PROTOTYPE AUGMENTED REALITY BERBASIS FACE RECOGNITION PADA SMARTPHONE ANDROID UNTUK PENGENALAN WAJAH
MAHASISWA JTETI UGM
M. Ibnu Fadhl Bagus Basuki1, Rudy Hartanto2, Bimo Sunarfri Hantono3
Abstract—Compared by an identity card, face forgery is much difficult than identity card forgery. Which is why, a fast and accurate identification using face recognition need to be applied, both for increasing security and make people identification much easier.
Face recognition is a process of identifying a face from a person who has been stored in a database/been trained before. Two of the popular methods are Haar and LBP (Local Binary Pattern). And now in image processing, we have Augmented Reality, which is a way to show entities that only reside in digital world to be appeared in reality.
Augmented reality is often used in purposes of entertainment, informational, monitoring, etc.
This research is focused on the making of a prototype of a software of augmented reality based face detection using Haar and LBP and face recognition using LBP in smartphone Android.
Intisari—Dibandingkan dengan kartu identitas yang dimiliki seseorang, memalsukan wajah akan menjadi jauh lebih sulit dibandingkan dengan memalsukan kartu identitas. Oleh karena itu, identifikasi menggunakan pengenalan wajah dengan akurat dan cepat butuh diterapkan, baik untuk meningkatkan keamanan maupun sekedar memudahkan dalam pengidentifikasian seseorang.
Face recognition merupakan sebuah proses mengenali wajah dari seseorang yang sebelumnya sudah tersimpan dalam database/sudah dipelajari sebelumnya. Salah satu metode yang cukup terkenal ialah metode Haar dan LBP (Local Binary Pattern).Augmented reality ialah sebuah cara untuk menyisipkan entitas-entitas yang seharusnya hanya ada pada dunia digital menjadi seakan ada pada dunia nyata. Augmented reality sering digunakan untuk tujuan hiburan, informasional, monitoring, dan lain lain.
Penelitian ini berfokus pada pembuatan protoype perangkat lunak augmented reality berbasis pendeteksian wajah dengan metode Haar dan LBP serta pengenalan wajah dengan menggunakan metode LBP. Prototype ini dikembangkan pada smartphone Android.
Kata Kunci— deteksi wajah, pengenalan wajah, Haar, LBP, Android.
I. PENDAHULUAN
Computer vision, layaknya mata sebagai indra penglihatan pada manusia, juga mampu mengubah manusia, dari cara pandang seseorang atas sesuatu hingga cara seseorang berinteraksi satu sama lain. Di dalam bidang computer vision, terdapat metode pengenalan wajah. Pengenalan wajahialah teknologi yang digunakan untuk mengenali wajah seseorang dan telah digunakan untuk berbagai jenis fungsionalitas.
Mulai dari aktivitas presensi, log in, hiburan, permainan dan lainnya. Sedangkan augmented reality ialah sebuah perpaduan dari dunia nyata yang dilihat oleh seorang user dan virtual scene yang ditambahkan dalam sebuah pemandangan dunia nyata tadi yang kemudian memberikan tambahan informasi.
Kemampuan identifikasi terhadap seseorang kapanpun kamera menyorot wajahnya merupakan sebuah solusi praktis akan sulitnya identifikasi seseorang khususnya dalam bidang administrasi salah satunya ialah universitas.Ditambah dengan fakta bahwa foto dalam Kartu Tanda Mahasiswa yang berukuran kecil dan belum tentu dalam kondisi baik sehingga dapat mengenali mahasiswa yang bersangkutan.
II. TINJAUAN PUSTAKA DAN LANDASAN TEORI Dalam menerapkan augmented reality, salah satu metode penerapannya ialah screen-based video see- through. Yang berarti augmented reality diterapkan melalui layar yang mampu memperlihatkan sisi di balik layar tersebut dengan bantuan kamera maupun alat ekstraksi citra lainnya[1][2]. Dan dalam tulisannya, Dantone, Matthias, et al mengungkapkan bahwa perangkat berbasis Android OS dapat menjalankan software untuk menerapkan augmented reality system yang mampu mengidentifikasi wajah dan melakukan tracking terhadap wajah secara real time menggunakan metode SURF-Feature Extraction[3].
Kemungkinan untuk diterapkan pengenalan wajah yang diterapkan juga di dalamnya augmented reality pada platform smartphone Android ada. Karena sebelumnya telah dikembangkan pengenalan wajah yang diterapkan secara real-time dengan menerapkan juga augmented reality menggunakan OpenCV library dengan metode fisherfaces juga telah terbukti mampu dilakukan dengan menggunakan Windows Phone OS
1Mahasiswa, Jurusan Teknik Elektro dan Teknologi Informasi UGM, Jalan Grafika No.2 Yogyakarta 55281 INDONESIA(tlp: 0274-552305; fax: 0274-552305; e-mail:
2, 3 Dosen,Jurusan Teknik Elektro dan Teknologi Informasi UGM, Jalan Grafika No.2 Yogyakarta 55281 INDONESIA(tlp: 0274-552305; fax: 0274-552305; e-mail:
dengan menggunakan metode Viola-Jones sebagai metode pendeteksian wajahnya dan MySQL sebagai databasenya[4][5][6].
III. METODOLOGI PENELITIAN
Berikut diuraikan pengembangan perangkat lunak untuk pendeteksian serta pengenalan wajah yang diterapkan bersamaan dengan augmented reality yang diusulkan dalam penelitian ini dan hasil pendeteksian serta pengenalan wajah menggunakan smartphone berbasis OS Android.
A. Pengembangan Perangkat Lunak
Gbr. 1 menunjukkan alir pengembangan perangkat lunak yang diusulkan
Gbr. 1 Diagram Alir
1) Pra Penelitian : Penelitian ini diawali dengan menyiapkan environment dan workspace yang digunakan. Karena perangkat lunak yang dikembangkan membutuhkan fungsi pengenalan wajah dan diterapkan pada smartphone Android. Maka dibutuhkan konfigurasi pada Eclipse IDE berbasis Java Programming Language dan Android SDK sebagai dasar awal environment.
Dilakukan konfigurasi mulai dari instalasi Eclipse IDE, Konfigurasi library OpenCV, instalasi Eclipse CDT serta Android SDK dan Android NDK sebagai konfigurasi yang dibutuhkan untuk melakukan pendeteksian wajah. Sedangkan untuk dapat melakukan pengenalan wajah, dibutuhkan kembali konfigurasi JavaCV pada environment yang digunakan dalam pengerjaan pengembangan perangkat lunak.
Pada tahap ini dilakukan ekstraksi citra-citra digital yang nantinya akan digunakan sebagai bahan penelitian. Spesifikasi kamera dan spesifikasi citra yang diekstraksi dapat dilihat pada Tabel 1.
TABEL 1
SPESIFIKASI KAMERA DAN HASIL EKSTRAKSI
Pengekstraksi Citra Kamera Smartphone Lenovo S920 Kapasitas Maksimal
Kamera
8 Megapixel Kapasitas Kamera saat
ekstraksi
2 Megapixel Resolusi Maksimal Citra
yang mampu dihasilkan
3264 x 2448 pixels Resolusi Citra yang
dihasilkan saat ekstraksi
1024 x 768 pixels
2) Pengembangan Perangkat Lunak Pendeteksian Wajah : Tahapan selanjutnya ialah pengembangan perangkat lunak dengan fungsi pendeteksian wajah pada smartphone Android.
Pengerjaan dilakukan dengan menggunakan bahasa pemrograman Java untuk fungsi deteksi wajah dengan menyertakan library OpenCV khusus untuk Android untuk menyediakan fungsi deteksi muka. Sedangkan untuk user interface dari perangkat lunak digunakan XML mengikuti standar yang ada pada smartphone berbasis OS Android.
Dalam pengembangan perangkat lunak untuk melakukan pendeteksian wajah ini dilakukan penerapan dua buah pengklasifikasi deteksi wajah yang berbeda. Yaitu Haar dan LBP. Haar ialah pengklasifikasi yang menggunakan metode template matching dalam upaya pendeteksian tekstur wajah yang mungkin terdapat dalam sebuah citra. Dalam template matching, digunakan feature-feature yang dicocokkan pada citra untuk dapat menemukan tekstur wajah pada citra.Gbr. 2 menunjukkan contoh-contoh feature yang digunakan dalam template matching.
edge feature line feature
Gbr. 2 Featureyang digunakan pada template matching Terdapat dua jenis feature yang ada pada template matching, edge feature dan line feature. Jenis keduanya beragam, tergantung pada posisi serta sudut rotasi dari feature.
Pada Gbr. 3 ditunjukkan diagram alir dari penggunaan template matching hingga menemukan wajah dalam sebuah citra.
Mulai
Memindai citra dengan setiap template dengan
menggunakan wilayah pemindaian
yang kecil
Memindai citra dengan setiap template dengan
menggunakan wilayah pemindaian
yang lebih besar Menandai wilayah
yang terdapat kecocokan template
Menandai wilayah yang terdapat kecocokan template
Melakukan irisan terhadap wilayah yang telah ditandai
Selesai
Gbr. 3 Diagram Alir Template Matching
Pada template matching, setiap pixel akan dipindai dari awal hingga akhir untuk melakukan deteksi jika terdapat tekstur wajah dengan menggunakan luas pendeteksi tekstur wajah dengan luas area yang awalnya sebesar 70x70 pixel. Besarnya pendeteksi 70x70 pixel merupakan luas area terkecil yang dapat dilakukan agar sebuah citra wajah dapat terdeteksi dengan menggunakan OpenCV. Pendeteksi tekstur wajah akan terus menerapkan feature-feature yang digunakan pada template matching pada citra hingga pixel terakhir. Jika terdapat tekstur yang diindikasi merupakan sebuah tekstur wajah, maka area saat itu juga akan ditandai sebesar luas pendeteksi tekstur wajah saat itu. Setelah pendeteksi tekstur wajah mencapai pixel terakhir dari citra, dilakukan pemindaian ulang pada citra dengan menggunakan pendeteksi tekstur yang lebih besar hingga besarnya luas pendeteksi tekstur mencapai sebesar 200x200 pixel. Besarnya luas pendeteksi wajah sebesar 200x200 pixel ialah luas area terbesar yang dapat dilakukan untuk dapat melakukan deteksi wajah pada suatu citra dengan menggunakan OpenCV.
Pengklasifikasi kedua yang digunakan ialah LBP.
Berbeda dengan Haar yang menggunakan feature- feature untuk memindai kemudian dicocokkan pada citra, LBP menggunakan pendekatan feature extraction yang bertitik berat pada nilai-nilai dalam histogram suatu citra. Kalkulasi yang dilakukan dalam pengklasifikasi LBP untuk melakukan feature extraction ditunjukkan pada persamaan (1).
𝑯𝒊,𝒋= ∑𝒙,𝒚𝑰(𝒇𝒍(𝒙, 𝒚) = 𝒊)𝑰((𝒙, 𝒚) ∈ 𝑹𝒋) ( 1 ) Persamaan digunakan dengan i = 0, ..., L-1. Lalu j = 0, ..., M-1. Hasil dari kalkulasi berikut merupakan feature histogram. Tahapan selanjutnya ialah
membandingkan feature histogram yang didapat dari persamaan tersebut dengan histogram-histogram yang terdapat di dalam pengklasifikasi LBP. Pengklasifikasi LBP yang dibandingkan sebelumnya sudah dilakukan pelatihan pada sejumlah wajah. Sehingga memiliki histogram wajah yang dapat digunakan untuk validasi untuk menentukan bahwa feature histogram yang diekstraksi merupakan wajah atau bukan.
LBP juga diterapkan pada pengenalan wajah.
Namun proses yang diterapkan sedikit berbeda.
Perbedaan dari proses deteksian wajah dengan LBP ialah dibandingkannya feature histogram dengan feature histogram yang lain. Kemiripan sebuah wajah dengan wajah yang lain ditentukan dengan semakin miripnya nilai pada feature histogram yang dibandingkan. Nilai kemiripan suatu feature histogram dengan feature histogram lainnya dicari dengan menggunakan Chi-Square Distance.
B. Analisis Hasil Pengembangan Perangkat Lunak Setelah perangkat lunak untuk melakukan pengenalan wajah yang dikembangkan selesai dibuat, tahap selanjutnya ialah melakukan beberapa pengujian, seperti :
1) Pengujian Deteksi Wajah dengan Sudut Frontal pada Citra Statis : Pengujian ini dilakukan dengan menggunakan citra yang sebelumnya sudah diekstraksi dan disimpan ke dalam bentuk citra digital. Sehingga smartphone yang sudah diinstal dengan perangkat lunak yang dikembangkan melakukan pengujian kepada citra yang berada di layar laptop.
2) Pengujian Deteksi Wajah dengan Sudut Wajah Beragam pada Citra Statis : Pengujian dilakukan dengan maksud menguji kemampuan masing-masing pengklasifikasi akan kemiringan wajah yang terdapat pada citra.
3) Pengujian Pengenalan Wajah berdasarkan Pengaruh ekspresi wajah : Pengujian kali ini dilakukan dengan melakukan pengenalan terhadap 10 wajah. Pengenalan wajah akan dilakukan menggunakan 10 citra dari masing-masing wajah yang memiliki kondisi wajah yang berbeda dari sudut kemiringan wajah serta ekspresi wajah.
4) Pengujian Pengenalan Wajah dengan Pengaruh Kacamata dan Kacamata hitam : Pengujian ini dilakukan dengan menggunakan kamera depan dari smartphone. Tahap pengujian pertama kali ialah dengan melakukan pelatihan terhadap wajah yang tertangkap pada kamera depan tersebut.
IV. HASIL DAN PEMBAHASAN A. Implementasi Sistem
Perubahan konsepsi pengembangan beberapa kali terjadi. Dari mulai menggunakan bahasa C++ dalam pengerjaan untuk dapat menggunakan OpenCV, hingga akhirnya pengembangan harus berubah total dengan menggunakan JavaCV agar dapat leluasa
menggunakan fungsi-fungsi OpenCV dalam bahasa pemrograman Java.
Pada akhir pengembangan aplikasi, digunakan pengklasifikasi LBP untuk pendeteksian wajah dan pengenalan wajah. Hal ini dikarenakan baiknya performa yang dihasilkan dari penggunaan pengklasifikasian LBP karena seluruhnya menggunakan kalkulasi dengan integer saja.
Sedangkan pengklasifikasi Haar menggunakan kalkulasi dengan float yang merupakan jenis kalkulasi yang lebih berat dari integer dan memberatkan prosesor dari sistem khususnya pada piranti bergerak.
Hal ini menyebabkan lambatnya performa dari sistem dan tidak nyamannya perangkat lunak tersebut untuk digunakan.
Gbr. 4 menunjukkan hasil akhir pengembangan perangkat lunak.
Gbr. 4 Hasil akhir pengembangan perangkat lunak
B. Deteksi Wajah dengan Sudut Tegak Lurus
Deteksi dilakukan kepada citra digital yang sebelumnya sudah diekstraksi. Dilakukan perbandingan antara hasil dari penggunaan pengklasifikasi Haar dan LBP. Gbr 5 (kiri) merupakan salah satu hasil deteksi dari 4 deteksi yang ada menggunakan Haar dan Gbr. 5 (kanan) merupakan hasil menggunakan LBP.
Gbr. 5 Hasil pengujian deteksi wajah dengan sudut frontal Hasil deteksi pada Gambar 5 menunjukkan bahwa penggunaan membuktikan bahwa 3 dari 4 hasil deteksi dari haar menghasilkan deteksi negatif. Yaitu hasil deteksi bukan merupakan wajah melainkan objek lain. Tabel 2 menunjukkan hasil performa yang didapat dari pengujian ini.
TABEL 2
HASIL PERFORMA DARI PENGUJIAN DETEKSI
Kategori Haar LBP
Performa (FPS) 0,7 – 1 3 – 4
Deteksi Wajah Wajah, Selainwajah Tabel 2 menunjukan bahwa walaupun LBP kurang akurat, namun penerapannya dalam sistem piranti bergerak harus dipertimbangkan. Pertimbangan ini dilakukan dengan melihat frame rate dari penggunaan Haar yang sangat kecil.
C. Deteksi Wajah dengan Berbagai Sudut
Pada pengujian kali ini, didapatkan hasil sebagai berikut.
1. Sudut maksimal untuk dapat mendeteksi wajah pada sumbu Z ialah 15 derajat dari garis normal 2. Sudut maksimal untuk dapat mendeteksi wajah pada sumbu Y ialah 30 derajat dari ekstraktor citra.
3. Sudut maksimal untuk dapat mendeteksi wajah pada sumbu X sangatlah kecil. Perangkat lunak akan berfungsi optimal apabila objek menatap ekstraktor citra.
Hasil dari deteksi wajah dengan berbagai sudut ditunjukkan pada Gbr 6.
Gbr. 6 Pengujian deteksi wajah dari berbagai sudut Dari hasil yang ditunjukkan tersebut, maka perangkat lunak yang dikembangkan ini tidak cocok untuk digunakan pada posisi kamera yang tidak dapat melihat wajah secara tegak lurus dari kamera.
D. Pengujian Pengenalan Wajah berdasarkan pengaruh Ekspresi Wajah
Pada pengujian ini dilakukan pengujian kepada 100 citra digital yang berbeda dari 10 wajah dan masing- masing wajah mempunyai ekspresi wajah yang berbeda. Sebanyak 7 citra dari masing-masing wajah digunakan untuk pelatihan dan 3 citra dari masing- masing wajah digunakan untuk pengujian sebenarnya.
Berikut ini hasil pengenalan wajah yang ditunjukkan pada Tabel 3.
TABEL 3
HASIL PENGENALAN WAJAH DENGAN PENGARUH EKSPRESI WAJAH
Kategori Hasil
Persentase keberhasilan pengenalan wajah
100% (30 dari 30)
Persentase pengenalan wajah dengan probabilitas kemiripan tinggi
36,67% (11 dari 30) Persentasi pengenalan wajah dengan
probabilitas kemiripan cukup
63,33% (19 dari 30) Persentasi pengenalan wajah dengan
probabilitas kemiripan rendah
0% (0 dari 30) Chi Square Distance dengan tingkat probabilitas kemiripan tertinggi
40 Chi Square Distance dengan tingkat probabilitas kemiripan terendah
73
Hasil yang ditunjukkan dari pengujian menunjukkan angka pengenalan wajah sangat baik. Dan hasil ini membuktikan bahwa dengan menggunakan pengklasifikasi LBP pada pengenalan wajah, proses pengenalan wajah tidak akan terpengaruh oleh beragamnya ekspresi dari wajah yang digunakan sebagai objek.
E. Pengujian Pengenalan Wajah berdasarkan pengaruh Kacamata dan Kacamata Hitam
Pada pengujian ini dilakukan pengujian dengan melakukan pelatihan pada sebuah wajah tanpa penggunaan kacamata, yang kemudian wajah itu diuji
dengan pengenalan wajah dengan kondisi tanpa penggunaan kacamata, menggunakan kacamata dan menggunakan kacamata hitam. Pengujian dilakukan dengan kondisi sudah tersimpan wajah orang lain selain wajah yang digunakan dalam pengujian ini.
Sehingga kemungkinan proses pengenalan wajah dan tidak menghasilkan nama wajah yang seharusnya menjadi ada. Gbr. 7 menunjukkan pengujian kepada 3 kondisi tersebut.
Gbr. 7 Pengujian terhadap pengaruh kacamata dan kacamata hitam Dari 3 kali pengujian pada masing-masing kondisi, 9 hasil pengenalan wajah menunjukkan pengenalan wajah dengan nama yang benar. Namun untuk melihat pengaruh dari penggunaan kacamata dan kacamata hitam secara lebih mendalam, analisa ditujukan kepada hasil Chi-Square Distance dari pengujian. Berikut ini merupakan hasil dari pengujian yang ditunjukkan pada Tabel 4.
TABEL 4
PENGUJIAN PENGENALAN WAJAH BERDASARKAN PENGARUH KACAMATA DAN KACAMATA HITAM
Kondisi Chi
Square Distance 1
Chi Square Distance 2
Chi Square Distance 3
Tanpa kacamata 45 38 37
Dengan kacamata 48 51 46
Dengan kacamata hitam
59 61 63
Dari tabel dapat dilihat bahwa penggunaan kacamata hampir tidak berpengaruh pada pengenalan wajah. Sedangkan penggunaan kacamata hitam walaupun sedikit berpengaruh namun tidak sampai membuat upaya pengenalan wajah gagal.
F. Analisis Perbandingan Perangkat Lunak Antar Device
Dilakukan pengujian menggunakan dua perangkat keras smartphone yaitu Lenovo S920 dan Samsung Galaxy W dan diuji performa masing-masing dalam mengoperasikan sistem dengan pengklasifikasi Haar dan LBP dan dilakukan dengan melihat pengaruh dari resolusi penampil citra.
Resolusi citra input yang akan diuji ialah sebesar 320x240, 480x360, dan 640x480. Berikut hasil dari pengujian yang ditunjukkan dalam Tabel 5 dan 6.
TABEL 5
PERBANDINGAN FRAME RATE (HAAR)
Kategori Lenovo
S920
Samsung Galaxy W Resolusi penampil citra
input dari kamera 320x240
2 4
Resolusi penampil citra input dari kamera 480x360
1,29 3,7 Resolusi penampil citra
input dari kamera 640x480
0,87 3,3
TABEL 6
PERBANDINGAN FRAME RATE (LBP)
Kategori Lenovo
S920
Samsung Galaxy W Resolusi penampil citra
input dari kamera 320x240
9 15
Resolusi penampil citra input dari kamera 480x360
7 11
Resolusi penampil citra input dari kamera 640x480
5 10
Dari hasil pengujian didapatkan bahwa performa Samsung Galaxy W yang asumsi awalnya akan lebih lambat, dikarenakan prosesornya yang masih merupakan Single-Core, ternyata mendapatkan frame rate yang jauh lebih baik dari Lenovo S920 yang prosesornya merupakan Quad-Core. Hal ini ternyata didasari oleh chipset yang terdapat pada perangkat Lenovo S920 yang merupakan Mediatek MT6589.
Walaupun Quad-Core, tapi dari sisi performa ternyata chipset milik Samsung Galaxy W yaitu Qualcomm Snapdragon S2 MSM8255T memiliki keunggulan[7].
Namun hal ini juga menunjukkan bahwa tidak dibutuhkan spesifikasi tinggi pada smartphone end- user untuk dapat menjalankan perangkat lunak ini.
G. Rangkuman Kelebihan dan Keterbatasan
Dari analisis penelitian yang telah dilakukan, dapat ditarik beberapa kesimpulan mengenai kelebihan dan keterbatasan metode yang diajukan, kelebihannya yaitu :
Perangkat lunak yang dikembangkan mampu dioperasikan pada smartphone Android pada OS Gingerbread hingga OS Jellybean, pada smartphone yang single-core maupun quad-core tanpa membebani sistem terlalu berat.
Metode pengenalan wajah yang digunakan tidak terpengaruh begitu besar oleh ekspresi wajah yang beragam, penggunaan kacamata juga penggunaan kacamata hitam.
Sedangkan keterbatasan dari perangkat lunak ini adalah :
Dalam pendeteksian wajah masih ditemukan beberapa objek yang dideteksi sebagai wajah walaupun objek tersebut bukan wajah. Hal ini dikarenakan digunakannya pengklasifikasi LBP pada akhir pengembangan perangkat lunak agar performa perangkat lunak cukup baik.
Jika terdeteksi lebih dari satu wajah yang berbeda dalam proses pengenalan wajah, maka hasil pengenalan wajah tidak akan sesuai dengan hasil yang semestinya dan walaupun nama yang diprediksi dari wajah yang terdeteksi oleh sistem merupakan nama dari wajah yang benar, Chi Square Distance akan tetap menunjukkan bahwa kemiripan wajah sangat jauh.
Jika wajah yang tersimpan sudah cukup banyak, perangkat lunak akan memiliki waktu pelatihan yang cukup lama.
IV. KESIMPULAN
Beberapa kesimpulan yang dapat ditarik dari awal hingga akhir penelitian tentang pengembangan perangkat lunak pendeteksian dan pengenalan wajah yang menerapkan Augmented reality ini dijelaskan sebagai berikut :
Penggunaan metode Haar memberikan hasil deteksi yang lebih baik daripada metode LBP.
Pendeteksian menggunakan metode LBP sering menghasilkan salah deteksi yaitu pendeteksian obyek yang bukan wajah.
Penggunaan metode Haar kurang cocok untuk digunakan dalam sistem piranti bergerak. Metode Haar menggunakan float dalam komputasinya yang memberatkan pemrosesan pada piranti bergerak.
Pengklasifikasi Haar maupun LBP yang digunakan dalam pendeteksian wajah cocok apabila objek berada tegak lurus di depan kamera.
Hal ini dikarenakan keterbatasan pengklasifikasi Haar dan LBP yang tidak mampu mendeteksi wajah pada sudut kemiringan tertentudari sumbu x, y dan z.
Proses pelatihan dan pengenalan wajah yang dilakukan menggunakan perangkat lunak yang dikembangkan harus dilakukan satu wajah per satu kali pengambilan citra.
V. SARAN
Berikut adalah beberapa saran yang mungkin dapat digunakan untuk pengembangan penelitian ini kedepannya:
Melakukan pengembangan algoritma agar mampu melakukan pengenalan lebih dari satu wajah sekaligus.
Menerapkan sistem database yang dapat menyimpan dan menampilkan lebih banyak informasi dari wajah yang dikenali.
Menerapkan algoritma lain yang mampu menghasilkan performa yang lebih baik.
UCAPAN TERIMA KASIH
Ucapan terima kasih penulis ucapkan kepada dosen pembimbing I dan II yang telah memberikan bimbingan dan saran dalam pengerjaan penelitian ini, serta kedua orang tua yang selalu mendoakan kesehatan dan kesuksesan penulis dalam segala hal.
REFERENSI
[1] O. Bimber dan R. Raskar, “Modern Approaches to Augmented Reality,” 2006.
[2] C. Andujar, “Augmented Reality,” 2007.
[3] M. Dantone, L. Bossard, T. Quack, L. v. Gool, E. Zurich, K. AG dan K. Leuve, “Augmented Faces,” 2011.
[4] P. Hedman, “Real-time mobile face recognition,” 2013.
[5] R. Lim, Raymond dan K. Gunadi, “Face Recognition menggunakan Metode Linear Discriminant Analysis,” 2002.
[6] P. I. Wilson dan J. Fernandez, “Facial Feature Detection using Haar Classifier,” 2006.
[7] “cpuboss,” [Online]. Available:
http://cpuboss.com/cpus/Qualcomm-Snapdragon-S2-
%28MSM8255%29-vs-MediaTek-MT6589. [Diakses 09 05 2014].
