Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Jurnal Internasional Riset & Teknologi Teknik (IJERT)

Prosiding Konferensi 14 ICONECT

Pengenalan Wajah Manusia Menggunakan Gambar

Pengolahan
Khushbu Pandey1, Reshma Lilani2, Pooja Naik3, Geeta Pol4
Departemen Teknik Elektronika & Telekomunikasi,
KCCEMSR, Thane, India
1 khushipandey05@ gmail.com,2 reshmalilani1@ gmail.com,3 Naik.Pooja60@ gmail.com
4polgeeta1992@gmail.com

Abstrak topik dalam bidang visi komputer ini adalah analisis gambar. Analisis citra pertama melibatkan pemeriksaan

data citra untuk memfasilitasi pemecahan masalah penglihatan. Analisis kedua mencakup dua topik lain

sebagai ekstraksi fitur yang merupakan proses memperoleh informasi gambar tingkat yang lebih tinggi, seperti
Kompresi gambar adalah teknik yang relatif baru
informasi bentuk atau warna dan selanjutnya adalah Klasifikasi Pola yang merupakan tindakan mengambil
berdasarkan representasi gambar dengan transformasi
informasi tingkat yang lebih tinggi ini dan mengidentifikasi objek di dalam gambar. Pengenalan wajah telah
kontraktif, pada ruang gambar, yang titik tetapnya dekat
berulang kali menunjukkan pentingnya selama beberapa tahun terakhir dan karenanya tidak hanya itu adalah
dengan gambar asli. Tujuannya adalah untuk menemukan
bidang penelitian yang jelas dari analisis gambar, pengenalan pola dalam biometrik yang lebih tepat, tetapi
teknik mana yang paling efisien dan paling baik diterapkan
juga telah menjadi bagian penting dari kehidupan kita sehari-hari sejak diperkenalkan sebagai salah satu
pada proyek yang dilakukan. Ini adalah aplikasi komputer
untuk secara otomatis mengidentifikasi atau memverifikasi metode identifikasi yang akan digunakan di epassport[16]. Topik kami tentang pemrosesan gambar adalah

seseorang dari gambar digital atau bingkai video dari teknik mengidentifikasi orang-orang dengan Robot secara real time. Kami menggunakan Teknik Pemrosesan

sumber video. Makalah ini menyajikan pengolahan citra Gambar yang dapat mendeteksi banyak wajah. Ini secara efektif melacak wajah manusia dan mendeteksinya

real-time dari identifikasi wajah manusia untuk robot [6]. Ini adalah sistem yang bekerja dengan mengenali wajah manusia dan kemudian memberikan relay
RT
layanan rumah (HSR). Sistem visi ini dibentuk oleh dua sub- berdasarkan hasil atau kesimpulannya. Perangkat lunak bersama dengan perangkat keras dibuat yang akan
JJE

sistem individu. Yang pertama adalah subsistem deteksi mengenali wajah manusia dengan berbagai algoritma yang digunakan. Algoritma yang digunakan akan

dan pelacakan wajah berdasarkan detektor kulit adaptif, membandingkan gambar yang berbeda dengan gambar yang telah ditentukan sebelumnya atau gambar yang
ya

filter kondensasi dengan partikel komputasi paralel, dan dipelajari dengan gambar video nyata. Tujuan akhirnya adalah untuk membawa perubahan dalam sistem
Sa

pengklasifikasi seperti Haar. Dan prediktor gerakan pengenalan wajah saat ini sehingga membuatnya lebih efisien dan kuat [6]. Ini secara efektif melacak wajah
ya

sederhana dan cepat juga diusulkan untuk pelacakan manusia dan mendeteksinya [6]. Ini adalah sistem yang bekerja dengan mengenali wajah manusia dan

wajah. kemudian memberikan relay berdasarkan hasil atau kesimpulannya. Perangkat lunak bersama dengan
Sa

perangkat keras dibuat yang akan mengenali wajah manusia dengan berbagai algoritma yang digunakan.

Algoritma yang digunakan akan membandingkan gambar yang berbeda dengan gambar yang telah ditentukan

I. PENDAHULUAN
sebelumnya atau gambar yang dipelajari dengan gambar video nyata. Tujuan akhirnya adalah untuk membawa

perubahan dalam sistem pengenalan wajah saat ini sehingga membuatnya lebih efisien dan kuat [6]. Ini secara

efektif melacak wajah manusia dan mendeteksinya [6]. Ini adalah sistem yang bekerja dengan mengenali wajah
Pemrosesan Gambar adalah metode untuk mengubah gambar
manusia dan kemudian memberikan relay berdasarkan hasil atau kesimpulannya. Perangkat lunak bersama
menjadi bentuk digital dan melakukan beberapa operasi di
dengan perangkat keras dibuat yang akan mengenali wajah manusia dengan berbagai algoritma yang
atasnya, untuk mendapatkan gambar yang disempurnakan
digunakan. Algoritma yang digunakan akan membandingkan gambar yang berbeda dengan gambar yang telah
atau untuk mengekstrak beberapa informasi yang berguna
ditentukan sebelumnya atau gambar yang dipelajari dengan gambar video nyata. Tujuan akhirnya adalah untuk
darinya. Ini adalah jenis dispensasi sinyal di mana input adalah
membawa perubahan dalam sistem pengenalan wajah saat ini sehingga membuatnya lebih efisien dan kuat [6].
gambar, seperti bingkai video atau foto dan output dapat
berupa gambar atau karakteristik yang terkait dengan gambar
II. MODEL SISTEM
itu. Biasanya sistem pemrosesan gambar termasuk
memperlakukan gambar sebagai sinyal dua dimensi sambil
A. Deteksi wajah adalah langkah paling mendasar untuk
menerapkan metode pemrosesan sinyal yang telah ditetapkan
analisis wajah otomatis. Langkah tersebut dapat dianggap
untuk mereka. Ini adalah salah satu teknologi yang
sebagai sub-sistem input gambar dari kamera dan output
berkembang pesat saat ini, dengan aplikasinya dalam berbagai
lokasi dan ukuran wajah. Keluaran sistem pendeteksi wajah
aspek bisnis. Ini pada dasarnya mencakup tiga langkah seperti
dapat berupa input pengenalan wajah, pelacakan wajah,
mengimpor gambar dengan pemindai optik atau dengan
wajah
fotografi digital, menganalisis dan memanipulasi citra yang
otentikasi, pengenalan ekspresi wajah dan sistem pengenalan
meliputi kompresi data dan citra Peningkatan dan pola bercak
gerakan wajah. Jika citra wajah diberikan dengan ukuran dan
yang tidak terlihat oleh mata manusia seperti foto satelit dan
lokasi bingkai, kita dapat menormalkan skala, iluminasi atau
keluaran adalah tahap terakhir dimana hasil dapat diubah citra
orientasi untuk melanjutkan analisis wajah kita. Namun, wajah
atau laporan yang didasarkan pada analisis citra. Computer
manusia termasuk dalam objek dinamis, sehingga banyak kelas
vision (CV) adalah pencitraan komputer di mana aplikasi tidak
pendekatan yang diusulkan untuk menyelesaikan masalah ini.
melibatkan manusia dalam loop visual. Salah satu yang utama
Tiga kelas utama adalah kulit-

www.ijert.org 283

berbasis warna, berbasis bentuk, dan berbasis fitur. Pendekatan
berbasis warna kulit menggunakan
properti distribusi warna kulit dalam ruang warna. Jika kita
memiliki model warna kulit dalam ruang warna, kita dapat
membangun filter warna kulit agar piksel tetap berada dalam
rentang domain warna kulit. Kelas kedua, pendekatan berbasis
bentuk menggunakan model bentuk untuk mendeteksi wajah.
Misalnya, coba cocokkan bentuk elips dengan tepi gambar. Ini
mengasumsikan tepi wajah mirip dengan bentuk elips. Sistem
deteksi wajah kami mengadopsi pendekatan Haar Classifier
untuk mendeteksi wajah manusia. Pengklasifikasi Haar
menggunakan bentuk AdaBoost dan termasuk dalam kelas
berbasis fitur. Ini menggunakan fitur seperti Haar yang terdiri
dari penambahan dan pengurangan wilayah gambar, dan
teknik gambar integral memungkinkan komputasi yang cepat.
B. FKARTU AS DETEKSI
Generasi sistem deteksi wajah kami ini, yang disebut
Sistem Deteksi Wajah Paralel Haar-like (PHFDS), yang
terdiri dari beberapa proses yang melibatkan
penentuan wilayah pencarian (ROI) oleh prediktor
gerakan, deteksi kulit adaptif, filter kondensasi dengan
keyakinan komputasi paralel partikel, Gelombang mirip
Haar Paralel mengklasifikasikan berdasarkan AdaBoost
yang diselesaikan oleh OpenCV, dan memprediksi
gerakan untuk waktu berikutnya.
JJE
ya
Sa
ya
Sa
Gambar 1 menunjukkan flowchart PHFDS.
www.ijert.org
Jurnal Internasional Riset & Teknologi Teknik (IJERT)
Prosiding Konferensi 14 ICONECT
C. Tentukan Region of Interest (ROI) Gambar
ROI adalah wilayah gambar yang menarik dan hanya diizinkan
untuk diproses di atasnya. Konsep tentang ROI adalah
semacam pencarian lokal dan alat yang sangat berguna untuk
mengurangi komputasi dan meningkatkan hit rate objek.
Keuntungan pertama mudah dipahami, dan yang kedua adalah
dasar penting dari pelacakan gerak kami. Mengingat video atau
urutan gambar, kita dapat menganggap gerakan manusia atau
objek itu terus menerus. Artinya manusia atau benda tersebut
tidak dapat hilang atau muncul secara tiba-tiba. Sangat mudah
untuk menggabungkan konsep tentang ROI, dengan kata lain,
kita dapat mengatur ROI sedikit lebih besar dari wilayah
terakhir yang mendeteksi manusia atau objek. Jika gangguan
tidak muncul di ROI, itu tidak akan terdeteksi dan meningkatkan
ketahanan. Sebenarnya, karena webcam memiliki batasan
kecepatan bingkai maksimum (30 fps), manusia atau objek
terkadang bergerak terlalu cepat untuk dilacak. Dalam situasi
tersebut, kita dapat menginisialisasi pelacak gerak kita kembali
ke mode pencarian global. Artinya, kita akan memiliki tingkat
kesalahan yang sangat rendah dengan kinerja yang tinggi.
AKU AKU AKU. PEKERJAAN YANG BERHUBUNGAN
Pengerjaan ftware termasuk instalasi openCV h
RT
algoritma yang pertama akan mendeteksi gambar d
mempelajarinya. Basis data akan dibuat dengan
gambar yang berbeda. Pengakuan akan dilakukan
dalam tiga langkah:
Deteksi wajah: Generasi sistem face ection kami ini
yang disebut parallel haar-like face detection tem,
yang terdiri dari beberapa proses yang melibatkan
penentuan region of interest (ROI) rch dengan
prediktor tion, deteksi kulit adaptif, klasifikasi
wavelet haare paralel berdasarkan AdaBoost selesai
openCV, dan memprediksi gerakan untuk saya selanjutnya.
Model warna kulit wajah: HSV adalah singkatan dari hue,
uration and value (atau brightness), dan sangat umum
dalam analisis warna yang secara intuitif sesuai dengan
sistem warna manusia [2]. Kami mengadopsi detektor
warna n adaptif yang diusulkan oleh Dadgostar dan
rrafzadeh. Algoritme berdasarkan hue esholding adaptif dan
hue histogram dari piksel kulit. Untuk menghindari
pemetaan tak terdefinisi, kita menetapkan H, S, dan V
menjadi o ketika R, G dan B semuanya sama dengan nol.
Menentukan region of interest (ROI) dari umur: ROI adalah
region dari citra yang menarik d hanya diperbolehkan untuk
diproses di atasnya. Konsep tentang OI adalah semacam
pencarian lokal dan alat yang sangat berguna untuk
uce komputasi dan meningkatkan objek hit rate.
Keuntungannya mudah dimengerti dan yang kedua adalah
dasar penting pada pelacakan gerak kami [6]. Mengingat
video atau urutan gambar, kita dapat mengasumsikan:
284

gerak manusia atau benda itu terus menerus, artinya manusia
atau benda itu tidak dapat hilang atau muncul secara tiba-tiba.
Sangat mudah untuk menggabungkan konsep tentang ROI.
Dengan kata lain, kita dapat mengatur ROI lebih besar dari
wilayah terakhir yang terdeteksi manusia atau objek. Jika dosis
gangguan tidak muncul di ROI, itu tidak akan terdeteksi dan
meningkatkan ketahanan. Dalam kata nyata, karena webcam
memiliki batasan frame rate maksimum (30fbs), manusia atau
objek tidak dapat menghilang atau muncul secara tiba-tiba.
menggabungkan konsep tentang ROI dengan kata lain kita
dapat mengatur ROI sedikit lebih besar dari wilayah terakhir
yang mendeteksi manusia atau objek. Jika gangguan tidak
muncul di ROI maka tidak akan terdeteksi dan meningkatkan
ketahanan. Sebenarnya karena webcam memiliki frame rate
maksimum (30fps.) membatasi manusia atau objek terkadang
bergerak cepat untuk melacak. Dalam situasi ini, kami dapat
menginisialisasi pelacak gerak kami kembali ke pencarian
global lebih lanjut. Artinya, kita akan memiliki tingkat kesalahan
yang sangat rendah dengan kinerja yang tinggi.
D. Pembuatan database: Setelah mengekstrak fitur wajah,
disimpan dalam database dengan id-nya menggunakan
perpustakaan openCV.
E. Pengenalan Wajah: Proses pengenalan melibatkan robot
yang mendeteksi wajah menggunakan algoritma PCA, LDA,
LBPH yang merupakan algoritma bawaan di perpustakaan
openCV untuk pengenalan wajah. Robot akan bergerak
JJE
menangkap gambar secara real time dan kembali
ya
melakukan proses pendeteksian wajah. Robot tersebut
merupakan robot beroda dengan ruster wheel sebesar 10
Sa
rpm. Kecepatannya harus lambat untuk mendeteksi wajah
ya
oleh kamera dan resolusi yang tepat.
Sa
IV. PERSYARATAN PERANGKAT KERAS:
A. Mikrokontroler 89C52: Proyek di atas menggunakan
Mikrokontroler 89C52. Unit ini adalah jantung dari sistem yang
lengkap. Ini sebenarnya bertanggung jawab untuk semua
proses yang dijalankan. Ini akan memantau & mengontrol
semua perangkat periferal atau komponen yang terhubung
dalam sistem. Singkatnya kita dapat mengatakan bahwa
kecerdasan lengkap proyek berada dalam kode perangkat
lunak yang tertanam di mikrokontroler. Atmel membuat versi
flash ROM 8051 yang dikenal sebagai AT89C52 ('C' di nomor
bagian menunjukkanCMOS). Memori flash dapat menghapus
konten dalam hitungan detik yang terbaik untuk pertumbuhan
cepat. Oleh karena itu, 8751 digantikan oleh AT89C52 untuk
menghilangkan waktu tunggu yang diperlukan untuk
menghapus konten dan dengan demikian mempercepat waktu
pengembangan [11]. Untuk membangun sistem berbasis
mikrokontroler menggunakan AT89C52, sangat penting untuk
memiliki ROM burner yang mendukung memori flash.
Perhatikan bahwa dalam memori Flash, seluruh konten harus
dihapus untuk memprogramnya kembali. Isinya dihapus oleh
pembakar ROM. Atmel sedang mengerjakan versi AT89C52
yang lebih baru yang dapat diprogram menggunakan serial
www.ijert.org
Jurnal Internasional Riset & Teknologi Teknik (IJERT)
Prosiding Konferensi 14 ICONECT
Port COM dari IBM PC untuk menyingkirkan pembakar
ROM.
B. Driver Motor L293D: Ini adalah sirkuit terintegrasi (IC)
driver motor H-bridge ganda. Driver motor bertindak
sebagai penguat arus karena mereka mengambil sinyal
kontrol arus rendah dan memberikan sinyal arus yang lebih
tinggi. Sinyal arus yang lebih tinggi ini digunakan untuk
menggerakkan motor. L293D berisi dua sirkuit driver H-
bridge bawaan. Dalam mode operasinya yang umum, dua
motor DC dapat digerakkan secara bersamaan, baik dalam
arah maju maupun mundur. Operasi motor dari dua motor
dapat dikontrol oleh logika input pada pin 2 & 7 dan 10 &
15. Logika input 00 atau 11 akan menghentikan motor yang
sesuai. Logika 01 dan 10 akan memutarnya searah jarum
jam dan berlawanan arah jarum jam. Aktifkan pin 1 dan 9
(sesuai dengan dua motor) harus tinggi agar motor dapat
mulai beroperasi. Ketika input aktifkan tinggi, driver terkait
akan diaktifkan. Hasil dari, output menjadi aktif dan bekerja
sefase dengan inputnya. Demikian pula, ketika input
aktifkan rendah, driver itu dinonaktifkan, dan outputnya
mati dan dalam keadaan impedansi tinggi [11].
C. LCD (Liquid Crystal Display): Ini adalah modul tampilan
elektronik dan menemukan berbagai aplikasi. Layar LCD
16x2 adalah modul yang sangat dasar dan sangat umum
digunakan di berbagai perangkat dan sirkuit. Modul ini
RT
lebih disukai daripada tujuh segmen dan LED multi segmen
lainnya. Alasannya adalah: LCD ekonomis; mudah
diprogram; tidak memiliki batasan untuk menampilkan
karakter khusus & bahkan kustom (tidak seperti di tujuh
segmen), animasi dan sebagainya. LCD A16x2 berarti dapat
menampilkan 16 karakter per baris dan ada 2 baris seperti
itu. Pada LCD ini setiap karakter ditampilkan dalam matriks
5x7 piksel. LCD ini memiliki dua register yaitu Command
dan Data. Register perintah menyimpan instruksi perintah
yang diberikan ke LCD. Perintah adalah instruksi yang
diberikan kepada LCD untuk melakukan tugas yang telah
ditentukan seperti menginisialisasi, membersihkan layar,
mengatur posisi kursor, mengontrol tampilan dll. Register
data menyimpan data yang akan ditampilkan pada LCD.
Data tersebut merupakan nilai ASCII dari karakter yang
akan ditampilkan pada LCD. Klik untuk mempelajari lebih
lanjut tentang struktur internal LCD [10].
D. IC MAX232: Digunakan untuk mengubah level logika TTL/
CMOS ke level logika RS232 selama komunikasi serial
mikrokontroler dengan PC. Kontroler beroperasi pada level
logika TTL (0-5V) sedangkan komunikasi serial di PC bekerja
pada standar RS232 (-25 V hingga + 25V). Hal ini membuat
sulit untuk membangun hubungan langsung antara
mereka untuk berkomunikasi satu sama lain. Tautan
perantara disediakan melalui MAX232. Ini adalah driver /
penerima ganda yang mencakup generator tegangan
kapasitif untuk memasok level tegangan RS232 dari satu
catu 5V. Setiap receiver mengubah input RS232 ke level 5V
TTL/CMOS. Penerima ini (R1& R2) dapat menerima input
±30V. Para pengemudi (T1& T2), juga disebut pemancar,
285
 Jurnal Internasional Riset & Teknologi Teknik (IJERT)
Prosiding Konferensi 14 ICONECT

mengubah level input TTL/CMOS menjadi level RS232.
Pemancar mengambil input dari pin transmisi serial
pengontrol dan mengirimkan output ke penerima
RS232. Penerima, di sisi lain, mengambil input dari pin
transmisi port serial RS232 dan memberikan output
serial ke pin penerima mikrokontroler. MAX232
membutuhkan empat kapasitor eksternal yang nilainya
berkisar dari 1µF hingga 22µF.
E. Catu Daya: Unit ini akan mensuplai berbagai kebutuhan
tegangan setiap unit. Ini akan terdiri dari transformator,
penyearah, filter dan regulator. Penyearah yang digunakan
di sini adalah Penyearah Jembatan.
V. PERSYARATAN PERANGKAT LUNAK:
OpenCV (Open Source Computer Vision Library)
adalah open source computer vision dan
perpustakaan perangkat lunak pembelajaran mesin.
OpenCV dibangun untuk menyediakan infrastruktur
umum untuk aplikasi visi komputer dan untuk
mempercepat penggunaan persepsi mesin dalam
produk komersial. Menjadi produk berlisensi BSD,
OpenCV memudahkan bisnis untuk memanfaatkan
dan memodifikasi kode. Pustaka ini memiliki lebih
dari 2500 algoritme yang dioptimalkan, yang
mencakup seperangkat visi komputer klasik dan
canggih serta algoritme pembelajaran mesin [ 7].
Algoritma ini dapat digunakan untuk mendeteksi
JJE
Antarmuka CUDA dan OpenCV sedang dikembangkan
secara aktif saat ini. Ada lebih dari 500 algoritma dan
sekitar 10 kali lebih banyak fungsi yang menyusun atau
mendukung algoritma tersebut. OpenCV ditulis secara
native dalam C++ dan memiliki antarmuka templat yang
bekerja secara mulus dengan wadah STL [10].
A. .NET: .NET Framework adalah kerangka kerja perangkat lunak
yang dikembangkan oleh Microsoft yang berjalan terutama di
Microsoft Windows. Ini termasuk perpustakaan besar dan
menyediakan interoperabilitas bahasa (setiap bahasa dapat
menggunakan kode yang ditulis dalam bahasa lain) di beberapa
bahasa pemrograman. Program yang ditulis untuk
. .NET Framework dieksekusi di lingkungan perangkat lunak
(berbeda dengan lingkungan perangkat keras), yang dikenal
sebagai Common Language Runtime (CLR), mesin virtual
aplikasi yang menyediakan layanan seperti keamanan,
manajemen memori, dan penanganan pengecualian.
Perpustakaan kelas dan CLR bersama-sama membentuk .NET
Framework [11]. Perpustakaan Kelas Dasar .NET Framework
menyediakan antarmuka pengguna, akses data, konektivitas
database, kriptografi, pengembangan aplikasi web, algoritme
numerik, dan komunikasi jaringan. Pemrogram menghasilkan
perangkat lunak dengan menggabungkan kode sumber mereka
sendiri dengan .NET Framework dan perpustakaan lainnya. .NET
Framework dimaksudkan untuk digunakan oleh sebagian besar
aplikasi baru yang dibuat untuk platform Windows. Microsoft
juga memproduksi lingkungan pengembangan terintegrasi
RT
sebagian besar untuk perangkat lunak .NET yang disebut Visual
Studio.

dan mengenali wajah, mengidentifikasi objek,

ya

mengklasifikasikan tindakan manusia dalam video, B. C# : Ini adalah bahasa pemrograman multi-paradigma
melacak pergerakan kamera, melacak objek yang mencakup pengetikan yang kuat, imperatif, deklaratif,
Sa

bergerak, mengekstrak model objek 3D, fungsional, prosedural, generik, berorientasi objek
ya

menghasilkan awan titik 3D dari kamera stereo, (berbasis kelas), dan disiplin pemrograman berorientasi
Sa

menggabungkan gambar untuk menghasilkan komponen. Ini dikembangkan oleh Microsoft dalam
gambar resolusi tinggi dari seluruh pemandangan, . Inisiatif .NET dan kemudian disetujui sebagai standar oleh
menemukan gambar serupa dari database gambar, Ecma (ECMA-334) dan ISO (ISO/IEC 23270:2006). C# adalah
menghilangkan mata merah dari gambar yang salah satu bahasa pemrograman yang dirancang untuk
diambil menggunakan flash, mengikuti gerakan Infrastruktur Bahasa Umum [10]. C# dimaksudkan untuk
mata, mengenali pemandangan dan membuat menjadi bahasa pemrograman berorientasi objek yang
penanda untuk melapisinya dengan augmented sederhana, modern, untuk tujuan umum.
reality, dll. OpenCV memiliki lebih dari 47 ribu orang
komunitas pengguna dan perkiraan jumlah
unduhan melebihi 7 juta. Perpustakaan digunakan
secara luas di perusahaan, kelompok penelitian dan
oleh badan pemerintah [10]. Seiring dengan
perusahaan mapan seperti Google, Yahoo,
Microsoft, Intel, IBM, Sony, Honda, Toyota yang
menggunakan perpustakaan, ada banyak start-up
seperti seperti Applied Minds, Video Surf, dan
Zeitera, yang menggunakan OpenCV secara
ekstensif. Penggunaan OpenCV yang diterapkan
mencakup rentang dari menggabungkan gambar
streetview, mendeteksi intrusi dalam video
pengawasan di Israel,
Ini memiliki antarmuka C++, C, dan Python, Java dan
MATLAB dan mendukung Windows, Linux, Android
dan Mac OS. OpenCV sebagian besar condong ke
aplikasi visi waktu nyata dan memanfaatkan
instruksi MMX dan SSE bila tersedia. Fitur lengkap

www.ijert.org 286
 Jurnal Internasional Riset & Teknologi Teknik (IJERT)
Prosiding Konferensi 14 ICONECT

VI. DIAGRAM BLOK SISTEM

Gambar 4. Mendeteksi wajah saat orang tersebut bergerak

Gambar 5. Cropping untuk pencocokan dengan database

Hasil dari proyek kami adalah pembuatan sistem

yang dapat mendeteksi wajah secara real time dan
akhirnya akan diterapkan pada platform yang luas
untuk mengidentifikasi validitas seseorang di tempat
tertentu.
RT
JJE
ya

Fig2.Diagram Blok Sistem VIII. KEUNTUNGAN

Sa
ya

A. Sistem ini dapat digunakan sebagai robot home

VII. HASIL EKSPERIMEN service (HSR).
Sa

B. Ini juga dapat digunakan sebagai pendeteksi wajah

di organisasi terbatas.
C. Fitur-fitur lain juga dapat ditambahkan dalam sistem
untuk digunakan untuk tujuan keamanan di
rumah serta lembaga lainnya.
D. Dapat digunakan pada gadget elektronik seperti pc, laptop,
handphone, dll untuk mendapatkan tingkat keamanan
yang lebih baik.

IX. APLIKASI

A. Dapat digunakan di kampus atau tempat

perusahaan untuk keamanan yang lebih baik
untuk mengenali siswa atau kandidat yang valid.
B. Juga dapat digunakan di pintu untuk mengidentifikasi orang-
orang yang dikenal di rumah.
Gambar 3. Mendeteksi Wajah Secara Real Time

X. PENGEMBANGAN MASA DEPAN

A. Lebih banyak algoritma yang lebih baik dapat disiapkan

untuk kinerja yang lebih baik.

www.ijert.org 287
 Jurnal Internasional Riset & Teknologi Teknik (IJERT)
Prosiding Konferensi 14 ICONECT

B. Dengan basis data yang lebih banyak sehingga lebih banyak [16]. Tinjauan "Pemrosesan dan analisis citra:
gambar yang dapat dipelajari. Komponen yang lebih murah metode variasi, PDE, Wavelet, dan Stochastic" oleh
dapat diusulkan. Tony F. Chan dan Jianhong (Jackie) Shen.
[17]. Kompresi Gambar dalam Pengenalan Wajah-
Survei Sastra KresimirDelac, Sonja Grgic dan
XI. KESIMPULAN MislavGrgic.University of Zagreb, Fakultas Teknik
Elektro dan Komputasi Kroasia.
Berdasarkan proyek ini kita dapat menyimpulkan
[18]. Tinjauan komparatif pemrosesan gambar
bahwa dengan dua metode tersebut kita dapat
dan visi komputer Bruce A. Maxwell. University of
membuat prosedur pembelajaran dan deteksi untuk
North Dakota, Departemen Ilmu Komputer,
robot. Ini menyajikan sistem visi paralel waktu nyata
Grand Forks, ND 58202-9015.
untuk robot layanan. Sistem penglihatan diatur oleh
subsistem individu, subsistem pelacakan deteksi wajah
berdasarkan detektor kulit adaptif, dan prediktor
gerakan sederhana dan cepat disusun untuk pelacakan
wajah. Sistem ini berguna dalam banyak aplikasi robot
misalnya deteksi wajah, pelacakan wajah dan
penentuan wajah. Yang kedua adalah sistem
pengenalan wajah berdasarkan algoritma seperti PCA
dan prosedur pengenalan. Sangat kuat dan efisien
untuk mengenali banyak orang secara online dalam
pandangan yang berbeda dan adegan yang tidak
diketahui. Lingkup masa depan untuk proyek ini adalah
pembuatan database yang lebih luas yaitu,

X.REFERENSI
RT

[1] Animetrics "Aplikasi Pengenalan Wajah".

JJE

Diakses 2008-0-04
ya

[2]. Bonsor, K. "Bagaimana Sistem Pengenalan Wajah

Sa

Bekerja" Diperoleh 2998-0-02

ya

[3]. Smith, Kelly. “Pengenalan Wajah”

[4]. R. Brunelli dan T. Poggio, “Pengenalan Wajah:
Sa

Fitur versus Template”

[5]. Kimmel, Ron. “Pengenalan Wajah Tiga
Dimensi”
[6]. Pemrosesan gambar real-time menggunakan robot
pengintai Rumah.
[7]. Crawford, Mark. “Perangkat Lunak Pengenalan Wajah yang Lebih
Baik”
[8]. Hijau, Lisa. “Pemindaian wajah cocok dengan beberapa tersangka”
[9]. IEEE trans. Pada PAMI, 1993, (15) 10 :1042 -1052
[10].http://www.microchip.com/wwwproducts/Device
s.aspx?dDocName=en01029
[11]. http://atmel.com/80C51
[12]. Pemrosesan citra dengan jaringan saraf—
ulasan M. Egmont-Petersena;, D. de Ridderb, H.
Handelsc.
[13]. Survei Rendering Berbasis Gambar - Representasi,
Pengambilan Sampel, dan Kompresi.Cha Zhang dan
Tsuhan Chen Advanced Multimedia Processing Lab

[14]. Tinjauan Literatur Pengkodean Gambar Fraktal.

BrendtWohlberg dan Gerhard de Jager, Anggota,
IEEE.
[15]. Peningkatan citra. Ashish Mehta.

www.ijert.org 288