Implementasi Local Binary Pattern Histogram Dalam Multiple Face Recognition
DOI:
https://doi.org/10.29407/stains.v3i1.4297Keywords:
LBPH, Multiple Face Recognition, OpenCVAbstract
Face recognition pada umumnya hanya dapat melakukan pengenalan pada satu wajah dalam satu waktu bersamaan. dalam beberapa kasus seperti sistem keamanan, sistem presensi hal ini menjadi tidak efisien dikarenakan harus di eksekusi satu persatu. Berdasarkan pemaparan latar belakang diatas ditemukan rumusan masalah adalah bagaimana membuat sebuah sistem pengenalan wajah yang mampu mendeteksi dan mengenali beberapa wajah dalam satu waktu dan seberapa besar nilai akurasi yang didapatkan dalam sistem face recognition tersebut.Oleh karena itu sistem yang dapat melakukan pengenalan lebih dari satu wajah atau multiple face recognition diperlukan. Algoritma yang digunakan dalam penelitian ini adalah Local Binary Pattern Histogram (LBPH). Local Binary Pattern Histogram (LBPH) adalah metode ekstraksi fitur tekstur dari sebuah gambar yang menggunakan local binary pattern (LBP) dan mengubah kedalam bentuk statistik menggunakan histogram dengan metode Histogram of Oriented Gradient (HOG) . Hasil pengujian menunjukan bahwa akurasi algoritma LBPH dalam melakukan multiple face recognition sebesar 56%. Hasil akurasi tergolong rendah dikarenakan pencahayaan yang kurang optimal dan kamera yang masih kurang memadai.
Downloads
References
Hardiansyah, B., & Primasetya, A. (2023, January). Sistem Deteksi Penggunaan masker (Face Mask Detection) Menggunakan Algoritma Deep Learning YOLOv4. In STAINS (SEMINAR NASIONAL TEKNOLOGI & SAINS) (Vol. 2, No. 1, pp. 313-318).
Santoso, A., & Gunawan Ariyanto, S. T. (2018). Implementasi deep learning berbasis keras untuk pengenalan wajah (Doctoral dissertation, Universitas Muhammadiyah Surakarta).
Syafira, A. R., & Ariyanto, G. (2017). Sistem Deteksi Wajah Dengan Modifikasi Metode Viola Jones. Emitor: Jurnal Teknik Elektro, 17(1), 26-33.
Dewi, N., & Ismawan, F. (2021). Implementasi Deep Learning Menggunakan Cnn Untuk Sistem Pengenalan Wajah. Faktor Exacta, 14(1), 34-43.
Jiang, E. (2020, July). A review of the comparative studies on traditional and intelligent face recognition methods. In 2020 International Conference on Computer Vision, Image and Deep Learning (CVIDL) (pp. 11-15). IEEE.
Sunardi, S., Yudhana, A., & Talib, M. A. (2022). Perancangan Sistem Pengenalan Wajah untuk Keamanan Ruangan Menggunakan Metode Local Binary Pattern Histogram. Jurnal Teknologi Elektro, 13(2), 123-129.
Detila, Q. M., & Wibowo, E. P. (2019). Perbandingan Metode Eigenface, Fisherface, dan LBPH Pada Sistem Pengenalan Wajah: Array. Jurnal Ilmiah KOMPUTASI, 18(4), 315-322.
Chen, Y. C., Liao, Y. S., Shen, H. Y., Syamsudin, M., & Shen, Y. C. (2022). An Enhanced LBPH Approach to Ambient-Light-Affected Face Recognition Data in Sensor Network. Electronics, 12(1), 166.
Deeba, F., Memon, H., Dharejo, F. A., Ahmed, A., & Ghaffar, A. (2019). LBPH-based enhanced real-time face recognition. International Journal of Advanced Computer Science and Applications, 10(5).
Kosasih, R., & Daomara, C. (2021). Pengenalan Wajah dengan Menggunakan Metode Local Binary Patterns Histograms (LBPH). JURNAL MEDIA INFORMATIKA BUDIDARMA, 5(4), 1258-1264.
Sharifnejad, M., Shahbahrami, A., Akoushideh, A., & Hassanpour, R. Z. (2021). Facial expression recognition using a combination of enhanced local binary pattern and pyramid histogram of oriented gradients features extraction. IET Image Processing, 15(2), 468-478.
Brinkmann, R. (2008). The art and science of digital compositing: Techniques for visual effects, animation and motion graphics. Morgan Kaufmann.
Simaremare, H. (2018). Perbandingan Akurasi Pengenalan Wajah Menggunakan Metode LBPH dan Eigenface dalam Mengenali Tiga Wajah Sekaligus secara Real-Time (Peer Review).
Downloads
Published
Issue
Section
License
Copyright (c) 2024 Rechtifano Microsofania Rachman, Muhammad Mukhlish Nurrahman Sudarsono Adi, Alvin Ardiansyah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
