348
PENGEMBANGAN APLIKASI ABSENSI FACE RECOGNATION MENGGUNAKAN OPENCV LIBRARY DAN ALGORITMA SIFT
Muammar Khadapi1), Astrid Noviriandini2) , Roni Andarsyah3), Kurniawati4), Siti Lestari5)
145Universitas Nusa Mandiri
Jl. Kramat Raya No. 18, Senen, Jakarta Pusat
2Universitas Bina Sarana Informatika Jl. Kramat Raya No. 98, Senen, Jakarta Pusat
3Politeknik Pos Indonesia
Jalan Sariasih No. 54, Sarijadi, Kota Bandung
Email : 14002415@nusamandiri.ac.id1, astrid. asv@bsi.ac.id,
roniandrasyah@poltekpos.ac.id, 14002430@nusamandiri.ac.id, 14002354@nusamandiri.ac.id
Abstract
The presence of employees in a company is one aspect that will be improved because it is an assessment factor for superiors. Most companies still use the manual method for employee attendance as an attendance signature so that it can be a gap in employee dishonesty in the attendance process. This is also felt by the cooperative management of employees of PT.
Telekomunikasi Indonesia, where the current condition, employee attendance is known by inputting NIK into the attendance form. The weakness that has been felt so far is that it allows the employee to commit fraudulent acts by inputting the NIK of other employees which is not necessarily the time of arrival at the same time. Nowadays, the attendance system has developed, one of which is the attendance system with facial recognition. Facial recognition is a biometric technology that has been widely applied in security systems in addition to recognition of the retina of the eye, fingerprint recognition, and iris. Face recognition is an image processing based technology that uses some or all faces for the authentication process.
So that the level of security for the system is stronger. This application uses a camera to capture a person's face and then compare it with the face previously stored in a certain database. Based on this, a system that can manage computerized attendance using facial recognition technology is needed so that the data is stored and archived properly. In this research, an attendance system has been developed with facial recordings stored in a database and then the data is displayed in a web application as a user interface so that it is easy to use.
After that, a further development was carried out by matching faces in the attendance application using the SIFT algorithm, where the success rate of image matching reached 80%
with a total processing time of less than 20 seconds.
Keywords:Algoritm SIFT, Biometric, Face Recognation IFT
ABSTRAK
Kehadiran karyawan di dalam sebuah perusahaan merupakan salah satu aspek yang akan ditingkatkan karena menjadi faktor penilaian bagi atasan. Sebagian besar perusahaan masih menggunakan metode manual untuk absensi karyawan sebagai tanda tangan absen sehingga bisa menjadi celah ketidakjujuran karyawan dalam proses absensi. Hal ini dirasakan pula oleh manajemen koperasi pegawai PT. Telekomunikasi Indonesia, dimana kondisi yang berjalan saat ini, kehadiran karyawan diketahui dengan melakukan input NIK ke dalam form absensi.
Kekurangan yang dirasakan selama ini adalah memungkinkan karyawan tersebut melakukan
349 tindakan kecurangan dengan menginputkan NIK karyawan lainnya yang belum tentu waktu kedatangannya secara bersamaan. Dewasa ini, sistem absensi sudah berkembang,salah satunya adalah sistem absensi dengan pengenalan wajah. Pengenalan wajah merupakan teknologi biometrik yang telah diterapkan secara luas dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari, dan iris mata. Pengenalan wajah adalah salah satu teknologi berbasis pemrosesan gambar yang menggunakan beberapa atau semua wajah untuk proses otentikasi. Sehingga tingkat keamanan untuk sistem lebih kuat. Aplikasi ini menggunakan kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya disimpan dalam database tertentu. Berdasarkan hal itu, diperlukan sebuah sistem yang dapat mengatur absensi secara komputerisasi dengan menggunakan teknologi pengenalan wajah agar data tersebut tersimpan dan terarsip dengan baik. Dalam penelitian ini, telah dilakukan pengembangan sistem absensi dengan rekaman wajah yang disimpan di dalam database kemudian data tersebut ditamplikan dalam web aplikasi sebagai user interfacenya agar mudah untuk digunakan. Setelah itu, dilakukan pengembangan lagi dengan pencocokan wajah pada aplikasi absensi dengan menggunakan algoritma SIFT, dimana mendapatkan tingkat keberhasilan kecocokan gambar mencapai 80% dengan waktu total proses kurang dari 20 detik.
Kata Kunci : Algoritma SIFT, Biometrik, Pengenalan Wajah
1. PENDAHULUAN
Kehadiran karyawan adalah salah satu aspek yang akan diperbaiki sebagai faktor pengawas penilaian[1]. Sebagian besar perusahaan masih menggunakan metode manual untuk absensi karyawan sebagai tanda tangan absen. Karena metode ini digunakan, banyak karyawan yang membantunya dengan ketidakhadiran mempercayai kehadiran mereka jika mereka tidak hadir di perusahaan. Jadi sementara metode ini digunakan, catatan kehadiran dianalisis dan dipelihara secara manual oleh administrasi [2]. Ada beberapa masalah dalam sistem pelacakan kehadiran konvensional karena ada kehilangan nama mereka, sementara yang lain mengarah ke catatan kehadiran palsu. Masalah lain dalam merekam kehadiran dalam bentuk hardcopy adalah bahwa administrasi dapat kehilangan lembar absensi yang sudah berlalu [2].
Teknologi perbaikan dapat menjadi alat yang berguna untuk membantu pengembangan sistem baru untuk menghilangkan kekurangan klasik sekaligus meningkatkan keuntungan. Semua tinjauan ini telah menunjukkan bahwa sebagian besar catatan kehadiran atau lembaga perusahaan telah
menjadi proxy untuk menentukan keberhasilan karyawannya.
Dewasa ini, sistem absensi sudah berkembang, salah satunya adalah sistem absensi dengan pengenalan wajah. Analisis Wajah menawarkan keuntungan yang tak tertandingi untuk berbagai aplikasi potensial dalam perdagangan dan penegakan hukum dibandingkan dengan biometrik lainnya [3].
Selama dua dekade terakhir, banyak pendekatan pengenalan wajah, metode dan algoritma dikembangkan [4]. Studi pengenalan wajah dimulai pada akhir tahun 1970 dan telah menjadi salah satu bidang penelitian yang paling aktif dan terlibat dalam visi dan pengenalan pola komputer sejak tahun 1990-an. Di antara isu-isu penting dari teknologi pengenalan wajah, fitur-fitur dimensi rendah dari tindakan dengan peningkatan kekuatan diskriminatif sangat penting dalam sistem pengenalan wajah [5].
Pengenalan wajah adalah salah satu teknologi berbasis pemrosesan gambar yang menggunakan beberapa atau semua wajah untuk proses otentikasi. Sehingga tingkat keamanan untuk sistem lebih kuat dan meningkat. Biasanya sistem ini menggunakan kamera dan komputer [6].
Pengenalan wajah adalah teknologi biometrik yang telah diterapkan secara luas dalam
350 sistem keamanan selain pengenalan retina
mata, pengenalan sidik jari, dan iris mata.
Aplikasi pengenalan wajah menggunakan kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya disimpan dalam database tertentu[7]. Pada saat ini telah dikembangkan menggunakan mikrokontroler Arduino-Uno dapat membantu sebagai relay kontrol akses dengan relay yang dapat on / off secara otomatis ketika wajah terdeteksi dengan data yang akurat itu adalah tingkat akurasi yang lebih tepat[8]. Dalam beberapa tahun terakhir, beberapa teknik pengenalan wajah baru telah diusulkan. Teknik baru termasuk pengenalan pemindaian tiga dimensi (3D).
Sistem tentu akan membuat perubahan dari jaman ke jaman, yang tentunya manual lebih banyak komputerisasi di berbagai bidang pendidikan, perkantoran, dan lain-lain. Era globalisasi yang menciptakan perkembangan teknologi yang sangat cepat memberikan pengaruh yang sangat besar pada kehidupan manusia setiap bidang kehidupan[9]. Dalam dunia teknologi informasi, biometrik relevan dengan teknologi yang digunakan untuk menganalisis perilaku fisik dan manusia dalam proses otentikasi [10]. Selain itu, untuk memantau setiap gerakan objek ini, dibutuhkan sistem pendeteksi wajah yang mampu mendeteksi setiap wajah manusia yang masuk ke dalam gedung di bawah pengawasan [11]. Biometrik wajah adalah salah satu karakteristik yang merupakan karakteristik dari setiap individu unik yang tidak dimiliki oleh individu selain individu [12]. Kemudian wajah manusia adalah salah satu kunci yang paling umum dan berguna untuk identitas seseorang [13].
Salah satu metode algoritma yang digunakan dalam proses pengenalan wajah adalah algoritma SIFT. Scale Invariant Feature Transform (SIFT) adalah deskriptor fitur lokal yang disampaikan oleh David G.
Low pada tahun 1999 dan ditingkatkan pada tahun 2004. Algoritma SIFT terdiri dari tiga bagian, deteksi skala ekstrem skala ruang, fitur deskriptor dan fitur deskriptor yang
sesuai [12]. Algoritma Scale Invariant Feature Transform banyak digunakan dalam mendeskripsikan fitur lokal gambar karena keefektifannya yang tinggi [14].
Algoritma SIFT telah banyak digunakan dalam penelitiandiantaranya, penelitian yang dilakukan oleh [15]Hasilnya menunjukkan bahwa kinerja metode yang diusulkan secara keseluruhan lebih unggul daripada pendekatan tradisional FR, seperti metode Eigenfaces, Fisherfaces, dan D-LDA.
[16] mendapatkan hasil perbandingan ini menunjukkan bahwa metode ini lebih kuat daripada subruang metode pembelajaran probabilistik dengan perubahan sudut pose dan iluminasi . [17], menjelaskan pada penelitiannya bahwa peningkatan kualitas citra bawah laut dengan Koreksi Gamma antara rentang nilai 0,1 sampai dengan 1,0 mendapatkan hasil terbaik untuk pencocokan pasangan gambar dengan SIFT pada nilai gamma 0,7. Hasil SIFT pencocokan pasangan gambar atau citra bawah laut dengan menggunakan Koreksi gamma meningkat 11,22% dari pencocokan pasangan citra tanpa peningkatan kualitas citra bawah laut. Berdasarkan penelitian- penelitian yang telah dilakukan oleh peneliti terdahulu, menggunakan Algoritma SIFT merupakan pilihan yang tepat dalam menyelesaikan permasalahan dalam pengkomputerisasian sistem yang ada di kantor Koperasi Pegawai PT.
Telekomunikasi Indonesia.
2. METODOLOGI PENELITIAN Di dalam penelitian ini, penulis menggunakan data gambar wajah yang diambil dari beberapa karyawan pada Koperasi Pegawai PT. Telekomunikasi Indonesia, untuk selanjutnya diproses ke dalam aplikasi yang telah dibuat menggunakan Algoritma SIFT. Metode pengumpulan data yang dilakukan penulis antara lain, studi pustaka yaitu mencari sumber data dan literatur yang dapat digunakan sebagi referensi dalam penulisan ini. Kedua, yaitu Wawancara, penulis mewawancarai user pada kantor Koperasi
351 Pegawai PT. Telekomunikasi Indonesia
mengenai sistem yang sedang berjalan, dan kendala apa saja yang dirasakan, selain itu penulis juga melakukan wawancara dengan seorang ahli dalam bidangnya yang mengerti terhadap materi bahasan agar mendapatkan bahan masukan dan data pendukung dalam penelitian ini. Selain itu, penulis juga mengadakan peninjauan, pengamatan, dan penelitian langsung di lapangan untuk memperoleh dan mengumpulkan data yang dibutuhkan.
Tahapan dalam metode SIFT adalah sebagai berikut[18] :
Find the Point of Interest or Keypoint Keypoint diambil dari maksimal atau minimal dari DOG (Difference of Gaussian).
Dimana L (x, y,𝜎)adalah konvolusi dari citra asli I (x,y) dengan Gaussian filter G (x, y,𝜎).
Sehingga untu konvolusi dapat dilihat dalam Persamaan 1:
L (x, y,𝜎) = G (x, y,𝜎) * I (x,y) (1)
Dan variable Gaussian dapat dilihat dalam Persamaan 2:
𝐺(𝑥, 𝑦, 𝜎) = 1
2𝜋𝜃2𝑒 − (𝑥2+ 𝑦2)/2𝜎2(2) Sehingga Difference of Gaussian pada skala k dapat dilihat dalam Persamaan 3:
D (x, y,𝜎) = (G (x, y,𝑘𝜎) - G(x, y,𝜎)) * I (x,y) = L (x, y,𝑘𝜎)- L (x, y,𝜎) (3)
Pencarian tetangga ekstrima pada DOG Space (jika piksel adalah ekstrima dalam wilayah yang bertetanggaan, maka piksel tersebut adalah kandidat keypoint).
Jika ditemukan terlalu banyak keypoint, maka langkah yang harus dilakukan adalah pengeliminasian keypoint yang memiliki kontras rendah.
Find the Dominance of Keypoint Orientation
Langkah selanjutnya adalah perhitungan vectordescriptor untuk masing- masing keypoint. Pertama membuat orientasi dengan 4x4 piksel dengan delapan bin untuk tiap masing-masing keypoint. Histogram ini
dihitung dari magnitude dan nilai orientasi dari sample dalam wilayah 16x16 di sekitar keypoint. Magnitude dihitung dengan fungsi Gaussian dengan 𝜃sama dengan satu setengah lebar descriptor. Kemudian descriptor menjadi vektor dari semua nilai histogram ini. Karena 4x4=16 histogram dengan masing-masing memiliki delapan bin, maka vektor memiliki 128 elemen.
Find the Dominance of Keypoint Orientation
Setelah melakukan perhitungan vector dan keypoint dari masing-masing citra wajah sudah diketahui, maka dapat dicocokan dengan citra wajah lainnya.
Perancangan pencocokan wajah menggunakan metode SIFT meliputi beberapa tahapan antara lain input dua citra, pencarian keypoint pada gambar wajah, identifikasi keypoint, dan result matching.
Start
Input 2 Image Face Recognation
Find Key Point of Face Recognation
Identification Face Recognation
Result Matching
Finish
Sumber: [19]
Gambar 1. Diagram Alir Proses Pencocokan wajah Menggunakan
Algoritma SIFT
Tahapan ekperimen yang dilakukan oleh penulis dalam melakukan penelitain ini ditempuh dengan beberapa langkah di bawah ini:
352 1. Input 2 Image Face Recognation
Pada sebuah sistem yang telah dibuat, langkah pertama yang dilakukan adalah penginputan dua gambar wajah dimanaa user akan di minta untuk memasukkan atau merekam wajahnya dengan sudut pandang atau angle yang berbeda-beda guna untuk membuat system menjadi lebih kaya akan pengenalan wajah user.
2. Find Key Point Face Recognation Setelah user melakukan proses input atau merekam data wajah mereka maka selanjutnya system akan secara otomatis mencari key point atau titik-titik untuk ditandai dan direkam untuk digunakan dalam pengenalan wajah menggunakan algoritma sift.
3. Identification Face Recognation
Setelah ditandai atau mendaftarkan data wajah mennggunakan key point tersebut barulah system bisa mengidentifikasi data wajah kita menggunakan algoritma sift tersebut, berdasarkan database yang telah terekam sebelumnya, maka akan teridentifikasi pemilik wajah tersebut.
4. Result Matching
Hasil dari keseluruhan proses diatas ialah menghasilkan data gambar wajah user yang sudah terekam oleh system dan sudah diberi label sesuai nama masing masing user.
3. HASIL DAN PEMBAHASAN
Hasil dari pengujian fungsionalitas telah dilakukan untuk memverifikasi bahwa fungsi sistem berjalan seperti yang diharapkan.
Beberapa percobaan telah selesai, dan hasil tes diamati dan dianalisis oleh penulis.
Kemudian penulis juga melampirkan gambar hasil dari pengujian yang sudah di terapkan pada aplikasi absensi menggunakan face recognation pada aplikasi web.
Penginputan Wajah ke dalam aplikasi Langkah pertama yang dilakukan adalah melakukan penginputan wajah ke dalam aplikasi, dengan mengarahkan wajah yang akan diidentifikasi kea rah kamera pada komputer atau laptop.
Sumber :[19]
Gambar 2. Proses Absensi menggunakan wajah
Sumber :[19]
Gambar 3. Proses Training atau Recording Wajah
Pengujian Menggunakan OpenCV Library Percobaan yang akan dilakukan terdiri dari Foto yang diambil dari 2 orang masing-masing sebanyak 3 buah foto yang mewakili ekspresi ataupun bagian wajah yang berbeda. Foto yang diambil dipotong sekitar bagian wajah yang diperlihatkan pada Gambar dibawah foto-Foto tersebut telah diolah sebelumnya menjadi foto hitam putih.
Pengujian akan dilakukan untuk melihat kerja sistem biometrik dengan melihat rasio kesalahan keputusan (decision error rate) yang terdiri dari rasio kesalahan penerimaan (false acceptance rate) dan rasio kesalahan penolakan (false rejection rate).
353 Sumber:[19]
Gambar 4. PengujianMenggunakan OpenCV Library
Pengujian Metode Scale Invariant Feature Transform
Pengujian dilakukan dengan 1 index gambar dan 1 perubahan dari index gambar.
Perubahan gambar dilakukan dengan merubah intensistas cahaya, skala ukuran, dan rotasi pada gambar. Alur proses menggunakan metode Scale Invariant Feature Transform digambarkan sebagai berikut :
Sumber :[19]
Gambar 5. Alur Facerecognation Image Proccessing with Scale Invariant Feature
Transform method Hasil Analisa Scale Invariant Feature Transform
Tabel 1. Result face recognation Proccessing with Scale Invariant Feature Transform Method
No .
Imag e
Uji Keypoi
nt Base
Keypoi nt Locatio
n
Keypoint Descriptor
s
Keypoint Magnitud
e
(%
)
Wakt u (s) intensit
y
scal e
Rotat e 1 abc.
jpg 10 - - 722 1444 91392 722 10
0
8.
943 2 abc.
jpg - 10 - 722 1444 91392 722 52.
5
8.
683 3 abc.
jpg - - 10 722 1444 91392 722 12.
8
8.
787 Sumber : [19]
Dari hasil analisa diatas dapat disimpulkan bahwa sebelum menggunkan algoritma sift bahwa facerecognation tidak bisa memberikan keypoint, kemudian pada saat menggunkan OpenCv library hanya bisa mengambil gambar kemudian menyimpannya dalam sistem dan tidak mampu memberikan keypoint . dan untuk algoritma Scale Invariant Feature Transform kuat terhadap intensitas cahaya dibawah 80%.
4. KESIMPULAN
Berdasarkan metodologi dan pengujian yang telah dilakukan, maka dapat disimpulkan bahwa sistem absensi pengenalan wajah dengan menggunakan algoritma SIFT menunjukan bahwa sistem dapat membaca dengan jelas input dengan muka yang sama dengan template yang disediakan dan diketahui batas keypoint pada sistem untuk menunjukan wajah dapat
dikenali dengan wajah beda muka yaitu dengan batas 20 keypoint matching dengan waktu kurang dari 20 detik.
5. SARAN
Saran untuk Hasil dari eksperimen pada aplikasi Matlab menunjukan Scale Invariant Feature Transform memberikan tingkat akurasi lebih baik terhadap intensitas cahaya
354 yang dihasilkan pada output gambar dan
lemah terhadap rescalling (perubahan ukuran).
DAFTAR PUSTAKA.
[1] R. Rian, C. Putra, F. P. Juniawan, P.
Studi, T. Informatika, and L. D.
Analysis, “PENERAPAN
ALGORITMA FISHERFACES
UNTUK,” vol. 10, no. 1, pp. 132–
146, 2017.
[2] N. R. Kishor, “International Journal of Advance Research in Computer Science and Management Studies,”
Int. J. , vol. 2, no. 3, 2014.
[3] W. Zhang, X. Zhao, J. -M. Morvan, and L. Chen, “Improving Shadow Suppression for Illumination Robust Face Recognition,” IEEE, 2017.
[4] R. Senthilkumar and R.
Gnanamurthy, “Performance Improvement in Classification Rate of Appearance Based Statistical Face Recognition Methods Using SVM Classifier,” Adv. Comput. Commun.
Syst. Int. Conf. IEEE, vol. 1, no. 7, 2017.
[5] M. S. Nazah and M. Islam, “Face recognition using morphological analysis of Images,” Glob. J. Comput.
Sci. Technol. , 2018.
[6] V. E. Vyanza, B. Irawan, C.
Setianingsih, F. Teknik, and U.
Telkom, “PERANCANGAN PINTU PINTAR UNTUK MENGENALI
WAJAH NYATA BERBASIS
PENGOLAHAN CITRA
MENGGUNAKAN METODE
PRINCIPAL COMPONENT
ANALYSIS DAN TEMPLATE
MATCHING CORRELATION
DESIGN OF SMART DOOR
SYSTEM FOR LIVE FACE
RECOGNITION BASED ON IMAGE PROCESSING USING PRINCIPAL COMPONENT ANALYSIS AND TEMPLATE MATCHING,” vol. 4, no. 3, pp. 4066–4073, 2017.
[7] A. G. Purnama, A. Virgono, and A.
B. Osmond, “Pengenalan Wajah Menggunakan Rspberry Pi dengan menggunakan Metode Real Time Content Based Sample Image Matching System,” eProceedings Eng.
, vol. 4, no. 1, 2017.
[8] P. Nurmala, W. Gazali, and W.
Budiharto, “Sistem Kontrol Akses Berbasis Real Time Face Recognition dan Gender Information,” ComTech Comput. Math. Eng. Appl. , vol. 6, no. 2, pp. 198–207, 2015.
[9] Q. Aini, Y. I. Graha, and S. R.
Zuliana, “Penerapan Absensi Qrcode Mahasiswa Bimbingan Belajar pada Website Berbasis YII Framework,”
SISFOTENIKA, vol. 7, no. 2, pp.
207–218, 2017.
[10] I. Irawan, “Prototipe Sistem Pengenalan Wajah Menggunakan Algoritma Eigenface dan Metode CBI,” PROCESSOR, vol. 11, no. 2, pp. 808–818, 2017.
[11] I. G. N. M. K. Raya, A. N. Jati, and R. E. Saputra, “Analysis Realization of Viola-Jones Method for Face Detection on CCTV Camera Based on Embedded System,” Robot.
Biomimetics, Intell. Comput. Syst.
Int. Conf. on. IEEE, pp. 1–5, 2017.
[12] M. Rivaldi, A. A. Zahra, I. Santoso, and R. R. Isnanto, “Simulasi Pengenalan Wajah Manusia menggunakan Metode Analisis Diskriminan Linear Dua Dimensi (2d- lda) dengan Jarak Manhattan, Canberra dan Euclidean,”
TRANSIENT, vol. 6, no. 2, pp. 298–
304, 2017.
[13] Hwang B. -W. , M. -C. Roh, and S. - W. Lee, “Performance Evaluation of Face Recognition Algorithms on Asian Face Database,” Sixth IEEE Int.
Conf. Autom. Face Gesture Recognition, Proc. , pp. 278–283, 2004.
[14] R. R. C. Putra and F. P. Juniawan,
“Penerapan Algoritma Fisherfaces untuk Pengenalan Wajah pada Sistem
355 Kehadiran Mahasiswa Berbasis
Android,” Telematika, vol. 10, no. 1, pp. 132–146, 2017.
[15] R. Darwas, “Evaluasi Peran Sistem Informasi Manajemen Koperasi Swadharma Dengan Menggunakan Model Maturity Level Pada Kerangka Kerja Cobit Pada Domain Plan and Organise,” Sist. Inf. Akuntansi, Univ.
Gunadarma, …, 2010.
[16] G. Little, S. Krishna, J. Black, and S.
Panchanathan, “A METHODOLOGY FOR EVALUATING ROBUSTNESS
OF FACE RECOGNITION
ALGORITHMS WITH RESPECT TO VARIATIONS IN POSE ANGLE AND ILLUMINATION ANGLE Center for Cognitive Ubiquitous Computing Arizona Sate University ASU Main , Tempe , AZ - 85287,”
IEEE, pp. 89–92, 2015.
[17] A. Hendrawan, “Analisa Peningkatan Kualitas Citra Bawah Air Berbasis Koreksi Gamma Untuk Pencocokan Gambar Pada Algoritma SIFT,” vol.
12, no. 1, pp. 27–34, 2014.
[18] M. Koeshardianto, “PENCOCOKAN OBYEK WAJAH MENGGUNAKAN
METODE SIFT ( SCALE
INVARIANT FEATURE
TRANSFORM ),” vol. 1, no. 1, pp.
53–59, 2014.
[19] M. Khadapi, R. Andarsyah, Kurniawati, and S. Lestari,
“PENGEMBANGAN APLIKASI
ABSENSI FACE RECOGNATION
MENGGUNAKAN OPENCV
LIBRARY DAN ALGORITMA
SIFT,” Jakarta, 2021.