Pengenalan Wajah dengan Menggunakan Metode Local Binary Patterns Histograms (LBPH)

(1)

Pengenalan Wajah dengan Menggunakan Metode Local Binary Patterns Histograms (LBPH)

Rifki Kosasih^1,*, Christian Daomara²

1 Pusat Studi Komputasi Matematika (PSKM), Universitas Gunadarma, Depok, Indonesia

2 Fakultas Teknologi Industri, Teknik Informatika, Universitas Gunadarma, Depok, Indonesia Email: ^1,*[email protected], ²[email protected]

Email Penulis Korespondensi: [email protected]

Abstrak− Pesatnya perkembangan teknologi yang terjadi di dunia memberikan dampak besar ke berbagai bidang seperti dalam bidang administrasi dan pendataan. Salah satu sistem pendataan yang sering dilakukan adalah absensi. Pada awalnya, sistem absensi hanya menggunakan kertas absensi yang diisi secara manual, akan tetapi absensi seperti ini memiliki kekurangan seperti adanya kemungkinan tanda tangan dipalsukan saat absensi. Oleh karena itu dibutuhkan metode lain untuk mengatasi permasalahan tersebut. Pada penelitian ini diusulkan menggunakan fitur wajah untuk melakukan absensi. Data yang digunakan adalah 750 citra wajah yang terdiri dari 5 orang dengan tiap orang memiliki 150 citra wajah dengan berbagai ekspresi. Data tersebut dibagi menjadi dua yaitu 500 citra sebagai data latih dan 250 citra sebagai data uji. Tahapan selanjutnya adalah mencari fitur wajah dengan menggunakan metode Local Binary Patterns Histograms (LBPH). LBPH merupakan kombinasi dari metode Local Binary Patterns (LBP) dengan Histograms of Oriented Gradients (HOG). Setelah itu dilakukan pengenalan wajah berdasarkan fitur yang sudah diperoleh. Berdasarkan hasil penelitian diperoleh tingkat akurasi sebesar 86%.

Kata Kunci: Fitur Wajah; LBPH; LBP; HOG; Pengenalan Wajah

Abstract−Rapid technological developments in the world have had a major impact on various fields, i.e. administration and data collection. One of the data collection systems that is often used is attendance. The attendance system initially only us ed an attendance sheet that was filled out manually, but there were shortcomings i.e. the possibility of forging signatures during attendance. Therefore, other methods are needed to overcome these problems. In this study, we propose to use facial features for attendance. The data used are 750 facial images consisting of 5 people with each person having 150 facial i mages with various expressions. The data is divided into two, namely 500 images as training data and 250 images as test data. The next stage is to find a facial features, we propose to use the Local Binary Patterns Histograms (LBPH) method. LBPH is a combination of the Local Binary Patterns (LBP) method with Histograms of Oriented Gradients (HOG). After that, we perform face recognition based on the features that have been obtained. Based on the research results obtained an accuracy rate of 86%.

Keywords: Facial Features; LBPH; LBP; HOG; Face Recognition

1. PENDAHULUAN

Perkembangan dan kemajuan ilmu pengetahuan teknologi yang semakin pesat, secara langsung akan memberikan pengaruh yang sangat besar pada berbagai bidang. Salah satu contohnya adalah pada bidang pendataan dan administrasi. Sistem pendataan merupakan sistem yang sangat penting yang harus dilakukan agar data dapat dikumpulkan. Salah satu sistem pendataan yang biasa dilakukan adalah absensi. Untuk melakukan absensi, contohnya seperti dalam sistem perkuliahan adalah dengan metode manual yaitu setiap mahasiswa melakukan absensi secara langsung dengan menandatangani daftar kehadiran. Metode manual ini kurang efisien karena membutuhkan waktu yang lama dalam mengisi daftar kehadiran dan memungkinkan adanya pelanggaran seperti melakukan tanda tangan palsu. Kekurangan lainnya adalah ketika melakukan pendataan absensi, administrator harus memasukkan data tersebut secara manual ke dalam komputer.

Oleh karena itu dibutuhkan suatu solusi untuk mengatasi hal tersebut sehingga proses absensi dapat dilakukan secara otomatis dan tidak mudah untuk dipalsukan. Untuk melakukan absensi secara otomatis tersebut diusulkan dilakukan dengan menggunakan ciri khusus yang ada pada manusia yang disebut dengan fitur [1]. Ada beberapa ciri khusus yang biasa digunakan untuk mengenali seseorang seperti sidik jari, iris, wajah dan lain-lain [2], [3].

Pada penelitian ini diusulkan melakukan pengenalan seseorang berdasarkan fitur wajah. Fitur wajah merupakan fitur unik yang dimiliki oleh manusia yang dapat membedakan orang-orang. Dalam proses pengenalan wajah, terdapat tiga tahapan [3]. Tahapan pertama adalah melakukan pendeteksian wajah untuk mendapatkan citra wajah seseorang. Tahapan kedua adalah melakukan ekstraksi fitur untuk mendapatkan ciri unik dari wajah seseorang dan tahapan ketiga adalah klasifikasi wajah yang digunakan untuk mengenali wajah seseorang berdasarkan hasil fitur yang sudah diperoleh [3]. Untuk mendapatkan fitur wajah tersebut, pada penelitian ini diusulkan menggunakan metode Local Binary Patterns Histograms (LBPH). LBPH merupakan hasil kombinasi dari dua metode yaitu metode Local Binary Patterns (LBP) yang dikombinasikan dengan Histograms of Oriented Gradients (HOG) [4], [5]. LBP merupakan operator tekstur yang mempunyai tugas memberi label pixel suatu gambar dengan cara membedakan lingkungan dari setiap pixel dan menganggap hasilnya sebagai angka biner sedangkan Histograms of Oriented Gradients diperoleh dengan mencari histogram dari citra hasil LBP sehingga metode LBPH merupakan metode yang digunakan untuk mendapatkan fitur yang ada pada wajah seseorang berdasarkan histogram yang diperoleh dari hasil LBP.

(2)

Beberapa penelitian terdahulu telah dilakukan dibidang pengenalan wajah seperti kosasih yang melakukan pengelompokkan wajah dengan menggunakan metode isometric mapping (isomap). Metode isomap merupakan salah satu metode reduksi dimensi yang digunakan untuk mengubah citra fitur wajah yang berdimensi tinggi menjadi fitur baru yang berdimensi lebih rendah sehingga dapat divisualisasikan. Berdasarkan penelitiannya, citra- citra wajah orang yang sama akan mengelompok ke dalam satu wilayah, akan tetapi pada penelitiannya belum melakukan pengklasifikasian wajah [6]. Penelitian berikutnya, Kosasih melanjutkan penelitiannya dengan melakukan klasifikasi wajah dengan menggunakan algoritma K Nearest Neighbor (KNN) berdasarkan hasil pengelompokkan wajah dengan metode isomap [7]. Dalam penelitiannya, citra wajah yang digunakan adalah 24 citra dengan komposisi 6 orang dengan tiap orang memiliki 4 citra dengan ekspresi yang berbeda. Citra-citra yang sudah diperoleh, selanjutnya diekstrak untuk mendapatkan fitur dengan menggunakan metode isometric mapping (isomap). Selanjutnya dilakukan klasifikasi menggunakan fitur hasil metode isomap. Berdasarkan hasil klasifikasi dengan algoritma K Nearest Neighbor (KNN) diperoleh tingkat akurasi sebesar 83,33% [7]. Selanjutnya Salamun, dalam penelitiannya melakukan pengenalan wajah dengan metode Principle Component Analysis (PCA) dan menggunakan Euclidean Distance dalam pengklasifikasian wajah. PCA merupakan metode reduksi dimensi yang digunakan untuk mengekstrak fitur berdasarkan vektor eigen dari citra wajah. Pada penelitiannya, data yang digunakan adalah citra wajah yang terdiri dari 130 citra. Berdasarkan hasil penelitiannya diperoleh tingkat akurasi sebesar 82,27% [8]. Penelitian berikutnya dilakukan oleh rosyani dengan metode Principle Component Analysis (PCA) tetapi menggunakan Canberra Distance dalam pengklasifikasian wajah. Dalam penelitiannya digunakan data citra wajah sebanyak 40 buah citra wajah dan diperoleh tingkat akurasi sebesar 84,5% [9]. Peneliti berikutnya Fahrurozi menggunakan metode Local Binary Pattern (LBP) dan Principle Component Analysis (PCA) untuk melakukan pengenalan wajah. Dalam penelitiannya dilakukan ekstraksi fitur dengan menggunakan metode PCA berdasarkan citra hasil LBP. Data yang digunakan adalah 40 data citra wajah yang terdiri dari 8 orang dengan tiap orang memiliki 5 citra wajah dengan ekspresi yang berbeda. Berdasarkan hasil penelitiannya, tingkat akurasi yang diperoleh sebesar 75% [10].

Berdasarkan beberapa penelitian terdahulu, penelitian menggunakan metode Principle Component Analysis (PCA) yang memiliki perhitungan yang kompleks [11], [12] sehingga dalam penelitian ini digunakan metode lain yang memiliki perhitungan yang lebih mudah yaitu dengan menggunakan metode Local Binary Patterns Histograms (LBPH). Selanjutnya, pada penelitian ini data citra wajah yang digunakan diperbanyak untuk meningkatkan akurasi.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Pada bagian ini, dibahas tahapan-tahapan penelitian yang digunakan untuk melakukan pengenalan wajah dengan metode Local Binary Patterns Histograms (LBPH) seperti pengumpulan data citra wajah, ekstraksi fitur dengan menggunakan LBPH dan melakukan pengujian. Tahapan-tahapan dalam penelitian tersebut dapat dilihat pada gambar 1. Berdasarkan gambar 1, tahapan pertama yang dilakukan adalah mengumpulkan data citra wajah. Pada penelitian ini banyaknya citra wajah yang dikumpulkan adalah 750 citra wajah. Data tersebut diperoleh dari 5 orang dengan tiap orang memiliki 150 citra wajah dengan berbagai ekspresi. Data citra wajah tersebut selanjutnya dibagi menjadi dua bagian yaitu bagian pertama sebagai citra data latih dan bagian kedua sebagai citra data uji dengan komposisi citra data latih sebanyak 500 citra dan citra data uji sebanyak 250 citra. Untuk citra data uji tersebut diperoleh dengan cara mengekstrak video uji yang berasal dari 5 orang menjadi kumpulan citra wajah sebanyak 250 citra.

Tahapan selanjutnya adalah melakukan ekstraksi fitur pada citra data latih dan citra data uji dengan menggunakan metode Local Binary Patterns Histograms (LBPH). Untuk melakukan ekstraksi fitur citra pada data latih dan data uji, maka citra data latih dan data uji diubah terlebih dahulu menjadi citra grayscale. Metode LBPH dilakukan untuk mendapatkan fitur histogram dari tiap citra wajah berdasarkan citra hasil Local Binary Patterns (LBP).

Gambar 1. Tahapan Penelitian

(3)

Local Binary Pattern Histograms (LBPH) merupakan kombinasi dari metode LBP (Local Binary Pattern) dengan Histograms of Oriented Gradients (HOG). LBP adalah operator tekstur yang sederhana akan tetapi sangat efisien yang memberi label pixel suatu gambar dengan cara membedakan lingkungan dari setiap pixel dan menganggap hasilnya sebagai angka biner [13], [14], sedangkan Histograms of Oriented Gradients (HOG) akan meningkatkan kinerja pendeteksian berdasarkan histogram [15].

Pada algoritma LBP terdapat 6 langkah yaitu:

a. Ubah citra wajah menjadi citra grayscale dengan range intensitas piksel adalah 0-255.

b. Membagi citra wajah menjadi bagian-bagian kecil yang disebut dengan sel, dimana tiap sel berukuran 3x3 piksel. Karena tiap sel berukuran 3x3 maka banyaknya tetangga (P) adalah 8 dan radius (R) dari piksel tengah adalah 1.

c. Tentukan nilai pusat dari tiap sel yaitu piksel tengah untuk digunakan sebagai nilai ambang. Nilai tersebut digunakan untuk menentukan nilai-nilai baru dari ke-8 pixel disekitarnya (piksel tetangga).

d. Untuk setiap piksel tetangga dari piksel tengah, akan ditetapkan nilai biner baru dengan aturan 1 untuk nilai yang sama atau lebih tinggi dari ambang dan 0 untuk nilai lebih rendah dari ambang.

e. Nilai piksel pada citra wajah selain piksel tengah hanya akan berisi nilai-nilai biner. Nilai biner tersebut digabungkan dari setiap posisi menjadi barisan biner baru yang berukuran 8 bit (contoh: 10001101)

f. Kemudian, nilai biner ini akan dikonversikan ke nilai desimal dengan range 0-255 sehingga menghasilkan citra baru yang mewakili karakteristik (fitur) dari citra asli dengan lebih baik. Hasil operator LBP diperoleh dari persamaan (1) [16], [17].

𝐿𝐵𝑃_𝑃,𝑅(𝑥, 𝑦) = ∑⁸_𝑖=1sin(𝐺_𝑖− 𝐺_𝑐) 2^𝑖 (1)

Dengan 𝐿𝐵𝑃_𝑃,𝑅(𝑥, 𝑦) adalah hasil dari operator LBP, (𝑥, 𝑦) adalah koordinat piksel tengah pada sel yang berukuran 3x3, 𝐺_𝑐 adalah nilai piksel tengah pada citra grayscale dan 𝐺_𝑖 adalah nilai dari piksel tetangga pada citra grayscale.

Setelah proses LBP dilakukan, selanjutnya dilakukan ekstraksi histogram dengan menggunakan metode Histograms of Oriented Gradients (HOG). Pada metode HOG terdapat 4 langkah [18], [19] yaitu:

a. Citra hasil LBP dibagi menjadi daerah-daerah kecil yang disebut dengan grid.

b. Buat histogram dari tiap daerah tersebut.

c. Karena citra hasil LBP merupakan citra grayscale maka setiap histogram dari setiap grid hanya akan berisi 256 posisi (0-255) yang mewakili setiap intensitas piksel.

d. Histogram dari tiap daerah (grid) digabung menjadi satu histogram besar. Jika tiap grid berukuran 8x8, maka total memiliki 8x8x256 = 16,384 posisi dalam histogram akhir. Histogram terakhir merupakan fitur yang mewakili citra asli dan diasumsikan sebagai sebuah vektor.

Contoh hasil LBPH dapat dilihat pada Gambar 2.

(a) (b) (c) (d) (e)

Gambar 2. Contoh Hasil LBPH, (a) Citra Asli, (b) Citra Hasil Operator LBP, (c) Pembagian Daerah Pada Citra LBP, (d) Histogram Tiap Daerah, (e) Gabungan dari Histogram Tiap Daerah

Setelah fitur latih dan fitur uji diperoleh dengan menggunakan metode LBPH, selanjutnya dilakukan pengenalan wajah dengan mencari jarak euclid terdekat antara fitur uji dengan setiap fitur latih yang ada dalam database. Fitur latih yang memiliki jarak terdekat dengan fitur uji merupakan wajah yang sesuai dengan data uji.

Pada penelitian ini, untuk menghitung jarak euclid digunakan persamaan (2).

𝑑 = √𝐹_𝐿²− 𝐹_𝑢² (2)

dimana:

d merupakan jarak antara dua buah fitur 𝐹_𝐿merupakan fitur latih

𝐹_𝑢 merupakan fitur uji.

(4)

3. HASIL DAN PEMBAHASAN

Berdasarkan bab sebelumnya, data yang digunakan adalah data citra wajah yang terdiri dari 750 citra. Citra tersebut diperoleh dari 5 orang dengan tiap orang memiliki 150 citra wajah dengan berbagai ekspresi. Setelah data citra wajah diperoleh, selanjutnya data citra wajah tersebut diubah menjadi citra wajah berskala keabuan (grayscale) yang dapat dilihat pada Gambar 3. Data citra wajah tersebut selanjutnya dibagi menjadi dua dengan komposisi yaitu 500 data latih dan 250 data uji.

Gambar 3 merupakan contoh citra data latih yang digunakan dalam pengenalan wajah. Pada Gambar 3, dapat dilihat bahwa tiap orang memiliki citra wajah dengan berbagai ekspresi. Tahapan selanjutnya adalah mengubah citra yang diperoleh menjadi citra yang berskala keabuan (grayscale). Setelah data citra tersebut diubah, selanjutnya dilakukan pencarian fitur wajah pada data latih dan data uji dengan menggunakan metode Local Binary Pattern Histograms (LBPH).

Metode LBPH merupakan metode ekstraksi fitur yang merupakan kombinasi dari metode Local Binary Pattern (LBP) dan metode Histograms of Oriented Gradients (HOG). Tahapan pertama pada proses LBPH adalah melakukan operasi tekstur dengan menggunakan operator LBP sehingga menghasilkan citra baru yang memiliki tekstur yang unik pada setiap orang. Citra hasil operator LBP dapat dilihat pada Gambar 4(b). Tahapan selanjutnya adalah mencari histogram dari citra hasil LBP dengan menggunakan metode Histograms of Oriented Gradients (HOG). Histogram tersebut merupakan fitur baru yang digunakan untuk proses pengenalan wajah.

Gambar 3. Sampel Data Citra Wajah (25 dari 500 Citra Latih)

(5)

(a) (b)

Gambar 4. (a) Contoh Citra Asli, (b) Contoh Citra Hasil LBP

Gambar 4(a) merupakan citra asli yang sudah berskala keabuan. Citra tersebut selanjutnya diolah menggunakan operator Local Binary Pattern (LBP) untuk menghasilkan citra baru yang bertekstur. Citra hasil LBP tersebut ditunjukkan pada Gambar 4(b). Pada Gambar 4(b) dapat dilihat bahwa citra hasil LBP memiliki ciri tekstur yang unik dari setiap orang.

Tahapan selanjutnya adalah membagi citra hasil LBP tersebut menjadi bagian-bagian kecil yang disebut dengan grid. Kemudian dibentuk histogram dari tiap grid dan digabungkan menjadi sebuah histogram baru.

Histogram baru tersebut merupakan fitur yang digunakan untuk pengenalan wajah.

Setelah fitur latih dan fitur uji diperoleh, selanjutnya dilakukan pengenalan wajah dengan menghitung jarak terdekat dari fitur uji dengan setiap fitur latih dengan menggunakan persamaan (2). Fitur uji yang memiliki jarak terdekat dengan fitur latih dipilih sebagai wajah yang ingin dikenali. Contoh hasil pengenalan wajah yang berhasil dikenali ditunjukkan pada Gambar 5 sedangkan pengenalan wajah yang tidak berhasil dikenali ditunjukkan pada Gambar 6.

Gambar 5. Citra Wajah Yang Berhasil Dikenali (10 dari 215 Citra Uji)

(6)

Gambar 6. Citra Wajah Yang Gagal Dikenali (8 dari 35 Citra Uji)

Berdasarkan Gambar 5, ciri-ciri wajah seseorang dikenali adalah terdapat kotak pembatas dan ada nama dari pemilik wajah tersebut. Dari hasil penelitian, banyaknya citra wajah yang berhasil dikenali adalah 215 citra uji.

Pada Gambar 6, ciri-ciri wajah tidak dikenali adalah tidak ada kotak pembatas atau terdapat kotak pembatas tapi ada tulisan tidak dikenal. Berdasarkan hasil penelitian banyaknya pengenalan wajah yang tidak berhasil diperoleh adalah 35 citra uji.

Terdapat beberapa penyebab citra uji tidak dikenali yaitu pencahayaan ruangan kurang baik dan adanya pergerakan anggota tubuh secara tiba-tiba ketika sedang melakukan pengambilan foto. Hasil pengujian lengkap dapat dilihat pada tabel 1.

Tabel 1. Hasil Pengujian Citra Wajah

Orang ke-1 Orang ke-2 Orang ke-3 Orang ke-4 Orang ke-5

Jumlah Berhasil 42 45 43 43 42

Jumlah Tidak Berhasil 8 5 7 7 8

Berdasarkan tabel 1, banyaknya citra wajah yang dikenali pada orang ke-1 adalah 42 citra sedangkan banyaknya yang tidak dikenali adalah 8 citra wajah. Untuk orang ke-2, banyaknya citra wajah yang dikenali adalah 45 citra dan banyaknya yang tidak dikenali adalah 5 citra wajah. Untuk orang ke-3, banyaknya citra wajah yang dikenali adalah 43 citra dan banyaknya yang tidak dikenali adalah 7 citra wajah. Untuk orang ke-4, banyaknya citra wajah yang dikenali adalah 43 citra dan banyaknya yang tidak dikenali adalah 7 citra wajah. Untuk orang ke- 5, banyaknya citra wajah yang dikenali adalah 42 citra dan banyaknya yang tidak dikenali adalah 8 citra wajah.

Jadi total citra wajah yang dikenali sebanyak 215 dan yang tidak dikenali sebanyak 35 citra.

Tahapan terakhir dari penelitian ini adalah melakukan evaluasi berdasarkan Tabel 1 dengan menghitung tingkat akurasi menggunakan persamaan (3).

Tingkat Akurasi = Jumlah Citra Yang dikenali

Jumlah Citra Uji × 100% (3)

Berdasarkan persamaan (3) diperoleh Tingkat Akurasi = ²¹⁵

250 × 100% = 86%.

4. KESIMPULAN

Pengenalan wajah merupakan salah satu cara yang digunakan untuk absensi karena wajah memiliki fitur unik yang membedakan antara orang ke-1 dengan orang lainnya. Oleh karena itu dibutuhkan suatu metode untuk melakukan pengenalan wajah secara otomatis. Pada penelitian ini digunakan metode Local Binary Patterns Histograms (LBPH) yang merupakan kombinasi dari metode Local Binary Patterns (LBP) dengan metode Histograms of Oriented Gradients (HOG). Metode tersebut digunakan untuk mencari fitur wajah berdasarkan histogram dari citra hasil operator LBP. Pada penelitian ini, data yang digunakan adalah citra wajah yang terdiri dari 750 citra dan dibagi menjadi dua bagian. Bagian yang pertama adalah 500 citra wajah sebagai citra data latih dan bagian yang kedua adalah 250 citra wajah sebagai citra data uji. Tahapan selanjutnya adalah mencari fitur latih dan fitur uji berdasarkan data latih dan data uji yang telah dikumpulkan dengan menggunakan metode LBPH. Fitur-fitur yang diperoleh merupakan vektor yang mewakili histogram dari citra hasil LBP. Setelah fitur-fitur tersebut diperoleh, selanjutnya dilakukan pengujian dengan cara menghitung jarak antara fitur uji dengan setiap fitur latih. Fitur latih

(7)

Rifki Kosasih, Copyright ©2021, MIB, Page 1264 dengan jarak terdekat merupakan citra wajah yang dicari. Berdasarkan hasil pengujian diperoleh tingkat akurasi sebesar 86%. Untuk penelitian selanjutnya jumlah orang pada dataset ditambah dan digunakan metode lain seperti metode deep learning sebagai pembanding dari metode LBPH.

REFERENCES

[1] R. Kosasih, “Penggunaan Metode Linear Discriminant Analysis Untuk Pengenalan Wajah Dengan Membandingkan Banyaknya Data Latih,” J. Ilm. Teknol. dan Rekayasa, vol. 26, no. 1, pp. 25–34, 2021.

[2] L. Wang and A. A. Siddique, “Facial recognition system using LBPH face recognizer for anti-theft and surveillance application based on drone technology,” Meas. Control, vol. 53, no. 7, pp. 1070–1077, 2020, doi:

10.1177/0020294020932344.

[3] R. Kosasih, “Pengenalan Wajah Menggunakan PCA dengan Memperhatikan Jumlah Data Latih dan Vektor Eigen,” J.

Inform. Univ. Pamulang, vol. 6, no. 1, pp. 1–6, 2021.

[4] I. N. T. A. Putra and A. Harjoko, “Pengenalan Wajah Berbasis Mobile Menggunakan Fisherface dan Distance Classifier,”

JST (Jurnal Sains dan Teknol., vol. 7, no. 1, pp. 135–145, 2018, doi: 10.23887/jst-undiksha.v7i1.13267.

[5] A. P. Singh, S. S. Manvi, P. Nimbal, and G. K. Shyam, “Face Recognition System Based on LBPH Algorithm,” Int. J.

Eng. Adv. Technol., vol. 8, no. 5, pp. 26–30, 2019.

[6] R. Kosasih and A. Fahrurozi, “Clustering of Face Images by Using Isomap method,” in Proceeding on International Workshop on Academic Collaboration 2017, 2017, no. May, pp. 52–56.

[7] R. Kosasih, “Kombinasi Metode Isomap dan KNN Pada Image Processing Untuk Pengenalan Wajah,” CESS (Journal Comput. Eng. Syst. Sci., vol. 5, no. 2, pp. 166–170, 2020.

[8] Salamun and F. Wazir, “Rancang Bangun Sistem Pengenalan Wajah Dengan Metode Principal Component Analysis,” J.

Teknol. dan Sist. Inf. UNIVRAB, vol. 1, no. 2, pp. 59–75, 2016, doi: 10.36341/rabit.v1i2.25.

[9] P. Rosyani, “Pengenalan Wajah Menggunakan Metode Principal Component Analysis (PCA) dan Canberra Distance,”

J. Inform. Univ. Pamulang, vol. 2, no. 2, p. 118, 2017, doi: 10.32493/informatika.v2i2.1515.

[10] A. Fahrurozi and R. Kosasih, “Face Recognition Using Local Binary Pattern Combined With PCA For Images Under Various Expression and Illumination,” in Proceeding on International Workshop on Academic Collaboration 2017, 2017, no. May, pp. 1–7.

[11] M. H. Sigari, N. Mozayani, and H. R. Pourreza, “Fuzzy Running Average and Fuzzy Background Subtraction: Concepts and Application,” IJCSNS Int. J. Comput. Sci. Netw. Secur., vol. 8, no. 2, pp. 138–143, 2008.

[12] R. Kosasih and M. Arfiansyah, “Pendeteksian Kendaraan dengan Menggunakan Metode Running Average Background Substraction dan Morfologi Citra,” J. Media Inform. Budidarma, vol. 4, no. 4, pp. 979–985, 2020.

[13] M. Ahsan, Y. Li, J. Zhang, and T. Ahad, “Face Recognition in an Unconstrained and Real-Time Environment Using Novel BMC-LBPH Methods Incorporates with DJI Vision Sensor,” J. Sens. Actuator Networks, vol. 9, no. 54, pp. 1–12, 2020, doi: 10.3390/jsan9040054.

[14] M. S. Sruthi, S. Sarath, R. Sathish, and S. Shanthosh, “A Fast and Accurate Face Recognition Security System,” in Journal of Physics: Conference Series, 2021, pp. 1–7, doi: 10.1088/1742-6596/1916/1/012185.

[15] A. Gunadarma and K. R. R. Wardani, “Penerapan Histogram of Oriented Gradients , Principal Component Analysis , dan AdaBoost untuk Sistem Pengenalan Wajah,” J. Telemat., vol. 13, no. 2, pp. 93–98, 2018.

[16] S. Bhagekar, S. Jamdhade, A. Gutti, R. Kamble, and P. A. Vidwat, “Face Recognition Using Local Binary Pattern Histogram ( LBPH ) Technique,” Int. J. Adv. Comput. Electron. Technol., vol. 5, no. 1, pp. 3–6, 2018.

[17] F. Setiawan and D. A. Rahayu, “Sistem Pengenalan Wajah Dengan Metode Local Binary Pattern Histogram Pada Firebase Berbasis Opencv,” in Seminar Nasional Teknologi Informasi dan Komunikasi STI&K, 2020, vol. 4, no. 1, pp.

19–25.

[18] F. Deeba, H. Memon, F. A. Dharezo, A. Ahmed, and A. Ghaffar, “LBPH-based Enhanced Real-Time Face Recognition,”

Int. J. Adv. Comput. Sci. Appl., vol. 10, no. 5, pp. 274–280, 2019.

[19] S. J. Shri, S. Jothilakshmi, and G. Jawaherlalnehru, “Real Time Face Recognition in Group Images using LBPH,” Int. J.

Recent Technol. Eng., vol. 8, no. 2, pp. 1362–1367, 2019, doi: 10.35940/ijrte.B2015.078219.