Realisasi Sistem Penjejakan Wajah dengan Algoritma Fisherface Berbasis Raspberry Pi.

(1)

REALISASI SISTEM PENJEJAKAN WAJAH DENGAN

ALGORITMA FISHERFACE BERBASIS RASPBERRY PI

Disusun oleh :

Natalio Andor Pangihutan Sihite (1022052)

Jurusan Teknik Elektro, Fakultas Teknik, Universitas Kristen Maranatha

Jalan Prof. Drg Surya Sumantri No. 65, Bandung 40164

ABSTRAK

Pada tugas akhir ini, dibuat sistem penjejakan wajah menggunakan algoritma Fisherface berbasis Raspberry Pi. Kamera terhubung dengan Raspberry Pi sebagai penangkap citra, dan motor servo digunakan sebagai aktuator yang terpasang dengan kamera untuk penjejakan wajah. Algoritma Fisherface adalah metode yang dapat mengekstraksi matriks citra wajah keabuan dengan analisis gabungan dari Principal Component Analysis (PCA) dan Linear Discriminant Analysis (LDA) untuk mendapatkan ciri dari citra wajah. Ciri-ciri dari citra wajah yang didapatkan akan dibandingkan dengan data ciri citra wajah yang telah disimpan di dalam database menggunakan metode jarak euclidean untuk mengetahui tingkat kemiripan. Setelah didpatkan posisi wajah, kamera yang digerakan oleh motor servo akan melakukan penjejakan wajah yang sebelumnya telah terdeteksi.

Dari hasil realisasi dan data pengamatan terhadap sepuluh objek dengan masing-masing objek diambil enam data, sistem ini dapat berfungsi sesuai tujuan, namun tingkat keberhasilan untuk wajah terdeteksi dan motor servo bergerak mengikuti posisi wajah masih belum maksimal (75%) dikarenakan kecepatan prosesorRaspberry Pi yang digunakan terbatas.

Kata Kunci : pengenalan wajah, Raspberry Pi, algoritma Fisherface, metode jarak euclidean, motor servo

(2)

REALIZATION OF FACE TRACKING SYSTEM WITH

FISHERFACE ALGORITHM BASED ON RASPBERRY PI

Written by:

Natalio Andor Pangihutan Sihite (1022052)

Electrical Engineering Department, Faculty of Engineering, Maranatha Christian University

Jl. Prof. Drg Surya Sumantri No. 65, Bandung 40164

ABSTRACT

In this research facial recognition process was done by using Fisherface algorithm. Raspberry Pi Camera connected to the Raspberry Pi for capturing image, and servo motors works as an actuator which installed to the camera for face tracking purpose. Fisherface algorithm able to do feature extraction from grayscale image by combining PCA (Principal Component Analysis) and LDA (Linear Discriminant Analysis) for computation. The extracted feature from the captured image will be compared by an image in the database by using euclidean distance method to analyze the resemblance of those. After face detected, the camera which is already installed with servo will track the detected face.

From the realization and experimental results of ten objects, six data for each object, shown that the system is working as purposed to be, but the chance of detecting face and the face tracking is not optimal yet (75%) due the limited processor speed of Raspberry Pi.

Keywords: facial recognition, Raspberry Pi, Fisherface algorithm, euclidean

(3)

iii

DAFTAR ISI

Hal

LEMBAR PENGESAHAN

PERNYATAAN ORISINALITAS LAPORAN PENELITIAN PERNYATAAN PUBLIKASI LAPORAN TUGAS AKHIR KATA PENGANTAR

ABSTRAK i

ABSTRACT ii

DAFTAR ISI iii

DAFTAR GAMBAR v

DAFTAR TABEL vi

BAB 1 PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 2

1.3 Tujuan 2

1.4 Batasan Masalah 2

1.5 Sistematika Penulisan 3

BAB 2 LANDASAN TEORI 5

2.1 Pengolahan Citra 5

2.1.1 Operasi Pengolahan Citra 5

2.2 Raspberry Pi Single Board Computer 7

2.3 Raspberry Pi Camera Module 10

2.4 Motor Servo 11

2.4.1 ServoBlaster 13

2.5 Bahasa Pemrograman Python 13

2.5.1 Variable Bahasa Python 14

2.5.2 Pernyataan Conditional 15

2.5.2.1 Pernyataan “If” 15

2.5.2.2 Pernyataan “Try/Except” 15

2.5.3 Pernyataan Looping 16

2.5.4 Function 16

2.5.4.1 Pernyataan “def” dan “return” 17

2.5.4.2 Fungsi Lambda 18

(4)

2.6.1 Fungsi dalam OpenCV 19

2.7 NumPy 20

2.7.1 Fungsi dalam NumPy 20

2.8 ModifiedExplicitly Defined Skin Region (EDSR) 21

2.9 Algoritma Fisherface 22

2.9.1 Perhitungan Eigenface 22

2.9.2 Perhitungan Fisherface 23

2.10 Jarak Euclidean (Euclidean Distance) 25

BAB 3 PERANCANGAN DAN REALISASI 26

3.1 Perancangan Sistem 26

3.2 Perancangan Perangkat Penjejakan Wajah 27

3.2.1 Perancangan Struktur Perangkat Penjejakan Wajah 27 3.2.2 Realisasi Struktur Perangkat Penjejakan Wajah 28

3.2.3 Wiring Diagram Raspberry Pi 30

3.2.4 Konfigurasi Pergerakan Servo 31

3.3 Diagram Alir Sistem Penjejakan Wajah 34

3.4 Diagram Alir Proses Pendeteksian Wajah 35

3.5 Diagram Alir Proses Ekstraksi Ciri 36

3.6 Diagram Alir Analisis Tingkat Kemiripan 37

3.7 Diagram Alir Pengendalian Motor Servo 38

3.8 Pembuatan Database 39

BAB 4 DATA PENGAMATAN DAN ANALISIS 40

4.1 Pembuatan Nilai Threshold 40

4.2 Pengamatan Kinerja Sistem 41

4.2.1 Gambar Hasil Penjejakan Wajah 58

4.2 Analisis Data 60

BAB 5 KESIMPULAN DAN SARAN 62

5.1 Kesimpulan 62

5.2 Saran 62

DAFTAR PUSTAKA 63

LAMPIRAN A LAMPIRAN B LAMPIRAN C

(5)

DAFTAR GAMBAR

Hal

Gambar 2.1 Raspberry Pi Model B+ 7

Gambar 2.2 Modul Raspicam 10

Gambar 2.3 Motor Servo Tower Pro MG90 11

Gambar 2.4 Sinyal PWM Servo 12

Gambar 3.1 Diagram Blok Sistem Penjejakan Wajah 26

Gambar 3.2.a Desain Struktur Tampak Depan 27

Gambar 3.2.b Desain Struktur Tampak Atas 28

Gambar 3.2.c Desain Struktur Tampak Samping 28

Gambar 3.3.a Struktur Perangkat Tampak Depan 28

Gambar 3.3.b Struktur Perangkat Tampak Belakang 28 Gambar 3.3.c Struktur Perangkat Tampak Samping Kiri 29 Gambar 3.3.d Struktur Perangkat Tampak Samping Kanan 29

Gambar 3.3.e Struktur Perangkat Tampak Atas 29

Gambar 3.3.f Dimensi Struktur Perangkat 29

Gambar 3.4 Wiring Diagram Face Tracking Device 30 Gambar 3.5 Mencari Nilai Pergerakan Servo Dalam Satuan Derajat 31 Gambar 3.6 Posisi Wajah Terdeteksi Pada Monitor 32 Gambar 3.7 Ilustrasi Kuadran Saat Penjejakan Wajah 33 Gambar 3.8 Diagram Alir Sistem Penjejakan Wajah 34 Gambar 3.9 Diagram Alir Proses Pendeteksian Wajah 35 Gambar 3.10 Diagram Alir Proses Ekstraksi Ciri 36 Gambar 3.11 Diagram Alir Analisis Tingkat Kemiripan 37 Gambar 3.12 Diagram Alir Pengendalian Motor Servo 38

Gambar 3.13 Contoh database wajah 39

Gambar 4.1 Ilustrasi Pengambilan Data 41

(6)

DAFTAR TABEL

Hal

Tabel 2.1 Spesifikasi Raspberry Pi 8

Tabel 2.2 GPIO Pin Raspberry Pi 9

Tabel 2.3 Spesifikasi Motor Servo Tower Pro MG90 12 Tabel 2.5 Beberapa cara assignment variabel dalam Python 15

Tabel 2.6 Jenis Function dalam Python 17

Tabel 4.1 Data Nilai Threshold 40

Tabel 4.2 Pengamatan Objek Pertama 42

Tabel 4.3 Pengamatan Objek Kedua 43

Tabel 4.4 Pengamatan Objek Ketiga 45

Tabel 4.5 Pengamatan Objek Keempat 47

Tabel 4.6 Pengamatan Objek Kelima 48

Tabel 4.7 Pengamatan Objek Keenam 50

Tabel 4.8 Pengamatan Objek Ketujuh 52

Tabel 4.9 Pengamatan Objek Kedelapan 53

Tabel 4.10 Pengamatan Objek Kesembilan 55

Tabel 4.11 Pengamatan Objek Kesepuluh 57

(7)

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Pendeteksian wajah adalah sebuah teknologi yang dapat menentukan lokasi wajah manusia pada sebuah citra dan mengabaikan objek lain seperti tubuh manusia, latar belakang dan barang-barang lain disekitar. Saat ini teknologi pendeteksi wajah semakin banyak diterapkan dalam kehidupan sehari-hari, antara lain untuk sistem pengenalan biometrik (yang dapat dikombinasikan dengan fitur biometrik lain seperti sidik jari dan suara), sistem pencarian pada database citra digital untuk sistem presensi, sistem keamanan untuk monitoring, sistem keamanan untuk akses ke suatu daerah tertentu/terbatas, konferensi video, video call dan interaksi manusia dengan komputer. Penjejakan wajah (face tracking) adalah teknologi yang dapat mengikuti pergerakan dari wajah yang telah terdeteksi sebelumnya, penjejakan wajah pun telah diaplikasikan dalam sistem keamanan dalam pabrik, bank, atau bahkan aplikasi dalam permainan elektronik (video games).

Pada tugas akhir ini akan direalisasikan sebuah alat untuk mendeteksi wajah kemudian melakukan penjejakan (tracking). Alat ini terdiri dari bagian perangkat keras (hardware) dan juga perangkat lunak (software). Perangkat keras berupa motor servo sebagai aktuator untuk menggerakan kamera sehingga memiliki dua derajat kebebasan (2 dof) untuk penjejakan, modul raspicam, dan komputer tunggal atau SBC (Single Board Computer) Raspberry Pi yang di dalamnya terdapat prosesor ARM1176JZF-S 700 MHz untuk melakukan pengolahan citra digital. Perangkat lunak berupa sistem operasi Raspbian dari Raspberry Pi, OpenCV, dan implementasi algoritma dalam bentuk pemrograman.

(8)

2 BAB 1 PENDAHULUAN

Universitas Kristen Maranatha Pengenalan wajah dilakukan dengan algoritma Fisherface, algoritma ini menggunakan prinsip LDA (Linear Discriminant Analysis) yang bekerja berdasarkan analisis penyebaran matriks (scatter matrix analysis) yang betujuan untuk menemukan suatu proyeksi optimal sehingga dapat memproyeksikan data input pada ruang dengan dimensi yang lebih kecil, maka semua pola (pattern)

dapat dipisahkan atau diklasifikasikan semaksimal mungkin. Algoritma

Fisherface dikatakan lebih handal dalam mengatasi masalah variasi cahaya dan ekspresi dari wajah dibanding algoritma berbasis PCA (Pricipal Component Analysis).

1.2 Perumusan Masalah

Perumusan masalah dari tugas akhir ini, yaitu :

1. Bagaimana perancangan dan realisasi dari sistem penjejakan wajah dengan algoritma Fisherface berbasis Raspberry Pi?

2. Bagaimana mengimplementasikannya ke dalam SBC Raspberry Pi?

1.3 Tujuan

Tujuan yang ingin dicapai dalam tugas akhir ini adalah :

1. Merancang dan merealisasikan sistem penjejakan wajah dengan algoritma Fisherface berbasis Raspberry Pi.

2. Mengetahui tingkat keberhasilan dari rancangan yang telah direalisasikan.

1.4 Batasan Masalah

Tugas akhir ini dibatasi dengan batasan-batasan sebagai berikut :

1. Wajah yang akan dideteksi adalah wajah tunggal tidak terhalang oleh objek lain, dengan posisi tegak dan tidak membelakangi kamera.

(9)

3 BAB 1 PENDAHULUAN

Universitas Kristen Maranatha 3. Digunakan OpenCV dan NumPy sebagai pengolah Fisherface

4. Program yang digunakan menggunakan bahasa pemrograman Python 5. Jarak antara kamera dan objek (wajah) berkisar antara 1-2m.

6. Manusia tidak mengenakan topeng, topi ataupun aksesoris lain yang menghalangi wajah

7. Sistem tidak sampai melakukan proses verifikasi dan identifikasi wajah seseorang.

8. Intensitas cahaya ruangan ± 100 lux dan tidak ada gangguan cahaya terhadap objek

1.5 Sistematika Penulisan

Sistematika penulisan untuk tugas akhir ini adalah sebagai berikut :

BAB 1 PENDAHULUAN

Pada bab ini berisikan tentang latar belakang masalah, perumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan laporan tugas akhir.

BAB 2 LANDASAN TEORI

Pada bab ini dijelaskan teori-teori dasar sebagai penunjang dalam merancang dan merealisasikan perangkat face tracking berupa dasar pengolahan citra digital, pengenalan akan Raspberry Pi B+, motor servo sebagai aktuator dan prinsip kerja PWM, raspicam sebagai kamera penangkap citra, algoritma Fisherface dan aplikasi dengan OpenCV dan NumPy, bahasa pemrograman Python dan fungsi-fungsi tambahan.

(10)

4 BAB 1 PENDAHULUAN

Universitas Kristen Maranatha

BAB 3 PERANCANGAN DAN REALISASI

Pada bab ini dijelaskan tentang perancangan dan realisasi sistem penjejakan wajah dengan algoritma Fisherface dan implementasinya dengan menggunakan Raspberry Pi serta diagram alir dari sistem tersebut.

BAB 4 DATA PENGAMATAN DAN ANALISIS DATA

Pada bab ini diterangkan cara pengambilan data, lalu ditampilkan data-data hasil pengujian wajah dideteksi dan dapat diikuti oleh kamera dengan penggerak motor servo, pengaruh lingkungan terhadap kestabilan perangkat dan pengujian respon perangkat, tingkat keberhasilan dari perangkat yang direalisasikan.

BAB 5 KESIMPULAN DAN SARAN

Pada bab ini berisi kesimpulan yang didapat dari keseluruhan perancangan dan realisasi sistem penjejakan wajah dan juga saran yang diberikan untuk penelitian dan pengembangan lebih lanjut oleh pihak lain.

(11)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil percobaan dan data yang didapatkan dapat disimpulkan : 1. Perancangan sistem penjejakan wajah dengan algoritma Fisherface berbasis

Raspberry Pi telah direalisasikan dan berfungsi sesuai tujuan. Dari percobaan yang dilakukan, masih ada beberapa wajah yang belum terdeteksi oleh sistem, mungking database perlu ditambahkan.

2. Tingkat keberhasilan untuk wajah terdeteksi dan motor servo bergerak mengikuti posisi wajah masih belum maksimal (75%). Rata-rata waktu pemrosesan algoritma Fisherface akan semakin cepat bila semakin sedikit jumlah database wajah, lalu untuk sistem yang real time pada saat keseluruhan pemrosesan terjadi delay ± 1 detik, disebabkan memori dan prosesor Raspberry Piyang terbatas.

5.2 Saran

Saran untuk penelitian dan pengembangan lebih lanjut :

1. Untuk optimasi sistem agar waktu proses eksekusi program lebih cepat dapat digunakan bahasa pemrograman C++ .

2. Untuk perangkat keras dari sistem akan lebih baik jika menggunakan motor servo dengan spesifikasi lebar pulsa lebih tinggi, agar gerakan penjejakan lebih halus karena lebar pulsa yang lebih besar.

3. Perlu dilakukan uji coba penambahan database pada sistem dengan tujuan agar sistem dapat mendeteksi wajah dengan lebih baik.

4. Dapat dikembangkan juga fungsi untuk verifikasi atau identifikasi wajah sebagai penunjang dalam aplikasi sistem keamanan.

(12)

DAFTAR PUSTAKA

1. Baggio, Daniel L., 2012. Emami, Shervin. Mastering OpenCV with Practical Computer Vision Project.

2. Belhumeur, P. N., J. P. Hespanha, D. J. Kriegman. “Eigenfaces vs. Fisherfaces: Recognition Using Class-Specific Linear Projection” by:IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 19, No. 7. (July 1997), pp. 711-720. 3. Bradski, B., A. Kaehler. 2008. Learning OpenCV. United State of America:

O’Reilly Media

4. Delac, K., M. Grgic, and S. Grgic. 2005. Independent Comparative Study of PCA, ICA, and LDA on the FERET Data Set, International Journal of Imaging Systems and Technology, Vol. 15, Issue 5, pp. 252-260

5. Hakim M.A.I. Pemanfaatan Mini PC Raspberry Pi Sebagai Pengontrol Jarak Jauh Berbasis Web Pada Rumah. Jurusan Teknik Komputer. Unikom, Bandung. UNIKOM_Malik Abdillah Ibnul Hakim_BAB-2.pdf – Elib UNIKOM

6. Li, Stan Z., Jain, Anil K. 2005. Handbook of Face Recognition, United States of America: Springer

7. Lutz, Mark, 2007. Learning Python (3th Edition). United States of America: O’Reilly Media, Inc.

8. M.Turk and A.Pentland . “Eigenfaces for Recognition” Journal of cognitive

neuroscience, 3(1),pp71-86,1991.1

9. Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik.

Bandung: Informatika Bandung. 10.Oliphant, T.E. 2006. Guide to NumPy.

11.Nixon, M.S., and A.S. Aguado. 2012. Feature Extraction & Image Processing for Computer Vision. London: Academic Press

12.Seo, Naotoshi. Eigenfaces and Fisherfaces. University of Maryland ENEE633 Pattern Recognition Project 2-1

13.Vezhnevets V., V. Sazonov, and A. Andreeva. A Survey on Pixel-Based Skin Color Detection Techniques. Graphics and Media Laboratory, Faculty of Computational Mathematics and Cybernetics, Moscow State University. Moscow, Russia.

(13)

Universitas Kristen Maranatha

14.Cahyadi, Regina V., Perancangan Pergerakan Webcam Berdasarkan Perubahan Posisi Wajah Menggunakan Metoda Eigenface Berbasis Raspberry Pi. Jurusan Teknik Elektro, Universitas Kristen Maranatha. Bandung. 2015

15.Wagner, Philip. 2012. Face Recognition with Python http://www.bytefish.de 16.Opencv Dev Team. 2014. Face Recognition with OpenCV.

http://docs.opencv.org/modules/contrib/doc/facerec/facerec_tutorial.html#id16 17.Robotics Lab. 2002. Database for Face Detection and Pose Estimation.

http://robotics.csie.ncku.edu.tw/Databases/FaceDetect_PoseEstimate.htm 18.https://elektronika-dasar.web.id/teori-elektronika/motor-servo/

(diakses Mei 2015)

19.https://www.raspberrypi.org/products/model-b-plus/ (diakses Mei 2015) 20.https://www.raspberrypi.org/blog/new-camera-mode-released/

(diakses Agustus 2015)

21.https://github.com/richardghirst/PiBits/blob/master/ServoBlaster/README.txt ( diakses Oktober 2015)

(1)

2 BAB 1 PENDAHULUAN

Universitas Kristen Maranatha Pengenalan wajah dilakukan dengan algoritma Fisherface, algoritma ini menggunakan prinsip LDA (Linear Discriminant Analysis) yang bekerja berdasarkan analisis penyebaran matriks (scatter matrix analysis) yang betujuan untuk menemukan suatu proyeksi optimal sehingga dapat memproyeksikan data input pada ruang dengan dimensi yang lebih kecil, maka semua pola (pattern) dapat dipisahkan atau diklasifikasikan semaksimal mungkin. Algoritma Fisherface dikatakan lebih handal dalam mengatasi masalah variasi cahaya dan ekspresi dari wajah dibanding algoritma berbasis PCA (Pricipal Component Analysis).

1.2 Perumusan Masalah

Perumusan masalah dari tugas akhir ini, yaitu :

1. Bagaimana perancangan dan realisasi dari sistem penjejakan wajah dengan algoritma Fisherface berbasis Raspberry Pi?

2. Bagaimana mengimplementasikannya ke dalam SBC Raspberry Pi?

1.3 Tujuan

Tujuan yang ingin dicapai dalam tugas akhir ini adalah :

1. Merancang dan merealisasikan sistem penjejakan wajah dengan algoritma Fisherface berbasis Raspberry Pi.

2. Mengetahui tingkat keberhasilan dari rancangan yang telah direalisasikan.

1.4 Batasan Masalah

Tugas akhir ini dibatasi dengan batasan-batasan sebagai berikut :

1. Wajah yang akan dideteksi adalah wajah tunggal tidak terhalang oleh objek lain, dengan posisi tegak dan tidak membelakangi kamera.

(2)

BAB 1 PENDAHULUAN

Universitas Kristen Maranatha 3. Digunakan OpenCV dan NumPy sebagai pengolah Fisherface

4. Program yang digunakan menggunakan bahasa pemrograman Python 5. Jarak antara kamera dan objek (wajah) berkisar antara 1-2m.

6. Manusia tidak mengenakan topeng, topi ataupun aksesoris lain yang menghalangi wajah

7. Sistem tidak sampai melakukan proses verifikasi dan identifikasi wajah seseorang.

8. Intensitas cahaya ruangan ± 100 lux dan tidak ada gangguan cahaya terhadap objek

1.5 Sistematika Penulisan

Sistematika penulisan untuk tugas akhir ini adalah sebagai berikut :

BAB 1 PENDAHULUAN

Pada bab ini berisikan tentang latar belakang masalah, perumusan masalah, tujuan penelitian, batasan masalah, dan sistematika penulisan laporan tugas akhir.

BAB 2 LANDASAN TEORI

Pada bab ini dijelaskan teori-teori dasar sebagai penunjang dalam merancang dan merealisasikan perangkat face tracking berupa dasar pengolahan citra digital, pengenalan akan Raspberry Pi B+, motor servo sebagai aktuator dan prinsip kerja PWM, raspicam sebagai kamera penangkap citra, algoritma Fisherface dan aplikasi dengan OpenCV dan NumPy, bahasa pemrograman Python dan fungsi-fungsi tambahan.

(3)

4 BAB 1 PENDAHULUAN

Universitas Kristen Maranatha BAB 3 PERANCANGAN DAN REALISASI

Pada bab ini dijelaskan tentang perancangan dan realisasi sistem penjejakan wajah dengan algoritma Fisherface dan implementasinya dengan menggunakan Raspberry Pi serta diagram alir dari sistem tersebut.

BAB 4 DATA PENGAMATAN DAN ANALISIS DATA

BAB 5 KESIMPULAN DAN SARAN

(4)

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan hasil percobaan dan data yang didapatkan dapat disimpulkan : 1. Perancangan sistem penjejakan wajah dengan algoritma Fisherface berbasis

Raspberry Pi telah direalisasikan dan berfungsi sesuai tujuan. Dari percobaan yang dilakukan, masih ada beberapa wajah yang belum terdeteksi oleh sistem, mungking database perlu ditambahkan.

2. Tingkat keberhasilan untuk wajah terdeteksi dan motor servo bergerak mengikuti posisi wajah masih belum maksimal (75%). Rata-rata waktu pemrosesan algoritma Fisherface akan semakin cepat bila semakin sedikit jumlah database wajah, lalu untuk sistem yang real time pada saat keseluruhan pemrosesan terjadi delay ± 1 detik, disebabkan memori dan prosesor Raspberry Pi yang terbatas.

5.2 Saran

Saran untuk penelitian dan pengembangan lebih lanjut :

1. Untuk optimasi sistem agar waktu proses eksekusi program lebih cepat dapat digunakan bahasa pemrograman C++ .

2. Untuk perangkat keras dari sistem akan lebih baik jika menggunakan motor servo dengan spesifikasi lebar pulsa lebih tinggi, agar gerakan penjejakan lebih halus karena lebar pulsa yang lebih besar.

3. Perlu dilakukan uji coba penambahan database pada sistem dengan tujuan agar sistem dapat mendeteksi wajah dengan lebih baik.

4. Dapat dikembangkan juga fungsi untuk verifikasi atau identifikasi wajah sebagai penunjang dalam aplikasi sistem keamanan.

(5)

DAFTAR PUSTAKA

1. Baggio, Daniel L., 2012. Emami, Shervin. Mastering OpenCV with Practical Computer Vision Project.

2. Belhumeur, P. N., J. P. Hespanha, D. J. Kriegman. “Eigenfaces vs. Fisherfaces: Recognition Using Class-Specific Linear Projection” by:IEEE Trans. Pattern Analysis and Machine Intelligence, Vol. 19, No. 7. (July 1997), pp. 711-720. 3. Bradski, B., A. Kaehler. 2008. Learning OpenCV. United State of America:

O’Reilly Media

4. Delac, K., M. Grgic, and S. Grgic. 2005. Independent Comparative Study of PCA, ICA, and LDA on the FERET Data Set, International Journal of Imaging Systems and Technology, Vol. 15, Issue 5, pp. 252-260

6. Li, Stan Z., Jain, Anil K. 2005. Handbook of Face Recognition, United States of America: Springer

7. Lutz, Mark, 2007. Learning Python (3th Edition). United States of America: O’Reilly Media, Inc.

8. M.Turk and A.Pentland . “Eigenfaces for Recognition” Journal of cognitive neuroscience, 3(1),pp71-86,1991.1

9. Munir, R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika Bandung.

10.Oliphant, T.E. 2006. Guide to NumPy.

11.Nixon, M.S., and A.S. Aguado. 2012. Feature Extraction & Image Processing for Computer Vision. London: Academic Press

12.Seo, Naotoshi. Eigenfaces and Fisherfaces. University of Maryland ENEE633 Pattern Recognition Project 2-1

13.Vezhnevets V., V. Sazonov, and A. Andreeva. A Survey on Pixel-Based Skin Color Detection Techniques. Graphics and Media Laboratory, Faculty of Computational Mathematics and Cybernetics, Moscow State University. Moscow, Russia.

(6)

Universitas Kristen Maranatha 14.Cahyadi, Regina V., Perancangan Pergerakan Webcam Berdasarkan Perubahan

Posisi Wajah Menggunakan Metoda Eigenface Berbasis Raspberry Pi. Jurusan Teknik Elektro, Universitas Kristen Maranatha. Bandung. 2015

15.Wagner, Philip. 2012. Face Recognition with Python http://www.bytefish.de 16.Opencv Dev Team. 2014. Face Recognition with OpenCV.