REVIEW JURNAL – ABOUT FACE RECOGNITION

Prototype of Student Attendance Application Based on Face Recognition Using Eigenface Algorithm [1]
Author : Tio Eko Prabowo, Rudy Hartanto, Sunu Wibirama
Keywords— Eigenface, Haar-Based Cascade Classifier, Image Pre-Processing, Attendance Application, Face Recognition
1. Topik
Face Recognition yang diimplemntasikan untuk absensi mahasiswa.
2. Konsep
Penelitian ini dikembangkan untuk mengatasi kelemahan sistem sebelumnya, yaitu mengtasi variari itensitas cahaya dan kondisi wajah yang
berputar (rotasi z). Kemudian pada penelitian ini juga dikembangkan sistem yang dapat menyimpan hasil absensi.
3. Metode
Face Recognition, Algoritma Eigenface face (untuk mendeteksi dan pengenalan), Haarbased Cascade Classifie (untuk proses deteksi
wajah). Pada jurnal ini dijelaskan alasan penulis memilih kedua metode ini dan perbandingan dengan metode lain dibeberapa referensi.
4. Konteks/Setting/Sample
Untuk meningkatkan akurasi pengenalan wajah ditambahkan metode pre-processing facial image yang dibagi menjadi 4 tahap yaitu
geometry transformation, separate histogram levelling, smoothing, and elliptical masking. Ini juga merupakan perbedaan dengan penelitian
sebelumnya dimana pre-processing hanya menggunakan teknik resizing. Dilakukan beberapa kali pengujian dengan beberapa kasus
intensitas cahaya yang didapat oleh kamera , pengujian jika ada perubahan kemiringan wajah terhadap sumbu z.
Pada penelitian ini dijelaskan tahapan dari image diambil, tahapan pre-processing, perhitungan akurasi. Akan tetapi tidak dijelaskan
secara jelas penggunaan kedua metode yang disebutkan oleh penulis.
5. Penemuan/Hasil
Dari percobaan yang dilakukan didapatkan hasil peningkatan kinerja rata-rata 16,71% dalam berbagai intensitas cahaya, ada peningkatan
waktu untuk pengenalan wajah dengan peningkatan rata-rata dalam waktu 6,22 detik, peningkatan kinerja akurasi pengenalan wajah
terhadap kondisi perubahan wajah (kemiringan yang disebabkan oleh rotasi kepala terhadap sumbu z) dengan peningkatan rata-rata 38.47%.
 Kemudian prototype sistem yang dihasilkan sudah dilengkapi dengan database yang menyimpan hasil absensi mahasiswa.
6. Batasan/Gap (future research)
Pada penelitian ini tidak disebutkan batasan maupun ide untuk penelitian selanjutnya. Akan tetapi pada penelitian ini hanya dibuat
prototype sistem, ada baiknya dikembangkan kembali lebih lanjut.
Aplikasi Verifikasi Wajah Untuk Absensi Pada Platform Android Dengan Menggunakan Algoritma Fisherface [2]
Author : I Putu Putra Yana Wardana, I A Dwi Giriantari, Made Sudarma
Keywords— Attendance, face recognition, mobile, android, fisherface
1. Topik
Verifikasi wajah untuk absensi
2. Konsep
Penelitian ini dikembangkan untuk proses absensi dengan menggunakan teknologi face recognition dengan menggunakan algoritma
fisherface. Selain bertujuan untuk menciptakan aplikasi verifikasi wajah untuk absensi, pada penelitian ini juga akan diuji pengaruh
perubahan ekspresi wajah, jarak, penggunaan atribut tambahan, dan pencahayaan pada saat pengujian sistem.
3. Metode
Face Recognition, Algoritma Fisherface
4. Konteks/Setting/Sample
Terdapat dua tahapan yang dilakukan yaitu tahap pelatihan (untuk sampling data) dan tahap pencocokan (proses identifikasi). Tahap
pelatihan (open camera - capture image - deteksi wajah - penyelarasan wajah - simpan ke database - ekstraksi fisherfase),
Tahap pencocokan (open camera - campture image - deteksi wajah - penyelarasan wajah - pencocokan - hasil pencocolan - simpan data ke
database).
Proses penyelaran wajah (grayscaling - pemotongan citra, resizing, equalizing).
Dilakukan 5 rancangan percobaan untuk menguji pengaruh yang telah disebutkan pada konsep.
5. Penemuan/Hasil
Dilakukan uji coba sebanyak 200 kali, hasil yang didapatkan yaiu sistem face recognition yang telah dikembangkan tidak berpengaruh
terhadap ekspresi wajah yang normal, pencahayaan yang normal dan penggunaan kaca mata. Sistem tidak dapat mengenali dan
 mencocokkan hasil tangkap kamera yang berupa citra wajah dari sebuah foto dengan database citra wajah yang tersimpan di database wajah
yang telah di training. Sistem ini hanya bisa menangkap citra wajah dengan kemirigan wajah kurang lebih lima belas derajat kemiringan
dari tegak lurus camera dengan wajah.
6. Batasan/Gap (future research)
Kekurangannya telah disebutka pada hasil yaitu sistem yang dihasilkan hanya bisa menangkap citra wajah dengan kemirigan wajah kurang
lebih lima belas derajat kemiringan dari tegak lurus camera dengan wajah.

An android based course attendance system using face recognition [3]

Author : Dwi Sunaryono, Joko Siswantoro, Radityo Anggoro
Keywords— Course attendance system, Face recognition, Android based, Smartphone
1. Topik
Absensi pada kursus dengan menggunakan face recognition
2. Konsep
Penelitian ini mempunyai tujuan untuk meningkatkan efiensi waktu dalam proses pengenalan wajah pada sistem absensi. Penelitian ini
dikembangkan sebagai solusi untuk mengatasi permasalahan sistem absensi otomatis yang telah dikembangkan sebelumnya menggunakan
biometric recognition, barcode, QR code, dan komunikasi perangkat mobile jarak dekat.
3. Metode
Face Recognition. Untuk mengukur akurasi digunakan linear discriminant analysis.
4. Konteks/Setting/Sample
- Material : Android smartphone, Raspberry Pi, monitor, and computer server.
- Register : setiap siswa harus meregistrasikan wajahnya terlebih dahulu.
- Proses absensi : terdiri dari system opening, QR code generation, face capturing, face recognition (logistic regression, linier
discriminant analysis, k-nearest neighbor), attendance processing.
- Experimental : dilakukan pengklasifikasian dalam dua skenario pelatiah yaitu yang pertama digunakan dalam sistem absensi untuk
 semua kursus (mendaftarkan semua wajah ke semua kursus), sedangkan skenario kedua yaitu klasifikasi hanya digunakan pada kursus
tertentu. Hasil dari langkah ini adalah adanya relasi antara nomor registrasi siswa dengan proses pengenalan wajah.
5. Penemuan/Hasil
Pada eksperimen pertama dapat disimpulkan bahwa peningkatan jumlah data pelatihan secara signifikan meningkatkan akurasi klasifikasi
untuk k-NN dan LR. Meskipun LR mencapai akurasi klasifikasi terbaik, akan tetapi tidak efisien dalam waktu komputasi jika dibandingkan
dengan LDA dan k-NN.
Hasil dari eksperimen kedua didapatkan akurasi klasifikasi LR lebih tinggi dari LDA dan k-NN. Hasil ini juga mengungguli akurasi pada
penelitian yang pernah dilakukan sebelumnya. Secara umum hasil percobaan menunjukkan bahwa sistem absensi yang diusulkan mencapai
kinerja pengenalan wajah sebesar 97,29% dengan menggunakan LDA dan hanya membutuhkan 0,000096 detik untuk proses pengenalan
wajah di server.
6. Batasan/Gap (future research)
Penulis mengusulkan untuk future work dimana proses investigasi meggunakan bluetooth yang dirancang untuk mengukur jarak antara
smart device siswa dan raspberry pi yang diletakkan di kelas untuk memastikan siswa engikuti kursus sehingga dapat menimalkan
kecurangan yang dilakukan oleh siswa pada proses absensi.
Smart Application For Ams Using Face Recognition [4]
Author : MuthuKalyani.K, VeeraMuthu.A
Keywords— CCTV camera, Face recognition, 3D Model, Face database
1. Topik
Smart absensi Attendance Management System (AMS) menggunakan face recognition
2. Konsep
Penulis menggunakan camera CCTV untuk mengambil gambar siswa dan membandingkannya dengan data yang telah disimpan didatabase
yang melalui aplikasi android. Tujuannya yaitu untuk menandai kehadiran siswa dan untuk meverifikasi orang-orang yang tidak berwenang.
Dan juga akan diimplemntasikan pada gambar yang sedang tren yaitu 3D untuk meningkatkan akurasi dalam pencocokan database gambar
dan memiliki kemampuan untuk menganali subjek dari sudut pandang yang berbeda.
3. Metode
Face Recognition, 3D Image
4. Konteks/Setting/Sample
Aplikasi android sebagai face recognisi dapat memungkinkan untuk mendapatkan berbagai variasi ekspresi wajah. Penggunaan teknologi
wajah 3D memungkinkan pekerjaan mengidentifikasi, memverifikasi, dan mendeteksi gambar yang cocok dalam basis data wajah.
Verikut adalah langkah-langkahnya : register data mahasiswa (nama, nomor registrasi, dan foto siswa yang diambil dari camera), CCTV
menangkap gambar wajah siswa - mengirimkan ke aplikasi andorid - crop image - mengimplementasikan algoritma 3D face - mencocokan
ke database (cek kecocokan gambar - analisa cocok/tidak cocok - jika tidak cocok maka data disimpan sebagai orang yang tidak
berwewenang, jika cocok maka akan melakukan absensi).
5. Penemuan/Hasil
Sistem yang dikembangkan dapat menjadi smart absensi untuk menggantikan proses absensi manual.
6. Batasan/Gap (future research)
Penulis menyebutkan mahalnya jika harus menyediakan CCTV di masing-masing kelas di universitas dan biaya koneksi internet untuk
mengirimkan gambar ke android.
Penulis juga menyampaikan kedepannya akan dikembangkan dengan dilengkapi dengan client-server yang memungkinkan untuk
menampung lebih banyak gambar dan jika ada kerusakan server data dapat direcover dari client, kemudian penulis menyebutkan algoritma
alternative dapat digunakan untuk face recognition untuk mengidentifikasi berbagai wajah menjadi lebih jelas, selain itu dapat diterapkan
analisa yang lebih efektif untuk mengidentifikasi orang yang memakai topeng, terakhir penulis menyebutkan sistem ini dapat digunakan di
berbagai kantor pemerintah dan swasta untuk proses identifikasi, verikasi, dan absensi.
Face Detection and Face Recognition in Android Mobile Applications [5]
Author : Octavian DOSPINESCU, Iulian POPA
Keywords— Face Recognition, Face Detection, Mobile Applications And Face Detection, Mobile Applications And Face Detection
1. Topik
Aplikasi mobile Face dectection dan face recognition
Note : dalam jurnal ini penulis menjelaskan rumus matematika dan algoritma, serta library yang dapat digunakan pada android.
2. Konsep
Penulis mengambangkan face recognition pada android untuk memberikan hak akses ke suatu ruangan, misalnya saja ruangan rumah sakit
atau lembaga yang memiliki beberapa ruangan yang hanya dapat dimasuki oleh staffnya. Aplikasi ini juga dapat mencangkup banyak hal
termasuk untuk orang yang menderita Alzheimer yang dapat membantu pasien menganali orang-orang yang disayangi.
3. Metode
Face Recognition, OpenCV
4. Konteks/Setting/Sample
Setelah mengetahui kelebihan dan kekurangan library yang tersedia dalam android maka penulis memutuskan untuk menggunakan
OpenCV. OpenCV merupakan library gratis dan menawarkan berbagai algoritma pengenalan wajah.
5. Penemuan/Hasil
Penulis melakukan testing aplikasi pada berbagai jenis image dari 1 sampai 100 wajah untuk menguji deteksi dan pengenalan wajah. Hasil
dari pengenalan wajah tergantung pada kondisi cahaya dan juga posisi wajah pada kamera. Dan hasil deteksi dapat didapatkan dengan
cepat.
6. Batasan/Gap (future research)
Penulis menyebutkan bahwa sistem pengenalan wajah saat ini sudah berjalan dengan baik dengan keadaan terbatas yaitu gambar frontal dan
pencahayaan baik. Dan ini dapat dijadikan pengembangan selanjutnya agar dapat mengenali orang secara real time.
Facial Recognition System for Secured Mobile Banking [6]
Author : Fatema A. Albalooshi, Max Smith-Creasey, Yousif Albastaki and Muttukrishnan Rajarajan
Keywords— Face Recognition, Secured Mobile Banking, Neural Network, Deep Believe Networks, Restricted Boltzmann Machine, Machine
Learning
1. Topik
Face recognition untuk keamanan akses lingkungan perbankan mobile banking
2. Konsep
Penulis bertujuan untuk mengimplementasikan autentikasi wajah dengan menggunakan Deep Belief Network (DBN) untuk mengurangi
 penipuan pada mobile banking. Dengan demikian ketika seseorang pelanggan melakukan transaksi mobile banking, sistem akan meminta
pengguna mengambil gambar dari kamera depan yang menghadap ke perangkat seluler dan akan membandingkan gambar yang diambil
dengan data yang database. Perbandingan dilakukan berdasarkan deep believe neural networks yang memberikan akurasi lebih tinggi
dibandingkan dengan metode canggih lainnya. Hasil akhir yang diharapkan dapat mengkonfirmasi apakah user diberikan akses/tidak.
Tujuannya yaitu untuk menghasilkan sistem authentikasi sehingga user akan lebih percaya terhadap keamanan aplikasi serta dapat
menunjukan bahwa autentikasi ini mempunyai kegunaan yang lebih besar lagi untuk keamanan perangkat.
3. Metode
Face Recognition, Deep Belief Network (DBN)
4. Konteks/Setting/Sample
Secara garis besar tahapan dibagadi menjadi dua yaitu training mode dan identification mode. Pada saat training mode terdiri dari : image
acquisition - image padding and face detection - feature extraction - save data to database.
Sedangkan pada proses identification mode terdiri dari : image acquisition - image padding and face detection - feature extraction -
matching data from database and feature extraction result - show recognition result.
5. Penemuan/Hasil
Sistem yang menerapkan DBN pada face recognition untuk keamanan akses mobile banking, diharapkan dapat meningkatkan kepercayaan
pengguna terhadap keamanan transaksi.
6. Batasan/Gap (future research)
Penulis menyebutkan mengembangkan kedepannya dari penelitian ini yaitu akan mempertimbangkan noise dari lingkungan, lalu
menerapkan face-authentication-based locking untuk menutup akses jika ada orang lain yang tidak memiliki hak akses mencoba melakukan
transaksi, dan melakukan pengabungan schema pengenalan wajah untuk kerangka kerja authentikasi yang lebih besar untuk menghasilkan
akurasi yang lebih tinggi.
A Facial Recognition Mobile App for Patient Safety and Biometric Identification: Design, Development, and Validation [7]
Author : Byoungjun Jeon, BS; Boseong Jeong, BS; Seunghoon Jee, BS; Yan Huang, BS; Youngmin Kim, MS; Gee Ho Park, BS; Jungah Kim,
MS; Maierdanjiang Wufuer, MD, MS; Xian Jin5, MD; Sang Wha Kim, MD; Tae Hyun Choi, MD, PhD
Keywords— facial recognition; patient identification systems; biometric identification; patient safety; smartphone; mobile applications
1. Topik
Face Recognition pada pasien untuk proses identifikasi
2. Konsep
Peneliti mengusulkan face recognition untuk mengidentifikasi pasien untuk mengidentifikasi pasien khusunya jika jika terjadi kasus pasien
dalam keadaan tidak sadarkan diri dan tidak membawa identitas, iris recognition misalnya dirasa kurang tepat untuk dilakukan saat kondisi
tersebut terjadi, akan tetapi face recognition dapat menjadi solusinya. Selain untuk mengenali pasien juga untuk menampilkan medical
record sebelumnya sehingga dapat pasien mendapatkan penanganan yang cepat dan menurunkan resiko penularan infeksi misalnya.
3. Metode
Face Recognition
4. Konteks/Setting/Sample
Aplikasi yang dikembangkan terdiri dari 5 bagian yaitu pendaftaran, medical record, pemeriksaan, resep, dan janji temu. Penulis melakukan
testing kepada 62 pasien, 30 diantaranya merupakan pasien rawat jalan yang mengunjungi departemen operasi plastik, dan 32 pasien
lainnya pasien rawat inap yang akan dioperasi.
5. Penemuan/Hasil
Pasien yang berada dibawah obat bius atau tidak sadar, face recognition dapat memverifikasi semua pasien dengan akurasi 99% bahkan
setelah operasi. Dimungkinkan untuk memverifikasi yang mana pasien rawat jalan dan rawat inap dan juga mengurangi biaya verifikasi
pasien yang tidak perlu. Aplikasi ini juga dapat membantu verifikasi pasien termasuk dalam keadaan pasien tidak sadar sebagai metode
identifikasi alternatif.
6. Batasan/Gap (future research)
Peneliti menyebutkan jarak sebagai limitations penelitian, dikarenakan jarak mempengaruhi pengambilan gambar wajah. Jarak dapat
mempengaruhi sensiitifitas cahaya, jika pada saat resgitrasi gambar diambil dalam kondiri cerah dan pada saat verifikasi diambil gelap
maka dibutuhkan waktu yang lebih lama untuk mencocokan gambar ke database. Selain itu aplikasi ini masih dalam tahap pengujian dan
belum dikembangkan untuk integrasi dengan SDM.
 Peneliti menyebutkan untuk penelitian lebih lanjut perlu mempertimbangkan sensitifitas cahaya pada aplikasi, evaluasi kinerja verifikasi
pesien di rumah sakit, serta menghubungkan SDM RS untuk meningkatkan akses staff di rumah sakit. Selain itu juga dapat dikembangkan
sebagai kamera pengintai untuk memantau dan memverifikasi pasien memasuki berbagai fasilitas rumah sakit.
An improved face recognition algorithm and its application in attendance management system [8]
Author : Serign Modou Bah, Fang Ming
Keywords— Face recognition, LBP, Attendance management system, Image blending
1. Topik
Improve algoritma face recognition pada sistem manajemen kehadiran
2. Konsep
Peneliti akan menggunakan algoritma Local Binary Pattern (LBP) yang dikombinasikan dengan teknik pemrosesan gambar yaitu Contrast
Adjustment, Bilateral Filter, Histogram Equalization and Image Blending pada beberapa masalah yang menghambat akurasi face
recognition untuk meningkatkan LBP code sehingga dapat meningkatkan akurasi sistem pengenalan wajah secara keseluruhan.
3. Metode
Face recognition, LBP, Image blending
4. Konteks/Setting/Sample
Karena LBP sangat tergantung pada kinerja feature extraction dan tahap perbandingan, juga sangat tergantung pada kualitas gambar wajah
yang diinput dan training/refrence image. Untuk meningkatkan akurasi LBP, peneliti memperhatikan image quality properties gambar yang
diinputkan maupun reference face image yaitu illumination, sharp, noise, resolution, scale dan pose.
Tahapan yang dilakukan yaitu : input face images - processed face images - face detection algorithm - improve face recognition algorithm -
feature comparison and matching to training images - id matched set to attendance system.
5. Penemuan/Hasil
Hasil uji coba yang dilakukan menunjukan bahwa implementasi ini berhasil mendapatkan hasil yang akurat, handal, dan kuat untuk face
recognition yang dapat diterapkan dikehidupan nyata sebagai sistem manajemen kehadiran otomatis.
6. Batasan/Gap (future research)
 Peneliti menyebutkan bahwa penelitian ini belum sampai mempertimbangkan jika ada orang yang menggunakan masker/topek dan hal ini
dapat menjadi penelitian selanjutnya.
Identity authentication on mobile devices using face verification and ID image recognition [9]
Author : Xing Wua, Jianxing Xua, Jianjia Wanga, Yufeng Lia, Weimin Lia, Yike Guo
Keywords— ID Card, Object Detection, Face Verification, Text Extration, Biometrics
1. Topik
Autentikasi identitas menggunakan face verification dan image recognition
2. Konsep
Penelitian ini mengguanakan face verification untuk membandingkan data wajah dan dengan foto pada kartu identitas. Kemudian
menggunakan text recognition untuk mendapatkan informasi dari gambar kartu identitas. Kerangka penelitian ini diajukan untuk
mengurangi proses interaksi yang dilakukan.
3. Metode
Face Recognition, Image/Text Recognition, IRFE, MTFM
4. Konteks/Setting/Sample
Sistem mobile dikembangkan untuk mengidentifikasi kebenaran seseorang dengan membandingkan foto wajah dan foto yang ada di kartu
identitas. Percobaan yang dilakukan dengan pengguna mengambil foto selfie dengan membawa karti identitas. Sistem akan
mengidentifikasi data diri dari kedua image (foto selfie dan foto kartu identitas). Jika hasil pencocokan sesuai maka data yang ada pada
kartu identitas akan di dikenali dengan image/text recognition dan diterjemahkan menjadi informasi.
IRFE digunakan untuk feature extraction dan face verification pada proses pengenalan wajah.
MTFM digunakan untuk ekstraksi informasi dari kartu identitas.
5. Penemuan/Hasil
Hasil yang didapatkan dengan menggunakan IRFE dan MTFM dapat meningatkan akurasi dan hasilnya mengungguli metode lain dalam
verifikasi wajah dan ekstraksi kartu identitas.
6. Batasan/Gap (future research)
 -
Pengembangan Sistem Identifikasi Multimodal Dengan Mengunakan Wajah Dan Telinga [10]
Author : Dedy Suryadi, Risanuri Hidayat, Hanung Adi Nugroho
Keywords— Biometrika, Identifikasi, Multimodal, PCA, LDA, Fractal Dimension
1. Topik
Identifikasi dengan pengenalan wajah dan pengenalan telingga (unimodal)
2. Konsep
Penelitian ini untuk mengembangkan sistem identifikasi identitas seseorang dengan menggunakan dua jenis biometric yaitu wajah dan
telingga. Dan yang menjadi fokus untuk meningkatkan hasil yang diharapkan penulis fokud pada tahap feature ectraction dan juga teknik
penggabungannya.
3. Metode
Face Recognition, Ear Recognition, Feature Extraction (PCA, LDA, Fractal Dimension), teknik penggabungannya (fusion) pada tingkat
kepeutusan (dicasion)
4. Konteks/Setting/Sample
Tahapan yang dilakukan yaitu input image wajah/telinga - preprocessing (konversi RGB to gray, resize citra 92x 12) - ekstraksi citra
(PCA/LDA, dimensi fractal), pencocokan ke data sample database - penggabungan – keputusan.
Pengujian algoritma yang dilakukan menggunakan dua database citra yakni database telinga pada universitas Sains dan Teknologi Beijing
( USTB ) dan database wajah dari The ORL Database of Faces. Database citra telinga USTB-1 terdiri dari 175 citra telinga , tujuh citra per
orang (25 orang). Citra ini adalah 8 bit dengan di bawah kondisi pencahayaan yang berbeda.
ORL Database merupakan database wajah yang terdiri dari 10 citra wajah dengan variasi yang berbeda dari 40 orang yang berbeda.
5. Penemuan/Hasil
Tingkat keberhasilan pengenalan wajah dengan jumlah citra 400, citra yang teridentifikasi 385 dengan tingkat ekeberhasilan 87.50%.
Tingkat keberhasilan pengenalan telinga dengan jumlah citra 175 citra yang teridentifikasi 170 dengan tingkat ekeberhasilan 97.14%.
Tingkat keberhasilan pengenalan wajah/telinga dengan jumlah citra 197 citra yang teridentifikasi 197 dengan tingkat ekeberhasilan 98.5%.
 6. Batasan/Gap (future research)
Penulis menyebutkan penelitian ini di masa depan akan dilakukan pengujian pada database wajah dan telinga dengan objek yang lebih
banyak lagi.

[1] T. E. Prabowo, R. Hartanto, and S. Wibirama, “Prototype of Student Attendance Application Based on Face Recognition Using Eigenface
Algorithm,” vol. 3, no. 1, p. 6, 2019.
[2] Electrical Engineering Universitas Udayana, I. P. Putrayana Wardana, I. A. Dwi Giriantari, and M. Sudarma, “APLIKASI VERIFIKASI WAJAH
UNTUK ABSENSI PADA PLATFORM ANDROID DENGAN MENGGUNAKAN ALGORITMA FISHERFACE,” MITE, vol. 15, no. 2, pp. 45–52, Dec.
2016, doi: 10.24843/MITE.1502.08.
[3] D. Sunaryono, J. Siswantoro, and R. Anggoro, “An android based course attendance system using face recognition,” Journal of King Saud
University - Computer and Information Sciences, p. S1319157818309406, Jan. 2019, doi: 10.1016/j.jksuci.2019.01.006.
[4] M. K and V. A, “Smart Application for Ams Using Face Recognition,” CSEIJ, vol. 3, no. 5, pp. 13–20, Oct. 2013, doi: 10.5121/cseij.2013.3502.
[5] O. Dospinescu and I. Popa, “Face Detection and Face Recognition in Android Mobile Applications,” IE, vol. 20, no. 1/2016, pp. 20–28, Mar.
2016, doi: 10.12948/issn14531305/20.1.2016.02.
[6] F. A. Albalooshi, M. Smith-Creasey, Y. Albastaki, and M. Rajarajan, “Facial Recognition System for Secured Mobile Banking,” KEG, vol. 3, no.
7, p. 92, Oct. 2018, doi: 10.18502/keg.v3i7.3074.
[7] B. Jeon et al., “A Facial Recognition Mobile App for Patient Safety and Biometric Identification: Design, Development, and Validation,” JMIR
Mhealth Uhealth, vol. 7, no. 4, p. e11472, Apr. 2019, doi: 10.2196/11472.
[8] S. M. Bah and F. Ming, “An improved face recognition algorithm and its application in attendance management system,” Array, vol. 5, p.
100014, Mar. 2020, doi: 10.1016/j.array.2019.100014.
[9] X. Wu, J. Xu, J. Wang, Y. Li, W. Li, and Y. Guo, “Identity authentication on mobile devices using face verification and ID image recognition,”
Procedia Computer Science, vol. 162, pp. 932–939, 2019, doi: 10.1016/j.procs.2019.12.070.
[10] D. Suryadi, R. Hidayat, and H. A. Nugroho, “Pengembangan Sistem Identifikasi Multimodal Dengan Mengunakan Wajah Dan Telinga,” p. 8,
2014.