Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 696-6705 E- ISSN 2503-2933 696
Absensi Karyawan Menggunakan Deteksi Wajah Dan Gerakan Tangan Berbasis Raspberry Pi
Helfy Susilawati*1, Ade Rukmana2, Fitri Nuraeni3
1,2Fakultas Teknik Universitas Garut; Jl. Terusan I No.13, Kec. Tarogong Kaler, Kab. Garut.
Jawa Barat 44151, Indonesia
3Fakultas Teknik, Institut Teknologi Garut; Jl. Mayor Syamsu No.1,Kec. Tarogong Kidul,Kab.Garut,Jawa Barat 44151, Indonesia
e-mail: *1[email protected], 2[email protected], 3[email protected]
Abstrak
Presensi merupakan kegiatan rutin yang harus dilakukan oleh karyawan. Presensi kemudian berkembang dengan menggunakan foto selfie. Presensi dengan menggunakan foto selfie dapat diakali yaitu dengan menempelkan foto selfie di tempat kerja sehingga seolah-olah masuk kerja. Sebagai salah satu cara untuk memberikan klarifikasi bahwa karyawan benar- benar hadir di tempat kerja adalah dengan menggunakan gerakan tangan. Karyawan akan dianggap benar-benar hadir di tempat kerja apabila wajah terdeteksi, kemudian karyawan tersebut menggerakkan tangan sesuai dengan kode yang sebelumnya didaftarkan. Adanya gerakan tangan menunjukkan benar-benar ada manusia di tempat tersebut. Sistem yang dibangun menggunakan metode prototype, dengan menggunakan Haar Cascade dan Local Binary Pattern Histogram dalam mendeteksi wajah dan gerakan tangan. Berdasarkan hasil pengujian diketahui untuk pengenalan wajah sistem dapat mengenali wajah sesuai dengan user ID nya dan dapat mengetahui kode jari berdasarkan gerakan
Kata kunci—Presensi, Haar Cascade, Local Binary Pattern Histogram, Raspberry
Abstract
Keeping attendance is an activity that must done by employees. Attendance is usually collected by using selfie photos, yet this method still can be manipulated by the employees by sticking their selfie photos at work to make it look like they come to work. An alternative to overcome the issue is by involving the employee’s hand gestures. The employee’s attendance is recorded once his/her face is detected, and he/she makes hand gestures following the previously registered codes. The hand gestures indicate that there are humans onsite. The system was built using the prototype method, using Haar Cascade and Local Binary Pattern Histogram to detect faces and hand gestures. The results showed that the system can recognize faces according to its user ID and can detect finger codes based on the hand gestures. The recapitulation of arrival and departure hours from work is stored in the .xls. extension file
Keywords—Attendance, Haar Cascade, Local Binary Pattern Histogram, Raspberry
697 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 696-705 E-ISSN 2503-2933
1. PENDAHULUAN
Presensi merupakan kegiatan rutin yang harus dilakukan sebagai bukti masuk kerja.
Kegiatan ini dilakukan bagi yang bekerja di perusahaan swasta ataupun bagi para pegawai sipil negara. Seiring berkembangnya zaman, presensi yang awalnya dilakukan secara manual yaitu dengan menandatangani form absesnsi beralih dengan menggunakan fingerprint [1]. Hanya saja pada saat terjadinya pandemi covid 19, absensi dengan menggunakan fingerprint mulai ditinggalkan, hal ini dikarenakan ketakutan bahwa menggunakan tools yang sama akan menyebabkan penularan covid 19. Selain itu, seiring dengan berkembangnya teknologi, presensipun mengalami perubahan dengan menggunakan sistem selfie foto. Selfie foto ini menggunakan face recognition utnuk dapat mengenali setiap karyawan. Platform seluler dan teknologi pengenalan wajah pada sistem absensi otomatis dapat meningkatkan efisiensi kerja [2]. Akan tetapi, hal tersebut dapat diakali oleh karyawan yaitu dengan menyimpan handphone kemudian menempelkan foto selfie karyawan di tempat kerja. Oleh karena itu, diperlukan fitur tambahan untuk mengenali bahwa karyawan tersebut benar-benar berada di tempat kerja, salah satunya dengan menggunakan deteksi gerakan tangan.
Deteksi wajah dan gerakan tangan diolah melalui komputer, akan tetapi penggunaan komputer tentunya memerlukan space tersendiri. Oleh karena itu penggunaan raspberrry menjadi solusi untuk menggantikan komputer tersebut. Raspberry pi merupakan single board computer yamg menggunakan keyboard dan mouse standard untuk dihubungkan ke komputer [3]. Raspberry Pi dapat juga diartikan sebagai komputer papan tunggal [4]. Raspberry pi banyak digunakan para peneliti untuk pemrosesan gambar [5].
Penggunaan deteksi wajah saat ini sudah banyak dilakukan dalam berbagai penelitian untuk berbagai kebutuhan. Salah satu cara untuk memverifikasi identitas diri adalah dengan pengenalan wajah yang mana memiliki manfaat menjadi sistem pasif dan non-intrusif [6].
Beberapa penelitian sebelumnya yang menggunakan deteksi wajah adalah penggunaan face recognition pada Smart Inventory Access Monitoring System dengan menggunakan metode MTCNN [7], dimana dibuat sebuah sistem yang digunakan untuk investasi kejahatan, dan sistem tersebut dapat berfungsi sesuai dengan fungsionalitas kebutuhan. Penelitian lainnya adalah penelitian menggunakan deteksi wajah dengan menggunakan dua kamera, dimana tujuan dari dibuatnya sistem ini adalah untuk menghindari kecurangan saat dilakukan absensi dengan menggunakan metode Viola-Jones face detection [8]. Penelitian lainnya adalah dalam pembuatan sebuah aplikasi untuk ujian, memastikan saat ujian dilakukan tidak menggunakan joki dengan metode yang digunakan adalah metode Eigenface dimana hasil dari penelitiannya adalah dapat mengenali wajah untuk dapat melakukan ujian dengan catatan tidak merubah dari segi pencahayaan [9]. Penelitian lainnya adalah menggunakan wajah untuk membuka pintu secara otomatis dengan menggunakan metode Viola-Jones dan LBPH, dimana hasil penelitian menunjukkan sistem dapat mengenali wajah dengan menggunakan penerangan yang berbeda berdasarkan database yang sebelumnya telah dibuat [10].
Penelitian ini menggunakan algoritma Haar Cascade dan LBPH karena penggunaan LBPH merupakan metode yang baik digunakan untuk face detection [11]. Haar Cascade digunakan dikarenakan Haar Cascade merupakan metode yang cocok untuk mendeteksi adanya objek didepan kamera. Berdasarkan penelitian yang dilakukan sebelumnya belum ada yang menggunakan deteksi wajah dan gerakan tangan untuk melakukan presensi. Rekap presensi masuk dan presensi pulang akan secara otomatis terekap dan data tersebut dapat disimpan dalam file dengan format excel.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 696-705 E- ISSN 2503-2933 698
2. METODE PENELITIAN
Metode yang digunakan dalam penelitian ini adalah menggunakan metode prototype.
Penelitian ini secara garis besar terbagi atas dua sub tahapan, yang pertama adalah tahapan mengenai pengolahan citra wajah untuk mengenali identitasa dari orang tersebut, yang kedua adalah tahapan perancangan alat yang telah dihubungkan dengan raspberry.
A. Pengolahan citra wajah
Deteksi wajah terbagi menjadi dua sub bagian, yaitu[12]:
1. Pre-processing, pada bagian ini diambil bagian dari gambar yang ada, kemudian menggunakan algoritma tertentu agar didapat data yang diperlukan
2. Klasifikasi, pada bagian ini menggunakan algoritma untuk membedakan wajah dan non wajah.
Pada penelitian yang dilakukan, digunakan 3 tahapan dalam pengolahan citra, yaitu:
3. Low level processing, pada tahapan processing ini terdisir dari akuisisi image dan preprocessing. Pada bagian pre-processing menggunakan grayscale, thresholding, contour, Convex Hull, dan Convexity Defects.
4. Middle level processing, pada tahapan middle dilakukan proses segmentasi, representasi, dan deskripsi citra. Pada bagian segmentasi menggunakan algortima Haar Cacade sedangkan pada representasi menggunakan algoritma Local Binary Pattern Histogram (LBPH).
5. High level processing, pada tahapan high dilakukan proses pengenalan dan intepretasi citra.
Haar Cascade
Haar cascade merupakan machine learning dimana memiliki fungsi kaskade yang diperoleh dari berbagai citra positif dan negatif [13]. Metode Haar memerlukan pelatihan terlebih dahulu untuk mendapatkan keputusan [14]. Haar Cascade Classifier (HCC) adalah detektor kaskade yang berbasis pengklasifikasi yang dihasilkan dari proses pelatihan tentang ansambel yang diekstraksi dari fitur persegi panjang yang disebut Fitur Haar-Like [15]. Pada penelitian yang dilakukan, Haar Cascade Classifier digunakan untuk mendeteksi objek ketika kamera sedang mengambil citra secara realtime.
Local Binary Pattern Histogram (LBPH)
Local Binary Pattern Histogram (LBPH) digambarkan sebagai deskriptor visual yang digunakan untuk klasifikasi dalam visi komputer. LBPH diperkenalkan oleh OJALA pada tahun 1996. Banyak penelitian menunjukkan bahwa LBPH sebagai salah satu algoritma yang memberikan hasil yang baik dalam hal eksekusi membedakan antara manusia dan hewan [16].
Dengan membagi gambar menjadi bagian kecil bagian dari ekstraksi fitur, LBP dapat menggambarkan tekstur dan bentuk gambar [17]. Pada penelitian yang dilakukan, LBPH digunakan untuk proses image matching antara citra yang sudah di learning dengan citra yang diambil oleh kamera secara realtime.
B. Perancangan Prototype Alat
Gambaran keseluruhan prototype alat dapat dilihat pada diagram IOP dibawah
699 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 696-705 E-ISSN 2503-2933
Gambar 1. Gambar Input Proses dan Output
Berdasarkan gambar 1 diketahui bahwa pada bagian input adalah deteksi wajah. Pertama kali sistem akan mendeteksi wajah dengan menggunakan raspberry pi kamera. Setelah wajah didapatkan, maka gambar wajah tersebut akan dianalisa oleh raspberry apakah cocok dengan data training sebelumnya atau tidak. Jika wajahnya cocok dengan data training, maka akan dilanjutkan pada proses mendeteksi gerakan tangan. Gerakan tangan ini disesuaikan dengan gerakan tangan yang telah didaftarkan sebelumnya. Jika gerakan tangan yang ditunjukkan tidak sesuai dengan kode yang didaftarkan, maka sistem tidak akan memasukkan daftar orang tersebut dalam presensi. Akan tetapi, jika wajah dan gerakan tangan cocok, maka orang tersebut akan dimasukan dalam presensi.
Langkah awal sistem adalah kamera raspberry pi akan mendeteksi wajah seseorang, kemudian akan dianalisa apakah cocok dengan dataset yang sudah ada atau tidak, jika cocok maka orang tersebut harus memasukkan gerkan tangan yang sebelumnya telah ditentukan, data tersebut akan masuk kedalam file excel dengan format .csv. Pada presensi masuk, dibatasi bahwa yang dapat melakukan presensi adalah seseorang yang telat maksimal 15 menit, sedangkan yang sudah lebih dari 15 menit tetap akan bisa didteksi wajah dan gerakan tangan, akan tetapi data orang tersebut tidak akan masuk ke file .csv. Sedangkan untuk presensi pulang, data yang akan masuk ke file .csv adalah data yang sudah tepat waktu pulang atau melewati waktu pulang
3. HASIL DAN PEMBAHASAN
Pengujian pada penelitian ini terdiri dari dua pengujian, yaitu pengujian deteksi wajah dan deteksi gerakan tangan dengan menggunakan komputer dan pengujian deteksi wajah dan gerakan tangan menggunakan raspberry sehingga akan didapat data presensi masuk dan presensi pulang.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 696-705 E- ISSN 2503-2933 700
A. Pengujian Deteksi Wajah
Pengujian deteksi wajah dilakukan dengan menggunakan 5 wajah yang berbeda.
Pengujian dilakukan oleh orang-orang yang sebelumnya sudah pernah melakukan pengujian dan kepada oarang-orang yang baru didaftarkan pertama kali saat akan dilakukan pengujian. Data hasil pengujian dapat dilihat pada tabel dibawah.
Tabel 2. Data Waktu Hasil Pengujian Deteksi Wajah User Register Face Recognition Absensi Foto
1 4 0.17 6 Tidak Terbaca
2 4 0.12 6 Terbaca pada jarak <= 10
cm
3 4 0.15 6 Tidak Terbaca
4 4 0.13 6 Terbaca pada jarak <= 10
cm
5 3 0.18 6 Tidak Terbaca
Baru-1 3 0.56 10 -
Baru-2 4 0.45 11.65 -
Baru-3 5 0.53 29.26 -
Tabel 2 menunjukkan tabel waktu yang diperlukan untuk melakukan pengujian deteksi wajah dan gerakan tangan. Dapat dilihat bahwa waktu yang diperlukan saat registrasi baik dari orang-orang yang sebelumnya telah dibuat data latih dengan orang-orang yang baru ditemui memerlukan waktu yang relatif sama. Sedangkan dalam proses pengenalan wajah atau face recognition dan pada saat sistem dapat membaca dan dimasukan dalam absensi orang-orang yang baru memerlukan waktu yang lebih lama daripada orang-orang yang sebelumnya telah diberikan data latih terlebih dahulu.
Tabel 3. Pengujian Parameter Tambahan terhadap Data Latih User ID Ekpresi
Wajah Eye Contact Pencahayaan Sudut
Wajah Foto
1. Terbaca Terbaca Terbaca Terbaca Tidak Terbaca
2. Terbaca Terbaca Terbaca Terbaca Tidak Terbaca
3. Terbaca Terbaca Terbaca Terbaca Tidak Terbaca
4. Terbaca Terbaca Terbaca Terbaca Tidak Terbaca
5. Terbaca Terbaca Terbaca Terbaca Terbaca pada jarak <= 10 cm
Pada tabel diatas merupakan data hasil pengujian dengan menggunakan parameter tambahan untuk pengujian akurasi dari pembacaan deteksi wajah. Dari tabel tersebut dapat dilihat bahwa hasil penelitian menunjukkan pembacaan deteksi wajah adalah akurat, hal ini dikarenakan dengan adanya perubahan ekspresi wajah, eye contact, pencahayaan, dan sudut wajah terbaca, hal ini terjadi karena data latih yang sebelumnya telah dipersiapkan sebelumnya.
Selain itu, sistem ini juga dapat mendeteksi jika yang dihadapannya adalah foto dari user, sehingga dari ke 5 percobaan, 4 percobaan menghasilkan tidak terbaca sedangkan 1 percobaan menghasilkan terbaca tapi dengan catatan jarak harus kurang dari 10 cm.
701 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 696-705 E-ISSN 2503-2933
B. Pengujian Gerakan Tangan
Pengujian gerakan tangan dilakukan dengan menentukan pola angka terlebih dahulu.
Setiap user diberi kode tertentu untuk menunjukkan bahwa orang saat dilakukan face recognition memang benar orang tersebut benar-benar berada di tempat kerja. Kode gerakan tangan yang digunakan pada penelitian ini dapat dilihat pada tabel dibawah.
Tabel 4. Kode Gerakan Tangan
Angka Kode Gerakan Tangan Angka Kode Gerakan Tangan
0 6
1 7
2 8
3 9
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 696-705 E- ISSN 2503-2933 702
4 10
5
Berdasarkan hasil pengujian, waktu yang diperlukan untuk mengenali kode gerakan tangan yang telah ditentukan dapat dilihat pada tabel dibawah.
Tabel 5. Data Waktu Hasil Pengujian Gerakan Tangan User Gerakan Tangan
1 22
2 20
3 10
4 9
5 10
Baru-1 10
Baru-2 11
Baru-3 12
Berdasarkan tabel diatas diketahui pada saat sistem diawal mulai dilakukan gerakan tangan memerlukan waktu yang lebih lama daripada saat sistem sudah mulai terus digunakan.
Perbedaan pengenalan gerakan wajah dari orang lama dan orang baru tidak memiliki waktu perbedaan yang cukup besar. Apabila pengenalan wajah dapat dilakukan, kemudian orang tersebut menunjukkan kode yang benar yang sebelumnya telah ditetapkan, maka sistem akan memberikan tanda dengan tulisan selamat datang untuk orang tersebut.
703 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 696-705 E-ISSN 2503-2933
Gambar 5. Deteksi Wajah dan Kode Sesuai Untuk User1
Gambar 5 dan gambar menunjukkan bahwa pengenalan wajah dan kode yang ditunjukkan sesuai dengan kode yang telah ditetapkan sebelumnya. Bagi pengenalan wajah dan kode yang sesuai, maka data tersebut akan masuk kedalam file .csv.
Tabel 6. Data Jam Masuk
Masuk Jam 30/05/2022 12:10:57 User 1 Masuk Jam 30/05/2022 12:11:12 User 5 Masuk Jam 30/05/2022 12:12:12
Tabel 6 menunjukkan data user yang telah berhasil dikenali wajah dan menunjukkan kode dengan benar. Pada saat pengujian rentang waktu toleransi untuk terlambat adalah 15 menit, sehingga pada saat sudah melebihi pukul 12.15 data user tidak akan masuk dalam file .csv.
Tabel 7. Data Jam Pulang
Pulang Jam 31/05/2022 18:02:02 User 1 Pulang Jam 31/05/2022 18:02:21 User 5 Pulang Jam 31/05/2022 18:26:20
Tabel 7 menunjukan data user pada saat melakukan presensi pulang. User yang melakukan presensi pulang sebelum pukul 18.00 tidak akan tercatat dalam file .csv.
4. KESIMPULAN
Berdasarkan penelitian diketahui bahwa dalam proses deteksi wajah dapat dilakukan dengan baik, hal ini dapat dilihat dari waktu yang diperlukan untuk pengenalan wajah relatif kurang dari 30 detik, kemudian data wajah yang sebelumnya sudah di registrasi dapat dikenali saat dilakukan pengujian. Pada deteksi gerakan tangan dapat digunakan kombinasi angka jika menggunakan kode angka dari 2 tangan.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 696-705 E- ISSN 2503-2933 704
5. SARAN
Untuk pengembangan selanjutnya dapat dibuat sistem dimana dengan menggunakan kombinasi gerakan tangan yang dapat mencakup lebih banyak kombinasi kode.
UCAPAN TERIMA KASIH
Terima kasih kepada pimpinan dan jajaran fakultas teknik UNIGA yang telah memfasilitasi penelitian yang dilakukan, kepada LPPM UNIGA yang telah memberikan arahan dalam proses melaksanakan penelitian, dan kepada LPDP yang telah memberikan dana untuk penelitian yang dilakukan
DAFTAR PUSTAKA
[1] Z. Turan, “Parmak ø zi Tabanl Õ Ö ÷ renci Yoklama Sistemi,” pp. 5–9, 5093.
[2] A. Bejo, R. Winata, and S. S. Kusumawardani, “Prototyping of Class-Attendance System Using Mifare 1K Smart Card and Raspberry Pi 3,” ISESD 2018 - Int. Symp. Electron.
Smart Devices Smart Devices Big Data Anal. Mach. Learn., pp. 0–4, 2019, doi:
10.1109/ISESD.2018.8605442.
[3] R. Akshaya, N. Niroshma Raj, and S. Gowri, “Smart Mirror-Digital Magazine For University Implemented Using Raspberry Pi,” 2018 Int. Conf. Emerg. Trends Innov.
Eng. Technol. Res. ICETIETR 2018, pp. 1–4, 2018, doi:
10.1109/ICETIETR.2018.8529005.
[4] S. Ramalingam, K. Baskaran, and D. Kalaiarasan, “IoT Enabled Smart Industrial Pollution Monitoring and Control System Using Raspberry Pi with BLYNK Server,”
Proc. 4th Int. Conf. Commun. Electron. Syst. ICCES 2019, No. Icces, pp. 2030–2034, 2019, doi: 10.1109/ICCES45898.2019.9002430.
[5] M. Ariyanto, I. Haryanto, J. D. Setiawan, M. Munadi, and M. Radityoi, “Real-Time Image Processing Method Using Raspberry Pi for a Car Model,” ICEVT 2019 - Proceeding 6th Int. Conf. Electr. Veh. Technol. 2019, pp. 46–51, 2019, doi:
10.1109/ICEVT48285.2019.8993866.
[6] V. Bhandiwad and B. Tekwani, “Face Recognition and Detection Using Neural Networks,” Proc. - Int. Conf. Trends Electron. Informatics, ICEI 2017, Vol. 2018-Janua, pp. 879–882, 2018, doi: 10.1109/ICOEI.2017.8300832.
[7] K. Eiamsaard, P. Bamrungthai, and S. Jitpakdeebodin, “Smart Inventory Access Monitoring System (SIAMS) using Embedded System with Face Recognition,” JCSSE 2021 - 18th Int. Jt. Conf. Comput. Sci. Softw. Eng. Cybern. Hum. Beings, pp. 9–12, 2021, doi: 10.1109/JCSSE53117.2021.9493815.
[8] E. Winarno, W. Hadikurniawati, I. H. Al Amin, and M. Sukur, “Anti-Cheating Presence System Based On 3wpca-Dual Vision Face Recognition,” Int. Conf. Electr. Eng.
Comput. Sci. Informatics, Vol. 4, No. September, pp. 228–232, 2017, doi:
705 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 696-705 E-ISSN 2503-2933
10.11591/eecsi.4.1038.
[9] A. A. Sukmandhani and I. Sutedja, “Face Recognition Method for Online Exams,” Proc.
2019 Int. Conf. Inf. Manag. Technol. ICIMTech 2019, Vol. 1, No. August, pp. 175–179, 2019, doi: 10.1109/ICIMTech.2019.8843831.
[10] A. Purushothaman and S. Palaniswamy, “Pose and Illumination Invariant Face Recognition for Automation of Door Lock System,” Proc. Int. Conf. Inven. Commun.
Comput. Technol. ICICCT 2018, No. Icicct, pp. 1105–1108, 2018, doi:
10.1109/ICICCT.2018.8473103.
[11] G. Vladimir, B. Dmitriy, T. N. Win, and N. W. Htet, “A Comparative Analysis of Face Recognition Algorithms In Solving The Problem of Visual Identification,” Proc. 2017 IEEE Russ. Sect. Young Res. Electr. Electron. Eng. Conf. ElConRus 2017, pp. 666–668, 2017, doi: 10.1109/EIConRus.2017.7910644.
[12] S. M. Bah and F. Ming, “An Improved Face Recognition Algorithm and Its Application In Attendance Management System,” Array, Vol. 5, No. December 2019, p. 100014, 2020, doi: 10.1016/j.array.2019.100014.
[13] R. Y. Adhitya, A. Khumaidi, S. T. Sarena, S. Kautsar, B. Widiawan, and F. L.
Afriansyah, “Applied Haar Cascade and Convolution Neural Network for Detecting Defects in The PCB Pathway,” CENIM 2020 - Proceeding Int. Conf. Comput. Eng.
Network, Intell. Multimed. 2020, No. Cenim, pp. 408–411, 2020, doi:
10.1109/CENIM51130.2020.9297996.
[14] R. F. Rahmat, Y. Azzakirot, and T. Z. Lini, “Tree Identification to Calculate The Amount of Palm Trees using Haar-Cascade Classifier Algorithm,” 2019 3rd Int. Conf.
Electr. Telecommun. Comput. Eng. ELTICOM 2019 - Proc., pp. 36–39, 2019, doi:
10.1109/ELTICOM47379.2019.8943897.
[15] T. Rismonita, D. T. Avalokita, A. Handayani, and A. W. Setiawan, “Automatic Fetal Head Candidate Localization From 2D Ultrasound Images Using Haar Cascade Classifier and Enhanced Localization Algorithm,” IEEE Reg. 10 Annu. Int. Conf.
Proceedings/TENCON, vol. 2020-Novem, pp. 26–30, 2020, doi:
10.1109/TENCON50793.2020.9293840.
[16] A. Thakral and A. Vohra, “Comparison Between Local Binary Pattern Histograms and Principal Component Analysis Algorithm In Face Recognition System,” Proc. 2017 Int.
Conf. Smart Technol. Smart Nation, SmartTechCon 2017, pp. 973–978, 2018, doi:
10.1109/SmartTechCon.2017.8358516.
[17] A. D. Alexander, R. Salkiawati, H. Lubis, F. Rahman, H. Herlawati, and R. T.
Handayanto, “Local Binary Pattern Histogram for Face Recognition in Student Attendance System,” 2020 3rd Int. Conf. Comput. Informatics Eng. IC2IE 2020, pp.
152–156, 2020, doi: 10.1109/IC2IE50715.2020.9274621.
