1 Mahasiswa Jurusan Teknik Elektro UNDIP Semarang 2 Staf Pengajar Jurusan Teknik Elektro UNDIP Semarang
PENGENALAN WAJAH MENGGUNAKAN METODE
PRINCIPAL COMPONENT ANALYSIS (PCA)
UNTUK APLIKASI SISTEM KEAMANAN RUMAH
Diah Eka Puspitasari
1), Achmad Hidayatno, ST., MT.
2), Ajub Ajulian Zahra, ST., MT.
2)Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro
Jalan Prof. Sudharto, Tembalang, Semarang, Indonesia
ABSTRACT
Human have an ability to recognize thousands of faces learned throughout lifetime and identify familiar faces at a glance even after years of separation. This is really extraordinary ability because human still can recognize another people who have many different expression and appearance that always changes. This case has created an idea to make an biometric identification technique or identification technique that based from natural feature of human. There are so many application that can developed from face recognition system, one of them is home security system.
This final project has developed face recognition system that use Principal Component Analysis (PCA) method. Recognition process must pass through preprocessing process first to fit the test image with the system. Test image will recognizes as a residents if the minimum Euclidean distance from the database image suitable within the limits to recognize as a residents. Language of program used in this software is Matlab and will be shown with Graphical User Interface (GUI).
This research has 10 residents as an input with 5 variation in expression and accessories which is every variation taken 3 times. From the result, this research obtained the percentage of success up to 78%. That percentage of success not only from the recognition [rocess but also from the preprocessing process too.
Keywords: face recognition, Principal Component Analysis, security system, Euclidean distance
I. Pendahuluan 1.1 Latar Belakang
Perkembangan teknologi berjalan cukup pesat pada zaman ini sehingga setiap orang dituntut untuk dapat mengikuti perkembangan, semua sistem yang manual atau secara analog pada suatu saat nanti akan tergantikan dengan sistem yang jauh lebih praktis secara digital. Begitu juga dengan sistem keamanan di rumah yang sekarang masih secara manual menggunakan jasa penjaga
rumah pasti akan mengalami perubahan
menggunakan sistem digital. Diharapkan pada pengaplikasiannya nanti ketika penghuni rumah
akan memasuki rumah, cukup dengan
menunjukkan wajah ke sebuah sistem maka pintu gerbang akan terbuka secara otomatis jika orang tersebut dikenali sebagai penghuni.
Pada Tugas Akhir ini dirancang sebuah sistem pengenalan wajah menggunakan masukan citra berupa foto penghuni rumah yang ditangkap menggunakan kamera digital dengan berbagai macam ekspresi dan menggunakan aksesoris. Metode yang digunakan pada perangkat lunak ini adalah Principal Component Analysis (PCA) dan menggunakan perhitungan jarak Euclidean.
Pemilihan citra yang sesuai ditentukan dengan selisih nilai terkecil pada setiap perbandingan masing-masing citra yang terdapat pada database. Jika nilai selisih terkecilnya
dianggap terlalu besar, maka citra masukkan dikenali oleh sistem sebagai bukan penghuni. 1.2 Tujuan
Tugas akhir ini bertujuan untuk membuat suatu perangkat lunak yang dapat mengenali citra
wajah penghuni suatu rumah dengan
menggunakan metode Principal Component
Analysis (PCA).
1.3 Batasan Masalah
Penulis membatasi permasalahan dalam beberapa hal:
1. Metode pengolahan citra yang digunakan adalah Principal Component Analysis (PCA).
2. Citra yang digunakan sebagai masukan
diambil secara offline menggunakan kamera digital.
3. Jumlah penghuni rumah 10 orang dan citra yang diambil adalah 15 citra wajah untuk setiap penghuni rumah dengan 5 variasi yang berupa ekspresi dan pemakaian aksesoris. 4. Citra wajah yang dapat dikenali adalah citra
wajah dalam keadaan diam dan tampak dari depan.
5. Citra wajah masukan merupakan citra
berwarna yang telah mengalami proses menjadi citra aras keabuan dengan 256 aras keabuan berukuran 180 x 200 piksel.
6. Sistem ini menggunakan bahasa pemrograman Matlab R2008a.
II. Landasan Teori 2.1 Pengenalan Wajah
Face recognition atau pengenalan wajah adalah salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Ada banyak metode yang telah dikembangkan oleh para ilmuwan untuk dapat melakukan pengenalan wajah secara akurat. 2.2 Pengolahan Citra
Pengolahan citra atau image processing adalah setiap bentuk pengolahan sinyal yang masukannya berupa gambar, sedangkan keluaran dari pengolahan gambar dapat berupa gambar atau sejumlah karakteristik yang berkaitan dengan gambar. Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Sampling adalah proses untuk menentukan warna pada piksel tertentu pada citra dari sebuah gambar yang kontinu. Pada proses sampling biasanya dicari warna rata-rata dari
gambar analog yang kemudian dibulatkan.
Pengolahan citra pada umumnya memiliki tujuan sebagai berikut:
1. Memodifikasi kualitas sebuah citra untuk meningkatkan visibilitas citra.
2. Mengklarifikasi, mencocokkan, dan mengukur bagian-bagian di dalam citra.
3. Memfasilitasi penyimpanan dan transmisi citra seperti menentukan metode penyimpanan citra yang efisien dalam suatu kamera digital sehingga mempercepat proses pengirim citra dari jarak jauh.
4. Membagi bagian-bagian citra yang ingin dihilangkan atau digabung dengan cira yang lain.
5. Mengekstraksi informasi yang ada di dalam sebuah citra.
2.3 Konversi Citra RGB menjadi Grayscale Proses pengubahan citra yang berwarna menjadi citra grayscale melalui beberapa tahap. Pertama adalah mengambil nilai R, G dan B dari suatu citra bertipe RGB. Pada tipe .bmp citra direpresentasikan dalam 24 bit, sehingga diperlukan proses untuk mengambil masing - masing 3 kelompok 8 bit dari 24 bit tadi. Perhitungan yang digunakan untuk mengubah citra berwarna yang mempunyai nilai matriks masing-masing R, G, dan
B menjadi citra grayscale dapat dilakukan dengan mengambil rata-rata dari nilai R, G, dan B sehingga dapat dituliskan menjadi:
𝐺𝑟𝑎𝑦𝑠𝑐𝑎𝑙𝑒 =R + G + B
3 2.4 Segmentasi Citra
Gonzalez dan Wintz (1987) menyatakan bahwa segmentasi adalah proses pembagian sebuah citra kedalam sejumlah bagian atau obyek. Segmentasi merupakan suatu bagian yang sangat penting dalam analisis citra secara otomatis, sebab pada prosedur ini obyek yang diinginkan akan disadap untuk proses selanjutnya. Algoritma segmentasi didasarkan pada 2 buah karakteristik nilai derajat kecerahan pada citra yaitu: discontinuity dan similarity. Pada item pertama, citra dipisahkan/dibagi atas dasar perubahan yang mencolok dari derajad kecerahannya. Aplikasi yang umum adalah untuk deteksi titik, garis, area, dan sisi citra. Pada kategori kedua, didasarkan atas thresholding, region growing, dan region spiltting and merging.
Tiap piksel dalam suatu wilayah mempunyai kesamaan karakteristik atau propeti yang dapat dihitung (computed property), seperti: warna (color), intensitas (intensity),dan tekstur (texture). Dalam kasus ini digunakan segmentasi citra berdasarkan area tekstur wajah, karena pada pengolahan awal citra hanya ingin mengambil fokus di bagian komposisi wajah inti mulai dari alis hingga dagu.
2.5 Normalisasi Citra
Normalisasi pada pengolahan citra berarti mentransformasikan citra ke bentuk citra normal yang sesuai dengan kebutuhan. Besar dan kecil ukuran pada citra normalisasi tidak sesuai ukuran yang diambil dari citra semula. Citra hasil normalisasi dapat ditampilkan sesuai dengan keinginan. Penskalaan ini tergantung besar dan kecil ukuran pada citra semula artinya tidak berarti apakah citra membesar atau mengecil tergantung ukuran citra semula.
2.6 Eigenface
Eigenface merupakan sebuah cara sederhana untuk mengekstrak informasi yang terkandung dalam citra wajah adalah dengan menangkap variasi-variasi penting dalam sekumpulan citra wajah dan menggunakan informasi tersebut untuk mengkodekan dan membandingkan citra wajah.
Dalam bahasa matematika, kita harus
menemukan komponen-komponen utama dari distribusi citra-citra wajah atau eigenvector dan matriks kovarian dari sederetan citra wajah dengan
memperlakukan sebuah citra wajah sebagai sebuah titik (atau sebuah vektor) dalam ruang vektor
berdimensi sangat tinggi. Eigenvector ini
kemudian disusun berdasarkan eigenvalue-nya. Setiap eigenvector mengacu pada suatu nilai variasi diantara citra-citra wajah.
Eigenvector ini bisa dianggap sebagai sederetan ciri yang bersama-sama memberi karakter variasi diantara citra-citra wajah. Setiap titik citra wajah bisa dinyatakan dalam satu atau
lebih eigenvector sehingga sekumpulan
eigenvector dapat ditampilkan sebagai sekumpulan wajah. Sekumpulan eigenvector yang digunakan inilah yang disebut sebagai eigenface.
Untuk menemukan eigenface dari sebuah
database citra wajah, hal penting pertama yang
harus dilakukan adalah menentukan vektor
rata-rata, vektor deviasi, dan matriks kovarian
untuk database tersebut.
2.7 Principal Component Analysis
Principal Component Analysis (PCA) merupakan salah satu hasil berharga dari aljabar linear terapan. Prosedur PCA pada dasarnya adalah bertujuan untuk menyederhanakan variabel yang diamati dengan cara menyusutkan (mereduksi) dimensinya. Hal ini dilakukan dengan cara menghilangkan korelasi diantara variabel bebas melalui transformasi variabel bebas asal ke variabel baru yang tidak berkorelasi sama sekali tanpa menghilangkan informasi penting yang ada di dalamnya atau yang biasa disebut dengan principal component. Dengan reduksi ini maka
waktu komputasi dapat dikurangi dan
kompleksititas dari citra wajah yang tidak perlu dapat dihilangkan. Principal Component Analysis menggunakan vektor-vektor yang disebut dengan eigenvector dan nilai-nilai yang disebut dengan eigenvalue untuk mendapatkan fitur yang paling signifikan pada dataset.
2.8 Jarak Euclidean
Setelah melalui proses ekstraksi ciri dan dihasilkan suatu nilai-nilai parameter tertentu, maka dilanjutkan dengan perhitungan jarak Euclidean. Jarak Euclidean digunakan pada proses pengenalan. Jarak Euclidean antara nilai vector ciri citra uji dan nilai vector citra basisdata dinyatakan oleh:
n i i i i A B A B A D 0 2 ) , ( dengan:D(A,B) = Jarak euclidean antara gambar A dan B
A = Vektor ciri citra masukan
B = Vektor ciri citra basis data
n = Panjang vektor a dan vektor B
III. Perancangan Sistem 3.1 Perangkat Pendukung
Di dalam pembuatan perangkat lunak ini,
digunakan beberapa peralatan pendukung, baik
berupa perangkat keras maupun perangkat
lunak. Perangkat-perangkat yang digunakan
antara lain:
1. Notebook dengan spesifikasi sebagai
berikut.
a. Prosesor Intel
(R)Atom
(R)Processor N450
1.66 GHz
b. RAM 1 GB
c. Sistem Operasi Microsoft Windows XP.
2. Kamera Canon 350D EOS digital.
3. Perangkat lunak Matlab versi 7.7.0
(R2008b).
3.2 Gambaran Umum
Perancangan sistem merupakan tahap yang penting dalam mengaplikasikan suatu konsep, baik dalam bentuk program ataupun alat agar dalam pembuatannya dapat berjalan secara sistematis, terstruktur, dan rapi sehingga hasil program dapat berjalan sesuai dengan apa yang dikehendaki.
Pada Gambar 1 terlihat bahwa terdapat 2 tahap dalam perancangan sistem ini. Tahap pertama yaitu tahap penyimpanan database, dalam tahap penyimpanan database ini terdapat proses preprocessing citra hingga proses penyimpanan database citra. Citra yang ada di dalam database harus melalui proses preprocessing juga agar sesuai dengan citra yang dihasilkan pada proses pengenalan. Database inilah yang nantinya akan dijadikan sebagai pembanding dalam menentukan citra penghuni karena setiap citra pada database memiliki eigenface yang merupakan representasi yang sangat kompak yaitu berisi kumpulan angka-angka yang menunjukkan posisi citra dalam koordinat space wajah.
Pada tahap pengenalan ini terdapat beberapa proses yang akan dilalui oleh sebuah citra penghuni agar citra dapat teridentifikasi sebagai penghuni atau bukan penghuni. Proses–proses tersebut yaitu proses preprocessing, proses pengenalan, dan proses pemberian label setiap citra berupa nama penghuni yang sudah tersimpan pada setiap citra yang ada di database. Citra yang masuk ke dalam sistem pada tahap pengenalan
sudah melalui tahap normalisasi untuk
mendapatkan kondisi yang sama dengan citra yang ada pada database. Normalisasi yang dilakukan adalah normalisasi dalam bentuk ukuran citra yaitu 180 x 200 piksel dengan posisi wajah ditengah dan hanya berisi bagian inti dari wajah mulai dari alis hingga dagu. Untuk proses pengenalan ini
Analysis (PCA) dan jarak Euclidean sebagai pengambil keputusan. Citra pada database yang akan dipilih menjadi citra penghuni yang dikenali adalah berdasarkan pada jarak Euclidean minimal yang diketahui pada masing-masing citra.
Gambar 1. Bagan perancangan sistem
3.3 Tahap Preprocessing
Tahap preprocessing adalah proses
pengolahan data-data citra untuk kemudian diproses kedalam tahap inti dari suatu sistem.
Proses preprocessing dilakukan untuk
menyesuaikan hal-hal yang dibutuhkan dalam proses–proses selanjutnya. Proses-proses dalam tahap preprocessing dapat dilihat pada diagram alir dibawah.
Gambar 2. Diagram alir tahap preprocessing
3.4 Tahap Pengenalan
Tahap pengenalan adalah tahap untuk
mengambil keputusan citra masukan akan
diklasifikasikan berupa penghuni atau bukan penghuni. Untuk dapat mengidentifikasi citra masukan, terlebih dahulu citra wajah harus melewati beberapa proses agar dapat teridentifikasi dengan baik.
Proses pertama yang dilakukan adalah proses preprocessing yang merupakan proses awal untuk menyesuaikan citra masukan dengan citra yang dapat diproses oleh sistem. Proses preprocessing dapat membuang hal-hal yang tidak perlu dan
memperlambat proses pengolahan citra.
Selanjutnya adalah tahap pengenalan yang
menggunakan perhitunan eigenface dan metode Principal Component Analysis.
Citra yang telah melalui tahap preprocessing
dan tahap pengenalan akan melakukan
pengambilan keputusan. Di dalam database terdapat 20 citra penghuni dari 10 penghuni yang ada, citra masukan akan dibandingkan dengan citra yang ada di database. Citra masukan akan diproses dan memilih citra di database yang paling sesuai berdasarkan jarak Euclidean yang paling kecil diantara citra lainnya yang terdapat di database. Setelah terpilih citra yang sesuai, akan dilakukan proses pelabelan yang berupa nama penghuni yang sesuai dengan citra yang memiliki nilai paling mendekati tersebut. Jika nilai minimum dari hasil perbandingan nilai citra masukan dengan nilai masing-masing citra yang berada di database dianggap terlalu jauh, maka sistem akan mengenali citra masukan tersebut sebagai bukan penghuni.
Di bawah ini adalah bagan dari tahap pengenalan pada rancangan sistem yang telah dibuat.
Gambar 3. Bagan proses pengenalan
IV. Pengujian dan Analisis
4.1 Pengujian Tahap Preprocessing
Pada proses preprocessing, citra masukan
yang berupa citra asli tersebut diubah
warnanya dari citra RGB menjadi citra dengan
aras
keabuan
untuk
mempercepat
dan
memudahkan proses selanjutnya. Setelah citra
sudah berada pada aras keabuan, citra
masukan akan dideteksi bagian wajahnya inti
saja, inti yang dimaksud ini adalah bagian dari
kepala manusia yang paling merepresentasikan
wajah. Selanjutnya citra diubah ukurannya
menjadi 180 x 200 piksel untuk ditampilkan.
Tahap PenyimpananDatabase
Dalam pengujian tahap preprocessing ini akan dilakukan pengujian dengan menambahkan derau untuk menguji kehandalan sistem dalam tahap preprocessing ini. Derau yang akan ditambahkan adalah derau Gaussian. Jenis derau ini sudah terdapat dalam function di Matlab, sehingga cukup menggunakan function imnoise dalam pengkodean.
Gambar 4. Citra asal sebelum preprocessing
Setelah dilakukan berbagai tahap dalam proses preprocessing, citra asli akan mengalami perubahan seperti Gambar 5.
Gambar 5. Citra hasil preprocessing
4.2 Pengujian Tahap Pengenalan
Proses pengenalan merupakan tahap yang paling penting dari sistem pengenalan wajah ini karena dari sinilah kita dapat mengetahui tingkat keakuratan sistem. Di dalam tahap ini kita dapat mengenali dan mengklasifikasikan citra masukan dengan citra pada database sehingga dapat diketahui citra masukan itu adalah penghuni maupun bukan penghuni menggunakan parameter suatu batasan (threshold). Batasan yang dipakai adalah batas maksimal dan minimal nilai minimal jarak Euclidean saat citra input masih bisa dikategorikan sebagai penghuni. Citra yang telah berhasil melewati tahap preprocessing selanjutnya akan langsung memasuki tahap pengenalan dan identifikasi.
Citra yang ada pada database telah memiliki labelnya masing-masing berupa nama penghuni, jika suatu citra masukan telah melalui tahap pengenalan dan berhasil, nantinya ditampilkan nama dari penghuni itu sendiri pada program.
Contoh citra masukan yang telah melalui tahap preprocessing dan dapat dikenali dengan benar ditunjukkan pada Gambar 6.
Gambar 6. (a) Citra hasil preprocessing
(b) Citra hasil pengenalan
Pada citra masukan diatas digunakan citra masukan dengan nama “aya13.jpg” dan nama penghuni rumah yang akan muncul pada sistem adalah Aya. 4.3 Pengujian Data
Setelah diketahui proses untuk menguji citra masukan untuk dilakukan proses pengenalan, dilakukan proses pengenalan citra wajah dengan memasukkan citra uji satu persatu. Berikut hasil pengenalan untuk 150 data uji:
Tabel 1. Persentase keberhasilan setiap penghuni
No. Nama Penghuni Persentase
Keberhasilan (%) 1 Aya 60 2 Andri 100 3 Azwar 80 4 Fitria 66,67 5 Hasta 100 6 Ilham 66,67 7 Megi 86,67 8 Rega 80 9 Saras 80 10 Seto 60 Persentase rata-rata 78
Dari Tabel 1 didapat persentase keberhasilan sebesar 78% yang didapat dari 150 citra yang masuk. Terdapat 117 citra yang berhasil dikenali dengan baik sebagai penghuni rumah, dan 33 citra lainnya tidak dapat dikenali dengan baik karena terjadi kesalahan pada proses preprocessing maupun proses pengenalan
.
4.7 Analisis Pengenalan Citra Wajah
Setelah semua citra telah diujikan, maka dapat di analisa hasil dari proses pengenalan sistem. Dari hasil pengenalan yang telah didapat persentase keberhasilannya seperti pada tabel diatas, didapat grafik perbandingan hasil pengujian yang terlihat pada Gambar 7.
Gambar 7. Grafik hasil pengujian setiap penghuni
Terlihat bahwa hasil pengujian data latih dan data uji menghasilkan tingkat akurasi pengenalan sebesar 78%. Hal ini menunjukkan bahwa sistem pengenalan yang telah dirancang ini berjalan cukup baik karena dari pengujian diketahui kesalahan yang terjadi pada pengenalan bukan hanya dikarenakan oleh sistem yang tidak baik. Namun tidak dapat dipungkiri terdapat beberapa faktor-faktor yang sangat memengaruhi kesalahan dalam hasil pengenalan terhadap citra wajah penghuni rumah tersebut. Faktor-faktor yang mempengaruhi kesalahan hasil pengenalan citra wajah penghuni antara lain sebagai berikut:
1. Posisi Citra Masukan
Pengambilan data citra untuk menjadi masukan dilakukan sebelum program ini selesai dirancang, sehingga belum dapat diketahui spesifikasi citra macam apa yang dapat melalui tahap preprocessing untuk dapat dilakukan pengenalan. Pada grafik diatas terlihat kesalahan yang hampir fatal terjadi saat posisi tidur, karena rata-rata citra masukan dengan ekspresi tidur diambil dengan proporsi wajah kurang jelas, sehingga untuk melakukan preprocessing saja tidak berhasil.
2. Kemiripan Nilai Eigenface Para Penghuni Pengenalan wajah secara manual yang dilakukan
oleh mata manusia saja masih sering terjadi kesalahan saat mengenali orang satu dengan yang lainnya. Begitu juga dengan sistem ini yang cara
mengambil keputusannya berdasarkan jarak
Euclidean minimum dari citra yang terdapat pada database. Setiap citra memiliki nilainya sendiri yang terkadang memiliki kemiripan nilai dengan citra penghuni lain.
3. Tingkat Kecerahan
Dalam pengambilan citra masukan ini
dimungkinkan citra hasil pengambilan tidak memiliki tingkat kecerahan yang cukup baik karena diambil di dalam ruangan yang tertutup sehingga citra yang didapatkan kurang nyata sehingga dapat memepengaruhi saat pengubahan warna dari citra RGB menjadi citra dengan aras keabuan.
4. Penambahan Derau Gaussian
Tidak dapat dipungkiri bahwa penambahan derau gaussian pada tahap preprocessing yang awalnya bertujuan untuk menguji keandalan sistem pengenalan wajah ini juga memiliki pengaruh dalam proses pengenalan karena titik-titik yang terdapat pada citra hasil preprocessing dengan derau gaussian dapat mempengaruhi eigenvalue pada setiap piksel citra masukan.
V. Penutup 5.1 Kesimpulan
Dari hasil penelitian dan pembahasan pada bab sebelumnya dapat disimpulkan bahwa :
1. Pada sistem pengenalan wajah ini melewati 2 tahap untuk mendapatkan hasilnya. Kedua tahap itu adalah tahap preprocessing dan tahap pengenalan.
2. Pada tahap preprocessing, citra masukan melewati beberapa proses untuk mendapatkan hasil yang sesuai keinginan dan juga ditambahkan Gaussian noise untuk menguji keandalan sistem.
3. Persentase keberhasilan untuk proses
pengenalan 150 data citra wajah penghuni dengan 5 macam ekspresi adalah 78%. 4. Proses pengenalan terburuk adalah saat
menggunakan ekspresi tidur karena posisi badan yang menunduk sehingga sistem tidak dapat melakukan tahap preprocessing dengan baik. Sedangkan untuk melakukan tahap
pengenalan, citra masukan diwajibkan
melewati tahap preprocessing dengan baik. 5. Proses pengenalan terbaik yang hampir
mendekati sempurna adalah saat citra masukan menggunakan ekspresi diam karena dari 30 citra yang menggunakan ekspresi diam hanya terjadi 1 kesalahan.
6. Terdapat beberapa faktor yang mempengaruhi hasil pengenalan yaitu posisi citra masukan,
0 20 40 60 80 100 120 Ay a An d ri Azw ar
Fitria Hasta Ilha
m Me gi Re ga Saras Se to
Persentase Keberhasilan Setiap Penghuni
penambahan derau gaussian, tingkat kecerahan, dan kemiripan nilai eigenface. 5.2 Saran
Adapun saran yang dapat diberikan
sehubungan dengan pelaksanaan penelitian ini adalah :
1. Pada saat mengambil data untuk citra masukan sebaiknya wajah tetap menghadap ke depan agar dapat melewati tahap preprocessing dengan baik.
2. Untuk mendapatkan hasil pengenalan yang lebih baik kedepannya, sebaiknya dapat
dipertimbangkan menggunakan algoritma
preprocessing lain yang dapat mendeteksi wajah dengan segala posisi bukan hanya berdasarkan ekspresi saja.
DAFTAR PUSTAKA
[1] Bamukrah, Jihan Faruq. 2010. Pengertian Pengolahan Citra (Image Processing). Universitas Gunadarma.
[2] Fatta, Hanif Al. 2007. Konversi Format Citra RGB ke Format Grayscale Menggunakan Visual Basic. STMIK AMIKOM Yogyakarta.
[3] Mabrur, Andik. 2011. Face Recognition Using the Method of Adjacent Pixel Intensity Difference Quantization Histogram Generation. Surabaya: Institut Teknologi Sepuluh Nopember.
[4] Soemartini. 2008. Principal Component
Analysis (PCA) Sebagai Salah Satu Metode Untuk Mengatasi Masalah Multikolinearitas. Universitas Padjajaran. [5] Vidyaningrum, Esty. Prihandoko. 2009.
Human Face Detection Using Eigenface Method for Various Pose of Human Face. Universitas Gunadarma.
BIODATA PENULIS
Diah Eka Puspitasari, lahir di Situbondo pada tanggal 9
Desember 1990. Penulis
menempuh pendidikannya di TK Widya Bhakti Rini, SDN Banyumanik 01-02 Semarang, SMPN 21 Semarang, SMAN 3 Semarang. Saat ini sedang menyelesaikan studi Strata 1 di Teknik Elektro Universitas Diponegoro mengambil Konsentrasi Elektronika dan Telekomunikasi.
Menyetujui, Dosen Pembimbing I,
Achmad Hidayatno, S.T., M.T. NIP. 196912211995121001
Dosen Pembimbing II,
Ajub Ajulian Zahra, S.T., M.T. NIP. 197107191998022001
