MAKALAH
TUGAS AKHIR SOFTSKILL
“SISTEM FACE RECOGNITION”
Disusun oleh :
·
Dayu Firliyansyah (11117472)
·
Wicaksono Danu Waspodo (16117179)
·
Haidir Nur Ramadhan (12117628)
·
Reyhan Adrian Fernanda (15117088)
·
Tighana Satya Hade (15117960)
DAFTAR ISI
HALAMAN
DAFTAR ISI ....................................................................................................... 1
BAB I PENDAHULUAN
.................................................................................... 2
1.1
LATAR BELAKANG ....................................................................... 2
1.2
TUJUAN
............................................................................................ 2
1.3
MANFAAT
........................................................................................ 2
1.4
RUMUSAN MASALAH
................................................................... 3
1.5
BATASAN MASALAH
.................................................................... 3
1.6
METODE PENELITIAN ................................................................... 4
1.7
SISTEMATIKA PERMASALAHAN ............................................... 4
BAB II LANDASAN TEORI
.............................................................................. 5
2.1
KONSEP DASAR CITRA DIGITAL ................................................ 5
2.2
KONSEP DASAR CITRA DIGITAL RGB ....................................... 5
2.3
PENGOLAHAN DATA CITRA ........................................................ 6
2.4
FUZZY K-NN ..................................................................................... 7
2.5
PCA ( PRINCIPAL COMPONENT ANALYSIS) ............................. 8
2.6
LDA ( LINEAR DISCRIMINANT ANALYSIS) ………………….. 8
BAB III PERANCANGAN SISTEM
................................................................... 9
BAB IV PEMBAHASAN
..................................................................................... 10
4.1
MEKANISME SISTEM IDENTIFIKASI BIOMETRIK WAJAH .... 10
4.2
FACIAL FEATURE DETECTION .................................................... 11
BAB VI PENUTUPAN ......................................................................................... 13
5.1
KESIMPULAN ................................................................................... 13
5.2
SARAN
............................................................................................... 13
BAB I
PENDAHULUAN
1.1
LATAR BELAKANG
Face
recognition adalah salah satu tehnik biometric yang memungkinkan komputer atau mesin authentic untuk
mengenal wajah manusia. Salah satu aplikasi
dari pengenalan wajah adalah pengenalan banyak wajah, yaitu pengenalan wajah dari suatu citra yang terdiri dari banyak wajah.
Untuk membedakan beberapa wajah
manusia dalam suatu citra sangat sulit bagi system pengenalan wajah. Selain itu juga terdapat beberapa masalah Pada
system pengenalan wajah otomatis,
yaitu ekspresi wajah, iluminasi atau pencahayaan dan jarak. Sistem pengenalan banyak wajah merupakan salah satu solusi
dari permasalahan ini. Multi face recognition mengambil karakteristik alami
yang ada pada tiap-tiap wajah untuk dikenali. Ada tiga tahap untuk melakukan
face recognition, yaitu deteksi
wajah, ekstraksi ciri dan klasifikasi. Deteksi wajah adalah suatu langkah dalam face recognition untuk menemukan
posisi wajah dari sebuah citra yang akan
di ekstraksi selanjutnya. Ekstraksi ciri adalah langkah untuk menentukan karakteristik alami dari suatu wajah
yang selanjutnya akan diklasifikasi atau
dikenali. Banyak metode yang bias digunakan untuk mengambil karakteristik
dari manusia, salah satunya adalah
CFLDA (complete fuzzy fisher linear discriminant). CFLDA adalah suatu pendekatan statistik yang memberlakukan
property statistic yang berbeda
untuk tiap objeknya, jadi setiap objek yang sama dimasukkan pada kelas yang sama dan untuk objek yang
berbeda dimasukkan dalam kelas yang berbeda.
Sehingga CFLDA merupakan sistem yang sangat handal untuk ekstraksi ciri dengan berbagai pose, dan
iluminasi yang berbeda.Selanjutnya ciri akan diekstraksi lagi dengan algoritma fuzzy. Dalam tugas akhir ini akan diteliti tentang pengenalan wajah,
yaitu pengenalan wajah dengan citra
banyak wajah, sehingga nantinya diharapkan dapat menjadi suatu sistem keamanan
yang handal. Diharapkan dengan Metode complete
fuzzy fisher linear discriminant, pengenalan banyak wajah ini dapat memperoleh tingkat akurasi yang
tinggi.
1.2 TUJUAN
Tujuan
tugas akhir ini dapat dirumuskan sebagai berikut :
1.
Merancang
sistem pengenalan wajah dari tiap sumber dalam banyak wajah.
2.
Mendapatkan ciri yang membedakan wajah manusia
menggunakan metode complete fuzzy fisher linear discriminant.
3.
Mengetahui
tingkat akurasi sistem pengenalan wajah tercampur menggunakan complete fuzzy fisher
linear discriminant.
1.3
MANFAAT
Manfaat
tugas akhir ini antara lain sebagai berikut :
1.
Dapat
digunakan sebagai langkah awal dalam penelitian yang lebih lanjut sistem
Pengenalan wajah manusia dalam wajah yang tercampur.
2.
Dapat
mengenali wajah tertentu yang akan digunakan sebagai kontrol atau perintah
dalam suatu system identifikasi yang menggunakan sistem pengenalan wajah
walaupun dalam kondisi dimana banyak wajah didalamnya.
3.
Dapat
digunakan sebagai langkah awal untuk menciptakan sistem pencarian orang pada
suatu kumpulan manusia berdasarkan wajahnya.
1.4 RUMUSAN MASALAH
Sesuai
dengan latar belakang diatas maka didapatkan rumus permasalahan
sebagai
berikut :
1.
Bagaimana
cara mendapatkan cirri dari wajah seseorang menggunakan Complete Fuzzy Linear
Discriminant Analysis (CFLDA).
2.
Bagaimana
perbandingan performansi system antara menggunakan CFLDA, LDA dan PCA.
3.
Bagaimana
merancang sistem pengenalan banyak wajah dengan metode ekstraksi ciri
menggunakan Complete Fuzzy Fisher Linear Discriminant dan K-nearest Neighbour
(KNN) sebagai metode dalam klasifikasi.
4.
Bagaimana
menganalisis tingkat akurasi dan waktu komputasi dari sistem pengenalan banyak
wajah secara non-real time.
1.5 BATASAN MASALAH
Dalam
penelitian ini, adapun beberapa batasan penelitian sebagai berikut :
1.
Citra
masukan yang digunakan merupakan Citra yang terdiri dari banyak wajah
2.
Data
image merupakan file digital dalam format *.jpg dengan ukuran 600 x 400 pixel.
3.
Citra
yang menjadi masukan adalah citra hasil pengambilan gambar dengan menggunakan
kamera digital dan pengambilannya dilakukan pada ruangan tertutup
4.
Citra
masukkan adalah citra yang terdiri dari satu wajah, dua wajah dan tiga wajah.
5.
Pengambilan
wajah dilakukan maksimal sebanyak tiga kali.
6.
Dalam
system pengenalan wajah tercampur ini dibuat menggunakan Matlab R2009a.
7.
Dalam
tugas akhir ini tidak membahas tentang Open CV pada Face detection.
8.
Metode
untuk ekstraksi ciri menggunakan Complete Fuzzy Fisher Linear Discriminant,
Linear Discriminant analysis dan Principle Component Analysis.
9.
Metode
Klasifikasi menggunakan K-Nearest Neighbour dengan jumlah k 1, 3, 5, 7, dan 9
dengan fungsi jarak Euclidean, cityblock, Cosine, Correlation.
10.
Jumlah
data latih sebanyak 255 data dengan 17 data untuk tiap wajah dan jumlah data
uji sebanyak 900 data dengan 60 data untuk tiap wajah.
1.6 METODE PENELITIAN
Penelitian
ini dilakukan dengan metode-metode sebagai berikut :
1.
Studi Literatur
·
Perumusan,
pembelajaran, dan pengkajian mengenai sistem pengenalan banyak wajah, konsep
ekstraksi ciri, dan algoritma pengklasifikasian menggunakan berbagai referensi
yang mendukung dalam menganalisis permasalahan yang ada.
2.
Pencarian dan Pengumpulan Data
·
Membuat
suatu database yang terdiri dari banyak image training atau citra yang akan
diujikan
3.
Perancangan Model Sistem
·
Melakukan
desain sistem yang dibutuhkan sesuai dengan kebutuhan sistem yang dibuat,
dimana hasilnya dituangkan dalam bentuk struktur diagram alir
4.
Implementasi Sistem
·
Pengimplementasian
hasil rancangan yang telah dilakukan sebelumnya menjadi sistem sebenarnya
dengan menggunakan software Matlab
5.
Pengujian dan analisis hasil
·
Pengujian
terhadap sistem yang telah dirancang dan dibentuk, kemudian dilakukan analisis
terhadap sistem berdasarkan keluaran yang dihasilkan dari sistem tersebut.
Keluaran dari sistem ini dianalisis tingkat akurasiannya.
6.
Penyusunan Laporan
·
Pembuatan
laporan hasil penelitian yang berisi hasil analisi dan kesimpulan tentang apa
yang telah dilakukan sesuai dengan tujuan dan perumusan masalah yang telah
dibuat pada awal penilitian.
1.7 SISTEMATIKA PENULISAN
Laporan
Tugas Akhir ini terbagi menjadi lima bab utama, dimana setiap bab saling
berhubungan
sesuai dengan permasalahan yang akan dibahas. Selain itu disertakan
lampiran
sebagai bahan pendukung
BAB
II
LANDASAN
TEORI
2.1 Konsep Dasar Citra Digital
Citra
digital (digital image) adalah citra kontinyu f(x,y) yang sudah didiskritkan
baik koordinat spasial maupun tingkat kecerahannya. Setiap titik biasanya
memiliki koordinat sesuai dengan posisinya dalam citra. Setiap titik juga
memiliki nilai berupa angka digital yang merepresentasikan informasi yang
diwakili titk tersebut. Format nilai piksel sama 3 dengan format citra
keseluruhan. Pada kebanyakan sistem pencitraan, nilai ini biasanya berupa
bilangan bulat positif. Komputer dapat mengolah isyarat-isyarat elektronik
digital yang merupakan kumpulan sinyal biner (bernilai dua: 0 dan 1). Untuk
itu, citra digital harus mempunyai format tertentu yang sesuai sehingga dapat
merepresentasikan obyek pencitraan dalam bentuk kombinasi data biner. Citra
yang tidak berwarna atau hitam putih dikenal sebagai citra dengan derajat
abuabu (citra graylevel/grayscale). Derajat abu-abu yang dimiliki ini bisa
beragam mulai dari 2 derajat abu-abu (yaitu 0 dan 1) yang dikenal juga sebagai
citra monochrome, 16 derajat keabuan dan 256 derajat keabuan. Dalam citra
berwarna, jumlah warna bisa beragam mulai dari 16, 256, atau 16 juta warna yang
masing-masing direpresentasikan oleh 4,8,16 atau 24 bit data untuk setiap
pikselnya. Digitalisasi dari koordinat spasial citra disebut dengan image
sampling, sedangkan digitalisasi dari graylevel citra disebut dengan gray-level
quantization. Citra digital dapat dibayangkan sebagai suatu matriks dimana
baris dan kolomnya menunjukkan gray level di titik tersebut. Elemen-elemen dari
citra digital tersebut biasanya disebut dengan pixel, yang merupakan singkatan
dari picture elements.
2.2 Konsep Dasar Citra RGB
Berdasarkan
jenis warnanya, citra digital dapat dibedakan menjadi tiga jenis yaitu citra
RGB, citra grayscale, dan citra biner. Citra RGB (Red, Green, Blue) merupakan citra yang nilai intensitas pikselnya
tersusun oleh tiga kanal warna yaitu merah, hijau, dan biru.
2.3 Pengolahan Data Citra
Pengolahan
citra adalah pemrosesan citra, khususnya dengan menggunakan komputer, menjadi
citra yang kualitasnya lebih baik.meskipun sebuah citra kaya informasi, namun
seringkali citra yang kita miliki mengalami penurunan mutu (degradasi ),
misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang
tajam, kabur (blurring), dan sebagainya. Tentu saja citra semacam ini menjadi
lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra
tersebut menjadi berkurang. Tujuan pengolahan citra digital adalah untuk
mendapatkan citra baru yang lebih sesuai untuk digunakan dalam aplikasi
tertentu. Salah satu jenis pengolahan citra adalah yang disebut dengan contrast
stretching.contrast stretching ini adalah teknik yang digunakan untuk
mendapatkan citra baru dengan kontras yang lebih baik daripada kontras dari
citra asalnya. Citra yang memiliki kontras rendah dapat terjadi karena
kurangnya pencahayaan, kurangnya bidang dinamika dari sensor citra, atau
kesalahan setting pembuka lensa pada saat pengambilan citra. Ide dari proses
contrast stretching adalah untuk meningkatkan bidang dinamika dari gray level
di dalam citra yang akan diproses.pengolahan citra (image processing) bertujuan
untuk memperbaiki kualitas citra dengan suatu tujuan tertentu. Beberapa alasan
mengapa perlu dilakukan pengolahan citra, antara lain :
1. Untuk mendapatkan citra asli dari suatu citra
yang sudah buruk karena pengaruh derau. Proses pengolahan bertujuan untuk
mendapatkan citra yang diperkirakan mendekati citra sesungguhnya.
2. Untuk memperoleh citra dengan karakteristik
tertentu dan cocok secara visual yang dibutuhkan untuk tahap lebih lanjut dalam
pemrosesan citra.
Terdapat lima proses dalam pengolahan citra digital, yaitu image
restoration, image enhancement, image data compaction, image analysis, dan
image segmention Disini akan dibahas semua yaitu
1)
Image enchancement
Image enhancement
bertujuan untuk memperbaiki kualitas citra dengan cara memanipulasi
parameter-parameter citra. Dengan operasi ini, ciri-ciri khusus yg terdapat
dalam citra lebih ditonjolkan.
2)
Image restoration
Bertujuan
menghilangkan/meminimumkan cacat pada citra. Tujuan hampir sama dgn operasi
perbaikan citra, bedanya, pada pemugaran citra penyebab degradasi gambar
diketahui. Contoh dari pemugaran citra adalah penghilangan kesamaran
(deblurring) dan penghilangan derau.
3)
Image compression
Tujuan dari pemampatan
image adalah agar citra dpt direpresentasikan lebih kompak shg memerlukan
memori yg lebih sedikit, namun citra harus tetap mempunyai kualitas gambar yg
bagus .
4)
Image segmentation
Untuk memecah suatu
citra ke dalam beberapa segmen dengan suatu kriteria tertentu. Jenis operasi
ini berkaitan erat dengan pengenalan pola.
5)
Image analysis
Bertujuan menghitung
besaran kuantitatif dari citra untuk menghasilkan deskripsinya. Mengekstraksi
ciri-ciri tertentu yang membantu dalam identifikasi objek. Proses segmentasi
kadang diperlukan untuk melokalisasi objek yg diinginkan dari sekelilingnya.
Contoh dari pengolahan image analysis adalah deteksi tepi, ekstrasi batas, dan
ekstrasi daerah.
2.4 Fuzzy K-NN
Fuzzy K-NN dalam Face Recognition digunakan untuk mengenali wajah
manusia pada saat pengetesan. Fuzzy K-NN merupakan
salah satu metode klasifikasi dengan menggabungkan teknik Fuzzy dan K-NN.
Metode ini tidak seperti metode lain yang mana pada metode ini akan secara
tegas memprediksi kelas yang diikuti oleh data uji berdasarkan perbandingan K
terdekat. Dasar dari algoritma FK-NN adalah untuk
menetapkan nilai keanggotaan sebagai fungsi jarak vektor dari KNN dan
keanggotaan tetangga mereka di kelas yang memungkinkan. Metode ini berperan
penting dalam menghilangkan ambiguitas dalam klasifikasi. Selain itu, sebuah
instance akan memiliki derajat nilai keanggotaan pada setiap kelas sehingga
akan lebih memberikan kekuatan atau kepercayaan suatu instance berada pada
suatu kelas.
2.5 PCA ( Principal
Component Analysis)
PCA adalah sebuah transformasi linier yang biasa
digunakan pada kompresi data. PCA juga merupakan teknik yang umum digunakan
untuk menarik fitur-fitur dari data pada sebuah skala berdimensi tinggi. PCA
memproyeksikan data ke dalam subspace. PCA adalah transformasi linear untuk
menentukan sistem koordinat yang baru dari data. Teknik PCA dapat mengurangi
dimensi dari data tanpa menghilangkan informasi penting dari data tersebut dan
PCA dapat mereduksi dimensi seminimal mungkin dengan tetap mempertahankan
informasi yang terkandung di dalamnya.
2.6 LDA ( Linear
Discriminant Analysis)
Yaitu sebuah metode yang digunakan dalam ilmu statistika, pengenalan pola dan pembelajaran mesin untuk mencari kombinasi linear fitur yang menjadi ciri atau yang memisahkan dua atau
beberapa objek atau peristiwa. Kombinasi yang diperoleh dapat dijadikan pengklasifikasi linear, atau biasanya digunakan untuk proses reduksi dimensionalitas sebelum pengklasifikasian. Dalam Face Recognition penggunaan LDA dengan
penggunaan webcam untuk menangkap gambar secara real-time. Metode ini mempunyai
komputasi yang sederhana dan cepat dibandingkan dengan penggunaan metode yang
memerlukan banyak pembelajaran seperti jaringan syaraf tiruan. Secara garis
besar proses dari aplikasi ini adalah kamera melakukan capture pada wajah. Metode LDA dipilih
karena untuk feature extraction dan pengenalan wajah menggabungkan distribusi
sampel dan mempertimbangkan informasi yang diskriminatif dari within-class
scatter matrix (Matrik SW) dan between-class scatter matrix (Matrik SB).
BAB III
PERANCANGAN SISTEM
Saat ini aspek keamanan menjadi salah satu
prioritas utama bagi setiap orang, termasuk dalam hal kepemilikan gadget. Dan
ketika password dirasa tidak cukup, biometric menjadi solusi untuk
diimplementasikan sebagai access control pada gadget, misalnya pada ponsel. Ponsel
Android yang sedang menjadi primadona membuat para penggunanya begitu
mengedepankan aspek keamanan dan eksklusifitas. Mereka tentu tidak ingin orang
lain mengakses ponsel Android mereka secara bebas dan tanpa izin. Oleh karena
itu, penulis ingin merancang dan mengimplementasikan sistem pengenalan wajah
sebagai fungsi unlock screen pada handset Android.
Pada tahap pre-processing, dilakukan operasi
cropping, resizing, pengubahan menjadi citra greyscale, dan histogram
equalization untuk normalisasi cahaya. Sistem pengenalan wajah (face
recognition system) dirancang menggunakan pendekatan eigenface. Pada tahap
klasifikasi, Euclidean distance digunakan untuk menentukan tingkat kemiripan
antara citra input baru dengan yang ada di dalam database.
Performansi sistem diukur berdasarkan aspek
akurasi dan waktu proses. Berdasarkan hasil pengujian dan analisis, pada
kondisi terang dan redup, Equal Error Rate (EER) 20% dicapai pada threshold 198
dan 213. Untuk jarak akuisisi 40 cm, nilai EER 20% dicapai pada threshold 198.
Sedangkan pada jarak akuisisi 80 cm, sistem mulai menunjukkan penurunan akurasi
ditunjukkan dengan nilai EER 20% dicapai pada threshold yang cukup tinggi yaitu
225. Citra hasil resizing berukuran 200×200 menghasilkan nilai EER sebesar 35%
dicapai pada threshold 258.
BAB
IV
PEMBAHASAN
Dalam perkembangan
teknologi global, identifikasi merupakan bagian penting dalam terjaminnya
kerahasiaan personal/data. Tahap kerahasiaan ini akan terjamin dengan
memanfaatkan identifikasi wajah dalam pengaksesan dan pelayanannya. Makalah ini
membahas proses identifikasi wajah.
4.1 MEKANISME
SISTEM IDENTIFIKASI BIOMETRIK WAJAH
Dalam tahap identifikasi biometrik
dapat mengidentifikasi individu-individu berdasarkan perbedaan lingkup karakteristik
behaviour/psikologi (biometric identifier). Hal ini dimungkinkan bahwa
karakteristik psikologi/behaviour setiap manusia berbeda-beda. Selain itu
identifier biometrik dianggap lebih reliable dibandingkan berdasarkan pemasukan
token dan pengenalan knowledge.
Mekanisme sistem biometrik dapat
digambarkan dengan beberapa fase :
·
Fase
Penggolongan (enrollment).
Pada fase ini masukan
akan di pindai (scan) oleh sensor biometrik, yang merupakan representasi karakteristik
digital.
·
Fase
Pencocokan.
Dalam fase ini inputan database
akan dicocokkan dengan identifikasi data. Dapat dimungkinkan adanya reduksi,
sehingga dihasilkan representasi digital. Hasil ini akan diproses dengan ekstraktor
ciri untuk menghasilkan suatu representasi yang ekspresif dalam bentuk
template. Bergantung aplikasinya template dapat disimpan dalam database di
sistem biometrik atau dapat direkam pada kartu magnetik (atau smartcard).
·
Fase
Pengenalan.
Karakteristik individu dibaca oleh
pembaca biometrik (reader). Selanjutnya dikonversi dengan format digital, untuk
diproses sebagai ekstraktor ciri (template). Hasil template ini selanjutnya dicocokkan
dengan identifikasi individu.
Sistem biometrik belumlah sempurna,
karena suatu saat masih dapat melakukan kesalahan dengan menerima impostor
sebagai invidu yang juga valid (terjadi kesalahan pencocokan), sebaliknya
terjadi penolakan terhadap individu yang valid (terjadi kesalahan ketidakcocokan).
Untuk menjamin terhindarnya kesalahan seperti itu, sesuai referensi memadukan
ciri biometrik wajah dengan ucapan, serta dari referensi memadukan biometrik
wajah dengan ciri tanda-tangan. Selain itu dalam penerapannya ukuran database
template sangatlah besar, bahkan dalam database perbankan pusat pernah terjadi
bottleneck saat proses identifikasi.
Sistem biometrik yang ideal,
diharapkan mempunyai karakteristik sebagai berikut:
·
Aspek
universal, artinya ciri ini dapat berlaku secara umum (bahwa setiap manusia
mempunyai karakteristik).
·
Aspek
unik (tidak ada dua manusia yang mempunyai karakteristik yang sama),
·
Ketiga
haruslah bersifat permanen (karaktristik personal yang tidak berubah-ubah) dan
terakhir dapat dihimpun (collectable), karakteristik ini mudah disajikan oleh
sensor dan mudah dikuantisasikan dan dikuantifikasikan.
Selain beberapa hal yang harus diperhatikan dari
mekanisme ini adalah masalah kinerja (dalam mekanisme ini akurasi sistem,
kecepatan, kehandalan) perlu mempertimbangkan adanya resource, faktor-faktor
operasional dan pengembangan, dsb. Hal ini akan berpotensi sebagai kendala
teknis. Selain itu adalah akseptabilitas (daya terima pengguna) akan mendorong
keyakinan user terhadap akurasi dan kecepatan. Serta aspek circumvention yaitu
aspek kemudahan sistem yang tidak bergantung alat, mekanisme operasional, dsb.
·
Face Recognition
Sistem Face Recognition adalah
sebuah solusi identifikasi wajah dan pengenalan wajah. Sistem ini dapat
diterapkan baik dalam lingkungan web maupun dalam aplikasi desktop yang
menggunakan wajah sebagai autentikasinya atau pengenalan dan identifikasi wajah
otomatis. Dapat berjalan dalam lingkungan 32 bit maupun 64 bit, dapat dengan
mudah diintegrasikan atau dirubah sesuai dengan kebutuhan, yang dapat
memberikan keleluasaan dalam implementasi dan integrasi dengan software yang
telah ada sebelumnya. System ini dapat bekerja dengan wajah secara keseluruhan
maupun dengan fitur wajah, mampu mengenali wajah dalam gambar atau photo dan
real-time video stream, juga dapat digunakan untuk pembuatan aplikasi yang
lebih luas, dari yang paling sederhana, penghilangan efek red-eye sampai dengan
solusi login biometrik. Penerapannya
bisa berupa :
-
Real-time
biometric authentication system (sistem autentikasi biometrik secara realtime),
yang dapat digunakan untuk login oleh user hanya dengan melihat ke arah webcam.
Sistem ini menghilangkan autentikasi sentuhan dan non-intrusive biometric.
-
Tool
penghilang red-eye otomatis yang dioptimasi dengan pengenalan fitur wajah.
-
Efek animasi
wajah untuk industri entertainment.
-
Aplikasi
image enahancement dan editor grafis.
-
Sistem
otomatisasi grafis.
-
Penampil
gambar, enhacers, dan pengorganisasian dengan pencarian berdasarkan wajah.
-
Aplikasi
untuk kamera digital, scanner, dan webcam.
-
Tool dan
plugin untuk gambar dan video effect.
4.2 FACIAL
FEATURE DETECTION
Sistem
ini menggunakan dan menerapkan algoritma yang mutakhir untuk melakukan
pendeteksian fitur wajah secara reliabel. Memproses gambar, mendeteksi wajah
manusia yang ada di dalam gambar, dan kemudian memberikan koordinat dari 66
titik fitur wajah, termasuk mata, bentuk mata, alis, bentuk mulut, ujung hidung
dan lain sebagainya.
Authentification
-
Foto
wajah disimpan dalam database komputer.
-
Komputer
mengiris-iris foto itu menjadi kotak-kotak kecil.
-
Detail
titik-titik di dalam setiap irisan diolah dengan metode algoritma menjadi data
matematis.
-
Sistem
analisis membedakan garis, pori-pori, dan tekstur wajah yang aktual, hingga
dapat membedakan kembar identik sekalipun.
-
Data
disimpan untuk dikonfirmasi dengan input data yang ingin dicocokkan.
BAB
5 PENUTUP
5.1 KESIMPULAN
Face Recognition adalah sebuah
solusi identifikasi wajah dan pengenalan wajah. Sistem ini dapat diterapkan
baik dalam lingkungan web maupun dalam aplikasi desktop yang menggunakan wajah
sebagai autentikasinya atau pengenalan dan identifikasi wajah otomatis. Ini
bisa diartikan bahwa face recognition memudahkan kinerja dari suatu alat yang
mengutamakan wajah dalam objeknya seperti kamera. Dan juga jika orang ingin
kemanan yang maksimal dapat menggunakan face recognition ini karena hanya wajah
dari pengguna tersebut yang mampu membukanya memakai wajahnya
5.2 SARAN
Dan dalam sisi keamanan dengan
adanya face recognition diharapkan sistem keamanan dalam sistem atau perangkat
tertentu lebih aman karena hanya bisa dibuka oleh wajah yang bersangkutan.
Dalam sisi elektronik atau kamera, diharapkan kedepannya mampu mempertajam atau
memperfokus objek wajah yang ingin dijadikan objek agar hasil terlihat lebih
nyata dan bersih
