Fakultas Ilmu Komputer
Universitas Brawijaya
2058
Implementasi Facial Landmark dalam Pengenalan Wajah pada Sistem Pembayaran Elektronik
William Hutamaputra1, Fitri Utaminingrum2
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1wilhut123@student.ub.ac.id, 2f3_ningrum@ub.ac.id
Abstrak
Bidang teknologi sedang berkembang pesat dengan berbagai fitur-fitur yang canggih di setiap cabang keilmuan. Salah satu cabang ilmu yang berkembang adalah sistem pembayaran. Wajah setiap manusia memiliki identifikasi pribadi spesifik yang memiliki ciri khas masing-masing. Oleh sebab itu, wajah dapat dijadikan objek sebagai tanda identifikasi pribadi untuk meningkatkan tingkat keamanan. Prinsip kerja Face recognition adalah mendeteksi wajah terlebih dahulu sebelum melakukan pengenalan untuk dibandingkan dengan database. Metode yang digunakan untuk Face recognition adalah facial landmark. Facial landmark adalah metode lokalisasi titik-titik yang menonjol pada wajah. Sebelum gambar diolah, gambar harus dideteksi apakah terdapat wajah. Metode pendeteksi wajah menggunakan haar cascade. Hasil dari facial landmark akan diklasifikasikan berdasarkan data latih dengan k-Nearest Neighbor. Hasil penelitian tersebut menghasilkan tingkat ketepatan pengenalan wajah sebesar 76,47%, 64,71%, dan 47,06% dan waktu komputasi 0,5016, 0,1322, dan 0,1298 detik dengan nilai k=5, 7 dan 9.
Pada sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik dengan nilai k yang memiliki akurasi tertinggi yaitu 5 memiliki tingkat integrasi sistem sebesar 71,43%. Dalam bidang teknologi, banyak hal yang perlu dipecahkan untuk lebih mempermudah kegiatan manusia. Oleh karena itu, skripsi ini akan membahas sistem pembayaran elektronik berbasiskan Face recognition pada perdagangan dengan metode facial landmark.
Kata kunci: deteksi wajah, pengenalan wajah, haar cascade, facial landmark, k-nearest neighbor Abstract
The technology is developing rapidly with various sophisticated features in every branch of science.
One of the developing branches of science is the payment system. The face of people being has a specific personal identification that has its own characteristics. Therefore, faces can be used as objects as personal identification marks to increase the level of security. The working principle of Face Recognition is to detect faces first before carrying out the recognition to be compared with the database.
The method used for Face Recognition is facial landmark. Facial landmark is a method of localizing the prominent points on the face. Before the image is processed, the image must be detected whether there is a face. The face detection method uses haar cascade. The results of facial landmarks will be classified based on training data with k-Nearest Neighbor. The results of these studies resulted in facial recognition accuracy levels of 76.47%, 64.71%, and 47.06% and computation times of 0.5016, 0.1322, and 0.1298 seconds with values of k = 5, 7 and 9. In the integrated system between facial recognition and electronic payment systems with the value of k which has the highest accuracy, namely 5, has a system integration level of 71.43%. In the field of technology, there are many things that need to be resolved to make human activities easier. Therefore, this thesis will discuss an electronic payment system based on Face recognition in trading with the facial landmark method.
Keywords: face detection, face recognition, haar cascade, facial landmark, k-nearest neighbor
1. PENDAHULUAN
Transaksi adalah suatu kegiatan penting yang selalu dilakukan manusia dalam dunia
perdagangan. Transaksi merupakan sebuah tindakan yang mengakibatkan bertambahnya atau berkurangnya harta yang diakui oleh manusia (Pengertian Transaksi – Bisnis, 2019).
Sebuah transaksi harus mempertimbangkan permasalahan dalam hal kepraktisan, kemudahan, dan tidak kalah pentingnya mempertimbangkan masalah keamanan. Sistem transaksi berbasis tradisional dengan pengguna membawa uang kertas dan logam pada dompet adalah hal yang dapat menyebabkan peluang pencurian menjadi lebih tinggi. Menurut Badan Pusat Statistika, pencurian di Indonesia meningkat menjadi 1,11 persen pada tahun 2018 (Badan Pusat Statistika, 2019). Pada tahun-tahun ini, orang mulai membawa smartphone yang digunakan untuk pembayaran elektronik. Secara material, hal tersebut lebih praktis dan tidak perlu membawa dompet untuk melakukan sebuah transaksi. Tetapi dari segi keamanan, smartphone juga dapat dicuri atau dapat dipindah hak milik dengan mudah. Selain hal tersebut, kasus pencurian terhadap kata sandi akan terjadi jika menggunakan sistem transaksi berbasis pengetahuan. Beberapa di negara maju seperti di negara Amerika Utara sudah menerapkan sistem transaksi dengan pengenalan wajah. Tetapi hal tersebut tidak akurat dan berkualitas rendah untuk digunakan dalam hal- hal penting seperti perbankan dan pengawasan (App Labb, 2017). Sistem Biometrik adalah salah satu solusi untuk memberikan autentifikasi setiap pembeli sehingga karakteristik yang dapat dipindah hak milik dapat dicegah. Biometrik dibagi menjadi dua kategori, yaitu berdasarkan perilaku dan fisiologis. Kategori biometrik berdasarkan perilaku adalah seperti ritme mengetik, gaya berjalan atau gaya bersuara, sedangkan kategori biometrik berdasarkan fisiologis adalah seperti sidik jari, wajah, iris, atau tanda tangan (Zufar, 2016). Pengenalan wajah adalah topik yang hingga sekarang menjadi daerah penelitian yang memiliki cakupan ruang yang luas untuk dilakukan pengembangan.
Metode yang digunakan saat ini untuk mengenali wajah atau face recognition adalah LBPH. LBPH memiliki kepanjangan Local Binary Pattern Histogram. LBPH adalah salah satu algoritma untuk mengenali suatu objek dengan membagi gambar menjadi beberapa bagian yang selanjutnya mengubah menjadi bentuk biner dalam bentuk histogram. Sebelum gambar diolah, gambar harus dijadikan grayscale terlebih dahulu. Konsep dasar LBPH adalah membandingkan setiap piksel dengan piksel lainnya. Cara membandingkannya adalah dengan mengambil 1 piksel dengan titik piksel di
sekitarnya. Jika piksel di sekitarnya lebih kecil daripada piksel tengah, maka akan diberi nilai 0, selain itu bernilai 1. Kemudian nilai-nilai tersebut akan menjadi biner searah jarum jam menggantikan piksel tengah. LBPH memiliki False Acceptance Rate sebesar 1.53% dan memiliki False Rejection Rate sebesar 0%. False Acceptance Rate adalah tingkat kesalahan dalam mengenali masukkan gambar dan False Rejection Rate adalah tingkat kesalahan dalam menolak masukkan gambar. Semakin kecil FRR, maka akan semakin tinggi tingkat akurasi dalam face recognition. Semakin besar FAR, maka semakin tinggi pula tingkat akurasi dalam face recognition. Hal tersebut menjadi kelebihan dari metode LBPH (Simaremare & Kurniawan, 2016). Berdasarkan jurnal XueMei Zhao, metode LBPH memiliki 1122 Correct Times dan 78 Wrong Times. LBPH memiliki Wrong Times lebih besar dibandingkan MLBPH (Zhao & Wei, 2017). LBPH adalah metode yang sering dam umum digunakan dalam computer vision, image processing, dan pengenalan pola. LBPH dengan mudah dapat digabungkan dengan KNN untuk pengklasifikasian face recognition (Abuzneid, 2018).
Oleh karena itu, untuk mengatasi permasalahan tersebut dibutuhkan sesuatu yang memiliki autentikasi yang berbeda pada setiap pembeli yaitu sistem Biometrik khususnya pada wajah. Penulis ingin merancang sistem pembayaran elektronik berbasis Face Recognition agar proses transaksi dapat berjalan dengan mudah, cepat, dan aman. Dengan hanya menghadapkan wajah pembeli kepada kamera pada sistem, pembeli dapat melakukan transaksi tanpa repot membawa uang kertas dan smartphone seperti cara tradisional. Sistem ini diharapkan dapat membawa kemudahan, kepraktisan, dan keamanan yang tinggi dalam sebuah transaksi perdagangan. Alasan penulis menggunakan facial landmark sebagai face recognition adalah karena pada penelitian sebelumnya memiliki tingkat akurasi pengenalan wajah setinggi 95% (Juhong & , 2017). Facial landmark digunakan untuk menentukan posisi titik-titik yang menjadi parameter keunikan setiap wajah.
2. METODE PENELITIAN 2.1. Gambaran Umum Sistem
Pada penelitian ini, sistem dirancang untuk memberi autentikasi berupa wajah pada akun
pengguna dalam sebuah transaksi on-site.
Pengguna akan memilih barang apa yang hendak dibeli pada layar yang disajikan oleh sistem.
Setelah itu, pengguna akan menunjukkan wajah pada kamera untuk proses identifikasi akun pemilik. Sistem akan mencari kepemilikan akun berdasarkan wajah pada database yang telah didaftarkan. Setelah sistem mengetahui akun kepemilikannya, maka pengguna akan memasukkan kata kunci atau pin. Jika kata kunci sesuai dengan kata kunci yang didaftarkan, proses pembayaran telah selesai dilakukan dan akan tercatat pada database.
.
Gambar 1. Blok diagram sistem
Pada Gambar 1 menunjukkan Blok Diagram yang memiliki 3 bagian utama, yaitu masukkan, pemroses, dan keluaran. Kamera adalah bagian masukkan dari sistem yang akan menangkap frame berupa wajah. Pada sistem ini, Raspberry Pi adalah pemroses yang melakukan pengenalan wajah. Data dari kamera berupa frame akan dikirim melalui komunikasi serial menuju Raspberry Pi. Pada Raspberry Pi akan dilakukan proses pengenalan wajah untuk identifikasi akun. Layar akan digunakan untuk menampilkan User Interface yang dikeluarkan oleh Raspberry Pi. Pada sistem terdapat sensor Ultrasonik yang digunakan untuk mengetahui posisi subjek dengan posisi kamera.
2.2. Perancangan Perangkat Keras
Dalam sub bab ini akan menjelaskan analisis kebutuhan perangkat keras dan spesifikasi masing-masing perangkat keras untuk membentuk sistem pembayaran elektronik. Perangkat keras pada sistem ini terdiri dari webcam Logitech C270 HD sebagai sensor untuk sensing pada lingkungan luar yang akan dihubungkan pada Raspberry Pi sebagai mikroprosesor yang kemudian akan ditampilkan pada layar display.
Pada sistem terdapat 3 elemen yaitu kamera sebagai masukan sistem, Raspberry Pi sebagai pemroses, dan layar display sebagai keluaran.
Kamera akan menangkap gambar berupa frame yang dikirimkan ke Raspberry Pi melalui kabel
USB. Pada Raspberry Pi, frame akan diproses untuk mendeteksi dan mengenali wajah. Hasil pemrosesan dari Raspberry Pi akan ditampilkan pada layar display.
Skematik perancangan perangkat keras ditunjukkan pada Gambar 2.
Gambar 2. Skematik perancangan perangkat keras
Kamera akan mengirimkan gambar pada lingkungan luar per frame melalui USB kepada Raspberry Pi sebagai mikroprosesor. Kemudian, Raspberry Pi akan menampilkan tampilan User Interface dari sistem pembayaran elektronik.
Pada tampilan User Interface, sistem akan mendeteksi dan mengenali wajah yang akan digunakan sebagai identitas pemilik akun.
Raspberry Pi 4 dan sensor ultrasonik membutuhkan sumber tegangan sebesar 5 Volt.
Sumber tegangan tersebut didapatkan dari hasil keluaran stepdown LM2596. Stepdown LM2596 memiliki masukkan sumber tegangan yang berasal power supply sebesar 12 Volt. Fungsi stepdown LM2596 adalah untuk menurunkan tegangan dari 12 Volt menjadi 5 Volt.
Pada sistem menggunakan sensor ultrasonik HC-SR04 yang digunakan untuk mengetahui jarak antara subjek dengan kamera.
Pada sensor ultrasonik memiliki 4 pin yaitu VCC, Trigger, Echo, dan Ground.
2.3. Perancangan Perangkat Lunak
Perancangan sistem secara keseluruhan dijelaskan pada gambar 5.2. Pada sistem pembayaran elektronik berbasis pengenalan wajah, pengguna akan memilih barang-barang yang telah disediakan pada tampilan UI. Setelah pengguna memilih salah satu barang, maka sistem akan mengaktifkan kamera untuk mengambil frame. Pada posisi idle ini sistem akan selalu siap untuk melakukan pengenalan ID pengguna. Saat frame yang berasal dari kamera terdapat wajah dan jarak yang dideteksi sesuai dengan kriteria, maka hasil deteksi wajah akan dilanjutkan pada pengenalan wajah. Jika tidak terdeteksi wajah, maka sistem akan kembali
pada idle state. Pada pengenalan wajah, sistem akan menentukan klasifikasi wajah berdasarkan database yang telah dibuat. Jika ID yang dikenali sesuai dengan database, maka pengguna akan dilanjutkan untuk memasukkan PIN. Jika tidak sesuai, maka sistem akan kembali pada idle state. Setelah pengguna berhasil memasukkan PIN dan sesuai dengan database, maka hasil transaksi akan dimasukkan dan disimpan pada database.
Gambar 3. Diagram alir keseluruhan sistem
3. PENGUJIAN DAN ANALISIS 3.1. Pengujian ketepatan hasil klasifikasi wajah yang dihasilkan dari k-Nearest Neighbor
Pengujian ketepatan hasil klasifikasi wajah menggunakan nilai k pada k-Nearest Neighbor, yaitu 5, 7, dan 9. Pada pengujian ketepatan hasil klasifikasi wajah yang dihasilkan dari k-Nearest Neighbor, ketepatan hasil untuk menentukan keandalan dalam klasifikasi. Semakin tinggi
ketepatan hasil sistem dalam menentukan klasifikasi wajah, maka sistem akan memiliki tingkat akurasi dan kepercayaan yang tinggi pula sehingga sistem dapat diandalkan
Pada pengujian hasil ketepatan dengan ragam nilai k yaitu 5, 7, dan 9, maka didapatkan masing-masing nilai rata-rata akurasi. Hasil akurasi dengan k=5, 7, dan 9 adalah 86,67%, 73,33%, dan 53,33%. Dari hasil rata-rata akurasi setiap nilai k, nilai akurasi yang tertinggi adalah pada k yang bernilai 5.
Tabel 1. Pengujian ketepatan hasil klasifikasi wajah yang dihasilkan dari k-Nearest Neighbor Nilai
k
Jarak (cm)
ID sebenarnya
ID yang dikenali
5 32,2 1 1
5 30,6 1 1
5 30,37 1 1
5 30,88 1 2
5 32,19 1 1
5 39,67 2 2
5 40,57 2 2
5 40,36 2 2
5 41,72 2 2
5 43,1 2 2
5 36,66 3 3
5 35,72 3 3
5 36,67 3 3
5 38,04 3 3
5 36,88 3 1
5 37,34 tidak dikenali 1
5 36,99 tidak dikenali 1
Rata-rata Akurasi (%) 76,47%
Nilai k
Jarak (cm)
ID sebenarnya
ID yang dikenali
7 37,6 1 1
7 34,83 1 1
7 34,3 1 1
7 35,02 1 1
7 35,49 1 1
7 41,51 2 2
7 43,73 2 2
7 42,72 2 3
7 53,16 2 2
7 48,16 2 3
7 37,81 3 1
7 37,78 3 3
7 36,43 3 3
7 36,66 3 2
7 36,41 3 3
7 37,83 tidak dikenali 1
7 36,22 tidak dikenali 1
Rata-rata Akurasi (%) 64,71%
Nilai k
Jarak (cm)
ID sebenarnya
ID yang dikenali
9 38,28 1 3
9 36,64 1 3
9 37,6 1 3
9 37,58 1 3
9 39,21 1 3
9 39,67 2 2
9 40,57 2 2
9 40,36 2 2
9 41,72 2 2
9 43,1 2 2
9 37,81 3 1
9 37,78 3 3
9 36,43 3 3
9 36,66 3 2
9 36,41 3 3
9 36,55 tidak dikenali 1
9 37,22 tidak dikenali 1
Rata-rata Akurasi (%) 47,06%
3.2. Pengujian waktu komputasi klasifikasi wajah yang dihasilkan dari k-Nearest Neighbor
Pada pengujian waktu komputasi klasifikasi wajah yang dihasilkan dari k-Nearest Neighbor, waktu komputasi untuk menentukan klasifikasi sangat penting. Semakin cepat waktu komputasi yang dibutuhkan untuk menentukan klasifikasi wajah, maka sistem telah dirancang pada bab sebelumnya akan semakin real-time.
Pada pengujian waktu komputasi dengan ragam nilai k yaitu 5, 7, dan 9, maka didapatkan masing-masing nilai rata-rata waktu komputasi.
Hasil rata-rata waktu komputasi dengan k=5, 7, dan 9 adalah 0,5016, 0,1322 , dan 0,1298 detik.
Dari hasil rata-rata waktu komputasi setiap nilai k, nilai rata-rata waktu komputasi yang terkecil adalah pada k yang bernilai 9.
Tabel 2. Pengujian waktu komputasi klasifikasi wajah yang dihasilkan dari k-Nearest Neighbor
Nilai k
Jarak (cm)
Waktu Komputasi
(detik)
5 32,2 1,934
5 30,6 0,189
5 30,37 0,158
5 30,88 0,155
5 32,19 0,156
5 39,67 1,954
5 40,57 0,143
5 40,36 0,145
5 41,72 0,131
5 43,1 0,123
5 36,66 1,922
5 35,72 0,149
5 36,67 0,119
5 38,04 0,132
5 36,88 0,114
Rata-Rata Waktu
Komputasi (detik) 0,5016 Nilai
k
Jarak (cm)
Waktu Komputasi
(detik)
7 37,6 0,157
7 34,83 0,146
7 34,3 0,149
7 35,02 0,147
7 35,49 0,145
7 41,51 0,131
7 43,73 0,121
7 42,72 0,12
7 53,16 0,122
7 48,16 0,12
7 37,81 0,128
7 37,78 0,122
7 36,43 0,125
7 36,66 0,127
7 36,41 0,123
Rata-Rata Waktu
Komputasi (%) 0,1322 Nilai
k
Jarak (cm)
Waktu Komputasi
(detik)
9 38,28 0,153
9 36,64 0,138
9 37,6 0,139
9 37,58 0,139
9 39,21 0,132
9 39,67 0,128
9 40,57 0,12
9 40,36 0,12
9 41,72 0,12
9 43,1 0,12
9 37,81 0,13
9 37,78 0,128
9 36,43 0,126
9 36,66 0,126
9 36,41 0,128
Rata-Rata Waktu
Komputasi (%) 0,1298
3.3. Pengujian sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik
Pada pengujian sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik, langkah-langkah yang harus dilakukan untuk menyelesaikan transaksi perlu diperhatikan. Pada pengujian ini akan menggunakan nilai k yang memiliki nilai rata- rata akurasi tertinggi dari bab 3.1.
Pada pengujian hasil akurasi sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik dengan ragam jarak dan nilai k yang memiliki akurasi tertinggi dari bab 6.1, maka didapatkan masing-masing nilai rata- rata akurasi. Pada sistem pembayaran elektronik memiliki tingkat integrasi antara pengenalan wajah dan sistem pembayaran elektronik sebesar 76,47%. Hasil pengujian sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik ditunjukkan pada tabel 3 dengan step 1 adalah keberhasilan pemilihan barang, step 2 adalah keberhasilan wajah terdeteksi, step 3 adalah wajah yang dikenali, step 4 adalah
keberhasilan dalam input PIN, dan hasil adalah keberhasilan pembayaran elektronik.
Tabel 3. Pengujian sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik
Step 1 Step 2 Step 3 Step 4 Hasil
v v Stephanie v v
v v Stephanie v v
v v Stephanie v v
v v Stephanie v v
v v William v v
v v William v v
v v William v v
v v William v v
v v x x x
v v Jeni v v
v v Jeni v v
v v x x x
v v tidak
terdaftar x x
v v tidak
terdaftar x x
Rata-rata Akurasi (%) 71,43%
4. KESIMPULAN DAN SARAN
Kesimpulan yang didapat dari hasil skripsi ini adalah tingkat akurasi pada metode facial landmark dan k-NN diujikan pada range jarak 30 - 60 cm dengan nilai k=5, 7 dan 9 adalah 76,47%, 64,71%, dan 47,06%, waktu komputasi pengenalan wajah menggunakan facial landmark dan k-NN diujikan pada range jarak 30 - 60 cm dengan nilai k=5, 7 dan 9 adalah 0,5016 detik, 0,1322 detik, dan 0,1298 detik dan sistem integrasi antara pengenalan wajah dan sistem pembayaran elektronik dengan nilai k yaitu 5 memiliki tingkat integrasi sistem sebesar 71,43%. Adapun saran dari peneliti yang dapat digunakan untuk pengembangan yang serupa adalah pendeteksi wajah dan pemberian titik- titik dari sudut pandang berbeda, sistem dapat diujikan dengan memanfaatkan metode klasifikasi yang berbeda, dan parameter sudut pada wajah dapat dikembangkan menjadi lebih banyak sehingga ketelitian dan keakurasian identitas wajah seseorang menjadi tinggi.
5. DAFTAR PUSTAKA
Abuzneid, M., 2018. Enhanced Human Face Recognition Using LBPH Descriptor, Multi-KNN, and Back-Propagation Neural Network. Computer Science and Engineering, p. 20644.
Adams, J., 2018. DEEP LEARNING HAAR CASCADE EXPLAINED. [Online]
Available at:
http://www.willberger.org/cascade- haar-explained/
[Diakses 17 April 2020].
App Labb, 2017. Pengenalan Wajah: Bentuk Pembayaran Selanjutnya. [Online]
Available at:
https://theapplabb.com/facial-
recognition-the-next-form-of-payment/
[Diakses 16 April 2020].
Badan Pusat Statistika, 2019. statistik-kriminal-
2019. [Online]
Available at:
https://www.bps.go.id/publication/2019 /12/12/66c0114edb7517a33063871f/sta tistik-kriminal-2019.html
Cytron Technologies, 2013. HC- SR04 Ultrasonic Sensor, Malaysia: s.n.
El Ghiffary, M. N., Susanto, T. D. & Herdiyanti, A., 2018. Analisis Komponen Desain Layout, Warna, dan Kontrol pada Antarmuka Pengguna Aplikasi Mobile Berdasarkan Kemudahan Penggunaan.
Jurnal Teknik ITS, 7(1), pp. 2337-3520.
Gondkar, S. R., B, S. & M., 2018. Biometric Face Recognition Payment System.
ional Journal of Engineering Research &
Technology, Volume I.
Hartanto, R. & Adji, M. N., 2018. Face Recognition for Attendance System Detection. ICITEE.
Juhong, A. & P., 2017. Face Recognition Based on Facial Landmark Detection. The 2017 Biomedical Engineering Internasional Confference.
M., 2018. Facial Expression Recognition Using Facial Landmarks and Random Forest Classifier. 17th IEEE/ACIS International Conference on Computer and Information Science.
Mallick, S., 2018. Facemark : Facial Landmark Detection using OpenCV. [Online]
Available at:
https://www.learnopencv.com/facemark -facial-landmark-detection-using- opencv/
[Diakses 13 June 2020].
MathsIsFun, 2017. Dot Pruduct. [Online]
Available at:
https://www.mathsisfun.com/algebra/ve ctors-dot-product.html
[Diakses 3 12 2020].
Mulyawan, H., Hadi Samsono, M. Z. & S., t.thn.
Identifikasi dan Tracking Objek Berbasis Image Processing secara Real Time, Surabaya: Politeknik Elektronika Negeri Surabaya.
Netmonk Ketitik, 2019. Apa itu API. [Online]
Available at: https://netmonk.id/apa-itu- api/
[Diakses 13 June 2020].
Pengertian Transaksi – Bisnis, B. M. J. P., 2019.
pengertian-transaksi. [Online]
Available at:
https://www.gurupendidikan.co.id/peng ertian-transaksi/
Putri, A., Tolle, H. & Az-Zahra, H. M., 2019.
Evaluasi dan Perancangan User Interface untuk Meningkatkan User Experience Menggunakan Metode Human-CenteredDesign dan Heuristic Evaluation pada Aplikasi Ezypos. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 3(2), pp. 1733- 1740.
Rosiani, U. D., Asmara, R. A. & Laeily, N., 2019. Penerapan Facial Landmark Point untuk Klasifikasi Jenis Kelamin Berdasarkan Citra Wajah. Jurnal Informatika Polinema, Volume 6, p. 55.
Santoso, A., 2018. Implementasi Deep Learning Berbasis Keras Untuk Pengenalan Wajah, Surakarta: Universitas Muhammadiyah Surakarta.
Sarsenov, a. & Latuta, K., 2017. Face Recognition Based on Facial Landmarks. IEEE 11th International Conference on Application of Information and Communication Technologies.
Satria, D., 2018. Pengertian dan Kegunaan Pengolahan Citra Digital. [Online]
Available at:
https://medium.com/tulisan- ibe/pengertian-dan-kegunaan-
pengolahan-citra-digital-cdf013a39871 [Diakses 17 April 2020].
Simaremare, H. & Kurniawan, A., 2016.
Perbandingan Akurasi Pengenalan Wajah Menggunakan Metode LBPH dan Eigenface dalam Mengenali Tiga Wajah Sekaligus secara Real-Time.
Jurnal Sains, Teknologi dan Industri, p.
70.
Syarif, M. & W., 2015. Deteksi Kedipan Mata dengan Haar Cascade Classifier dan
Contour untuk Password Login Sistem.
Techno.COM, 14(4), p. 244.
Yustanti, W., 2012. Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah. Jurnal Matematika, Statistika, dan Komputasi, 9(1), pp. 57- 68.
Zhao, X. & Wei, C., 2017. A Real-time Face Recognition System Based on the Improved LBPH Algorithm. Signal and Image Processing, p. 74.
Zufar, M., 2016. Convolutional Neural Networks for Real-Time Face Recognition, Surabaya: Institut Teknologi Sepuluh Nopember Surabaya.
