1
RANCANG BANGUN PENGENDALI PINTU AUTOMATIS DENGAN MENGENALI CIRI-CIRI WAJAH SESEORANG MENGGUNAKAN
METODE EUCLIDEAN DISTANCE Dan FUZZY C-MEAN
Purnawarman Musa 1) Nur Yuliani 1) Missa Lamsani 1) 1)
Dosen Jurusan Sistem Komputer
Fakultas Ilmu Komputer dan Tehnologi Informasi Universitas Gunadarma
ABSTRAK
Biometrik adalah suatu metode yang secara automatisselalu dipunyai dan menjadi ciri khas setiap manusia dengan menganalisa secara statistik karakteristik biologis manusia. Ciri khas tersebut dapat dilihat dari karakter fisik, misalnya sidik jari, raut / ciri-ciri wajah dan retina mata; serta yang dilihat dari karakteristik tingkah laku, misalnya tanda tangan dan suara.
Raut / ciri-ciri wajah dapat digunakan untuk mengindra dari metode biometrik yang ada. Karena raut / ciri-ciri wajah memiliki ciri khas yang bisa membedakan antara satu manusia dengan manusia yang lainnya. Sehingga raut / ciri-ciri wajah juga dapat digunakan sebagai alat pengaman (password). Penggunaan biometric ini dipandang memiliki tingkat keamanan yang lebih tinggi dibandingkan dengan sistem tradisional yang menggunakan password atau ID Card untuk autentikasi pada pengaksesan suatu area dengan membandingkan ciri-ciri wajah yang sudah tersimpan dalam database dengan data baru yang masuk. Jika hasil perbandingan sama / cocok, maka dapat membuka pintu, tetapi jika tidak sama maka pintu akan tetap tertutup.
Hasil penelitian adalah suatu sistem yang dapat mendeteksi dan mengenali ciri - ciri wajah seseorang dengan bantuan kamera webcam. Pengenalan wajah tersebut menggunakan bahasa pemograman Microsoft Visual Basic 6.0. Algoritma yang digunakan pada pengenalan ciri – ciri wajah yang dapat membedakan wajah seseorang dengan orang lain menggunakan algoritma Fuzzy Cluster Mean. Gambar seseorang yang diterima sensor penangkap objek bergerak akan diproses oleh komputer menggunakan ”image processing program”. Metode yang digunakan untuk menghitung kecocokan ciri wajah menggunakan Euclidean Distance.
Kata kunci : Pengolahan Citra, Biometrik, Euclidean Distance, Fuzzy C-Mean
PENDAHULUAN
Pengamanan sangat diperlukan dalam kegiatan sehari-hari, terutama jika menyangkut suatu otoritas. Salah satu bentuk dari pengamanan yang sulit untuk ditiru, dibuka atau dimodifikasi oleh orang lain adalah menggunakan pencirian otomatis dari karakteristik
biologis yang selalu dipunyai dan menjadi ciri khas setiap diri manusia. Pencirian dan penandaan tersebut dikenal sebagai biometrik.
2 digunakan dalam model identifikasi,
dimana sistem biometrik
mengidentifikasi setiap orang dan melakukan pencarian melalui kode yang sama pada database yang telah disusun. Penggunaan biometric ini dipandang memiliki tingkat keamanan yang lebih tinggi dibandingkan dengan sistem tradisional yang menggunakan password atau ID Card untuk autentikasi pada pengaksesan suatu sistem. Raut wajah / ciri-ciri wajah dapat digunakan pada pengamanan (password). Penggunaan ciri-ciri wajah dalam pengamanan adalah hal yang memungkinkan untuk tidak terjadinya pembobolan kerahasiaan oleh orang-orang yang tidak berkepentingan. Karena pada prinsipnya setiap ciri-ciri wajah manusia memiliki ciri khas tersendiri yang berbeda antara satu manusia dengan manusia lainnya.
TINJAUAN PUSTAKA
Keamanan Sistem
Keamanan sistem diperlukan untuk menjamin sumber daya agar tidak digunakan atau dimodifikasi oleh orang yang tidak berhak. Keamanan meliputi masalah teknis, manajerial, legalitas dan politis. Keamanan sistem dapat dikelompokkan menjadi tiga kelompok, yaitu keamanan eksternal (external
security), keamanan interface pemakai
(user interface security) dan keamanan internal (internal security).
Keamanan eksternal meliputi keamanan yang berkaitan dengan fasilitas komputer dari penyusup dan bencana alam seperti kebakaran dan kebanjiran. Sedangkan keamanan
interface pemakai meliputi keamanan
yang berkaitan dengan identifikasi pemakai sebelum pemakai diijinkan mengakses program dan data yang disimpan, contohnya penggunaan
password sehingga hanya orang yang
berhak sajalah yang dapat menggunakan sumber daya yang diperlukannya. Dan keamanan internal meliputi keamanan yang berkaitan dengan keamanan beragam kendali yang dibangun pada perangkat keras (hardware) dan sistem operasi yang menjamin operasi yang handal dan tidak terkorupsi untuk menjaga integritas program dan data, biasanya keamanan jenis ini dibangun secara perangkat lunak (software).
Biometrik
Kebanyakan sistem keamanan menggunakan sebuah perlindungan yang akan mendefinisikan pemakai, sehingga sistem keamanan mengetahui identitas dari pemakai. Masalah identifikasi pemakai ini disebut sebagai otentifikasi pemakai (user authentication). Metode otentifikasi yang biasa digunakan yaitu : sesuatu yang diketahui oleh pemakai, misalnya password, kombinasi kunci, nama kecil dan sebagainya. Sesuatu yang dimiliki pemakai seperti kartu identitas, kunci dan sebagainya. Dan sesuatu mengenai / merupakan ciri dari pemakai, contohnya sidik jari, raut / cirri-ciri wajah, retina mata, tanda tangan, suara dan lain-lain.
Ciri dari pemakai tersebut dikenal sebagai biometrik. Biometrik adalah suatu metode yang secara otomatis selalu dipunyai dan menjadi ciri khas setiap manusia dengan menganalisa secara statistik dari karakteristik biologis manusia. Ciri khas tersebut dapat dilihat dari karakter fisik, misalnya sidik jari, raut / ciri-ciri wajah, retina mata dan dilihat dari karakteristik tingkah laku, misalnya tanda tangan dan suara,
Pengolahan Citra
3 sebagai bitmap, setiap bit membentuk satu titik informasi yang dikenal sebagai pixel. Atau dengan kata lain, satu pixel merupakan satu titik image yang terdiri dari satu atau beberapa bit informasi.
Satuan dari pixel biasanya dinyatakan dengan posis x, posisi y dan nilai dari pixel tersebut (warna atau gray). Dalam satu bidang gambar, sepenuhnya terdiri dari pixel – pixel disimpan dalam bentuk bilang biner. Disebut biner karena hanya memiliki dua kemungkinan, 0 atau 1, ada atau tidak.
Video adalah susunan dari beberapa gambar yang ditampilkan secara bergantian dan sangat cepat, sehingga membentuk suatu pergerakan yang halus. Biasanya gambar yang disusun berasal dari gambar dalam bentuk image (bukan grafik). Pengertian Video biasanya mengacu pada proses atau teknologi dari sistem gambar bergerak.
Penggunaan pixel biner ini dimaksudkan untuk menyederhanakan proses dengan hanya memperhatikan ada atau tidak. Selain itu, penggunaan biner juga memperkecil data baik saat dikirimkan atau saat disimpan, termasuk juga saat diproses.
Gray scale dan biner sebenarnya memiliki kemiripan, hanya saja kalau biner hanya memiliki 2 kemungkinan nilai, tetapi gray scale memiliki lebih banyak kemungkinan nilai, misalkan 4, 16 atau 256 kemungkinan.
Gray scale banyak digunakan jika adanya perbedaan intensitas antara satu pixel dengan pixel lainnya sangat dipentingkan. Hal ini terutama jika obyek yang diamati memiliki perbedaan intensitas yang cukup kecil dengan berbagai tingkat kecerahan. Jika digunakan pixel biner, maka kemungkinan perbedaan - perbedaan tersebut akan hilang hanya menjadi hitam atau putih.
Pengubahan dari format warna ke gray level banyak dilakukan dengan tujuan penyederhanaan format warna, dimana dalam penggunaannya tidak diperlukan atau dipentingkan informasi warna yang ada, tetapi hanya perbedaan intensitas dari image. Selain itu, pengolahan image dalam bentuk gray scale memiliki kemudahan dibandingkan dengan format warna.
Cara deteksi suatu image yang paling umum digunakan adalah cara scaling, scanning dan cropping.
Pemilihan faktor penskalaan yang sesuai akan mempercepat operasi kerja tanpa mengurangi kinerja sistem. Contoh pada gambar sebelumnya, jika dilakukan penskalaan 1:8, ternyata image aslinya cukup buruk, namun dengan faktor 1:5 didapatkan hasil yang lebih baik, dan kecepatan yang didapatkan kurang 5 x 5 = 25 (kecepatan keseluruhan sistem sangat dipengaruhi oleh proses-proses yang lain) kali jika dibandingkan dengan pemrosesan image aslinya.
Untuk menentukan sebenarnya berapa nilai yang terbaik adalah berdasarkan kebutuhan, antara kecepatan dan ketelitian. Jika menginginkan ketelitian, maka harus ditentukan penskalaan yang sedemikian rupa sehingga hasil image yang diamati secara visual masih terlihat dengan baik, ini biasanya tergantung dari ukuran image dan detil dari bentuk image tersebut.
Sebagai contoh, pada gambar sebelumnya memiliki ukuran 200 x 80 pixel, sebut saja ukuran dari obyek sebesar itu. Jika dilakukan penskalaan 1:5, artinya akan didapatkan obyek dengan ukuran 40 x 16 pixel, dan jika dilakukan penskalaan 1:8 akan didapatkan obyek dengan ukuran 25 x 10.
4 sekitar 10 sampai 20 pixel (ambil saja 16 pixel), sedangkan jika suatu obyek bentuknya sangat kasar (lingkaran, kotak dan sebagainya, di sini hanya dipentingkan keberadaannya saja, bukan bentuknya), ukuran yang sesuai adalah 5 sampai 15 pixel (ambil saja 8 atau 10 pixel).
Gambar 1. Image 200 x 80 di–skala 1:5 dan 1:8
Dengan memperkecil ukuran image asli akan dapat mempercepat proses perhitungan secara keseluruhan. Namun cara ini juga dapat menurunkan kinerja dari sistem, dimana suatu image yang semula memiliki jumlah pixel yang besar akan memiliki bentuk yang detil, dengan dilakukan penskalaan akan didapatkan bentuk gambar yang kurang detil.
Pencarian berdasarkan scanning memiliki kelebihan tersendiri, yaitu lebih cepat (kalau obyek yang dicari dekat dengan titik awal) dan mudah tetapi tidak akurat. Artinya untuk memastikan apakah pada suatu daerah benar-benar ada obyek harus dilakukan pemeriksaan yang lebih mendalam pada daerah-daerah tertentu yang dideteksi.
Hal ini tentu saja menyebabkan proses menjadi lambat. Kelebihan lain dari proses scanning adalah metode klasifikasi atau identifikasi dari proses deteksi dapat beragam, artinya dapat menggunakan berbagai metode.
Jika suatu obyek dapat diketahui berdasarkan ciri warnanya saja, maka dapat digunakan metode segmentasi warna. Metode ini secara umum digunakan untuk memisahkan suatu warna terhadap warna lainnya. Inti dari segmentasi warna adalah membaca warna pixel demi pixel atau daerah demi
daerah dan membandingkannya dengan warna yang dikehendaki. Pada tahapan membandingkan ini, dapat menggunakan berbagai cara yang ada, mulai dari berbasis matematis sederhana, statistik ataupun kecerdasan buatan.
Jika obyek yang akan dideteksi dipastikan hanya berjumlah satu, artinya dalam penangkapan image nantinya kemungkinan hanya ada satu obyek yang akan muncul, maka proses deteksinya menjadi sederhana. Inipun masih bisa dibedakan antara obyek yang posisinya tertentu dan obyek yang posisinya tidak tentu.
Jika obyek posisinya sudah tentu pada sensor, maka proses deteksi dilakukan cukup dengan mengamati daerah tersebut, tanpa menghiraukan daerah lainnya. Contoh dalam aplikasi mengamati obyek yang berjalan pada suatu bab berjalan (conveyor), maka lintasan dari obyek sudah tertentu. Dengan memastikan obyek akan melintas pada titik tertentu, maka proses deteksi dapat dipusatkan pada titik tersebut.
Jika obyek ternyata menempati posisi yang tidak tentu, maka harus dilakukan proses pencarian. Proses pencarian dapat dilakukan dengan dua cara, melakukan scanning di seluruh daerah image, atau langsung menentukan titik tengah (titik berat) dari obyek yang ada di layar.
Dengan cropping, cara ini mengharuskan program untuk mencari pixel demi pixel, area demi area, ukuran demi ukuran dari seluruh bagian image. Jika suatu obyek berhasil ditemukan, bagian image yang bertepatan dengan obyek tersebut akan dipotong untuk diproses pada bagian berikutnya. Kelebihan dari cara ini,
Posisi dari obyek dapat bebas
Jumlah dari obyek dapat lebih dari satu
5 Dapat menggunakan berbagai metode klasifikasi, dimana hasil crop obyek yang ditemukan dengan mudah diproses pada classifier yang dikehendaki.
Fuzzy C-Means (FCM)
Fuzzy C-Means adalah suatu teknik
peng-cluster-an data dimana keberadaan dari tiap-tiap titik data pada suatu cluster ditentukan oleh derajat keanggotaan. Teknik ini pertama kali diperkenalkan oleh Jim Bezdek pada tahun 1981.
Konsep dasar FCM, pertama kali adalah menentukan pusat cluster, yang akan menandai lokasi rata-rata untuk tiap-tiap cluster. Pada kondisi awal, pusat
cluster ini masih belum akurat. Tiap-tiap
titik data memiliki derajat keanggotaan untuk tiap-tiap cluster. Dengan cara memperbaiki pusat cluster dan derajat keanggotaan tiap-tiap titik data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat.
Perulangan ini didasarkan pada minimasi fungsi obyektif yang menggambarkan jarak dari titik data yang diberikan ke pusat cluster yang terbobot oleh derajat keanggotaan titik data tersebut.
Output dari FCM bukan merupakan
fuzzy inference system, namun
merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data.
x adalah data yang akan di cluster
Dan V adalah matriks pusat cluster
Euclidean Distance merupakan
metode statistika yang digunakan untuk mencari data yang terdekat antara parameter data referensi dengan parameter data baru.
6 Komunikasi Parallel
Port parallel menyediakan metode yang mudah untuk menghubungkan PC dengan peralatan elektronik. Port parallel merupakan port data di computer untuk menstransmisi 8 bit data dalam sekali clock.
Paralel port adalah port yang paling banyak digunakan dalam interfacing dengan berbagai macam peralatan eksternal. Secara umum paralel port terdiri dari 4 jalur kontrol, 5 jalur status dan 8 jalur data.
Hubungan pengkabelan yang umum digunakan yaitu konektor tipe DB25. Konektor DB25 merupakan konektor yang paling banyak dijumpai pada paralel port PC sedangkan konektor centronic dijumpai pada printer.
Gambar 2. Pin – Pin Parallel Port
Paralel port yang telah distandarisasi dibawah standard IEEE 1284, pertama diperkenalkan pada tahun 1994. Standard tersebut didefinisikan dalam 5 mode operasi, yaitu:
1. Mode kompabilitas (Compability Mode)
2. Mode 4 bit (Nibble Mode) 3. Mode 8 bit (Byte Mode)
4. Mode parallel port lanjutan (Enhanced Paralel Port)
5. Mode kapabilitas diperluas (Extended Capability Port)
Register yang ada pada DB25 terdiri dari 3 jenis, antara lain :
1. Register Data 2. Register Control 3. Register Status
METODE PENELITIAN
Perancangan Perangkat Keras
Perancangan secara perangkat keras dilakukan dengan membuat simulasi maket rumah yang dilengkapi dengan pintu otomatis, rangkaian driver motor DC, rangkaian optocoupler sebagai penerima data dari parallel port, komunikasi parallel port dan perencanaan sistem secara keseluruhan. Gambar rangkaian secara perangkat keras untuk membuka pintu jika data yang baru masuk cocok dengan database dan tetap akan tertutup jika data yang baru masuk tidak cocok dengan database.
Gambar 3. Rangkaian Perangkat Keras Pembuka Pintu
Perancangan Perangkat Lunak
7 Kegunaan dari database ini untuk membandingkan dengan data baru yang masuk, apakah data baru tersebut cocok atau tidak dengan database yang ada.
Gambar 4. Flowchart Perangkat Lunak Menggunakan Microsoft Visual Basic
Rancangan Secara Blok Diagram Dalam perancangan alat identifikasi, dalam hal ini sensor untuk mengambil gambar, diperlukan suatu cara bagaimana suatu gambar yang ditangkap oleh sensor dapat diolah oleh komputer. Dari pengolahan tersebut, data yang diperoleh kemudian dijadikan acuan untuk melakukan suatu tindakan seperti pada gambar berikut:
Gambar 5. Blok Diagram Sistem
Gambaran umum dari percobaan dibagi menjadi banyak bagian yaitu : Langkah dalam percobaan ini adalah sebagai berikut :
1. Pengambilan data input dari sebuah frame objek gambar yang sedang bergerak menggunakan webcam. Pengambilan data input dimaksudkan untuk membuat sebuah database. Yaitu dengan mengambil sebuah frame objek gambar yang sedang bergerak menggunakan kamera digital. Jika frame objek sudah didapatkan, maka dapat melakukan penyimpanan untuk memperbanyak database yang ada. Data yang dapat disimpan dalam database mencapai lebih dari 1000 database, yang artinya database dapat menyimpan data wajah lebih dari 1000 orang. 2. Pen-skala-an dilakukan karena input
yang didapatkan berukuran besar, sehingga untuk mendapatkan objek dengan pixel yang standar untuk ukuran pixel image, dipilihlah objek dengan ukuran 320 x 240 = 76800 pixel. Ukuran tersebut masih besar jika harus menghitung keseluruhan data yang ada, sehingga perlu pula dilakukan pen-skala-an menjadi 1:15, sehingga penghitungan data tidak terlalu banyak dan akan memudahkan dalam pemrosesan data tersebut. Sehingga data yang berukuran kolom, 320/15 = 21, tetapi data ini tidak digunakan keseluruhannya, tetapi 16 pixel untuk kolom. Data yang berukuran baris 240/15 = 16 pixel untuk baris (seluruh data akan terbaca). Sehingga didapatkan 16 x 16 = 256 data pixel untuk 1 database wajah yang terdeteksi
3. Segmentasi digunakan untuk membedakan warna kulit dengan warna background. Pada batasan masalah ditentukan bahwa warna background adalah biru sehingga
Sensor
Penangkapan objek bergerak
Kom puter
Buka/ Tutup Pintu
Pengambilan Data ObjekWajah
Penskalaan
Segmentasi
Cropping
Kuantisasi
Verifikasi
Dikenal ? Pintu terbuka
Pintu tetap tertutup Gray Scale
Ya
Tidak Mulai
8 untuk dapat menentukan posisi wajah maka harus membuang warna biru dan mengambil warna kulit yang telah diasumsikan
4. Gray Scale dilakukan, karena gambar yang terekam adalah gambar berbentuk RGB atau berwarna, sehingga untuk memudahkan pemrosesan gambar tersebut di ubah bentuknya menjadi gambar gray scale
5. Melakukan pendeteksian keberadaan objek sehingga objek dapat dibedakan dengan background. Pendeteksian ini dilakukan dengan cara segmentasi warna kulit dan juga melakukan cropping
6. Kuantisasi, yaitu mengambil data pixel dari suatu objek gambar yang sudah terekam untuk dimasukkan kedalam sebuah database
7. Pembandingan data pixel dari object yang baru dengan data yang ada pada database. Pembandingan ini menggunakan verifikasi dengan algoritma Euclidean Distance dan Fuzzy C Mean. Dan setelah pembandingan dilakukan, data tersebut dikirimkan ke komunikasi paralel sehingga terjadi sebuah aksi yang berhubungan dengan kecocokan data tersebut. Yaitu jika data cocok maka pintu akan terbuka, tetapi jika data tidak cocok, makan pintu akan tetap tertutup. yang kemudian akan dikirimkan
8. Hasil pendekatan suatu pencocokan data yang didapat dengan data yang tersimpan akan dikirimkan komunikasi parallel.
HASIL DAN PEMBAHASAN
Hasil dari penelitian berdasarkan uji coba pada pengambilan data dari setiap ciri wajah belum mendapatkan hasil yang diharapkan. Kemungkinan
penyebab ketidakberhasilan adalah pendeteksian wajah sangat lambat terhadap kecepatan objek bergerak.
Setelah menyelesaikan perencanaan dan pembuatan alat, selanjutnya untuk mengetahui serta meyakinkan bahwa seluruh sistem perancangan perangkat telah bekerja dengan baik, sehingga dilakukan beberapa pengujian pada setiap tahap.
Pengujian ini meliputi beberapa tahap, yaitu:
1. Pengujian Sensor penangkap objek
Pengujian yang dilakukan adalah menguji apakah sensor penangkap objek dapat menangkap objek atau tidak. Jika sensor penangkap objek dan program Visual Basic bekerja, maka akan tampil gambar sebuah objek.
2. Pengujian pengambilan data Tujuan dari pengujian adalah data yang diambil dijadikan sebagai data referensi sebagai pembanding dengan data yang akan diambil nanti saat pengujian. Program menyimpan data secara otomatis data tersebut akan tersimpan pada database yang sudah dikoneksikan.
3. Pengujian perangkat lunak Tujuan dari pengujian adalah hasil pengecekan satu objek dengan 20 kali tes. Tingkat keberhasilan dalam menentukan target diharapkan melebihi 50% - 85%.
Perangkat lunak dapat mengenali objek yang ditangkap oleh webcam yang sesuai pada database dan dapat dikenali dengan benar.
4. Pengujian rangkaian driver motor
9 tegangan berupa pulsa. Input dari optocoupler diberi tegangan 5Volt sebagai pengganti logic 1 dari PC, Output optocoupler menjadi input untuk rangkaian driver.
KESIMPULAN DAN SARAN
Kesimpulan
Berdasarkan hasil pengujian, didapat bahwa sistem dapat mengenali ciri – ciri wajah dari 30 sampel member yang terdapat pada database, didapatkan tingkat keberhasilan mengenali ciri – ciri wajah seseorang mencapai 80%.
Setelah menganalisa hasil tersebut ada beberapa faktor kegagalan yang ditimbulkan diantaranya, karena adanya perbedaan kondisi lingkungan antara pada saat pengambilan data referensi ciri – ciri wajah dan pada saat software ini dilakukan pengujian.
Untuk mendapatkan hasil yang optimal, adalah dengan menambah jumlah data referensi. Semakin banyak data referensi yang diambil, semakin kecil jarak kedekatan antara citra input dan pusat cluster.
Pada saat pengujian dilakukan, posisi wajah tidak terlalu banyak bergerak untuk mendapatkan data input yang baik .
Saran
Hasil pendeteksian masih kurang memuaskan, dilihat dari hasil pencapaian kecocokan antara database dengan data yang baru masuk belum mencapai 100%. Sehingga diharapkan akan ada pengembangan lebih lanjut tentang penelitian ini, misalnya dengan membuat setiingan suatu objek yang disimpan di perbesar, meskipun harus memperhitungkan kecepatan respon antara database dengan data yang baru masuk.
Penelitian ini tidak hanya dapat digunakan untuk aplikasi membuka pintu saja, tetapi dapat pula digunakan pada aplikasi lainnya yang membutuhkan otoritas yang tinggi.
Serta untuk memperindah tampilan program yang dibuat, mungkin tidak hanya menggunakan Microsoft Visual Basic, tapi dapat menggunakan program lainnya.
DAFTAR PUSTAKA
1) --,
http://www.Biometricgroup.com/e/z ephyr_charts.htm, 2001.
2) Achmad Basuki, Jozua F. Palandi, dan Fatchurrochman, Pengolahan Citra Digital Menggunakan Visual Basic, Graha Ilmu, 2005.
3) Bambang Hariyanto, Ir., Sistem Operasi, Edisi 2, Informatika, Bandung, 1999.
4) Bima Sena Bayu Dewantara, SST, Materi Image Prosesing dan Aplikasinya, Pelatihan Image Prosesing, Surabaya, 2006.
5) Darma Putra, Sistem Identifikasi Wajah Dengan Metode Wavelet, Majalah Ilmiah Teknologi Elektro Udayana ISSN : 16932951 Vol. 3/ No.1 Januari – Juni, 2004.
6) Edi Satriyanto,Golan, Pengendalian Robot Dengan Isyarat Tangan, Final Project EEPIS ITS, 2003. 7) Eri Prasetyo dan Isma Rahmatun,
Design Sistem Pengenalan wajah dengan variasi ekspresi dan posisi menggunakan metode Eagenface, Universitas Gunadarma. http://pusatstudi.gunadarma.ac.id/ps citra.
10 Clustering Algorithm, Department of Industrial Engineering and Management Ben-Gurion University of the Negev, 2004.
9) Jure Kova c, Peter Peer, dan Franc ˇ Solina, Human Skin Colour Clustering for Face Detection, Faculty of Computer and Information Science University of Ljubljana
10) Kartika Gunadi dan Sonny RP, Pembuatan Perangkat Lunak Pengenalan Wajah Menggunakan Principal Components Analysis, Universitas Kristen Petra, Jurnal Informatika Vol.2 No.2, 2001. 11) Kusumadewi Sri, Analisis dan
Desain Sistem Fuzzy
Menggunakan Tool Box Matlab, Graha Ilmu, 2002.
12) Leong, Marlon, Pemrograman Dasar Microsoft Visual Basic .NET, ANDI Yogyakarta, 2004. 13) Linda G Shapira dan George C.
Stockman, Computer Vision, PrenticeHall, 2001.
14) Munir Rinaldi, Pengolahan Citra Digital dengan Pendekatan Algoritmik, Informatika Bandung, 2004.
