MAKALAH

PENGENALAN WAJAH (Facial Recognition)

Untuk Memenuhi Tugas UTS Mata Kuliah Interaksi Manusia & Komputer

Yang Diampu Oleh

Dosen : Irdam Denni, M.T., M.T.

Nama : Iqbal Saepul Uyun

NIM : 19573010

Kelas : 3A

SISTEM INFORMASI

FAKULTAS ILMU TERAPAN DAN SAINS

INSTITUT PENDIDIKAN INDIONESIA GARUT

2021
 Kata Pengantar

Dengan menyebut nama Allah SWT yang Maha Pengasih lagi Maha Panyayang, saya
panjatkan puja dan puji syukur atas kehadirat-Nya, yang telah melimpahkan rahmat, hidayah,
dan inayah-Nya kepada saya, sehingga saya dapat menyelesaikan Tugas UTS ini tentang
“Pengenalan Wajah (Facial Recognition)”.

Tugas UTS ini telah saya susun dengan maksimal dan mendapatkan bantuan dari
berbagai sumber sehingga dapat memperlancar pembuatan tugas ini. Untuk itu saya
menyampaikan banyak terima kasih kepada Bapak Irdam Denni, M.T., M.T. sebagai pengampu
tugas ini..

Dari semua itu, saya menyadari sepenuhnya bahwa masih ada kekurangan baik dari segi
susunan kalimat maupun tata bahasanya. Oleh karena itu dengan terbuka saya menerima segala
saran dan kritik dari pembaca agar kami dapat memperbaiki makalah ilmiah ini.

Garut, 25 November 2021

Iqbal Saepul Uyun

i
 Daftar Isi

Kata Pengantar i
Daftar Isi ii
BAB I 1
1.1 Pengertian Pengenalan Wajah (Facial Regignition) 1
BAB II 2
2.1 Pengenalan Wajah (Facial Recognition) 2
2.2 Kegunaan 2
2.3 Fungsi 3
2.4 Cara Kerja Alat 3
2.5 Proses Pengenalan Wajah 3
2.6 Desain dan Fungsi Antarmuka Aplikasi 4
BAB III
Kesimpulan 5
DAFTAR PUSTAKA 6

ii
 BAB I

PENDAHULUAN

1.1 Pengertian Pengenalan Wajah (Facial Regignition)

Selama beberapa tahun terakhir, penelitian mengenai Facial Recognition atau

pengenalan wajah menarik perhatian sejumlah besar peneliti dan mengganti biometrik lainnya.
Hal ini terutama karena memungkinkan kita merekam dari kejauhan tanpa berinteraksi dengan
subjek itu sendiri. Facial Recognition merupakan teknologi yang mampu mengidentifikasi atau
memverifikasi seseorang dari gambar digital atau video secara realtime. Jika kita mencari perihal
tentang Facial Recognition di website IEEE (http://ieeexplore.ieee.org/search/) maka setidaknya
ditemukan 9676 conference, dan 1.206 jurnal (data diakses pada tanggal 25 Januari 2019).
Google, mengembangkan kemampuan serupa dengan Google Cloud Vision API. Teknologi ini
menggunakan machine learning untuk mendeteksi, mencocokkan, dan mengidentifikasi wajah
yang dapat digunakan dalam berbagai hal seperti untuk hiburan maupun pemasaran. Iklan
cerdas dibandara kini dapat mengidentifikasi jenis kelamin, etnis, dan perkiraan usia orang yang
lewat dan menargetkan iklan ke demografis orang tersebut. Sistem pengenalan emosi berkisar
dari deteksi kriminal di basis data nasional hingga situs web media sosial dan perangkat itu juga
dapat digunakan untuk mengidentifikasi tersangka di perbatasan international (M.B. Salter,
Passports, Mobility, Security : 2004). Facebook menggunakan perangkat lunak Facial
Recognition untuk menandai individu dalam foto . Setipa orang ditandai dalam sebuah foto,
perangat lunak akan menyimpan informasi pemetaan tentang karakteristik wajah orang
tersebut. Ketika data yang cukup telah dikumpulkan, perangkat lunak tersebut dapat
menggunakan informasi yang ada untuk mengidentifikasi wajah individu tertentu ketika muncul
di foto baru. Pemerintah China, sedang berupaya menciptakan negara techno-otoriter yang
didukung oleh kecerdasan buatan dan pengenalan wajah untuk melacak dan memantau 1.4
Miliar warganya. Pada tahun 2016, China telah memiliki 170 juta kamera keamanan yang
disebut sistem pengawasan Skynet. Di Xiangyang, layar raksasa dipasang di atas penyeberangan
untuk menampilkan nama dan wajah pejalan kaki yang melanggar hukum yang tertangkap
kamera di persimpangan. Dan pada bulan Desember, China mendemonstrasikan sistem
“Skynet” yang canggih dengan melacak reporter BBC hanya dalam waktu 7 menit. Teknologi
Facial Recognition telah diterapkan untuk keamanan suatu lokasi, seperti di Jalan raya,
pendestrian penduduk hingga keamanan bandara. Facial Recognition tersebut telah terintegrasi
dengan database yang terkontrol di pusat. Hanya dengan melalui CCTV, dalam hitungan detik
data diri atau ID orang-orang tersebut langsung terbaca sistem (BBC : 2017)
 BAB II

ISI

2.1 Pengenalan Wajah (Facial Recognition)

Teknologi Facial Recognition merupakan teknologi canggih untuk pengenalan wajah.

Meski sudah mulai lazim digunakan, tapi teknologi Facial Recognition saat ini sedang dalam
tahap pengembangan, artinya penggunaan teknologi Facial Recognition masih akan
berkembang hingga beberapa masa ke depan.

Teknologi Facial Recognition menggunakan teknologi artificial intelligence (kecerdasan

buatan) untuk mengenali wajah-wajah yang sudah terdaftar dalam database. Kamera yang
dilengkapi dengan teknologi pengenalan wajah akan bisa mengenali siapa anda berdasarkan
data yang sudah terekam dalam database.

Teknologi Facial Recognition bila sudah dikembangkan dengan baik dan sudah digunakan
secara luas, nantinya bisa menggantikan paspor dan boarding pass dalam penerbangan.
Sehingga, ketika penumpang akan check in atau boarding ke pesawat, mereka hanya perlu
melakukan pemindaian (scan) wajah tanpa perlu menunjukkan paspor dan boarding pass lagi.

2.2 Kegunaan

Teknologi Facial Recognition sudah dikembangkan sejak lama. Awal mula teknologi Facial
Recognition dibuat adalah untuk membantu pihak kepolisian untuk menangkap napi dan
buronan yang kabur. Tahun 2001 adalah momen dimana teknologi Facial Recognition
digunakan secara massal, yaitu dalam gelaran Super Bowl 2001. Pada saat itu seluruh
pengunjung dipindai wajahnya menggunakan kamera CCTV khusus. Tujuannya adalah untuk
mencegah terjadinya kekerasan dan mempermudah penangkapan pelaku kejahatan dalam
acara tersebut.
Sekarang ini teknologi Facial Recognition sudah banyak digunakan dalam berbagai hal,
salah satu yang paling dekat adalah Facial Recognition untuk membuka kunci layar
handphone. Beberapa tipe handphone sekarang ini menyediakan tiga opsi untuk membuka
kunci layar, yaitu dengan menggambar pola, dengan sidik jari (fingerprint), dan pengenalan
wajah (Facial Recognition).
2.3 Fungsi

1. Pengenalan wajah (face recognition) yaitu proses membandingkan sebuah citra wajah
dengan basis data wajah dan menemukan basis data wajah yang paling cocok dengan
citra masukan tersebut.
2. Autentikasi wajah (face authentication) yaitu menguji keaslian/kesamaan suatu wajah
dengan data wajah yang telah diinputkan sebelumnya.
3. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi
hanya ada satu wajah di dalam citra.
4. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video
secara real time.
5. Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi
emosi manusia.

2.4 Cara Kerja Alat

1. Teknologi Facial Recognition bekerja dengan cara sederhana. Pertama-tama, biarkan

kamera yang sudah dilengkapi dengan teknologi Facial Recognition memindai wajah
anda. Pemindaian ini akan menyimpan data mulai dari bentuk mata, rahang, bibir,
mulut, hidung, ukuran wajah, dsb secara mendetail. Data hasil pemindaian wajah akan
disimpan di server khusus milik perusahaan atau pemilik teknologi Facial Recognition.

2. Nantinya, ketika kamera memindai wajah, ia bisa mengidentifikasi siapa orang tersebut
berdasarkan data-data yang sudah tersimpan dalam database. Berbeda dengan wajah
yang belum ada datanya, maka tidak akan dikenali. Cara kerjanya memang mirip dengan
fingerprint, akan tetapi dalam Facial Recognition objeknya adalah wajah.

3. Pendeteksian wajah. Pendeteksian wajah dilakukan dengan pengambilan foto wajah dari
manusia dengan memindai foto 2D secara digital, atau bisa juga menggunakan video
untuk mengambil foto wajah 3D.

4. Penjajaran. Setelah wajah berhasil dideteksi, software akan dapat menentukan posisi,
ukuran, dan sikap kepala. Pada software 3D foto wajah mampu dikenali hingga 90
derajat, sedangkan untuk software 2D posisi kepala harus menghadap kamera paling
tidak 35 derajat.

5. Pengukuran. Selanjutnya software dapat mengukur lekukan yang ada pada wajah
dengan menggunakan skala sub-milimeter (microwave) dan membuat template.
 6. Representasi. Kemudian jika template sudah jadi maka template tersebut dapat
diterjemahkan kedalam sebuah kode yang unik, yang mempresentasikan setiap wajah.

7. Pencocokan. Jika foto wajah yang telah direpresentasikan dan ketersediaan foto wajah
dalam basis data sama-sama 3D, proses pencocokan dapat langsung dilakukan. Namun,
saat ini masih ada tantangan untuk mencocokkan representasi 3D dengan basis data foto
2D. Teknologi baru kini tengah menjawab tantangan ini. Ketika foto wajah 3D diambil,
software akan mengidentifikasikan beberapa titik (biasanya tiga titik) yaitu mata bagian
luar dan dalam, serta ujung hidung. Berdasarkan hasil pengukuran ini software akan
mengubah gambar 3D menjadi 2D, dan membandingkannya dengan gambar wajah 2D
yang sudah ada di dalam basis data.

8. Verifikasi atau identifikasi. Verifikasi merupakan proses pencocokkan satu berbanding

satu. Sedangkan identifikasi adalah perbandingan foto wajah yang diambil dengan
seluruh gambar yang memiliki kemiripan dalam database.

9. Analisis tekstur wajah. Kemajuan dalam software face recognition adalah penggunaan
biometrik kulit atau keunikan tekstur kulit untuk meningkatkan akurasi hasil
pencocokkan. Namun terdapat beberapa faktor yang menyebabkan proses analisis
tekstur ini tidak dapat bekerja, misalnya pantulan cahaya dari kacamata atau foto wajah
yang menggunakan kacamata matahari. Faktor penghambat analisis lainnya adalah
rambut panjang yang menutupi bagian tengah wajah, pencahayaan yang kurang tepat
(yang mengakibatkan foto wajah menjadi kelebihan atau kekurangan cahaya), serta
resolusi yang rendah (foto diambil dari kejauhan).

2.5 Proses Pengenalan Wajah

Suatu presensi pada awalnya adalah dengan mengkonfirmasi individu-individu namun

dianggapkurangefektif dalam meningkatkan kinerja karyawan. Selanjutnya dikembangkan suatu
metode dengan cara memasukkan kata sandi, PIN, check clock, token, kunci, dan itu semua
mengalami kegagalan karena dapat ditembus dengan membobol mesin database
karyawan.Seiring perkembangan teknologi informasi strategi presensi berbasis biometrik
digunakan diberbagai perusahaanuntuk mendeteksi kehadiran karyawan dan metode biometric
ini dianggap efektif dibandingkan dengan metode sebelumnya. Selama beberapa dekade
terakhir, pengenalan wajah (face recognation) telah dianggap sebagai metode yang paling
menonjol dibandingkan dengan sistem berbasis biometrik lainnya. Proses pengenalan wajah
dapat dilakukan dengan cara memasukkan database yang terdiri dari banyak gambar wajah
orang yang dikenal, kemudian proses selanjutnya memverifikasi atau menentukan identitas
orang digambar yang telah dinput. Pada awal tahun 1970-an, pengenalan wajah diperlakukan
sebagai masalah pengenalan pola 2D. Jarak antar poin-poin penting di mana digunakan untuk
mengenali wajah-wajah yang diketahui, misalnya : mengukur jarak antara mata atau titik
penting lainnya atau mengukur sudut yang berbeda dari komponen wajah. Tapi perlu diketahui
bahwa sistem pengenalan wajah harus sepenuhnya otomatis. Pada kasus ini menggunakan
metode pengenalan wajah Metode Pencocokan Holistik. Pendeteksian wajah ini juga masih
menemui beberapa kendala saat pengujian, yaitu membutuhkan rendering yang cukup lama
dan prosesor yang bagus untuk mendeteksi dan mengenali wajah secara cepat. Metode
Pencocokan Holistik. Dalam pendekatan holistik, daerah wajah lengkap diperhitungkan sebagai
input data ke sistem face catching. Salah satu contoh terbaik holistic metode adalah Eigenfaces
(metode yang paling banyak digunakan untuk pengenalan wajah), Analisis Komponen Utama,
Linear Analisis Diskriminan dan komponen independen analisis.

Gambar Diagram Alir berbasis Algoritma Eigenface.

Flowchart dari metode Eigenface diberikan di Gambar diatas dengan penjelasan sebagai
berikut:
(1) Menyisipkan satu set gambar yang terdiri dari 2 pose untuk 1 wajah ke dalam database
atau membuat database gambar wajah staf dan diberi label sesuai dengan nama staf yang
bersangkutan. Gambar dan label nantinya akan dibandingkan dalam proses pengenal wajah.
Data ini disebut TrainingSet dari wajah asli (original faces training set).

(2) Membuat eigenfaces dengan mengekstraksi fitur karakteristik dari wajah. Input gambar
dinormalisasi untuk berbaris mata dan mulut, kemudian diubah ukurannya sehingga ukurannya
sama. Eigenfaces sekarang dapat diekstraksi dari data gambar dengan menggunakan alat
matematika yang disebut Principal Component Analysis (PCA). Nilai Eigenfaces disimpan dalam
variabel E = eigenfaces(TrainingSet).

Masalah pengenalan wajah (dalam visi komputer) dapat dirumuskan dalam pernyataan umum
berikut: mengidentifikasi atau memverifikasi satu atau lebih orang di tempat kejadian pada
gambar diam atau video yang diberikan menggunakan database wajah yang tersimpan .
Solusinya terutama melibatkan segmentasi wajah (deteksi wajah), ekstraksi fitur dari wilayah
wajah, pengenalan atau verifikasi. Struktur sistem pengenalan wajah direpresentasikan pada
Gambar 1 dan terdiri dari langkah-langkah seperti pra-pemrosesan citra, deteksi wajah,
normalisasi wajah, ekstraksi fitur (dan pengurangan fitur dalam sistem pengenalan wajah
kompleks), klasifikasi.

Di antara metode yang diterapkan dalam sistem pengenalan wajah adalah Analisis Komponen
Utama (PCA), Analisis Komponen Independen (ICA), Analisis Diskriminan Linier (LDA), Model
Penampilan Aktif (AAM), jaringan saraf, dll. Secara umum metode dapat dibedakan menjadi dua
kategori: metode analitis (geometris)
dan global (holistik), yang pertama menangkap kumpulan karakteristik titik-titik pada wajah dan jarak
relatif antara mereka dan yang kedua mengubah citra wajah menjadi ruang fitur wajah secara
keseluruhan.

Gambar Struktur dasar sistem pengenalan wajah.

Banyak algoritma yang awalnya dikembangkan untuk pengenalan wajah digunakan dalam bidang
penelitian lain, misalnya, dalam analisis ekspresi wajah untuk menginterpretasikan keadaan emosi
seseorang. Analisis ekspresi wajah mengacu pada sistem komputer yang mencoba untuk secara otomatis
menganalisis dan mengenali gerakan wajah dan perubahan fitur wajah dari informasi visual. Pendekatan
umum untuk analisis ekspresi wajah otomatis terdiri dari tiga langkah yang ditunjukkan pada Gambar. 2:
akuisisi wajah, ekstraksi dan representasi data wajah, dan pengenalan ekspresi wajah.

Gambar Struktur dasar sistem analisis ekspresi wajah.

Pengenalan ekspresi wajah otomatis yang telah menggabungkan pencapaian di bidang terkait seperti
studi psikologis,gerakan manusia, deteksi wajah, pelacakan wajah, dan pengenalan wajah, memperkaya
wajah pemahaman gambar termasuk pemodelan wajah, dll. Ini memiliki banyak kemajuan dan
keberhasilan baru-baru ini [9, 10] dan dapat diterapkan di banyak bidang seperti emosi dan
komunikasipsikologi klinis, psikiatri, neurologi, penilaian deteksi kebohongan, lingkungan cerdas, dan
antarmuka manusia-komputer multimodal. Ekspresi ketakutan, kebahagiaan, jijik, dan kemarahan
dengan mudah dan universal ditafsirkan sebagai menyampaikan informasi tentang keadaan internal
orang lain. Pengenalan ekspresi wajah otomatis adalah salah satu contoh yang mewakili kecenderungan
baru untuk beralih dari sistem sederhana identifikasi dan/atau otentikasi manusia ke sistem generasi
baru yang mampu mengenali keadaan emosional, fisik, dan psikologis seseorang. Saat ini teknologi tidak
hanya tertarik pada identitas seseorang, tetapi juga pada karakteristik kepribadiannya, perasaan, minat,
motivasi, dll.

Setelah meninjau pendekatan yang ada untuk pengenalan karakteristik psikologis dari citra wajah, kita
sampai pada kesimpulan bahwa metode dan algoritma yang dikembangkan dalam pengenalan wajah
dan pengenalan ekspresi wajah dapat disesuaikan dan diterapkan dalam sistem komputer pengenalan
karakteristik psikologis otomatis dari potret wajah. Subyek penyelidikan yang diperlukan adalah metode
pemrosesan dan analisis citra yang dimaksudkan untuk menyelesaikan tugas-tugas seperti:

● Memperoleh/menormalkan citra wajah sesuai dengan ISO/IEC 19794-5:2005 [11] yang

menetapkan persyaratan fotografi dan format untuk citra wajah.
● Mengembangkan metode pendeteksian parameter wajah antropometrik dasar yang cepat dan
andal (pusat mata, garis horizontal mata, garis simetri vertikal, garis pangkal hidung, sudut bibir,
dll.), algoritme harus koheren dengan standar ISO/IEC 19794-5: 2005 dan persyaratan untuk
sistem komputer pengenalan karakteristik psikologis otomatis dari citra wajah (lihat Gambar
4-5).
● Mengembangkan algoritma untuk sintesis dua citra wajah baru dari hanya bagian kanan (RR) dan
hanya bagian kiri (LL) dari citra wajah asli, normalisasi citra wajah menurut parameter
antropometrik spesifik dan faktor lainnya (lihat Gambar 6).
● Mendefinisikan struktur database gambar yang menyimpan gambar wajah asli dan hasil sintesis,
dan menentukan metode akses ke database.
● Menyesuaikan algoritma untuk deteksi dan normalisasi bagian wajah/fitur.
● Mengembangkan metode untuk penghitungan otomatis perbedaan dan persamaan antara
bagian wajah dan juga antara citra wajah asli dan dua citra wajah hasil sintesis (RR dan LL).
2.6 Desain dan Fungsi Antarmuka Aplikasi

Pada bulan Juli 2013, EllisLab mengumumkan bahwa mereka mencari pemilik baru untuk
CodeIgniter karena internal mereka sendiri tidak memiliki cukup fokus untuk terus
mengembangkan CodeIgniter. Akhirnya pada bulan Oktober 2014, kepemilikan CodeIgniter
berpindah tangan kepada British Columbia Institute of Technology, salah satu sekolah tinggi
teknologi di Kanada.

Gambar Parameter citra wajah standar sesuai ISO/IEC 19794-5:2005

Gambar Hasil deteksi wajah/kandidat dari citra masukan menggunakan “Face Detec-tor/Localizer”.

Pada poin 2 di atas kebutuhan algoritme yang efektif untuk mendeteksi parameter wajah antropometrik
dasar (pusat mata, garis horizontal mata, garis dasar hidung, sudut bibir, dll.) diungkapkan. Sebenarnya,
banyak peneliti di bidang pengenalan wajah dan pengenalan ekspresi wajah mengandalkan pengukuran jarak
relatif antara titik kunci wajah yang penting: sudut mata, sudut mulut, ujung hidung, dan tepi dagu Ini
menjelaskan salah satu pendekatan yang mungkin untuk ekstraksi fitur dan klasifikasi untuk pengenalan
karakteristik psikologis dari wajah. Mula-mula daerah wajah dideteksi dari citra masukan. Jenis kelamin

4
seseorang penting untuk beberapa fitur wajah dan klasifikasi komponen, sehingga harus ditentukan.
Kemudian komponen wajah diekstraksi. Active Appearance Model (AAM) dapat digunakan untuk
mengekstrak titik fitur wajah. Dari titik fitur wajah ini, berbagai ukuran dihitung untuk membedakan setiap
komponen wajah ke dalam kelas yang ditentukan, seperti mata besar, mulut kecil, dan sebagainya.
Setelah mengklasifikasikan komponen wajah dengan masing-masing kriteria klasifikasi dan jenis kelamin
subjek, informasi fisiognomik dihasilkan dengan menggabungkan hasil klasifikasi dari setiap kriteria
klasifikasi.
Meskipun pendekatan ini memiliki keuntungan dalam mengurangi jumlah variabel, kelemahan utama
mungkin adalah kesulitan dalam menentukan kumpulan poin kunci terbaik untuk diukur. Pendekatan
alternatif adalah memproses wajah secara holistik, dan juga harus ditinjau dengan cermat dalam
penerapannya pada sistem komputer pengenalan karakteristik psikologis otomatis. Teknik holistik, seperti
pencocokan template, mempertahankan banyak informasi yang terkandung dalam gambar asli dan sering
lebih disukai karena memungkinkan sistem pengklasifikasi untuk menemukan fitur yang relevan secara a
posteriori. Selanjutnya, pendekatan template telah terbukti mengungguli sistem berbasis fitur.
Keuntungan lain dalam menggunakan teknik klasifikasi wajah holistik adalah bahwa mereka mampu
mensintesis wajah dan, dengan demikian, dapat digunakan untuk menghasilkan wajah dengan fitur
wajah yang mengungkapkan karakteristik psikologis tertentu.

Gambar Hasil deteksi parameter antropometri wajah menggunakan “Facial Fe-ature Detector”.

Gambar Hasil preprocessing citra dan ekstraksi daerah wajah eksternal dan internal untuk analisis lebih lanjut
pengenalan wajah
Pendekatan yang efektif dapat dilakukan dengan memodelkan sifat-sifat tertentu secara langsung
menggunakanteknik pengenalan wajah holistik, seperti analisis komponen prinsip (PCA) yang telah terbukti berhasil
mengklasifikasikan wajah berdasarkan identitas, emosi, jenis kelamin, dan usia. Dengan demikian, pengklasifikasi
jenis ini diharapkan berhasil dalam klasifikasi fitur wajah untuk interpretasi sifat psikologis.

Selain itu, tidak tersedia database wajah yang sesuai untuk penelitianulang karakteristik psikologis.
Basis data FERET [dan lainnya yang serupa tersedia untuk peneliti dalam pengenalan wajah, tetapi
mereka telah dikembangkan terutama untuk mengevaluasi teknik identifikasi wajah dan berisi banyak
foto-grafik dari sekumpulan kecil individu yang bervariasi dalam pose, kondisi pencahayaan, ekspresi
wajah, dan penambahan aksesori penutup seperti topi dan kacamata. Foto-foto wajah, gambar wajah,
dan wajah yang disatukan menggunakan program komposit Identi-Kit atau FACES dapat digunakan
untuk pengembangan database wajah baru untuk eksperimen dalam pengenalan karakteristik psikologis.
Database dengan foto wajah yang khusus digunakan untuk tugas pengenalan karakteristik psikologis
harus berisi tiga gambar dari setiap model manusia (frontal) gambar dan gambar profil kiri dan kanan)
dengan dimensi lebar tidak kurang dari 768 piksel dan panjang 1024 piksel. Jika model memakai
kacamata, maka tiga gambar harus diambil tanpa kacamata, dan gambar depan tambahan harus diambil
dengan kacamata. Di antara persyaratan lainnya, mari kita sebutkan bahwa wajah harus diterangi secara
merata dan tidak boleh memiliki bayangan; direkomendasikan bahwa model harus memiliki ekspresi
wajah yang netral (tanpa senyum), mata harus terbuka secara normal dan mulut harus tertutup; wajah
tidak boleh terhalang oleh benda apa pun, jadi disarankan untuk menyembunyikan rambut dengan
menariknya ke belakang telinga.
 BAB III

Kesimpulan
Tugas ini menunjukkan kecenderungan baru untuk beralih dari sistem pengenalan wajah ke sistem
generasi baru yang dapat mengenali keadaan emosional, fisik, dan psikologis seseorang. Beberapa
metode dan alat untuk pengenalan karakteristik psikologis dari citra wajah disebutkan, meskipun tidak
otomatis. Makalah ini memberikan beberapa pertimbangan tentang sistem komputer pengenalan
karakteristik psikologis otomatis dari citra wajah, seperti skema dasar fungsinya, pemrosesan citra dan
metode analisis yang dapat diterapkan, pendekatan holistik dan berbasis fitur, database citra untuk
eksperimen. Otomatisasi sistem komputer semacam itu berpotensi membuat dampak sosial yang besar
dan mendapatkan aplikasi psikologis, pendidikan, dan bisnis yang tak terhitung jumlahnya. Selain itu,
dapat memberikan manfaat besar bagi teknologi, seperti interaksi manusia-komputer di tingkat yang lebih
tinggi.
 DAFTAR PUSTAKA
[1] Visage Project for Physiognomy Data, can be found at http:// face-and-emotion. com/ dataface/
visage/ about_visage.jsp.
[2] Digital Physiognomy Software: Match person’s face to his or her character. Can be found at http://
www.uniphiz.com/ physiognomy.htm.
[3] Anuashvili A. Fundamentals of Psychology. Scientific, Philosophic and Spiritual Fundamentals of
Psychology. The Institute for Control Problems Press, Moscow, 2001 (In Russian).
[4] Muldashev E. R. Whom did we descend from? OLMA-PRESS, Moscow 2002 (In Russian).
[5] Kamenskaya E., Kukharev G. Recognition of psychological characteristics from face. Metody Informatyki
Stosowanej, nr 1/2008, pp. 59-73, Poland, May 2008.
[6] Kukharev G. A., Chegolewa N. L. Face Recognition Systems. LETI, St. Petersburg, 2006.
[7] Kukharev G., Kuzminski A. Techniki Biometriczne. Część 1. Metody Rozpoznawa-nia Twarzy. Pracownia
Poligraficzna WI PS, 2003.
[8] Tian Y.-L., Kanade T., Cohn J. F. Facial Expression Analysis. In: Handbook of face recognition, Li S. Z.,
Jain A. K. (eds.), pp. 247-276, Springer, 2005.
[9] Cohn J., Kanade T., Moriyama T., Ambadar Z., Xiao J., Gao J., Imamura H. A comparative study of
alternative facs coding algorithms. Technical Report CMU-RI-TR-02-06, Robotics Institute, Carnegie
Mellon University, Pittsburgh, No-vember 2001.
[10] Tian Y.-L., Kanade T., Cohn J. Recognizing action units for facial expression ana-lysis. IEEE Trans. on Pattern
Analysis and Machine Intelligence, 23(2):1-19, 2001.
[11] International Organization for Standardization: ISO/IEC 19794-5:2005 Informa-
tion technology – Biometric data interchange formats – Part 5: Face image data, http:// www.iso.org/
iso/ iso_catalogue/ catalogue_tc/ catalogue_detail.htm? csnumber=38749
[12] Masicz P., Kukharev G. Scientific research of the “Face Locator” environment which uses the Method
of oval object location and the variable ray procedure. Polish Journal of Environmental Studies, Vol. 16,
No. 4A, 2007, pp. 173-176.
[13] Brunelli R., Poggio T. Face Recognition through Geometrical Features. Lecture No-tes In Computer
Science; Vol. 588 archive. Proceedings of the Second European Conference on Computer Vision, pp.
792-800, 1992.
[14] Vetter T., Poggio T. Linear Object Classes and Image Synthesis From a Single Example Image. IEEE
Transactions on Pattern Analysis and Machine Intelligence, vol. 19, no. 7, pp. 733-742, 1997.
[15] Brahnam S. A study in artificial personality from the perspective of the observer. Proceedings of the
Modeling Other Agents from Observations (MOO), pp. 57-64, New York City, 2004.
[16] Phillips P. J., Moon H., Rauss P. J., Rizvi S. The FERET evaluation methodology for face recognition
algorithms. IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 22, No. 10, October 2000.
The FERET Database can be found at http:// www.itl.nist.gov/ iad/ humanid/ feret/ .
[17] Identi-Kit software, can be found at http:// www.identikit.net/ .
[18] Faces software by InterQuest, can be found at http://
www.resourcemanagement.net/ .