MAKALAH TUGAS AKHIR SOFTSKILL “SISTEM FACE RECOGNITION”

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