Jurnal Informatika Kaputama (JIK), Vol. 8 No.

1, Januari 2023 P-ISSN : 2548-9739

E-ISSN : 2685-5240

SISTEM PENGENALAN WAJAH PADA SISTEM KYC DENGAN

ALGORITMA LOCAL BINARY PATTERN HISTOGRAM

Hafidz Ubaidillah1, Henny Dwi Bhakti2

1
Teknik Informatika, Fakultas Teknik, Universitas Muhammadiyah Gresik
email: 1hafidz21ub@gmail.com, 2hennydwi@umg.ac.id,

ABSTRAK
Seiring meningkatnya pengguna internet pasca pandemi, tingkat keamanan sebuah aplikasi
fintech perlu meningkatkan keamanannya. Oleh karena itu, Bangbeli menerapkan prosedur KYC
dengan teknologi pengenalan wajah dan protokol keamanan ketat untuk memastikan verifikasi
identitas dan melindungi data pribadi pengguna sesuai peraturan Bank Indonesia. Dengan
menggunakan haar cascade classifier, Local Binary Pattern Histogram, dan histogram equalization
telah berhasil membuat sebuah API(Application Programming Interface) untuk melatih dan
memprediksi wajah. Metode-metode ini dipilih karena memiliki kredibilitas yang baik memiliki
akurasi 88% dengan 33 sampel, dan 90% dengan 10 sampel. Penelitian ini berfokus untuk membangun
API agar hasilnya dapat dikonsumsi oleh layanan mobile Bangbeli dan berhasil mendapatkan akurasi
87.5%, presisi 81.25%, recall 87.5% dan tingkat kesalahan 25%. Terlihat bahwa model memiliki
kinerja yang baik dalam mengenali wajah, dengan tingkat kesalahan yang masih dapat diterima.
Meskipun presisi sedikit lebih rendah dari recall, hal ini menunjukkan bahwa model lebih cenderung
untuk mengidentifikasi sebagian besar data positif dengan beberapa kesalahan, daripada membuang
potensi wajah yang seharusnya diidentifikasi.

Kata kunci: KYC, Pengenalan Wajah, API, Algoritma Local Binary Pattern Histogram

ABSTRACT
With the increasing internet usage post-pandemic, ensuring the security of a fintech application
becomes imperative. Bangbeli implements KYC procedures using facial recognition technology and
stringent security protocols to verify identities and safeguard users' personal data in compliance with
Bank Indonesia regulations. Utilizing Haar Cascade Classifier, Local Binary Pattern Histogram, and
histogram equalization, an API (Application Programming Interface) has been created for facial
training and prediction. These methods were chosen for their credibility, achieving an 88% accuracy
with 33 samples and 90% with 10 samples. This study focuses on constructing an API for mobile
services at Bangbeli, achieving 87.5% accuracy, 81.25% precision, 87.5% recall, and a 25% error
rate. The model demonstrates good performance in facial recognition, with an acceptable error rate.
Although precision is slightly lower than recall, it suggests the model is more inclined to identify most
positive data with some errors rather than discard potentially identifiable faces.

Keywords: KYC, Face Recognition, API, Local Binary Pattern Histogram Algorithm
1. PENDAHULUAN dunia. Dengan adanya pembatasan sosial dan
Pandemi telah berdampak signifikan pada kegiatan berbasis fisik yang terbatas,
meningkatnya pengguna internet di seluruh masyarakat beralih ke internet untuk

1
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023
menjalankan berbagai aktivitas, termasuk
bekerja, belajar, berkomunikasi, dan berbelanja
secara online. Selain itu, fenomena ini juga
berdampak pada meningkatnya jumlah
transaksi keuangan digital yang dilakukan oleh
pengguna, baik untuk pembayaran layanan
maupun produk secara virtual. Namun,
semakin pesatnya pertumbuhan transaksi
keuangan digital ini juga membawa tantangan
baru dalam aspek keamanan. Karena alasan
tersebut, perlindungan keamanan yang lebih
ketat perlu diterapkan untuk melindungi
aktivitas transaksi, data pemilik akun, serta
mencegah risiko kejahatan seperti pencucian
uang dan tindak kriminal lainnya. Dalam
konteks ini, perusahaan dan pelaku industri
harus secara proaktif mengembangkan sistem
keamanan yang andal dan terus menerus
memperbarui strategi untuk menjaga integritas
dan kepercayaan pengguna terhadap ekosistem
transaksi keuangan digital [1].
Untuk memastikan keamanan transaksi
dan melindungi data pribadi pengguna,
Bangbeli menerapkan prosedur Know Your
Customer (KYC) yang sesuai dengan peraturan
Bank Indonesia nomor 23/6/PBI/2021 tentang
penyedia jasa pembayaran [2]. KYC adalah
kebijakan yang mengharuskan penyedia
layanan keuangan untuk melakukan verifikasi
identitas pelanggan sebelum memberikan akses
atau melakukan transaksi keuangan. Dalam hal
ini, Bangbeli menggunakan fitur kemampuan
untuk menangkap gambar wajah pengguna dan
kartu identitas mereka sebagai bagian dari
proses KYC. Dengan mengadopsi teknologi
pengenalan wajah dan algoritma pemrosesan
citra terkini, Bangbeli dapat memverifikasi
keaslian identitas pengguna dengan tingkat
akurasi yang tinggi. Selain itu, protokol
keamanan yang ketat diterapkan dalam
pengelolaan data pribadi pengguna, sesuai
dengan persyaratan peraturan yang berlaku,
P-ISSN : 2548-9739
E-ISSN : 2685-5240
untuk menjaga kerahasiaan dan integritas
informasi yang terkait dengan transaksi dan
identitas pengguna.
Selain fitur KYC, Bangbeli juga
mengakui pentingnya fitur pemulihan akun
yang aman dan terpercaya. Kami telah
mengimplementasikan fitur pemulihan akun
yang hanya dapat diakses oleh pemilik asli
akun atau pengguna yang telah mengaktifkan
fitur KYC. Fitur baru yang kami tambahkan
adalah verifikasi kemiripan foto wajah saat
pengguna melakukan pemulihan akun dengan
menggunakan foto wajah yang telah digunakan
saat mengaktifkan fitur KYC. Kami
menggunakan metode Local Binary Pattern
Histogram untuk membandingkan kemiripan
foto, yang memberikan tingkat keamanan
tambahan dan melindungi pengguna dari
potensi kebocoran informasi atau
penyalahgunaan akun.
Local Binary Pattern Histogram (LBPH)
adalah metode ekstraksi ciri untuk pengenalan
wajah yang bekerja dengan mengukur
perubahan intensitas piksel di sekitar setiap
piksel dalam gambar. Ini menghasilkan
representasi biner pola tekstur untuk setiap
piksel dan kemudian menghitung histogram
pola biner di seluruh gambar [6]. LBPH adalah
alat yang kuat dalam pengenalan wajah karena
mampu mengatasi variasi cahaya, pose, dan
ekspresi wajah, dan telah digunakan dalam
berbagai aplikasi keamanan dan pengenalan
wajah. LBPH memiliki keunggulan dalam
pengenalan wajah untuk industri karena
ketahanan terhadap variasi wajah, kemampuan
ekstraksi ciri lokal yang akurat, kinerja real-
time, kemudahan integrasi, akurasi tinggi,
adaptabilitas, skalabilitas, dan aplikasi yang
serbaguna, menjadikannya solusi yang andal
dan efektif dalam meningkatkan keamanan,
otomatisasi, dan analisis citra industri.
Berdasarkan penelitian dalam artikel
2
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

sebelumnya, metode Local Binary Pattern

Histogram dikombinasikan dengan algoritma
Haar Cascade Classifier dengan jumlah 10
sampel individu mendapatkan akurasi 90% [3].
Dalam penelitian lain dengan metode yang
sama namun ditambahkan histogram
equalization dengan jumlah 35 sampel individu
mendapatkan akurasi 88%. Dengan
ditambahkan histogram equalization pada
metode Local Binary Pattern Histogram dapat
menyesuaikan intensitas cahaya pada gambar
sehingga gambar dengan intensitas cahaya
rendah dapat ditangani dengan akurasi 88% [4].
Namun histogram equalization memiliki
kelemahan pada citra dengan variasi intensitas
piksel yang sangat ekstrem sehingga diperlukan
pengolahan citra tambahan [5].

3
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

2. TINJAUAN PUSTAKA dan mungkin juga foto identitas.

2.1 Know Your Customer (KYC) Aplikasi harus menyediakan antarmuka
Know Your Customer (KYC) adalah pengguna yang memungkinkan
prinsip penting yang diterapkan dalam industri pelanggan memasukkan dan
keuangan. Prinsip ini bertujuan untuk mengunggah informasi ini dengan
memastikan bahwa informasi detail tentang aman. Selain itu, ada juga kebutuhan
pelanggan dikumpulkan dan dipelajari dengan untuk menggunakan algoritma
cermat. KYC melibatkan proses verifikasi pemadanan data yang akurat untuk
identitas pelanggan serta pengumpulan memverifikasi keaslian informasi yang
informasi tentang aktivitas mereka. Hal ini diberikan dengan menggunakan
membantu pihak berwenang dalam database terpercaya, seperti database
mengidentifikasi potensi aktivitas yang kependudukan atau basis data identitas
mencurigakan yang dapat membahayakan nasional. Proses verifikasi identitas ini
sistem keuangan [7]. penting untuk memastikan bahwa hanya
Implementasi prinsip KYC memiliki pelanggan yang sah yang dapat
manfaat yang signifikan. Pertama, dengan menggunakan layanan transaksi
menerapkan KYC, industri keuangan dapat keuangan.
mencegah risiko potensial yang dapat terjadi 2. Pemantauan Aktivitas Pelanggan
akibat pelanggan yang tidak sah atau aktivitas Selain verifikasi identitas, aplikasi
yang mencurigakan. KYC membantu dalam juga harus dilengkapi dengan
mengidentifikasi tindakan yang tidak wajar, mekanisme pemantauan aktivitas
sehingga memungkinkan langkah-langkah pelanggan yang efektif. Ini melibatkan
pencegahan dapat diambil secara proaktif. penggunaan algoritma analisis data
Selain itu, prinsip KYC juga berperan dalam untuk mendeteksi aktivitas yang
menjaga integritas sistem keuangan dengan mencurigakan atau tidak wajar.
memastikan bahwa pelanggan yang terlibat Contohnya, aplikasi dapat mengawasi
dalam transaksi keuangan adalah orang yang pola transaksi yang tidak biasa, seperti
tepat dan memiliki riwayat yang terverifikasi transaksi dengan nilai yang tidak
dengan baik [8]. proporsional atau pola transaksi yang
Implementasi KYC dalam aplikasi tidak konsisten dengan kebiasaan
pelayanan transaksi keuangan melibatkan pelanggan sebelumnya. Dalam hal ini,
beberapa hal teknis yang penting. Berikut aplikasi perlu dilengkapi dengan sistem
adalah dua poin yang dapat menjelaskan kecerdasan buatan (AI) yang dapat
beberapa aspek teknis yang terkait: menganalisis data secara real-time dan
1. Proses Verifikasi Identitas menghasilkan peringatan atau tindakan
Dalam implementasi KYC dalam preventif jika ada aktivitas yang
aplikasi transaksi keuangan, penting mencurigakan. Pemantauan aktivitas
untuk memiliki proses verifikasi pelanggan yang efektif dapat membantu
identitas yang kuat. Ini melibatkan mencegah tindakan kejahatan keuangan,
pengumpulan informasi pribadi dari seperti pencucian uang atau pendanaan
pelanggan, seperti nama lengkap, terorisme.
alamat, tanggal lahir, nomor identitas,

4
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023
Dalam kesimpulan, prinsip KYC dalam
industri keuangan menjadi penting untuk
memastikan keamanan dan keandalan sistem
keuangan. Dengan memahami dan menerapkan
prinsip KYC secara efektif, pihak berwenang
dapat mengidentifikasi potensi risiko dan
aktivitas mencurigakan, serta menjaga
integritas industri keuangan secara
keseluruhan.
2.2 OTP
One-Time Password (OTP) merupakan
fitur keamanan yang sangat penting dalam
aplikasi untuk melindungi akun pengguna. OTP
adalah kode yang hanya berlaku sekali dan
dikirimkan kepada pengguna melalui pesan
teks, email, atau aplikasi otentikasi khusus
setelah mereka memasukkan informasi login
yang benar. Penggunaan OTP membantu
mencegah akses yang tidak sah ke akun
pengguna, karena setiap kode OTP hanya
berlaku untuk satu kali login atau transaksi
tertentu. Dengan memasukkan OTP yang valid,
pengguna dapat membuktikan identitas mereka
dengan lebih kuat, memberikan lapisan
keamanan tambahan dan mengurangi risiko
potensial terkait kebocoran kata sandi atau
serangan hacking [9].
Implementasi OTP dalam aplikasi
memberikan manfaat besar dalam menjaga
keamanan akun pengguna. Dengan menerima
kode OTP yang hanya berlaku sekali, pengguna
dapat merasa lebih yakin bahwa akun mereka
akan dilindungi dengan baik. Selain itu,
penggunaan OTP juga dapat membantu
mengurangi risiko serangan phishing, karena
kode OTP memerlukan interaksi langsung
antara pengguna dan aplikasi yang sah. Dalam
hal ini, aplikasi perlu menyediakan antarmuka
yang mudah digunakan untuk memasukkan dan
memverifikasi OTP, serta menjaga keamanan
P-ISSN : 2548-9739
E-ISSN : 2685-5240
dan kerahasiaan data pengguna selama proses
tersebut[10].
Secara keseluruhan, penggunaan One-
Time Password (OTP) sebagai fitur keamanan
dalam aplikasi memberikan keuntungan
penting dalam melindungi akun pengguna.
Dengan memerlukan kode OTP yang berlaku
sekali, pengguna dapat membuktikan identitas
mereka dengan lebih kuat dan mengurangi
risiko akses yang tidak sah. Implementasi OTP
yang baik memerlukan antarmuka pengguna
yang mudah digunakan dan memperhatikan
privasi serta keamanan data pengguna. Dengan
menerapkan OTP dengan baik, aplikasi dapat
meningkatkan kepercayaan pengguna dan
memberikan tingkat keamanan yang lebih
tinggi bagi akun mereka.
2.3 Local Binary Pattern Histogram
LBPH (Local Binary Pattern Histogram)
adalah algoritma pengenalan wajah yang
digunakan untuk mengenali wajah dari gambar.
Algoritma ini menghitung histogram dari pola
biner lokal yang ditemukan pada gambar.
LBPH dapat digunakan untuk mengenali wajah
dengan kondisi pencahayaan yang berbeda-
beda dan juga dapat digunakan untuk
mengenali wajah yang terdistorsi [4].
LBPH adalah singkatan dari Local Binary
Pattern Histogram. LBP (Local Binary Pattern)
adalah operator tekstur yang digunakan untuk
menggambarkan fitur tekstur pada gambar
digital. LBP menghitung pola biner lokal pada
gambar dan kemudian menghasilkan histogram
dari pola biner tersebut. LBPH adalah
pengembangan dari LBP, di mana histogram
dari pola biner lokal dihitung pada beberapa
area kecil pada gambar, dan kemudian
histogram tersebut digabungkan menjadi satu
histogram besar [3].
Algoritma ini dapat digunakan untuk
5
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

berbagai aplikasi seperti klasifikasi citra,

segmentasi tekstur, pengenalan wajah, dan lain- 3. METODE PENELITIAN
lain. Algoritma ini memiliki beberapa 3.1 Alur Prosedur Pemulihan Akun
kelebihan, antara lain:
1. Sederhana dan efisien dalam perhitungan.
2. Invariant terhadap perubahan intensitas
cahaya pada gambar.
3. Dapat menangkap pola lokal dan kontras
skala abu-abu pada tekstur.
4. Dapat disesuaikan dengan ukuran dan
bentuk lingkungan piksel yang diinginkan.
Berikut adalah langkah-langkah umum
dari algoritma LBPH [4]:
1. Konversi gambar menjadi grayscale.
2. Tentukan ukuran dan bentuk lingkungan
piksel yang akan digunakan, misalnya 3x3,
5x5, lingkaran, dll.
3. Untuk setiap piksel pada gambar,
bandingkan nilai grayscale-nya dengan
nilai piksel tetangganya dan berikan nilai
biner 1 jika lebih besar atau sama, dan 0
jika lebih kecil.

Gambar 2.1. Pengambilan nilai pixel threshold

4. Susun nilai biner tersebut menjadi sebuah
bilangan biner, misalnya 00111001, dan
konversi menjadi bilangan desimal,
misalnya 57.
5. Ganti nilai piksel pada gambar dengan
nilai desimal tersebut. Hasilnya adalah
gambar LBP.
6. Hitung histogram dari gambar LBP, yaitu
frekuensi kemunculan dari setiap nilai
desimal dari 0 sampai 255. Histogram ini
dapat digunakan sebagai fitur deskriptor
dari gambar.

Gambar 3.1. Flowchart Prosedur Pemulihan

Akun
Alur sistem verifikasi wajah untuk

6
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

mendukung sistem keamanan akun pengguna

ketika pengguna lupa kode PIN miliknya.
Sebelum pengguna dapat memulihkan kode
PIN miliknya, pengguna perlu memverifikasi
kode OTP setelah memasukkan nomor telepon
untuk kemudian melakukan verifikasi wajah
untuk mencegah pemulihan akun oleh selain
pemilik asli akun yang akan dipulihkan.
3.2 Alur Sistem Verifikasi Kode OTP Via
Nomor Telepon
Verifikasi kode OTP sebelum pengguna
dapat memulihkan akun diperlukan untuk
memastikan apakah pengguna sudah terdaftar
atau belum pada aplikasi juga untuk
memastikan nomor telepon yang dimasukkan
dapat diakses oleh pemilik akun yang ingin
memulihkan akunnya.
3.3 Alur Verifikasi Wajah
Dengan pengambilan gambar secara
langsung menggunakan kamera kemudian
membandingkan kemiripan gambar wajah
pengguna dengan gambar wajah yang pernah
diambil ketika mengaktifkan fitur KYC.
Sebagai fitur keamanan aplikasi penyedia jasa
pembayaran, pengawasan terhadap fitur
keamanan sangat diperlukan untuk
menghindari malfungsi maupun tindak kriminal
cyber. Ketika verifikasi wajah berhasil,
aktifitas ini perlu dicatat agar dapat diperiksa
secara manual oleh admin dan ketika verifikasi
wajah gagal harus dicatat dan dibatasi untuk
menghindari pencurian akun atau aktifitas bot.
3.4 Alur Sistem Pengenalan Wajah dengan
Local Binary Pattern Histogram
Berikut adalah alur pengenalan wajah
dengan algoritma local binary pattern
histogram dalam API:

Gambar 3.2. Flowchart latih

1. Melatih data model untuk mengenali

7
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

wajah di endpoint POST /api/lbph/train

a. Memvalidasi data request yang
berisi username dan gambar.
b. Memuat model LBPH jika
sebelumnya sudah pernah
melatih model dan model face
classifier.
c. Menyimpan gambar ke
penyimpanan.
d. Mendeteksi data wajah dari
gambar menggunakan face
classifier.
e. Jika tidak terdapat 1 wajah,
maka operasi dihentikan dengan
status respon 400.
f. Menormalisasikan data.
g. Menyimpan data username
untuk mendapatkan ID untuk
melabeli data wajah yang akan
didapatkan nanti.
h. Mengambil data koordinat dari
wajah di poin d dan melabelinya
dengan id dari poin sebelumnya
(g).
i. Memperbarui model dengan
melatih ulang dengan data baru
dari point sebelumnya (h).
j. Menyimpan model ke
penyimpanan untuk melatih dan
prediksi model di endpoint lain.
Gambar 3.3. Flowchart prediksi
k. Mengirim balik respon berstatus
2. Memprediksi label dari model dengan
201 dengan data ID.
gambar di endpoint POST
/api/lbph/predict.
a. Memvalidasi data request yang
berisi username dan gambar.
b. Memuat model LBPH jika
sebelumnya sudah pernah
melatih model dan model face
classifier.
c. Menyimpan gambar ke
penyimpanan.
d. Mendeteksi data wajah dari

8
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

gambar menggunakan face partisipan dapat dilakukan dengan peta situs

classifier. sebagai berikut:
e. Jika tidak terdapat 1 wajah, 1. Halaman Utama
maka operasi dihentikan dengan Halaman ini menampilkan gambar hasil
status respon 400. prediksi yang dilakukan partisipan. Dalam
f. Mengambil data koordinat dari halaman ini juga terdapat tombol untuk
wajah di poin d. mendaftarkan atau memperbarui wajah yang
g. Memprediksi data koordinat dikenali (training image) dan memprediksi
wajah ini dengan data yang wajah.
sudah disimpan di model
sehingga mendapatkan label ID,
score dan gambar berlabel
sebagai laporan sistem untuk
admin.
h. Mengambil data pengguna dari
database menggunakan label ID.
i. Membandingkan username
Gambar 4.1, 4.2, 4.3. Fitur-fitur di halaman
dengan data dari label ID ini,
utama
jika berbeda, maka mengirim
Halaman ini juga menampilkan daftar
balik respon status 400 dengan
percobaan yang dilakukan para partisipan
pesan gagal.
beserta hasil gambar yang telah diprediksi.
j. Mengirim respon balik respon
status 200 dengan pesan sukses
dan endpoint untuk gambar hasil
prediksinya.
4. HASIL DAN PEMBAHASAN
Hasil penelitian berupa sebuah API
pengenalan wajah dengan
mengimplementasikan algoritma Haar Cascade
Classifier, Equalization Histogram dan Local
Binary Pattern Histogram dengan tambahan
tampak depan website untuk kebutuhan
Gambar 4.3. Daftar hasil prediksi
penelitian dalam satu domain website. Dataset
2. Halaman Pengambilan Gambar (/new-
yang digunakan dalam penelitian ini terdiri dari
face)
8 percobaan yang dikumpulkan dari teman dan
Halaman ini digunakan untuk
keluarga penulis. Proses pengumpulan data
menampilkan gambar yang telah dikompresi
melibatkan izin tertulis dari setiap individu
sebelum dikirim ke API. Halaman ini memiliki
yang terlibat, dengan tujuan spesifik
3 fungsi, untuk melatih gambar baru atau
penggunaan dataset dalam konteks penelitian
diperbarui dan untuk mengenali wajah pada
ini.
gambar (predict). Dengan mengisi form
Setelah website ini dipublikasikan,
username untuk mengisi data aktual sesuai
prosedur pengambilan foto dari partisipan
wajah yang tertangkap pada gambar.

9
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

FE 0 0 1 0 0 0 0 0
H 0 0 0 1 0 0 0 0
RA 0 0 0 0 1 0 0 0
RI 0 0 0 0 0 1 0 0
RO 0 0 0 0 0 0 1 0
Y 0 0 0 0 0 0 0 1
Akurasi = TP / Jumlah Data
= (0+1+1+1+1+1+1+1)/8
= 0.875
= 87.5%
Presisi = (PD+PFA+PFE+PH+PRA+PRI+PRO+
PY)/Jumlah Kelas
Gambar 4.4. Sebelum prediksi = (0+1+1+0.5+1+1+1+1)/8
Gambar 4.5. Setelah prediksi = 0.8125
3. Halaman Partisipan Terdaftar (/users) = 81.25%
Setelah gambar berhasil dilatih, data Recall = (R D+R FA+R FE+R H+R
tersebut akan terdaftar dan ditampilkan di RA+R RI+R RO+RY)/Jumlah
halaman ini. Halaman ini menampilkan Kelas
gambar-gambar partisipan yang berhasil = (0+1+1+1+1+1+1+1)/8
dilatih. = 0.875
= 87.5%
Error Rate = (FP+FN)/Total Data
= (1+1)/8
= 0.25
= 25%
Berdasarkan perhitungan akurasi, presisi,
dan recall pada implementasi pengenalan
wajah, diperoleh hasil akurasi sekitar 87.5%,
presisi mencapai 81.25%, recall mencapai
87.5%, dan tingkat kesalahan sebesar 25%.
Untuk memperoleh hasil pengujian yang lebih Terlihat bahwa model memiliki kinerja yang
akurat, rencananya akan dilakukan evaluasi baik dalam mengenali wajah, dengan tingkat
Confusion Matrix terhadap setiap kelas dalam kesalahan yang masih dapat diterima.
penelitian ini. Hasil Confusion Matrix yang Meskipun presisi sedikit lebih rendah dari
diperoleh akan dianalisis dan disajikan dalam recall, hal ini menunjukkan bahwa model lebih
Tabel 4.1. cenderung untuk mengidentifikasi sebagian
Tabel 4.1. Hasil pengujian confusion matrix besar data positif dengan beberapa kesalahan,
D FA FE H RA RI RO Y daripada membuang potensi wajah yang
seharusnya diidentifikasi.
D 0 0 0 1 0 0 0 0
FA 0 1 0 0 0 0 0 0

10
Jurnal Informatika Kaputama (JIK), Vol. 8 No. 1, Januari 2023 P-ISSN : 2548-9739
E-ISSN : 2685-5240

Daftar Pustaka
[1]M. A. Harahap and S. Adeni, “TREN PENGGUNAAN MEDIA SOSIAL SELAMA PANDEMI DI
INDONESIA,” Professional: Jurnal Komunikasi dan Administrasi Publik, vol. 7, no. 2, pp. 13–23, Dec. 2020.
[2]Gubernur Bank Indonesia, Peraturan Bank Indonesia. 2021. Accessed: Nov. 07, 2023. [Online]. Available:
https://www.bi.go.id/id/publikasi/peraturan/Documents/PBI_230621.pdf
[3]O. Pribadi, “APLIKASI PENGENALAN WAJAH MENGGUNAKAN ALGORITMA HAAR CASCADE
CLASSIFIER DAN LOCAL BINARY PATTERN HISTOGRAM,” Jurnal TIMES, vol. 12, no. 1, pp. 40–47,
Sep. 2023.
[4]A. Salman, M. Hayaty, and I. N. Fajri, “Facial Images Improvement in the LBPH Algorithm Using the
Histogram Equalization Method,” JUITA : Jurnal Informatika, vol. 10, no. 2, Nov. 2022, doi:
10.30595/juita.v10i2.13223.
[5]S. Saluky, Y. Marine, and N. Bahiyah, “Penerapan Normalisasi Histogram untuk Peningkatan Kontras
Pencahayaan pada Pengamatan Visual CCTV,” Jurnal Informatika: Jurnal Pengembangan IT, vol. 8, no. 3, pp.
188–192, Sep. 2023.
[6]R. Mare, “Understanding Facial Recognition Using Local Binary Pattern Histogram (LBPH) Algorithm,”
Engineering Education (EngEd) Program | Section, Jul. 16, 2021. https://www.section.io/engineering-
education/understanding-facial-recognition-using-local-binary-pattern-histogram-algorithm/ (accessed Nov. 07,
2023).
[7]N. Isima and S. A. Khoirunnisa, “Implementation of Know your Customer Principles in Syariah Banking,”
Kunuz: Journal of Islamic Banking and Finance, vol. 3, no. 1, pp. 1–12, Jun. 2023, doi:
10.30984/kunuz.v3i1.600.
[8]F. Bempah, A. Lanini, and S. Syachdin, “PENERAPAN PRINSIP MENGENAL NASABAH (KNOW
YOUR CUSTOMER PRINCIPLES) SEBAGAI UPAYA PENCEGAHAN TINDAK PIDANA PENCUCIAN
UANG (MONEY LAUNDRING) PADA PT. BANK RAKYAT INDONESIA (PERSERO) TBK KANTOR
CABANG LUWUK,” Tadulako Master Law Journal, vol. 6, no. 2, pp. 154–171, Jun. 2022.
[9]N. S. Hapsari, Y. Fatman, and I. Isbandi, “Implementasi Metode One Time Password pada Sistem
Pemesanan Online,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 4, no. 4, pp. 930–939, Oct. 2020,
doi: 10.30865/mib.v4i4.2195.
[10]R. Christhalia and J. N. Sally, “PERLINDUNGAN KONSUMEN BANK TERHADAP TIDAK
TANGGUNG JAWABNYA BANK DALAM KASUS PENIPUAN KODE ONE TIME PASSWORD
DITINJAU DARI UNDANG-UNDANG NOMOR 8 TAHUN 1999 TENTANG PERLINDUNGAN
KONSUMEN (Studi Putusan Nomor 170 K/Pdt. Sus-BPSK/2020),” Jurnal Hukum Adigama, vol. 5, no. 2, pp.
715–734, Jan. 2022.

11