseorang yaitu : ciri-ciri wajah, retina mata, sidik jari serta bentuk geometris tangan. Semua ciri-ciri biometris tersebut tidak dapat dipinjamkan kepada orang lain.
Ciri-ciri biometris manusia memiliki kelebihan dan kekurangan dalam penerapannya. Penggunaan citra wajah sebagai kunci verifikasi dikarenakan wajah merupakan ciri biometrik manusia yang tergolong unik atau tidak ada yang sama meskipun dilahirkan kembar. Sistem deteksi wajah adalah salah satu bidang ilmu Image Processing dan Computer Vision yang saat ini sedang berkembang. Pada sistem deteksi wajah dapat dilakukan pengenalan citra wajah pada gambar tidak bergerak atau rekaman bergerak yang disebut video (Martinez dan Ayala, 2011). Dalam hal ini pengenalan wajah dilakukan oleh piranti komputer dengan menggunakan data rekaman citra wajah.
Secara umum sistem pengenalan wajah yang selanjutnya digunakan sebagai verifikasi kehadiran mempunyai beberapa tahapan untuk mengidentifikasi wajah manusia mulai dari tahap akuisisi citra (image acquisition), deteksi wajah (face
detection), normalisasi (normalization), ekstraksi ciri (feature extraction) dan
klasifikasi (classification) (Wibowo, 2015). Beberapa sistem pengenalan wajah pada penelitian sebelumnya yang dilakukan oleh Turk dan Pentland (1991) adalah menggunakan eigenfaces dan sistem pengenalan wajah dengan menggunakan perbandingan antara fitur dan template telah dilakukan oleh Brunelli dan Poggio (1992). Penelitian tentang pengenalan wajah berdasarkan pola simetri wajah dengan menggunakan citra wajah dua dimensi sebagai citra training telah dilakukan oleh Harguess dan Aggarwal (2009). Selanjutnya penelitian tentang pengenalan dan verifikasi wajah telah dilakukan sebelumnya diantaranya oleh Ranawade (2010) yang menjelaskan teknik verifikasi menggunakan Histogram Equalization sebagai tahap
preprocessing, Gradient Vector sebagai metode ekstraksi fitur dan dilakukan
pengenalan wajah melalui metode JST (jaringan Syarat Tiruan). Kemudian Siagian dkk (2014) juga telah melakukan verifikasi absensi melalui pengenalan wajah menggunakan metode Wavelet.
Zafeiriu dkk (2013) juga telah melakukan penelitian dengan menggunakan photo wajah yang selanjutnya tersimpan dalam database yang cocok yaitu dengan type 2 dimensi maupun 3 dimensi kemudian dilakukan pengenalan dan verifikasi berdasarkan citra wajah. Pengenalan dilakukan dengan menggunakan metode PS ( Photometric
Stereo). Kemudian Penelitian tentang pengenalan citra berdasarkan fitur bentuk
menggunakan invariant moment dan Euclidean distance juga telah dilakukan oleh Jumi dkk (2011).
Beberapa penelitian tentang pengenalan dan verifikasi citra wajah yang sudah dilakukan masih menggunakan input citra wajah tunggal dalam arti tidak menggunakan banyak citra wajahdalam sebuah rekaman video dan belum menggunakan camera stereo vision sebagai media input image capture serta belum melakukan pengukuran akurasi pada variasi iluminasi, variasi jarak kamera dengan obyek dan variasi posisi obyek. Pengukuran akurasi berfungsi untuk menguji dan menentukan model yang handal pada proses verifikasi. Sistem verifikasi kehadiran kuliah melalui pengenalan banyak citra wajah di dalam kelas yang akan dibangun pada penelitian ini adalah Sistem verifikasi yang memiliki akurasi pengenalan lebih dari 95% dan handal terhadap variasi iluminasi, variasi pose, variasi jarak kamera dengan obyek dan variasi posisi obyek. Perubahan atau variasi tersebut disebabkan oleh cahaya, pose, dan posisi serta jarak tempat duduk mahasiswa akan berubah pada setiap pertemuan kuliah.
2. Invariant Moments dan Color Moments
2.1 Invariant Moments
Formula invariant moments diperkenalkan oleh Hu[7]. Formula ini menghasilkan ciri citra berdasarkan bentuk dengan ciri-ciri yang diperoleh dari perubahan citra dengan melakukan Rotation, Scale dan Translation (RST)-invariant[8],[1],[9].
Ivariant moment adalah sebuah fungsi yang banyak digunakan dalam teori probabilitas yang diterapkan untuk analisis bentuk himpunan momen suatu fungsi f(x,y) dari dua variabel didefinisikan sebagai berikut[1].
Moment order (p+q) untuk fungsi kontinu f(x,y) dengan p,q = 0, 1, 2, dan
seterusnya yang didefinisikan sebagai berikut:
Sedangkan Central moment didefinisikan seperti dibawah ini:
Adapun Untuk citra digital
Area diilustrasikan dengan tujuh invariant moment yang dapat dicari dari momen sentral: μ00, μ10, μ01, μ20, μ11, μ02, μ30, μ12, μ21, μ03, dengan mendefisinikan
normalized central moments sebagai ηpq = μpq / μγ00, dimana
γ = 0.5 ( p + q) + 1 untuk p + q = 2, 3, dan selanjutnya menghasilkan tujuh invariant moments , ketujuh invariant moments tersebut adalah:
φ1 = η20 + η02 φ2 = (η20 - η02)2 + 4η211 φ3 = (η30 - η12)2 + (3η21 - η03)2 φ4 = (η30 + η12)2 + (η21 + η03)2 φ5 = (η30 - 3η12)(η30 - η12)[(η30 + η12)2 - 3(η21 + η03)2] + (3η21 - η03)(η21 + η03)[3(η30 + η12)2 - (η21 - η03)2] φ6 = (η20 - η02)[(η30 + η12)2 - (η21 + η03)2] + 4η11(η30 + η12)(η21 + η03) φ7 = (3η21 - η30)(η30 + η12)[(η30 + η12)2 - 3(η21 + η03)2] + (3η12 - η30) (η21 - η03)[3(η30 + η12)2 - (η21 + η03)2]
Pada ketujuh nilai invariant moments ini tidak berubah terhadap rotasi, translasi dan skala. [7, 9]
2.2 Color Moments
Color Moments adalah suatu metode yang digunakan untuk membedakan citra
berdasarkan fitur warnanya[6]. Adapun dasar teori dari metode ini adalah dengan mengasumsikan bahwa distribusi warna pada sebuah citra dapat dinyatakan sebagai distribusi probabilitas. Metode ini menggunakan tiga momen utama dari distribusi
warna citra, yaitu mean, standard deviation, dan skewness, sehingga metode ini menghasilkan tiga nilai untuk masing-masing komponen warna[9].
a. Moment 1 – Mean :
Mean : dapat dikatakan sebagai rata-rata nilaiwarna pada citra.
b. Moment 2 – Standard Deviation :
Standard deviation: jangkauan tersebarnya datadari mean
c. Moment 3 – Skewness :
Skewness : ukuran asimetri data disekitar mean.
Jarak dari distribusi warna citra query dengan citradatabase dihitung dengan fungsi :
2.3 Statistical Texture
Deskripsi region merupakan pendekatan penting untuk menghitung kandungan teksturnya (texture content). Ada tiga prinsip pendekatan untuk mendeskripsikan tekstur region yaitu statistik, struktural dan spektral (Gonzales dan Woods, 2008). Statistikal merupakan salah satu pendekatan untuk mendeskripsikan tekstur yaitu dengan menggunakan moment statistik dari histogram intensitas suatu citra atau
region.
a. Smoothness
Jika suatu variabel acak z yang menotasikan intensitas, dan p(zi) merupakan histogramnya dengan i = 0,1,2,…, L-1, L merupakan jumlah level intensitas, maka moment ke-n dari z terhadap rerata adalah pada persamaan (3.17).
μ ( ) = ( − ) ) p( )
b. Mean Graylevel
Dari Persamaan (3.16), maka nilai µ0 = 1 dan µ 1 = 0 merupakan nilai momen ke-0 dan ke-1. Momen kedua atau µ 2 disebut dengan varians µ 2(z) adalah bagian penting dalam deskripsi tekstur. Momen tersebut adalah pengukuran kontras intensitas yang dapat memberikan deskripsi kehalusan relatif (relative smoothness). Karena nilai
variance cenderung menjadi besar untuk citra grayscale, maka variance dapat
dinormalisasi dengan interval [0,1]. Normalisasi dilakukan dengan membagi varian terhadap (L-1)2, dimana m adalah nilai rerata z (rerata intensitas), yang ditunjukkan oleh persamaan (3.18).
= p( )
c. Deviation Standard (Standart Deviasi)
Standar deviasi yang dinotasikan dengan σ(z), juga sering digunakan sebagai suatu pengukuran tekstur.
= (1
L (Pji − Mj) )
d. Skewness
( ) = ( − ) 3p( )
Skewness merupakan pengukuran dari kecondongan histogram sedangkan moment
keempat µ2 merupakan pengukuran kedataran relatif (relative flatness).
e. Uniformity
Pengukuran tekstur lain yang dapat digunakan sebagai deskripsi suatu citra berdasarkan histogramnya adalah pengukuran keseragaman (uniformity) yaitu
∪ ( ) = ( )
f. Entropy
Adapun untuk pengukuran suatu entropi rerata (average entropy) dengan menggunakan Persamaan (3.22).
Karena p mempunyai rentang nilai [0,1] dan penjumlahannya sama dengan satu, pengukuran U adalah maksimum untuk suatu citra dengan semua tingkat keabuannya sama (keseragaman maksimal), dan berkurang dari nilai maksimal tersebut. Entropi adalah pengukuran perubahan (variability) dan bernilai nol untuk citra yang konstan.
2.4 Manhattan Distance
Manhattan Distance / City Block Distance, merupakan salah satu teknik yang sering digunakan untukmenentukan kesamaan antara dua buah obyek. Pengukuran ini dihasilkan berdasarkan penjumlahan jarakselisih antara dua buah obyek dan hasil yang didapatkan dari Manhattan Distance bernilai mutlak [9]. Dimana, Manhattan Distance melakukan perhitungan jarak dengan cara tegak lurus.
Rumus untuk jarak antara titik X = (X1, X2, dll) dan titik Y = (Y1, Y2, dll) menunjukkan jarak antara kedua vektor tersebut dapat dihitung dengan menggunakan persamaan sebagai berikut :
Dimana n adalah jumlah variabel, dan Xi dan Yi adalah nilai dari variabel ke-i, pada titik X dan Y masing-masing.
2.5 Akurasi Kemiripan Citra
Dalam menentukan tingkat akurasi sistem image retrieval, tahapan yang dilakukan adalah menghitung normalisasi jarak dari kedua metode diatas kemudian pengukuran akurasi kemiripan dengan menggunakan rumus presicion sebagai berikut:
3. Metode penelitian
Penghitungan keakuratan tingkatkemiripan citra untuk penelusuran kembali sebuah citra wajah pada penelitian ini adalah dengan melakukan pembandingan hasil dari nilai
Manhattan distance pada color moments, invariant moment dan Statistical texture
antara citra query dengan citra database. Pembandingan tersebut dilakukan untuk mengetahui tingkat kemiripan dari citra yang diuji dengan citra database.
Adapun langkah – langkahnya adalah sebagai berikut:
1. Melakukan input citra, baik citra database maupun citra query 2. Pre prosesing citra dengan Resizesing citra menjadi 100 x 100 pixel .
Akurasi = ( jumlah data yang dianggap relevan oleh user / jumlah data yang diretrieval oleh sistem) x 100%
3. Penghitungan nilai Color Moments 4. Penghitungan nilai Invariant Moment 5. Penghitungan nilai Statistical Texture 6. Penghitungan nilai Manhattan distance
7. Membandingkan masing-masing nilai Manhattan Distance pada Color Moments,
Invariant Moment dan Statistical Texture dari citra query dengan citra database
8. Membuat rangking hasil pembandingan, semakin kecil selisihnya semakin mirip. 9. Menghitung akurasi kemiripan citra.
4. Hasil dan Pembahasan
Pada uji coba penelitian ini telah dilakukan koleksi 33 data citra masing-masing jenis 11 citra wajahyaitu wajah female puti, female kuning, female hitam, male putih dan male hitam dengan citra warna yang diletakkan dalam folder, agar memudahkan pembacaan data citra.
Masing – masing citra diberikan nama sesuai jenisnya, misalnya citra female putih diberikan nama femalep1, femalep2, femalep3 dan seterusnya. Selain itu disediakan pula data citra query yang akan dicari tingkat kemiripannya yang selanjutnya disebut citra asli.
4.1 Pre Processing Citra
Sebagai pre processing dilakukan proses perubahan ukuran atau rezising untuk menghindari proses penghitungan yang lebih lama karena besarnya ukuran citra.
Rezising adalah melakukan perubahan ukuran gambar yaitu menjadi 100 x 100 pixel .
Sourcecodenya adalah sebagai berikut:
4.2 Penghitungan Color Moment
Bobot hue lebih tinggi dari saturation dan value saat kondisi citra database mengandung intensitas warna yang beragam. Sedangkan Bobot saturation lebih tinggi dari hue dan value saat kondisi citra database mengandung citra yang memiliki warna tidak beragam tapi dengan kedalaman warna yang berbeda-beda. Hasil uji penghitungan color moment pada citra wajah seperti pada tabel 1.
Tabel 1 : Nilai Color Moment citra uji wajah
Nama Citra nilai color momen distance color citra uji 3,4292 f 1 3,9377 0,4085 f 2 3,4187 0,0895 f 3 5,4775 1,7895 f 4 4,8747 1,3455 f 5 4,8747 1,3455 f 6 5,3916 1,7624 f 7 3,4292 0,0000 f8 3,6164 0,0872 f9 3,8640 0,3348 f 10 3,7372 0,2080
Terlihat pada citra 7 mempunyai distance color 0 (nol). Hal ini membuktikan bahwa tingkat kemiripannya dalam hal distribusi warna adalah 100%, sedangkan citra wajah nomor 3 dan 6 mempunyai tingkat kemiripan yang agak jauh karena hampir mendekati nilai 2. Hal ini dikarenakan f2.jpg memiliki muka yang lebar sedangkan citra f3.jpg dan f6.jpg secara real phisik memiliki rambut tipis.
4.3 Penghitungan Invariant Moment
Tahapan uji selanjutnya adalah menghitung nilai invariant moment dengan
source code sebagai berikut:
Dari nilai invariant moment dapat diketahui kemiripan bentuk citra dilihat dari semakin kecilnya nilai invariant moment, semakin kecil semakin tinggi tingkat
%--Hitung 7 invariant moment---% phi(1)= eta20+eta02;
phi(2)= (eta20-eta02).^2+4*(eta11.^2); phi(3)= (eta30-3*eta12).^2+(3*eta21 - eta03).^2; phi(4)= (eta30+eta12).^2+(eta21+ eta03).^2; phi(5)= (eta30- 3*eta12)*(eta30+eta12)*((eta30+eta12).^2- 3*(eta21+eta03).^2)+(3*eta21-eta03)*(eta21+eta03)*(3*(eta30+ eta12).^2-(eta21+eta03).^2); phi(6)= (eta20-eta02)*((eta30+eta12).^2-(eta21+eta03).^2)+(4*eta11*(eta30+eta12)*(eta21+eta 03)); phi(7)= (3*eta21- eta03)*(eta30+eta12)*((eta30+eta12).^2-
3*(eta21+eta03).^2)+(3*eta12-kemiripanannya. Adapun tabel hasil contoh penghitungan invariant moment dan
manhattan distance-nya adalah seperti pada tabel 2.
Tabel 2 : Nilai Moment invariant citra uji Nama Citra nilai momen invariant Manhattan distance citra uji 0,00105615 f 1 0,00146285 0,000406700 f2 0,00126008 0,000203930 f 3 0,00109673 0,000040580 f 4 0,00143617 0,000380020 f 5 0,00143617 0,000380020 f 6 0,00140971 0,000353560 f 7 0,00105615 0,000000000 f 8 0,00115588 0,000099730 f9 0,00145328 0,000397130 f10 0,00130512 0,000248970
Dari tabel diatas dapat diketahui bahwa seluruh citra database mempunyai kemiripan yang tinggi karena nilai manhattan distance-nya kurang dari 2 (range 0-2).
4.4 Penghitungan Akurasi Kemiripan
Untuk melihat kemiripan citra dapat dilihat dari nilai Manhattan distance antara citra query dengan citra database pada color moment maupun invariant moment. Kemudian kedua nilai Manhattan distance tersebut dinormalisasi untuk menyamakan skala jarak. Hasil dari perhitungan tersebut kemudian dipakai sebagai dasar penghitungan akurasi presisi untuk me-retrieve images. Hasil penghitungan nilai jarak kemiripan menggunakan manhattan distance dapat dilihat pada Tabel 3.
Tabel 3 : Nilai jarak setelah dinormalisasi Nama
Citra Citra Wajah
Normalisasi Jarak citra uji D1 1,255591857 D2 1,961426113
D3 0,124056163 D 4 1,660963283 D 5 1,660963283 D 6 1,855717066 D 7 0 D 8 0,339311599 D 9 1,195016516 D 10 0,766983901
Pada Tabel 3 dapat dilihat kombinasi color moment dan invariant moment, sehingga terbukti penelusuran citra wajah akan lebih akurat jika dilakukan kombinasi minimal 2 fitur. Hasil penghitungan setelah dinormalisasi jarak menunjukkan bahwa citra f7.jpg mempunyai akurasi kemiripan 100% karena nilainya adalah 0 (nol).
Di bawah ini adalah tabel citra uji untuk wajah dan nilai jarak setelah dinormalkan.
Tabel 4: Citra uji untuk wajah Na ma Cit ra Dista nce Shap e Dista nce color Distan ce Text ure Normali sasi Jarak f 1 0,000 54 0,608 5 0,770 995 1,3555 91 f2 0,000 98 1,969 5 0,874 753 1,6014 26 f 3 0,000 04 0,058 3 0,838 044 0,2240 56 f 4 0,000 48 1,545 5 0,759 042 1,7609 632 f 5 0,000 48 1,545 5 0,579 946 1,7609 632
f 6 0,000 99 1,862 4 0,938 023 1,7557 170 f 7 0,000 00 0,000 0 0,000 00 0 f 8 0,000 08 0,287 2 0,471 761 0,4393 115 f9 0,000 49 0,534 8 1 1,2950 165 f10 0,000 34 0,408 0 0,330 172 0,8669 839
Tabel 5. : Prosentase kemiripan dari citra Female1, Female2 dan Female 3.
Nama Citra Berdasarkan Nilai Manhattan Distance Aw al Rot asi 900 Rot asi 1800 Pensk ala-an 2x Femal e1 76,23 % 76,2 2% 76,2 2% 77,06 % Femal e2 84,13 % 85,9 5% 85,6 5% 85,19 % Femal e 3 92,32 % 92,3 3% 92,3 3% 92,33 %
Dari Tabel 5 dapat dilihat bahwa kemiripan rata-rata dari data uji adalah lebih dari 80,6%. Hal tersebut menunjukkan bahwa kombinasi dari color moment,
invarian moment dan Statistical Texture untuk penelusuran kemiripan bentuk
mempunyai tingkat akurasi yang tinggi.
5. Kesimpulan
Dari hasil uji coba diatas dapat disimpulkan sebagai berikut:
1. Agar mendapatkan kemiripan yang akurat, posisi pengambilan citra harus konsisten sehingga tidak merubah bentuk citra query maupun citra database.
2. Tingkat kecerahan (brightness) pada saat pengambilan citra, harus konsisten agar hasilnya akurat karena metode color moment merupakan metode yang menghasilkan vektor ciri dari sebaran warna yang sangat dipengaruhi oleh tingkat kecerahan citra.
3. Kombinasi dari metode color moment, invariant moment dan statistical texture menghasilkan tingkat akurasi kemiripan yang lebih tinggi dibandingkan tanpa melakukan kombinasi.
6. DAFTAR PUSTAKA
Brunelli, R and Poggio,T, 1992, Face recognition Through geometric features, Computer Vision – CCV’92, 792 – 800, Springer berlin Heidelberg.
Gonzales, R. C., Woods, R. E., Digital Image Processing ThirdEdition, Pearson Prentice Hall, New Jersey., 2008
Harguess, J. and Aggarwal,J.,K., 2009, he average half face 2D and 3D face recognition, Pattern Recognition and Machine, 135-148
Hu M. K., Visual Pattern Recognition by Moment Invariants, IEEE Trans. Inf. Theory 12, 1962,179-187.
Jumi, Agus H., Pengukuran Kemiripan Citra dengn metode Invarian Moment dan
Euclidean Distance Pada Citra Aset, Proceeding Senaputro, universitas Surakarta,
2012
Martinez, G.A.N. and Ayala, R.V., 2011, Real Time face Detection Using Neural Network In Artificial Intelligent, 10th Mexican International Conference (pp. 144-149). IEE
Noah K., Color Moments, http://homepages.
inf.ed.ac.uk/rbf/CVonline/Local_Copies/AV0405/KEEN/av_as2_nkeen.pdf], 2005. Ranawade, M.S.S., 2010, Face Recognition and Verification Using Artificial Neural
Network, International Journal Computer Applications, ISBN : 0975-8887, Vol 1 Rizon, M., Yazid, H., Saad, P., Shakaff, A. Y. M., Saad, A. R.,Mamat, M. R., Yacob,
S., Desa, H., Karthigayan, M., “Object Detection using Geometric Invariant Moment”, American Journal of Applied Science 2 (6), USA, 2006.
Siagian, Y., Anwar, K., Hutahean, J., 2014, Pengenalan Wajah pada Sistem Absensi Secara Realtime dengan Metode Wavelet, Jurnal Royal, Vol 1 No.1
Turk, M. and Petland, A., 1991, Egigenfaces for Recognition, Journal cognitive neuroscience vol 3.no.1, pp. 71-86
Wibowo, S.,A., Lee, H., Kim, E.K., Kwon, T. And Kim, S, 2015, Tracking detection and correcction face tracking by detection approach based on fuzzy coding histogram and point representation, International conference on fuzzy theory and It’s apllications, IEE, 34-39
Zafeiriu, S. , Atkinson, G.A., Hansen,M.F., Smith, W.A.P., 2013 Face Recognition and Verification Using Photometric Stereo, International Journal Transcation on Information Forensics and Security, Vol 8
