PENGENALAN WAJAH DENGAN METODE INDEPENDENT COMPONENT ANALYSIS

Transkripsi

1 PENGENALAN WAJAH DENGAN METODE INDEPENDENT COMPONENT ANALYSIS Ahmad Mushawir 1 ; Ready Prima Rozzaaq 2 ; Sugondo 3 ; Diaz D. Santika 4 Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Bina Nusantara Jln. K.H. Syahdan No. 9, Palmerah, Jakarta Barat ahmad.mushawir@gmail.com, 2 rozzaaq@yahoo.co.id 3 sugondo1990@gmail.com, 4 ddsantika@gmail.com ABSTRACT Face recognition nowadays is still facing problems in recognizing images that has different poses, illuminations and noises. There are several methods developed to handle those problems one of them is Independent Component Analysis (ICA). It is assumed that ICA is able to yield more powerful recognition performance than Principal Component Analysis (PCA). Therefore in this research, ICA was chosen to overcome aforementioned problems. The ICA based recognition performance was tested using ORL Database and Yale Database B. Based on the experimental result it is shown that ICA produces much higher recognition performance on images with different poses and illuminations than PCA by 15%. Keywords : Face Recognition, Independent Component Analysis, Principal Component Analysis ABSTRAK Pengenalan wajah saat ini masih menghadapi permasalahan dalam mengenali citra yang memiliki perbedaan pose, iluminasi dan noise. Banyak metode yang dikembangkan untuk menangani permasalahan tersebut diantaranya Independent Component Analysis (ICA). ICA dianggap dapat menghasilkan suatu performa yang lebih powerful jika dibandingkan dengan Principal Component Analysis (PCA). Oleh karena itu dalam penelitian ini, ICA digunakan untuk melihat performa pengenalannya untuk permasalahanpermasalahan tersebut. Pengujian dilakukan dengan melakukan pengenalan pada citra wajah yang didapat dari ORL database dan Yale Database B. Dari penelitian ini diperoleh bahwa ICA dapat menghasilkan performa pengenalan yang lebih tinggi dari PCA untuk citra dengan perbedaan pose dan iluminasi sebesar 15%. Kata kunci: Pengenalan Wajah, Independent Component Analysis, Principal Component Analysis

2 PENDAHULUAN Pengenalan wajah adalah salah satu cara yang dapat digunakan untuk mengidentifikasi seseorang. Pengenalan wajah umumnya dilakukan dengan membandingkan citra wajah dengan citra wajah yang dikenali sebelumnya. Pengenalan wajah dianggap memiliki potensi lebih dibandingkan bagian tubuh lain pada manusia karena pengenalan wajah adalah cara paling umum yang dilakukan manusia untuk mengenali identitas orang lain. Selain itu proses akuisisi data yang relatif lebih mudah jika dibandingkan bagian tubuh lain seperti sidik jari dan retina mata. Pengenalan wajah mungkin merupakan hal yang mudah bagi manusia namun pada kenyataannya pengenalan wajah merupakan hal yang sulit dilakukan bahkan untuk mesin cerdas seperti komputer. Hal tersebut dikarenakan mesin tidak memiliki otak seperti yang dimiliki manusia. Berdasarkan penelitian yang dilakukan oleh David Hubel dan Torsten Wiesel terhadap sistem penglihatan pada kucing, dari penelitian tersebut ditunjukan bahwa otak memiliki sel saraf yang khusus yang dapat merespon fitur-fitur lokal yang spesifik dari suatu scene. Manusia tidak menyadari bahwa dunia itu sebenarnya merupakan bagian bagian yang terpisah dikarenakan saraf-saraf penglihatan manusia dapat menggabungkan sumber-sumber berbeda menjadi sebuah pola/pattern yang memiliki makna. Oleh sebab itu agar mesin dapat melakukan pengenalan wajah dengan baik, masalah utama yang dihadapi adalah bagaimana cara untuk mengekstraksi fitur-fitur berarti itu dari citra, menaruhnya ke dalam sebuah representasi yang berguna dan melakukan sejenis klasifikasi pada pola-pola tersebut. Ada beberapa pendekatan yang dapat digunakan untuk melakukan pengenalan wajah namun pendekatan terbaik adalah pendekatan appearance-based. Pendekatan appearance-based atau pendekatan holistic umumnya membuat representasi citra dengan mengektrasi fitur-fitur dari citra wajah secara keseluruhan. Permasalahan yang kemudian muncul adalah dimensionalitas dari semua citra yang nantinya akan sangat besar. Namun beberapa metode statistika seperti Principal Component Analysis (PCA) dapat digunakan untuk mereduksi dimensionalitas dengan membuat representasi citra yang disebut eigenface. Dengan adanya eigenface dapat menghilangkan korelasi di antara citra masing-masing individu. Hingga saat ini PCA tetap menjadi salah satu metode pengenalan wajah yang tetap digunakan karena performa dalam pengenalan wajah termasuk cukup baik. Selain PCA, salah satu metode statistik yang menarik yaitu Independent Component Analysis (ICA). ICA adalah sebuah metode statistik yang digunakan untuk memisahkan dua atau lebih variabel acak yang tercampur menjadi variabel-variabel yang independent. Awalnya ICA digunakan untuk menyelesaikan permasalahan cocktail party problem dimana sinyal dari semua audien tercampur dan sangat sulit dibedakan. Namun seiring perkembangannya, ICA yang merupakan generalisasi PCA juga dapat digunakan untuk melakukan pengenalan wajah. Berbeda dengan PCA yang hanya menghilangkan korelasi antar tiap piksel dari citra wajah yang berada pada orde dua statistika, ICA lebih membuat piksel-piksel menjadi independen dengan menghilangkan ketergantungan pada orde yang lebih tinggi (M. S. Bartlett et al, 2002). Peneilitian ini dilakukan untuk mengukur seberapa baik performa yang dihasilkan oleh metode ICA. ICA nantinya akan digunakan untuk pengenalan wajah pada citra yang memiliki perbedaan pose, iluminasi, dan citra dengan berbagai densitas noise. Selain itu dalam penelitian ini, dampak dari pemilihan distance measure seperti cityblock, euclidean dan cosine jika digunakan untuk K-Nearest Neighbor juga diteliti. Tujuan dan Manfaat Secara umum tujuan dari penelitian ini adalah untuk menunjukkan performa yang dihasilkan oleh ICA jika untuk mengenali citra yang memiliki perbedaan pose wajah, iluminasi, dan citra yang didalamnya terdapat noise dengan berbagi densitas. Tujuan lain dari penelitian ini adalah untuk menujukkan perbandingan performa yang dihasilkan metode ICA dan PCA. Manfaat yang diharapkan dapat dicapai dari penelitian ini adalah hasil dari penelitian ini dapat digunakan untuk pengembangan perangkat lunak sistem pengenalan wajah. Manfaat lainnya adalah dapat dihasilkan suatu referensi yang dapat digunakan peneliti lain khususnya peneliti yang menggunakan metode ICA untuk pengenalan wajah.

3 Kajian Pustaka Face Recognition Pengenalan wajah adalah suatu masalah yang cukup penting dari bidang computer vision dan pengenalan pola (W. Zhao et al., 2003). Alasan mengapa pengenalan terhadap wajah menjadi sesuatu masalah yang penting adalah, karena wajah merupakan perhatian utama dalam kehidupan sosial yang memilki fungsi untuk mengenali identitas dan emosi yang dimiliki seseorang. Selain itu hal yang membuat pengenalan wajah diminati adalah karena proses akuisisi data yang dapat dikatakan lebih mudah jika dibandingkan pengenalan bagian tubuh lain seperti mata dan sidik jari. Meskipun pengenalan wajah merupakan hal yang mudah dilakukan bagi manusia, namun hal itu tidak berlaku untuk mesin (R.Chellapa et al, 1995). Banyak faktor yang dapat menurunkan performa dari pengenalan wajah. Beberapa faktor yang menyebabkan penurunan performa tersebut adalah variasi dalam posisi, iluminasi, dan ekspresi dari wajah. Faktor lain adalah faktor yang berhubungan dengan besarnya jumlah data pelatihan, khusunya dalam mencari representasi citra wajah yang digunakan untuk melakukan pengenalan wajah terhadap keberadaan noise dan oklusi pada wajah. Pada dasarnya pengenalan wajah merupakan bagian dari pengenaln pola dimana wajah digunakan sebagai pola yang ingin dikenali. Seperti pengenalan pola, pengenalan wajah pun memiliki beberapa tahapan penting agar hasil pengenalan dapat berjalan dengan baik yaitu 1) akuisisi data dan pre-processing, 2) representasi data, dan 3) pengambilan keputusan. Akusisi data adalah semua hal yang berhubungan dengan pengambilan citra wajah yang akan digunakan untuk pengenalan wajah dan pre-processing adalah cara bagaimana membuat citra wajah tersebut agar memiliki batasan yang sesuai kebutuhan untuk proses selanjutnya. Pre-processing dapat dilakukan dalam banyak proses misalnya saja dengan grayscaling, face detection, cropping, resizing dan hal yang dapat mengkondisikan citra wajah. Representasi data umumnya adalah representasi dari fitur-fitur yang diekstraksi dan diseleksi dari citra wajah untuk mengurangi dimensionalitas data. Dalam teknik statistik representasi data umumnya dilakukan dengan pengekstrasian fitur. Tahap pengambilan keputusan adalah tahap dimana dilakukan pengklasifikasian dengan mengukur seberapa mirip data yang digunakan untuk menguji dengan representasi data yang ada dalam database. Principal Component Analysis Principal Component Analysis (PCA) adalah sebuah teknik yang sangat baik untuk mengekstraksi sebuah struktur dari kumpulan data yang besar, yang saling berkorespondensi untuk mengekstraksi kumpulan eigenvector yang berasosiasi dengan eigenvalue terbesar dari distribusi input (Kwang, et.al, 2002). Sirovich dan Kirby juga memperkenalkan metode PCA sebagai unsupervised statistic method yang mencari sekelompok citra dasar dan merepresentasikan wajah sebagai kombinasi linear. Turk dan Pentland menggunakan PCA untuk melakukan pengenalan wajah. PCA merupakan teknik statistika yang berfungsi untuk mengidentifikasi pola-pola dalam sekumpulan data. PCA dapat mencari persamaan dan perbedaan dari kumpulan data. Dengan menggunakan metode PCA, data yang berdimensi tinggi sekalipun dapat dengan mudah teridentifikasi polanya. PCA akan menemukan dataset dengan varian terbesar dalam data, dataset ini disebut Principal Component (PC). Salah satu representasi PCA untuk pengenalan wajah adalah Eigenface yang diusulkan oleh Turk dan Pentland. Mereka berpendapat bahwa peningkatan signifikan dari pengenalan wajah dapat dicapai dengan melakukan pemetaan data yaitu citra wajah kedalam ruang dimensi yang lebih rendah yang disebut eigenface. Dalam PCA terdapat dua fase utama yaitu pelatihan dan pengujian. Fase pelatihan adalah fase dimana representasi dari citra wajah yang akan disimpan kedalam basis data dibuat. Fase pengenalan dimana dilakukan perhitungan menjadi jarak minimum dari citra yang ingin dikenali terhadap citra yang ada dalam representasi wajah. Distance measure yang digunakan pada fase pengenalan umumnya menggunakan euclidean namun mereka juga menyebutkan bahwa Mahalanobis menghasilkan performa lebih baik. Indepenendent Component Analysis Independent Component Analysis (ICA) merupakan metode untuk mencari factor atau komponen yang tersembunyi dari data statistik yang multi-dimensional. Hal yang membuat ICA berbeda dari metode statistik lain adalah ICA mencari komponen-komponen yang independen secara statistik dan non Gaussian (A. Hyvarinen et al, 2000). ICA awalnya dikembangkan untuk menyelesaikan permasalahan yang hubungannya dekat dengan cocktail party problem dimana banyak pembicara yang berbicara sehingga gelombang suara mereka tercampur secara acak. ICA merupakan metode yang digunakan untuk melakukan Blind Source Separation (BSS) yang dapat memisahkan sinyal suara para pembicara tadi. Namun seiring dengan meningkatnya ketertarikan dalam ICA,

4 banyak aplikasi yang mulai menggunakannya misalnya saja: electrochephalogram (EEG), pemrosesan array (beamforming), bahkan untuk pengenalan wajah. ICA merupakan generelasi dari Principal Component Analysis (PCA) yang tidak hanya meminimalisasi second order statistic tetapi juga higher order statistic. Hal ini membuat ICA lebih baik daripada PCA dalam membuat representasi basis data karena informasi penting mungkin terdapat pada higher order statistic sehingga hasil reperesentasi data yang dihasilkan bukan hanya tidak berkolerasi tetapi independen yang artinya tiap data tidak dapat menjelaskan data lain. Selain itu jika dibandingkan dengan PCA yang menganggap bahwa citra dengan distribusi Gaussian, ICA lebih menganggap citra dengan distribusi non Gaussian sehingga bila citra dengan distribusi non Gaussian benar diproses maka ICA akan tetap dapat merespon variasi yang paling besar pada basis citranya (Bartlett et la, 2003). Metode yang diusulkan: Independent Component Analysis Pengenalan wajah dengan metode ICA diawali dengan mengubah dimensi citra dari dua dimensi kebentuk satu dimensi dengan. Langkah selanjutnya adalah menaruh matriks kedalam matriks utama C sehingga setiap baris C mewakili tiap citra. Hal berikutnya adalah mencari nilai B dengan cara mengurangi matriks C dengan nilai meannya. (1) Kemudian mencari nilai matriks kovarians dari matriks B (2) Selanjutnya mencari eigenvalue dan eigenvectornya dengan (3) Setelah didapat eigenvalue dan eigenvectornya proses selanjutnya adalah mengurutkan eigenvector sesuai dengan nilai eigenvalue dari yang terbesar. Eigenvector yang telah disorting yaitu kemudian digunakan untuk merekonstuksi PCA dengan mengalikan dengan (4) Untuk meningkatkan derajat klasifikasi dilakukan membagi P secara konvolusi terhadap nilai lengthnya (5) Langkah selanjutnya adalah mencari representasi PCA (6) Langkah selanjutnya adalah memilih sebagian dari representasi PCA dalam kasus kami 2/5 dari jumlah representasi yang mewakili masing-masing individu yang disebut sebagai S. Langkah selanjutnya adalah dengan melakukan sphering lalu menghitung whitening filter. (7) (8) Dengan mengalikan invers matriks dengan S akan dihasilkan matriks yang telah di-whitening (9) Langkah selanjutnya adalah melakukan learning yang dibuat Bell & Sejnowski yang berisi natural gradient. Natural gradient adalah metode yang memiliki kebiasaan berubah-ubah yang ideal yang dapat memecahkan slow learning speed dari standard gradient. Dalam penelitian ini learning rate yang digunakan sebesar dengan batch block 50 dan iterasi sebanyak 1000 kali. Hasil dari learning ini adalah. Tahap selanjutnya adalah mencari representasi ICA yaitu U.

5 (10) Tahap pegujian adalah tahap dimana dilakukan pengenalan. Proses yang dilakukan sama dengan yang dilakukan seperti pada tahap pelatihan. Mula mula matriks citra penguji diubah kebentuk matriks ini akan ditaruh kedalam matriks. (11) Langkah selanjutnya adalah membuat representasi PCA dari citra tes dengan rekonstuksi PCA yang didapat sebelumnya. (12) Langkah selanjutnya adalah mencari representasi ICA dengan mengambil 2/5 dari jumlah representasi yaitu. Dan mengurangi dengan meannya lalu mengalikanya dengan hasil learning dan whitening filter yang didapat pada tahap pelatihan. (13) Langkah terakhir adalah menghitung jarak antara U dan Utest dengan K-NN dengan distance measure-nya adalah Cityblock, Euclidean, dan Cosine Similarity. HASIL DAN BAHASAN Dataset Pada penelitian ini data citra wajah yang digunakan adalah citra wajah yang didapat dari Ollivety Research Laboratory(ORL) Database of Faces dan Yale Face Database B. ORL database dan Yale database menggunakan format Portable Gray Map(PGM). Format PGM adalah format paling sederhana citra abu-abu. Format ini dirancang agar mudah dipelajari dan mudah digunakan untuk program pemprosesan citra. Citra PGM juga dapat dianggap sebagai kumpulan integer yang disimpan didalam sebuah array. Citra-citra ORL database berukuran 92 x 112 piksel dengan berbagai pose dan ekspresi. Citra-citra Yale database berukuran 168 x 192 piksel dengan berbagai koordinat sumber cahaya(illuminasi) yang berbeda-beda. Gambar 1: (kiri) ORL Database of Faces (kanan) Yale Face Database B Penggunaaan ukuran jarak merupakan salah satu faktor yang digunakan untuk mendapatkan performa pengenalan. Distance measure yang digunakan pada penelitian ini adalah Cityblock, Euclidean, dan Cosine Similarity. Citra ORL database of face digunakan untuk eksperimen perbedaan jumlah individu untuk dalam pelatihan, perbedaan pose, dan noise. Citra yang digunakan untuk pelatihan dan pengujian

6 adalah citra yang berbeda. Citra untuk pelatihan adalah 4.pgm, 2.pgm, 3.pgm, 1.pgm dan 7.pgm sedangkan citra yang digunakan untuk pengujian adalah 0.pgm, 5.pgm, 6.pgm, 8.pgm dan 9.pgm. Eksperimen terhadap perbedaan jumlah individu dilakukan dengan menggunakan 10 individu, 20 individu, 30 individu, hingga 40 individu. Diamana hasil 40 individu juga dapat dianggap sebagai hasil dari perbedaan pose. Pengujian noise dilakukan dengan menambahkan salt and paper noise pada citra pengujian dengan densitas 0.05, 0.15, 0.25, 0.35, 0.45, hingga untuk lebih jelas mengenai noise lihat pada gambar D=0.05 D=0.15 D=0.25 D=0.35 D=0.45 D=0.55 Gambar 2: Noise dengan Berbagai Densitas Yale database B digunakan untuk ekperimen terhadap perbedaan iluminasi. Pada tahap pelatihan dan pengujian menggunakan masing-masing 5 citra yang berbeda untuk tiap individu. Citra yang digunakan untuk pelatihan adalah P00A-005E-10.pgm, P00A-010E+00.pgm, P00A- 015E+20.pgm, P00A-035E-20.pgm dan P00A+005E+10.pgm sedangkan citra yang digunakan untuk pengujian adalah P00A-020E-10.pgm, P00A-020E+10.pgm, P00A-035E+15.pgm, P00A+000E- 35.pgm dan P00A+000E+45.pgm. Eksperimen terakhir pada penelitian ini adalah eksperimen perbandingan performa antara pengenalan dengan metode PCA dan ICA. Eksperimen ini dilakukan dengan menggunakan ORL database dan Yale database. Citra yang digunakan untuk pelatihan dan pengujian masing-masing database adalah 5 untuk pelatihan dan 5 untuk pengujian. Experiment Pada penelitian ini, eksperimen dilakukan terhadap metode Independent Component Analysis (ICA) dan Principal Component Analysis (PCA). Fokus utama penelitian ini adalah untuk mengtahui performa pengenalan dari metode ICA. Selain itu dalam penelitian ini juga akan dilakukan eksperimen untuk melihat perbandingan antara metode ICA dan PCA. Penggunaan metode ICA dan PCA untuk pengenalan wajah sendiri dibagi menjadi dua tahapan utama yaitu tahap pelatihan dan tahap pengujian. Pada tahap pelatihan dilakukan pre-process terhadap citra pelatihan dan proses pembuatan representasi citra pelatihan oleh metode ICA atau PCA. Tahap berikutnya adalah tahap pengujian. Pada tahap ini selain melakukan pre-process terhadap citra pengujian dan proses pembuatan representasi citra pengujian, juga akan dilakukan proses klasifikasi dengan K-Nearest Neighbor (KNN) sebagai classifier. Distance yang digunakan untuk KNN sendiri dibagi menjadi tiga yaitu euclidean, cityblock, dan cosine. Untuk mendapatkan hasil penelitian yang valid dalam menguji kemampuan ICA dalam melakukan pengenalan, penelitian ini menggunakan database wajah standar yaitu Ollivety Research Laboratory(ORL) Database of Faces dan Yale Face Database B. Ukuran citra yang digunakan untuk tahap pelatihan dan pengujian adalah 60x60 setelah dilakukan pengujian sebelumnya. Evaluasi Dalam penelitian ini ada bebarapa eksperimen yang dilakukan yaitu membandingkan jumlah basis data yang digunakan terhadap performa ICA, mengukur performa ICA terhadap perbedaan pose dan iluminasi, mengukur performa ICA jika citra yang digunakan untuk pengujian terdapat noise dengan densitas noise yang beragam, dan membandingkan performa ICA dengan metode PCA untuk citra dengan perbedaan pose dan iluminasi.

7 Gambar 3: Perbandingan jumlah individu dalam basis pelatihan Dari gambar 3 dapat dilihat bahwa penggunaan jumlah individu sebagai citra pelatihan untuk metode ICA sedikit banyak mempengaruhi performa pengenalan dan memberikan hasil berbeda untuk tiap-tiap distance measure yang digunakan. Untuk euclidean dan cityblock yang memiliki kemiripan memberikan hasil yang tidak jauh berbeda, yaitu keduanya menghasilkan performa yang baik saat 10 individu digunakan untuk basis citra pelatihan. Performanya terus meningkat hingga 30 individu namun performanya menurun saat 40 individu digunakan sebagai basis pelatihan. Hasil berbeda ditunjukan oleh cosine dimana mengalami performa yang buruk saat 10 individu namun performanya terus meningkat seiring mengingkatnya jumlah individu. Gambar 4: Performa ICA dengan citra penguji bernoise Performa pengenalan terhadap citra noise juga merupakan hal yang menarik untuk dibahas. Dari gambar 4 dapat dilihat bahwa hasil eksperimen kali ini memiliki kesamaan yaitu pemilihan distance measure menjadi salah satu faktor yang perlu dipertimbangkan. Untuk euclidean dan cityblock distance mengalami penurunan performa yang cukup signifikan seiring dengan meningkatnya densitas noise dalam citra. Hasil berbeda ditunjukan dari cosine, meskipun mengalami penurunan performa namun penurunan yang dialami oleh cosine tidak terlalu signifikan dan cenderung lebih stabil.

8 Gambar 5: Performa ICA terhadap citra dengan perbedaan iluminasi Eksperimen performa ICA selain dilakukan terhadap ORL database, juga dilakukan pada Yale database B. Yale database B itu adalah basis citra yang tiap masing-masing citranya memiliki perbedaan iluminasi. Dari eksperimen yang kami lakukan diperoleh hasil bahwa ketiga measure distance menghasilkan performa yang tidak jauh berbeda. ketiganya memberikan performa cukup baik yang berada diatas 90%, namun demikian cityblock distance merupakan distance yang menghasilkan performas tertinggi dengan 99% diikuti euclidean 98% dan cosine 95%. Gambar 6: Perbandingan Performa PCA dan ICA Dari eksperimen yang dilakukan, hasil performa metode ICA terbukti lebih superior jika dibandingkan dengan metode PCA. Hampir keseluruhan eksperimen menunjukan bahwa ICA menghasilkan performa pengenalan wajah lebih baik. Dari eksperimen yang dilakukan dapat ditarik kesimpulan bahwa metode ICA itu terbukti lebih baik dibandingkan metode PCA. SIMPULAN DAN SARAN Dari penelitian ini dapat ditarik kesimpulan bahwa metode independent component analysis dapat menghasilkan performa pengenalan yang baik dengan nilai rata-rata keberhasilan diatas 80%. Performa pengenalan untuk perbedaan pose sendiri nilai rata-rata keberhasilan sebesar 78.25%. Performa untuk mengenali citra dengan denitas noise 0.55 dapat mencapai 66% dengan cosine sebagai distance-nya. Performa pengenalan untuk perbedaan iluminasi memiliki nilai rata-rata keberhasilan sebesar 97.3%. Performa pengenalan ICA juga ditentukan oleh distance measure jika K-NN dipilih sebagai classifier. Performa pengenalan ICA terbukti lebih baik jika dibandingkan dengan performa penganalan PCA.

9 Beberapa hal yang dapat dipertimbangkan untuk menghasilkan pengenalan lebih baik adalah penggunaan jumlah citra yang digunakan untuk pelatihan diusahakan sebanyak mungkin agar pengenalan bisa berjalan dengan baik. Penggunaan Distance measure lain mungkin dapat menjadi pilihan yang baik untuk mengetahui perbedaan performa penganalan dari metode ICA. Jika menggunakan face detection, usahakan bounding box yang didapat hanya bagian wajah saja, tanpa harus terlihat telinga, kepala ataupun dagu. REFERENSI Ambler, S. W. (2005). UML Use-Case Diagrams. The elements of UML 2.0 style (pp ). Cambridge U.K.: Cambridge University Press. Artificial Intelligence. (n.d.). Definitions.net. Retrieved March 25, 2013, from Intelligence. Barlow, H. (1989). Unsupervised Learning. Neural Computation, 1(3), Bartlett, M., Movellan, J., & Sejnowski, T. (2002). Face recognition by independent component analysis. IEEE Transactions on Neural Networks, 13(6), Bell, A., & Sejnowski, T. (1997). The independent components of natural scenes are edge filters. Vision Research,37(23), Bell, A. J., & Sejnowski, T. J. (1995). An Information-Maximization Approach to Blind Separation and Blind Deconvolution.Neural Computation, 7(6), Blackburn, D. M., Bone, M., & Phillips, P. J. (162001). Face Recognition Vendor Test 2000: Evaluation Report. Ft. Belvoir: Defense Technical Information Center. Chellappa, R., Wilson, C., & Sirohey, S. (1995). Human and machine recognition of faces: a survey. Proceedings of the IEEE, 83(5), David H. Hubel - Wikipedia, the free encyclopedia. (n.d.). Wikipedia, the free encyclopedia. Retrieved October 20, 2013, from Delac, K., & Grgic, M. (2004). A survey of biometric recognition methods. Electronics in Marine, Proceedings Elmar th International Symposium, -, Delac, K., Grgic, M., & Grgic, S. (2005). Generalization Abilities of Appearance-Based Subspace Face Recognition Algorithms.Proceedings of 12th International Workshop on Systems, Signals & Image Processing: September 2005, Chalkida, Greece (pp ). Genève: Inderscience Enterprises Limited. Delac, K., Grgic, M., & Grgic, S. (2005). Independent comparative study of PCA, ICA, and LDA on the FERET data set. International Journal of Imaging Systems and Technology, 15(5), Deza, M., & Deza, E. (2009).Encyclopedia of distances. Berlin: Springer-Verlag. Gonzalez, R. C., & Wintz, P. A. (1987).Digital image processing (2nd ed.). Reading, Mass.: Addison- Wesley. Draper, B. (2003). Recognizing faces with PCA and ICA. Computer Vision and Image Understanding, 91(1-2), Face Recognition with OpenCV OpenCV documentation. (n.d.).welcome to opencv documentation! OpenCV documentation. Retrieved August 20, 2013, from Grgic, M., & Delac, K. (n.d.). Face Recognition Homepage - General Info.Face Recognition Homepage. Retrieved October 20, 2012, from Hyvärinen, A., & Oja, E. (2000). Independent component analysis: algorithms and applications. Neural Networks, 13, Jain, A., Murty, M., & Flynn, P. (1999). Data clustering: a review. ACM Comput. Surv., 31(3), Jain, A., Duin, R., & Mao, J. (2000). Statistical Pattern Recognition: A Review. IEEE Trans. Pattern Anal. Mach. Intell., 22(1), Kusumadewi, S. (2003). Artificial Intelligence (Teknik dan Aplikasinya). ISBN : : Graha Ilmu. Shapiro, L. G., & Stockman, G. C. (2001).Computer vision. Upper Saddle River, NJ: Prentice Hall. Trussell, J., & Vrhel, M. (2008).Fundamentals of Digital Imaging. Leiden: Cambridge University Press. Tanaka, J., & Farah, M. (1993). Parts and wholes in face recognition.. Q J Exp Psychol A, 46(2),

10 Torsten Wiesel - Wikipedia, the free encyclopedia. (n.d.). Wikipedia, the free encyclopedia. Retrieved October 20, 2012, from Turk, M., & Pentland, A. (1991). Eigenfaces for Recognition. Journal of Cognitive Neuroscience, 3(1), Weisstein, E. W. (n.d.). Eigenvector. MathWorld. Retrieved October 21, 2012, from mathworld.wolfram.com/eigenvector.html Weisstein, E. W. (n.d.). Eigenvalue. MathWorld. Retrieved October 21, 2012, from mathworld.wolfram.com/eigenvalue.html Weisstein, E. W. (n.d.). Variance. MathWorld. Retrieved October 20, 2012, from mathworld.wolfram.com/variance.html Weisstein, E. W. (n.d.). Standard Deviation. MathWorld. Retrieved October 21, 2012, from mathworld.wolfram.com/standarddeviat Zhao, W., Chellappa, R., Phillips, P., & Rosenfeld, A. (2003). Face recognition: A literature survey. ACM Computing Surveys, 35(4),

11 RIWAYAT PENULIS Ahmad Mushawir lahir di kota Jakarta pada 26 Februari Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang fasilkom teknik informatika pada Saat ini, penulis belum bekerja dan tidak aktif di organisasi manapun. Ready Prima Rozzaq lahir di kota Jakarta pada 20 Juni Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang fasilkom teknik informatika pada Saat ini, penulis belum bekerja dan tidak aktif di organisasi manapun. Sugondo lahir di kota Jakarta pada 09 Mei Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang fasilkom teknik informatika pada Saat ini, penulis belum bekerja dan tidak aktif di organisasi manapun.