1. PENDAHULUAN 1.1 Latar Belakang
Sistem pengenalan biometrika ( biometrics recognition system ), atau sering disebut biometrik saja, merupakan sistem otentikasi ( authentication system ) dengan menggunakan biometrika. Sistem Biometrik akan melakukan pengenalan secara otomatis atas identitas seseorang berdasarkan suatu ciri biometrika dengan mencocokan ciri tersebut dengan ciri biometrik yang telah disimpan pada database. Sebagai suatu otentikasi, sistem biometrika mampu memutuskan apakah hasil pengenalan itu sah atau tidak sah atau diterima atau ditolak, dikenali atau tidak dikenali.
Adapun syarat di dalam pengambilan bagian tubuh sebagai objek biometrik adalah sebagai berikut:
a. Universal (University), artinya karakteristik yang dipilih harus dimiliki oleh setiap orang. b. Membedakan (Distinctiveness), artinya
karakteristik yang dipilih memiliki kemampuan membedakan antara satu orang dengan orang lain.
c. Permanen ( Permanence ) artinya karakteristik yang dipilih tidak cepat berubah dalam periode waktu yang lama. d. Kolektabilitas (Collectability), artinya
karakterisitik yang dipilih mudah diperoleh dan dapat diukur secara kuantitatif.
Dari syarat yang telah ada sejak 20 tahun belakangan ini peneliti telah mencoba meneliti beberapa organ tubuh. Seperti DNA (Deoxyribo Nucleid Acid ), telinga, wajah, panas tubuh, sidik jari, iris mata dan gigi. Oleh karena itu di dalam penelitian ini akan digunakan hidung sebagai objek biometriknya. Tiap pola hidung manusia memiliki ukuran dan jenis yang berbeda apabila diperhatikan secara seksama. Hal ini dipengaruhi oleh struktur tubuh dan wajah setiap manusia itu berbeda. Dengan menggunakan teknik-teknik pengolahan sinyal maka kandungan informasi dari pola hidung ini dapat dianalisis.
Pada penelitian ini dirancang suatu sistem pengenalan individu lewat citra hidung yang akan diambil dengan kamera digital. Pada citra hidung akan diambil data-data yang menunjukkan perbedaan-perbedaan ukuran hidung setiap manusia dan akan dibangun
prototype perangkat lunak yang akan mengidentifikasi manusia sesuai database yang telah ada.
2. BIOMETRIK 2.1 Dasar Biometrik
Identifikasi merupakan proses yang penting untuk mengenali dan membedakan sesuatu hal dengan hal lainnya, hal ini dapat berupa hewan, tumbuhan, maupun manusia. Identifikasi ini dilakukan dengan mengenali ciri khas yang dimiliki sesuatu hal tersebut. Pengembangan dari metode dasar identifikasi dengan menggunakan karakterisitik alami manusia sebagai basisnya kemudian dikenal dengan biometrik.
Biometrik merupakan studi tentang metode otomatis untuk mengenali atau megindentifikasi manusia berdasarkan satu atau lebih bagian tubuh manusia atau kelakukan dari manusia itu sendiri. Dalam dunia teknologi informasi, biometrik relevan dengan teknologi yang menganalisa fisik manusia yaitu dengan pengenalan sidik jari, retina, iris mata, pola dari wajah (facial patterns ), tanda tangan dan cara mengetik (typing patterns) serta suara. Beberapa hal yang mendorong penggunaan indentifikasi secara biometrik adalah biometrik bersifat universal. (terdapat pada setiap orang), unik (tiap orang memiliki cirri khas tersendiri), dan tidak mudah dipalsukan. Dengan teknik biometrik seseorang tidak harus membawa suatu alat identifikasi seperti pada teknik konvensional.
2.1.2 Sistem Pengenalan Biometrika
Sistem pegenalan biometrika (biometrics recognition system ), atau sering disebut sistem biometrika saja, merupakan sistem otentikasi (authentication system) dengan menggunakan biometrika. Sistem biometrika akan melakukan pengenalan secara otomatis atas identitas seseorang berdasarkan suatu cirri biometrika dengan mencocokan ciri tersebut dengan ciri biometrika yang telah disimpan pada database. Sebagai suatu sistem otentikasi, sistem biometrika mampu memutuskan apakah hasil pengenalan itu sah atau tidak sah, diterima atau ditolak, dikenali atau tidak dikenali.
2.1.3 Sistem Identifikasi
Sistem Identifikasi bertujuan untuk memecahkan identitas seseorang. Pengguna dapat tidak member klaim atau member klaim implicit negative untuk identitas terdaftar. Diperlukan pencocokan “satu ke banyak”, yaitu pencarian ke seluruh database identitas terdaftar.
2.2 Dasar Pengolahan Citra 2.2.1 Persepsi Visual
Dalam pengolahan maupun pengenalan citra, masalah persepsi visual, yaitu apa yang dapat dilihat oleh mata manusia, mempunyai peranan penting. Penentuan apa yang dapat dilihat itu tidak dapat hanya ditentukan oleh manusia sendiri. Mata merupakan bagian dari sistem visual manusia. Sistem visual ini sangat sulit dipelajari, terlebih jika ingin menyingkap proses yang melatarbelakangi timbulnya suatu persepsi, seperti pada peristiwa “pengenalan” (recognition).
2.2.2 Elemen Dasar Citra
Adapun elemen-elemen dasar citra adalah sebagai berikut:
1. Kecerahan dan Kontras
Kecerahan yang dimaksud adalah intensitas yang terjadi pada satu titik citra. Umumnya pada sebuah citra, kecerahan ini merupakan kecerahan rata-rata dari suatu daerah lokal. Kontras yang dimaksud adalah kepekaan (contrast sensitivity ) pada mata manusia. 2. Acuity
Adalah kemampuan mata manusia untuk merinci secara detail bagian-bagian pada suatu citra.
3. Kontur
Adalah keadaan pada citra dimana terjadi perubahan intensitas dari suatu titik ke titik tetangganya.
4. Warna
Reaksi yang dirasakan oleh sistem visual mata manusia terhadap perubahan panjang gelombang cahaya.
5. Bentuk
Pada umumnya citra yang dibentuk oleh mata adalah citra 2 dimensi sedangkan objek yang diamati adalah 3 dimensi.
6. Deteksi dan Pengenalan
Dalam mendeteksi dan mengenali suatu citra, ternyata tidak hanya sistem visual manusia saja yang bekerja, tetapi juga melibatkan ingatan dan daya pikir manusia. 2.2.3 Citra RGB
Pada model RGB, setiap warnanya menampilkan komponen spectral primary yakni Red, Green dan Blue. Model ini berdasarkan sistem koordinat kartesian dibawah ini:
Gambar 2.2 (a) Ruang Warna ternormalisasi
Citra mempresentasikan model warna RGB sesuai dengan komponen citra untuk setiap warna primarynya. Jadi RGB mengkombinasikan ke screen dari 3 komponen warna tersebut sesuai dengan citra yang ingin ditampilkan
Gambar 2.3 (a) RGB
Gambar 2.3 (b) Red
Gambar 2.3 (c) Green
Gambar 2.4 (d) Blue 2.2.4 Citra Grayscale
Untuk mendapatkan citra Grayscale (keabuan) digunakan rumus :
I (x,y) = α.R + β.G + µ.B (2.1)
dengan I(x,y) adalah level keabuan pada suatu koordinat yang diperoleh dengan mengatur komposisi warna R(merah), G(hijau) dan B(biru) yang ditunjukkan oleh parameter α, β, dan µ. Nilai yang lain juga diberikan untuk ketiga parameter tersebut, asalkan total keseluruhan nilainya adalah 1.
Gambar 2.4 GrayScale 2.2.5 Citra Black & White
Untuk mendapatkan citra ini selalu diambil dari nilai pengambangan grayscale. Jadi dari nilai pengambangan tersebut dapat ditentukan batas untuk mendapatkan citra biner. Adapun fungsi dari pengambangan dapat dilihat sebagai berikut
1
if
f(x,y)
≥ T
g(x,y)=
(2.2)
0
if
f(x,y)
≤ T
Gambar 2.5 BW
2.2.6 Median Filter
Filter median sangat bermanfaat untuk menghilangkan outliers, yaitu nilai-nilai piksel yang ekstrim. Filter median menggunakan slidding neighborhoods untuk memproses suatu citra, yaitu suatu operasi di mana filter ini akan menentukan nilai masing-masing piksel keluaran dengan memeriksa tetangga-tetangga mx n disekitar piksel masukan yang bersangkutan. Filtering Median mengatur nilai-nilai piksel dalam satu tetangga dan memilih nilai-nilai tengah atau media sebagai hasil.
Gambar 2.6 Median Filter 2.2.7 Image Adjustment
Image Adjustment merupakan salah satu teknik peningkatan kualitas citra. Teknik peningkatan kualitas citra ini digunakan untuk memperbaiki rasio sinyal terhadap derau (signal to noise ratio), dan kadang-kadang secara subkjektif adalah membuat fitur-fitur sehingga memudahkan untuk mengubah warna-warna atau intesitas. Dalam Matlab digunakan fungsi imadjust. Fungsi ini mengubah intesitas citra yang sedang diamati. Sesudah mengalami pengubahan ini Matlab akan tetap menampilkan citra yang telah diubah dengan gray colormap yang asli. Imadjust tidak hanya dipakai pada citra skala keabuan, tetapi juga dapat diterapkan pada citra warna dengan cara menerapkannya pada komponen warna merah, hijau, dan biru secara terpisah.
Low dan high adalah intensitas terendah dan tertinggi dari citra masukan yang akan dipetakan ke intensitas keluaran, sedangkan bottom dan top adalah nilai keluaran tertinggi dan terendah yang digunakan. Nilai default untuk low dan bottom adalah 0 dan untuk high, top dan gamma(factor pemangkat dari fungsi pemetaan x ke y) adalah 1.
Gambar 2.7 Image adjustment 2.2.8 Teori K-Nearest Neighbor
K-Nearest Neigbor untuk penentuan Antropometri Manusia. Antropometri berasal dari kata anthropos dan logos (bahasa yunani), yang berarti tubuh manusia dan ilmu. Secara definitive antropometri dinyatakan sebagai studi yang berkaitan dengan pengukuran dimensi tubuh manusia. Metode K-Nearest Neighbor adalah satu dari sekian banyak
metode yang biasa digunakan dalam sistem pendukung keputusan. Algoritma K-NN adalah sebuah metode untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Data pembelajaran diproyeksikan ke ruang dimensi banyak, dimana masing-masing dimensi mempresentasikan fitur dari data. Ruang ini dibagi menjadi bagian-bagian berdasarkan klasifikasi data pembelajaran.Sebuah titik pada ruang ini ditandai kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah tetangga terdekat titik tersebut. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak Eucledian.
(2.3) 2.3 Hidung Manusia
Adapun hidung diambil menjadi salah objek penilitian kali ini karena saat pengambil citra hidung orang tidak perlu meyiapkan kondisinya dalam memberi informasi. Misalnya seperti identifikasi individu menggunakan retina mata dimana manusia harus memberikan kondisi yang siap supaya citranya bisa diambil dan diolah. Dari faktor inilah maka hidung memiliki aspek keuntungan ketika akan diidentifikasi dan bila sistem ini benar-benar akan diimplementasikan kelaknya. Sehingga sistem ini juga tanpa secara sadar manusia bisa mendeteksi.
3. PERANCANGAN SISTEM & IMPLEMENTASI
3.1 Rancangan Sistem
Di dalam bab ini akan dibahas sistematika
identifikasi hidung secara umum. Dapat
dilihat dari flowchart dibawah ini :
Gambar 3.1 Flowchart Klasifikasi Citra Hidung 3.2 Pre-Processing
Bagian ini akan dibahas teknik Pre-Processing yang digunakan untuk mempersiapkan citra agar dapat menghasilkan citra lebih baik pada tahap pemisahan ciri.
Gambar 3.2 Tahap Pre-Processing 3.2.1 Resize
Setelah didapat inputan citra, maka pertama kali yang dilakukan pada sistem Pre-Processing adalah mengubah ukurannya. Hal ini dilakukan karena besarnya inputan citra sehingga menghasilkan banyaknya matriks dimana hal ini akan memberatkan kinerja Matlab dalam mengolah sistem selanjutnya. Adapun nilai yang digunakan dalam sistem ini adalah 800 x 600.
3.2.2 Grayscale
Merupakan proses pengubahan citra RGB menjadi citra keabuan. Teknik ini digunakan untuk mempermudah mendapatkan citra BW dari melihat level keabuanya sehingga mudah untuk ditentukan nilai ambangnya. Dalam proyek akhir ini akan dipilih nilai 0.5 untuk Red, 0.4 untuk Green dan 0.1 untuk Blue. Hasilnya dapat dilihat dibawah ini:
Gambar 3.3 Citra Hidung Grayscale Start Pre‐Processing Input Citra Ekstraksi Ciri Klasifikasi Save‐Finish Citra Resize Grayscale Median Filter Image Adjusment Black & White
3.2.3 Median Filter
Merupakan teknik untuk menentukan nilai tengah suatu matriks dari batas piksel yang ditentukan. Dalam sistem ini akan digunakan median filter 10 x 10 dan hasilnya dapat dilihat dibawah ini :
Gambar 3.4 Citra Hidung Median Filter 3.2.4 Image Adjustment
Merupakan perbaikan citra dari citra inputan citra sebelumnya. Dalam Image Adjustment ini akan digunakan nilai low in = 0.3 dan high in = 0.5 Adapun hasil dari nilai tersebut dapat dilihat sebagai berikut:
Gambar 3.5 Citra Hidung Image Adjustment 3.2.5 Black & White
Merupakan citra biner dimana nilai-nilai matriksnya merupakan nilai 1 dan 0. Untuk mendapatkan citra BW, maka digunakanlah nilai threshold= 0.35. Hasil dari pengaruh nilai threshold ini dapat dilihat di bawah ini :
Gambar 3.6 Citra Hidung Black & White
3.3 Ekstrasi Ciri
Pada tahap ini inputan merupakan citra black and white. Lalu citra ini akan seakan dibagi menjadi 4 bagian. Prosesnya dapat dilihat sebagai berikut:
Gambar 3.7 Pemotongan Citra 4 bagian 3.3.1 Posisi Mata Kiri (Part-1)
Adapun citra posisi mata kiri adalah sebagai berikut:
Gambar 3.8 (a) Posisi Vertikal
Gambar 3.8 (c) Nilai Black Biner
Posisi Horizontal
Gambar 3.8 (d) Nilai Black
Gambar 3.8 (e) Nilai Black Biner
3.3.1 Posisi Mata Kanan (Part-2)
Adapun citra dari part-2 adalah sebagai berikut:
Gambar 3.9 (a) Mata Kiri Posisi Vertikal
Gambar 3.9 (b) Nilai Black
Posisi Horizontal
Gambar 3.9 (d) Nilai Black
Gambar 3.9 (e) Nilai Black Biner 3.3.3 Posisi Hidung Kiri (Part 3)
Adapun posisi part 3 adalah sebagai berikut:
Gambar 3.10 (a) Hidung Kiri Posisi Vertikal
Gambar 3.10 (b) Nilai Black
Gambar 3.10 (c) Nilai Black Biner Posisi Horizontal
Gambar 3.10 (d) Nilai Black
Gambar 3.10 (e) Nilai Black Biner 3.3.4 Posisi Hidung Kanan (Part-4) Adapun posisi part-4 adalah sebagai berikut:
Posisi Vertikal
Gambar 3.11 (b) Nilai Black
Gambar 3.11 (c) Nilai Black biner
Posisi Horizontal
Gambar 3.11(d) Nilai Black
Gambar 3.11 (e) Nilai Black Biner
Lalu setiap bagian akan diperhitungkan satu persatu. Lalu ciri yang akan dipakai di dalam sistem ini adalah sebagai berikut:
Gambar 3.12 Ciri yang akan diekstrak 3.4 Implementasi Sistem
Tujuan dari tahap implementasi ini adalah untuk mengimplementasikan perancangan sistem yang telah dibuat, sehingga didapatkan sebuah perangkat lunak untuk mendeteksi bentuk. Adapun alur proses sistem yang diimplementasikan adalah sebagai berikut:
1. Pengguna menggunakan Kamera digital untuk mengambil citra yang diambil
2. Sistem membaca citra tersebut.
3. Diusahakan pengambilan citra dilakukan disaat cuaca baik supaya pengaruh cahaya juga baik.
4. Sistem melakukan pre-processing terhadap citra yang akan diekstrak.
5. Setelah selesai proses pre-processing lalu citra akan dibagi menjadi 4 bagian dan akan diukur setiap bagiannya.
6. Sistem kemudian mengidentifikasi citra input sesuai dengan database yang ada.
4. PENGUJIAN SISTEM & ANALISIS Skenario pengujian yang dilakukan terhadap tahap ekstraksi ciri yaitu pengujian terhadap proses normalisasi citra. Pengujian ini dilakukan dengan memakai beberapa inputan berbeda dalam proses normalisasi citra pada preprocessing kemudian dilakukan analisa keterhubungan dari
perubahan ukuran tersebut terhadap nilai akurasi.
Skenarion pengujian ini akan dilakukan pada bentuk dan ukuran citra hidung. Citra input yang dimasukkan akan di pre-processing dan akan diekstra cirinya. Lalu datanya akan dibandingkan dengan database yang telah disimpan. Hal ini juga dilakukan untuk mengetahui akurasi sistem dari perancangan.
Adapun dibawah ini sistematika pengujian yang akan digunakan dapat dilihat pada flowchart dibawah ini:
Gambar 4.1 Flowchart Pengujian Sistem
4.1 Analisa Kelayakan Citra Dengan KNN
Pada tahapan ini citra yang diinput adalah citra yang telah selesai mengalami pre-processing atau yang sudah siap untuk diekstrak. Lalu setiap citra akan diperhitungkan nilai L1,L2, L3, L4, L5, L6,L7 dimana setiap orang diset satu kelas. Setiap orang akan diambil 5 citra latih dan setiap citranya akan diekstrak cirinya dan disimpan satu persatu. Sehingga ketika dimasukkan citra uji maka sistem mengekstrak citra uji tersebut dan membandingkan dengan database yang telah disimpan untuk mengidentifikasi citra uji tersebut.
Adapun sistem ini masih sangat sederhana sekali, apalagi melihat ciri yang diambil hanya satu. Hal ini didasarkan karena faktor citra BW. Disana dikaji ulang kembali ciri-ciri yang akan diambil berdasarkan perhitungan. Maksudnya dari ciri yang ditentukan membuktikan bahwa citra uji yang dinput secara sembarang memiliki ukuran yang berbeda pula. Oleh karena itu didapat ketujuh ciri tersebut. Adapun sistem ini masih memiliki keterbatasan, disebabkan posisi hidung standar berada pada tempat yang sama. Memungkinkan jika diinputkan citra uji Xi maka akan teridentifikasi Yi. Jarak dan posisi hidung manusia memang memiliki jarak yang beda tetapi sangat tipis sekali.
Inilah yang mendukung sistem mengenali Xi menjadi Yi. Salah satu upaya saat ini untuk menghindari kesalahan tersebut adalah pembatasan database. Karena semangkin banyak citra yang disimpan maka akan semakin banyak pula kesalahan-kesalahan yang terjadi karena mengingat KNN mencari kelas yang mirip dengan database.
Sistem ini juga masih sulit mengenali dengan citra yang diinputkan untuk wanita yang berjilbab. Hal ini disebabkan adanya faktor bayangan jilbab yang terkena di kening sehingga membuat sistem tidak Start Citra Input Pre‐Processing Ekstraksi Ciri Klasifikasi Cek Database Identifikasi
baik dalam mengekstra cirinya. Proses perhitungan nilai black didaerah mata akan terpengaruh karena faktor bayangan ini.
Sistem ini juga masih sulit mengenali pria yang berkumis. Karena disaat proses black and white maka kumis tersebut akan menjadi hitam dan saat dieksrakpun akan menjadi inputan yang jelek sekali. Oleh karena itu pada pengujian ini, pria berkumis tidak dijadikan data latih.
Sistem ini juga masih sulit mengenali individu yang memiliki hidung mancung. Diawali dengan kesulitan mengambil samplenya dan juga ketika selesai pre-processing akan menghasilkan citra yang sangat buruk untuk diekstrak.
Untuk sejauh ini ada beberapa citra yang sudah dilatih dan diuji. Akurasi dalam mengidentifikasi dapat dilihat sebagai berikut:
Tabel 4.1 Performansi citra latih dan uji Jenis Citra Jumlah Total Citra Jumlah hasil Identifikasi Jumlah Kesalahan Identifikasi Citra Latih 60 60 - Citra Uji 60 47 13 Total 120 107 13 Performansi 87 % 11 %
Dan adapun dibawah ini merupakan beberapa perbandingan nilai-nilai median filter , treshold, beserta akurasi nilai K dari K-NN.
0 20 40 60 80 100 10 x 10 20 x 20 30 x 30 40 x 40 50 x 50 60 x 60 70 x 70 80 x 80 90 x 90 Akurasi (%) Medfilt (nxn) Gambar 4.2 AKurasi Median Filter 0 20 40 60 80 100 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 Akurasi(%) Tres hold Gambar 4.3 Akurasi Treshold
80 85 90 95 100 105 akurasi(%) k=x Gambar 4.4 Akurasi Kelas pada K‐NN
5. KESIMPULAN & SARAN
5.1 Kesimpulan
Dari analisis pengujian yang dilakukan terhadap sistem identifikasi menggunakan citra hidung maka dapat ditarik kesimpulan beberapa dibawah ini:
1. Pengubahan ukuran citra atau lebih dikenal resize sangatlah penting jika citra mentah tersebut memiliki ukuran yang sangat besar sehingga sangat memberatkan sistem. Nilai-nilai perubahan ukuran ditentukan dengan syarat tidak menghilangkan banyak informasi.
2. Nilai-nilai yang digunakan pada proses grayscale sangat membantu pada proses selanjutnya. Di sistem ini digunakan 0.5 untuk Red karena paling banyak memberikan informasi dan nilai Green = 0.4 & Blue =0.1. Nilai Blue paling kecil karena paling sulit untuk diproses ke tahap selanjutnya jika blue memiliki konstanta pengali yang besar.
3. Nilai Median Filter yang diambil adalah 10 x 10 karena hampir memiliki kemiripan dengan citra aslinya. Jika nilai median filternya semakin besar maka akan banyak noise yang muncul dan sulit untuk diindentifikasi.
4. Nilai threshold untuk BW sangat berpengaruh sekali untuk menentukan pemotongan citra menjadi 4 bagian. Karena dari situ akan diambil nilai tengah dari panjang nilai hitam secara vertikal dan horizontal.
5. Sistem ini masih sangat sederhana dimana data yang disimpan masih sedikit maka sistem akan mudah mengenali citra yang diinputkan tetapi jika citra latihnya semakin banyak maka sistem akan salah dalam mengidentifikasi citra yang diinputkan. 6. Dalam Tugas Akhir ini didapat sistem
dengan performansi 87 % atas deteksi 12 individu.
5.2 Saran
Adapun saran yang diharapkan untuk memperbaiki dari kekurangan sistem ini adalah sebagai berikut :
1. Penggunaan metode pre-processing yang lebih handal sangat diperlukan untuk memperoleh citra yang siap diekstra lebih baik.
2. Ciri yang ditentukan harus lebih banyak untuk mengurangi sistem dalam kekeliruan identifikasi.
3. Perlunya citra tampak samping jika sistem ini akan melatih banyak citra. Penampahan citra ini akan semakin memperbanyak ciri yang diekstra pula.
4. Untuk mendapatkan hasil yang lebih baik dan lebih cepat dalam prosesnya bisa juga mempergunakan perangkat lunak tipe lain.
DAFTAR PUSTAKA
1. Putra Darma, 2008, “Sistem Biometrik”, Andi, Yogyakarta
2. Wijaya Ch.Marvin & Prijono Agus, 2007, “ Pengolahan Citra Digital Menggunakan Matlab Image Processing Toolbox”, Informatika, Bandung
3. Abdia Gunaidi, 2006, “ The shortcut of Matlab”, Informatika, Bandung
4. Hidayatno Achmad & Isnanto Rizal, 2008,” Identifikasi tanda tangan menggunakan jaringan syaraf tiruan perambatan balik (backpropagation)”
5. Nurullita Dwi Astuti, 2009, “ Sistem Identifikasi Daun Algonema Menggunakan Analisis Warna dan Sturuktur Pada Citra Daun Dengan Operasi Morfologi dan K-NN “, IT Telkom, Bandung
6. Agustini Ketut, 2007, “Biometrik Suara dengan transformasi Wavelet Berbasis Orthogonal Daunbenchies”, jurnal Teknik Komputer, Undiksha Singaraja.
7. Kurniawan Harry & hidayat Taufiq, 2008, “ Perancangan Program pengenalan wajah menggunakan fungsi jarak metode Euclidian pada matlab”, Seminar Nasional Aplikasi Teknologi Informasi, Universitas Islam Indonesia, Yogyakarta.
8. R.Agushinta Dewi, 2008, “Ekstraksi Fitur dan Segmentasi Wajah sebagai semantic pada sistem pengenalan wajah” , jurnal ilmu computer, Universitas Gunadarma, Jakarta
9. R.Agushinta Dewi, 2004, “Pengenalan wajah sebagai bagian dari sistem pengenalan biometrik” , jurnal ilmu computer, Universitas Gunadarma Jakarta. 10. http://en.wikipedia.org/wiki/RGB_color_mo del 11. http://en.wikipedia.org/wiki/Image_processi ng 12. http://en.wikipedia.org/wiki/binary_image 13. http://en.wikipedia.org/wiki/median_filter
