KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

Transkripsi

1 Media Informatia, Vol. 5, No. 2, Desember 2007, ISSN: KAJIAN PENGENALAN WAJAH DENGAN MENGGUNAKAN METODE FACE-ARG DAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Anita Desiani Jurusan Matematia, FMIPA, Universitas Sriwiaya ABSTRAK Pengenalan waah menadi alternatif dala berbagai bidang yang membutuhan identifiasi seseorang, waah merupaan bagian dari identifiasi biometri arena merupaan bagian langsung dari tubuh manusi yang tida mudah untu dicuri atau didupliasi seperti halnya metode onvemsional yang menggunaan password ataupun artu. Proses pengenalan waah dapat dilauan dengan barbagai metode salah satunya Metode Face-ARG, di mana setiap image waah yang masu aan direpresentasian dalam bentu vetor graph yang nantinya aan disesuaian dengan vetor graph dari satu image lain yang dengan melihat tingat esesuaiannya, setiap pencocoan yang dilauan dengan Metode Face-ARG hanya dapat dilauan untu dua image, sehingga diperluan watu dan proses yang lama setiap suatu image diidentifiasi. Pengenalan waah dapat uga dilauan dengan menggunaan aringan syaraf tiruan salah satunya adalah metode bacpropagation dimana semua image yang telah dipolaan dalam bentu tertentu aan diberian sebagai pelatihan bagi JST, sehingga JST dapat mengenali pola yang diberian. Proses awal yang diperluan bagi JST memang cuup rumit dan lama terutama apabila data yang dilatih sangat banya. Namun elebihan dari JST pada saat setiap image ingin diidentifiasi oleh sistem, apabila data tersebut telah dilatih oleh JST maa tida perlu dilauan pencocoan seperti pada Face-ARG arena image tersebut telah dienali oleh JST ada emudian aan dilihat dalam basisdata, ecuali bagi image yang belum dilatih oleh JST. Arsitetur multi layer perceptron pada metode bacpropagation memberian hasil yang lebih aurat, arena semain banya lapisan yang memberian pelatihan maa aan semain bai hasil yang diberian oleh JST. Kata unci: pengenalan waah, Metode Face-ARG, Jaringan syaraf tiruan, Bacpropagation 1. PENDAHULUAN Perembangan dunia omputer sangat pesat seiring dengan semain banyanya ancaman terhadap eamanan sistem omputer. Penggunaan pengamanan onvensional seperti password ataupun artu memang masih banya digunaan namun tida cuup handal arena password dan artu dapat saa digunaan oleh piha yang tida berwenang. Media Informatia, Vol. 5, No. 2, Desember 2007,

2 Pemaaian identifiasi biometri dapat diadian sebagai suatu alternatif untu pengamanan sistem. Identifiasi biometri didasaran pada arateristi alami manusia, yaitu arateristi fisiologis dan arateristi perilau seperti waah, sidiari, suara, telapa tangan, iris dan retina mata, DNA, dan tandatangan. Identifiasi biometri memilii eunggulan dibanding dengan metode onvensional dalam hal tida mudah dicuri atau digunaan oleh pengguna yang tida berwenang arena pengidentifiasian yang digunaan adalah hal-hal yang hanya dimilii orang tersebut dan tida mungin sama dengan orang lain atau dimilii oleh orang lain. Waah sebagai salah satu yang dapat digunaan sebagai identifiasi seseorang. telah banya digunaan sebagai pengenal bagi seseorang sebagai contoh narapidana atau buron agar mudah dpat dilaca eberadaannya dalam bentu berbagai rupa. Berbagai metode telah diperenalan oleh para peneliti dan ilmuan mengenai cara untu mengenali waah dengan benar. Aan tetapi seiring dengan beralannya watu terdapat permasalahan mengenai penerapan metode pengenalan waah yang tetap dapat mengenali suatu waah, bai etia dalam ondisi espresi waah yang berbeda, tingat cahaya yang berbeda, maupun etia terdapat suatu penghalang yang menutupi sebagian waah. Salah satunya adalah metode Face-ARG yaitu salah satu metode dalam pengenalan waah yang cuup bai dalam mengenali suatu waah dalam berbagai ondisi yang berbeda (Bo-Gun Par, et al. 2005; B.G. Par, et al. 2003). Didalam metode ini suatu gambar waah aan ditransformasi menadi strutur Attributed Relational Graph (ARG) yang terdiri dari himpunan node yang memilii relasi binary didalamnya dengan melalui proses pencocoan gambar dari dua buah waah dengan cara mentransformasian suatu gambar waah menadi bentu graph yang terdiri dari himpunan node dan edge yang saling berhubungan. Proses dari metode ARG ini memilii elemahan tersendiri arena setiap image waah yang masu harus dilauan pencocoan dengan semua waah yang ada dalam basis data, semain besar data yang disimpan dalam basis data maa watu untu proses pencocoan yang diperluan aan semain besar selain itu perbedaan uuran image, berbagai variasi dan latar dari suatu image uga mempengaruhi proses tersebut. Metode yang dapat mengadopsi pengenalan waah dengan lebih cepat adalah dengan menggunaan Jaringan syaraf tiruan (JST) dimana dalam JST pola dienali melalui proses pembelaaran dari suatu image yang telah dipolaan emudian diboboti untu menghasilan pola tertentu bagi masing-masing image. Dalam st image tida perlu disimpan dalam satu basis data tertentu tetapi cuup melihat bobot dari setiap pola image yang masu, dimana pola-pola image ini sebelumnya telah diberian sebagai pelatihan bagi JST. Salah satu metode JST yang dapat digunaan adalah bac Propagatiaon. Bac propagation adalah salah satu algoritma dalam JST yang menggunaan multi layer, arena semain banya layer yang digunaan diharapan aringan aan menghasilan hasil yang lebih aurat. 100 Desiani Kaian Pengenalan Waah Menggunaan Metode Face-ARG dan JST Bacpropagation

3 Tulisan ini membahas bagaimana proses pengenalan waah dengan menggunaan metode Face-ARG dan menggunaan aringan syaraf tiruan dengan metode bacpropagation. Proses yang diberian dari masing-masing metode dapat dilihat bagaimana elebihan dan eurangan dari masing-masing metode untu proses pengenalan waah. 2. TINJAUAN PUSTAKA 2.1 Metode Face-ARG Bo-Gun Por et al., (2005), mengusulan sebuah metode baru dalam proses pencocoan gambar dari dua buah waah dengan tingat eberhasilan lebih bai dibandingan dengan metode lainnya. Metode yang digunaan adalah Attributed Relational Graph (ARG) yang mentransformasian suatu gambar waah menadi bentu graph yang terdiri dari himpunan node dan edge yang saling berhubungan. Teori dasar dari ARG sendiri dielasan pada paper B.G. Par, et al., (2003). Dalam paper tersebut dielasan bahwa setelah dua buah gambar diestra menadi bentu ARG maa sebelum dilauan proses pencocoan terlebih dahulu dilauan selesi terhadap sub graph yang aan dicocoan agar diperoleh graph dengan prioritas terbai. Kemudian dilauan pendetesian terhadap fitur-fitur yang harus dihilangan agar diperoleh graph yang saling berorespondensi. Estrasi dari suatu model image menadi bentu ARG dilauan dengan menggunaan straight line segments (Sang Ho Par, et al., 2000), dimana obe yang dihasilan adalah sama walaupun dilauan proses RTS (Rotation, Translation, Scale). 2.2 Jaringan saraf Tiruan Pembangunan suatu sistem AI yang didasaran pada pendeatan JST, secara umum aan meliputi langah-langah beriut ini (Bo-Gun Par, et al. 2005): 1. Memilih model JST yang sesuai didasaran pada sifat dasar permasalahannya. 2. Membangun JST sesuai untu arateristi domain apliasinya. 3. Melatih JST dengan prosedur pembelaaran dari model yang dipilih. Menggunaan aringan yang telah dilatih sebagai pembuatan inferensi atau pemecahan masalah. Jia hasilnya tida memuasan maa embali e langah sebelumnya. 2.3 Metode Bac Propagation Metode Bacpropagation (propagasi bali) merupaan metode pembelaaran lanut yang diembangan dari aturan perceptron. Hal yang ditiru dari perceptron adalah tahapan dalam algoritma aringan. Metode propagasi bali ini diembangan oleh Rumelhart, Hinton dan Williams pada seitar tahun 1986 yang mengaibatan peningatan embali minat terhadap aringan syaraf tiruan.. Media Informatia, Vol. 5, No. 2, Desember 2007,

4 Metode ini terdiri dari dua tahap yaitu tahap feedforward yang diambil dari perceptron dan tahap bacpropagation error. Salah satu hal yang membedaan antara bac propagation dengan perceptron adalah pada arsitetur aringannya. Perceptron memilii aringan lapis tunggal sedangan bacpropagation memilii lapisan lapis ama, seperti pada gambar 1 yang merupaan aringan neural lapis banya (MLP) dengan satu lapis tersembunyi. Lapisan masuan ditunuan dengan unit-unit Xi, sementara lapisan eluaran ditunuan dengan Y. Lapisan tersembunyi ditunuan dengan unitunit Z. Bias untu suatu unit Y diberian oleh w0.. Bias ini bertinda seolah sebagai bobot pada onesi yang berasal dari satu unit yang eluarannya selalu 1. Unit - unit tersembunyi uga dapat memilii bias. Aliran sinyal pada gambar dinyataan dengan arah panah. Sedangan pada fase propagasi bali sinyal diirim pada arah berlawanan. Penentuan umlah neuron pada lapisan tersembunyi tergantung umlah neuron pada lapisan masuan. Dan dilauan dengan pendeatan 2 Ln n, dimana n merupaan umlah neuron pada lapisan masuan. Selanutnya fungsi atifasi pada metode bac propagation ini tida hanya mengunaan sebuah fungsi atifasi, aan tetapi turunan dari fungsi tersebut uga iut digunaan. Bac propagation dapat menggunaan fungsi atifasi signoid biner maupun signoid bipolar beserta turunan fungsinya. Pemilihan fungsi atifasi tergantung epada ebutuhan nilai eluaran aringan yang diharapan. Bila eluaran aringan yang diharapan ada yang bernilai negatif, maa sebainya menggunaan fungsi signoid bipolar, sebalinya bila nilai eluaran aringan yang diharapan positif atau sama dengan nol, maa sebainya menggunaan fungsi signoid biner (Kusumadewi, Sri., 2003). Beriut ini adalah langah-langah algoritma pembelaaran untu bacpropagation: 1) Inisialisasi bobot (ditentuan oleh bilangan aca yang ecil, antara 0 sampai dengan 1) 2) Selama ondisi berhenti tida terpenuhi lauan langah 3 sampai dengan langah 10 3) Untu setiap pasangan vetor pelatihan, lauan langah 3 sampai langah 8. Feedforward 4) Setiap neuron pada lapisan masuan (Xi, i=1, 2,, n) menerima sinyal masuan xi dan menalanan sinyal tersebut e semua neuron pada lapisan selanutnya (dalam hal ini adalah lapisan tersembunyi). 5) Untu setiap neuron dalam lapisan tersembunyi (Z, =1, 2,,p) umlahan bobotnya dengan sinyal masuannya masing-masing : n Z in = v0 + i= 1 x v i terapan fungsi atifasi untu menghitung nilai sinyal eluaran Z = f ) ( Z in 102 Desiani Kaian Pengenalan Waah Menggunaan Metode Face-ARG dan JST Bacpropagation

5 emudian iriman sinyal ini e semua neuron pada lapisan beriutnya (dalam hal ini adalah lapisan eluaran). 6) Untu setiap neuron pada lapisan eluaran (Y, =1, 2,,m) umlahan bobotnya dengan sinyal masuannya masing-masing p Yin = w0 + i= 1 z w terapan fungsi atifasi untu menghitung nilai sinyal eluaran Y = f ( y in ) Bac propagation of error 7) Setiap neuron pada lapisan eluaran (Y, =1, 2,,m) menerima sebuah pola target yang berhubungan dengan pola masuan pelatihan emudian hitung esalahannya ' δ = t y. f y ( ) ( ) in hitung perubahan bobotnya (digunaan nanti untu mengubah nilai w). w = α.δ. z hitung perubahan perubahan biasnya (digunaan nanti untu mengubah nilai w0) w0 = α. δ 8) Untu setiap neuron pada lapisan tersembunyi (Z, =1, 2,,p) umlahan nilai delta masuannya (dari neuron pada lapisan di atasnya). δ in = m = 1 δ w alian dengan turunan atifasinya untu menghitung nilai esalahannya. δ = δ ( z ) in f ' in Hitung perubahan bobotnya (digunaan nanti untu mengubah nilai vi) v = α. δ x i i emudian hitung perubahan biasnya (digunaan nanti untu mengubah nilai v0) v0 = α. δ update bobot dan bias 9) Untu setiap neuron pada lapisan eluaran (Y, =1, 2,,m) ganti nilai bobot dan biasnya ( =0, 1, 2,,p) w w + w ( baru ) = ( ) lama untu setiap neuron pada lapisan tersembunyi (Z, =1, 2,,p) ganti nilai bobot dan biasnya (i=0, 1, 2,,n) v v + v i ( baru ) = i( ) lama 10) Ui/perisa ondisi berhenti. i Media Informatia, Vol. 5, No. 2, Desember 2007,

6 3. PEMBAHASAN 3.1 Pengenalan Waah dengan Metode Face-ARG Suatu waah yang telah ditransformasian e dalam bentu ARG aan memilii himpunan node-node dan relasi binary di dalamnya. Waah ARG dapat didefinisian dalam bentu: Dimana adalah himpunan node dari suatu graph, adalah himpunan relasi binary dari vetor-vetor yang terdapat dalam node. himpunan dari relasi ruang vetor dari node. Relasi ruang vetor merepresentasian himpunan relasi vetor antara node vi dengan node-node lain dildalam V. Dapat diasumsian bahwa ia terdapat dua buah waah yang sama maa relasi ruang vetor yang terdapat dalam bentu ARG edua waah tersebut seharusnya uga sama,dengan membandingan relasi ruang vetor dari dua gambar waah maa aan dapat dievaluasi tingat esamaan dari edua gambar tersebut. Untu mendesripsian obe secara invariant agar dapat melauan proses RTS (Rotasi, Translasi, dan Scala) maa digunaan enam tipe uuran yang berbeda. Dimana r i (1) adalah sudut antara dua segment garis v i dan v. r i (2) adalah complement sudut dari sudut terecil didalam vetor. r i (3) adalah sudut antara titi tengah dari v i terhadap v. r i (4) adalah rasio ara yang dihitung dengan persamaan Dimana l(i) untu i=1,2,...6 dielasan seperti gambar 1 Gambar 1. Rasio ara dari DR ri (5) dan ri (6) adalah oordinat dari titi tengah vetor m i,yang merupaan vetor dari dua titi tengah vi dan v. 104 Desiani Kaian Pengenalan Waah Menggunaan Metode Face-ARG dan JST Bacpropagation

7 Pola yang diberian oleh Face-ARG berupa ordinat-ordinat yang diberian pada waah sehingga membentu suatu graph yang nantinya aan dinyataan dalam bentu vetor baris. Sebagai contoh dapat dilihat pada gambar 2 [8]. Gambar 2. pasangan ordinat-ordinat pada image waah 2.b 2.d Gambar 3. Contoh Graph yang dihasilan dari gambar 2 Dari graph yang dihasilan aan diperoleh vetor ara yang menyataan hubungan antar node yang saling berorespodensi dalam graph yang dihasilan oleh masing-masing image. Sehingga dapat disimpulan apabila suatu image masu maa vetor graph yang dihasilan uga harus sama dengan vetor yang dihasilan oleh image yang sama yang disimpan dalam basis data, dengan cara membandingan tingat esamaan antar graph yang dihasilan oleh setiap image. Tingat esamaan antara dua face FACE-ARG, gi dan g 2 dengan pasangan node yang berorespondensi sebanya N dapat dihitung dengan persamaan Dimana D R ) adalah fungsi untu menghitung perbedaan antara relasi ruang ( i vetor dan. adalah probabilitas error pada relasi ruang vetor Media Informatia, Vol. 5, No. 2, Desember 2007,

8 dan ωi dan antara fitur vi dan γ i adalah fator berat dari fitur v i dan fator berat dari relasi binari v. Diasumsian error pada relasi vetor adalah Gaussian dan elemen-elemen yang ada adalah independen. Untu r i pada tiap persamaan dimodelan dengan distribusi gaussian dengan persamaan Proses pencocoan yang terbai dari edua face tersebut dapat diidentifiasian dengan menghitung nilai esamaan tertinggi dari eduanya yang berada diatas nilai threshold. Nilai threshold tersebut didefinisian sebagai batas pengenalan ahir dari edua face-arg. Kesulitan yang aan dihadapi dengan menggunaan metode Face-ARG adalah apabila image waah yang dimasuan sama tetapi espresi atau latar atau uurannya sediit berbeda seperti pada gambar 4 [4], hal ini mengaibatan Face- ARG menadi tida efetif arena begitu besarnya basis data yang diperluan untu menyimpan satu waah dengan berbagai espresi, emudian watu yang diperluan untu pencarian pola waah yang tepat uga menadi relatif lebih lama apabila image yang aan dibandingan dalam suatu basis data banya, arena metode Face-ARG melauan pengenalan waah dengan melauan perbandingan antar 2 image, sehingga apabila basis data memilii 100 gambar maanya proses yang harus dilauan adalah 4950 perbandingan. Gambar 4. Contoh image dengan berbagai espresi yang disimpan dalam basisdata (Jiao Feng, Gao, Wen, et al., 2002). 106 Desiani Kaian Pengenalan Waah Menggunaan Metode Face-ARG dan JST Bacpropagation

9 3.2 Pengenalan Waah dengan Jaringan Syaraf Tiruan Pengenalan waah dengan menggunaan aringan syaraf tiruan tetap harus melalui proses pra pengolahan image, yaitu proses mengolah suatu image e dalam pola tertentu (misal; vetor atau matris) dengan suatu metode tertentu misalnya wevelet proses pengolahan image dengan menggunaan wavelet melalui beberapa proses mulai dari onversi citra aras eabuan, peregangan ontras, eualisasi histogram, penapisan, binerisasi dan deompisi wavelet, setelah itu dapat diperoleh bentu pola tertentu dari suatu image yang nantinya bisa diadian input bagi JST. Proses pra pengolahan image dapat dilihat pada diagram 5 (Minarni, 2007). Gambar 5. Diagram Alir Untu Pengolahan Image Setelah diperoleh pola dari image maa dilanutan pelatihan pada JST dengan menggunaan pola yang diperoleh tadi diagram alir pengenalan waah dengan menggunaan JST dapat dilihat pada gambar 6. Media Informatia, Vol. 5, No. 2, Desember 2007,

10 Gambar 6. Diagram Alir Pengenalan Pola Waah Dengan Menggunaan JST Dimisalan pada satu ali proses trainig diberian 4 input data waah yang aan dilatih, maa input pada lapisan pertama dan target yang diberian adalah: Input x 1 = [ ] 001 x 2 = [ ] 100 x 3 = [ ] 010 x 4 = [ ] 111 target Neuron-neuron x 3, x 2, x 3, x 4 merupaan pola dari masing-masing waah yang dihasilan pada proses pra pengolahan image, sedangan y adalah target yang diberian sebagai identitas dari masing-masing image. 108 Desiani Kaian Pengenalan Waah Menggunaan Metode Face-ARG dan JST Bacpropagation

11 Nilai target yang diberian harus ditentuan untu dapat membedaan antara satu waah dengan waah yang lain sehingga proses training yang digunaan untu pengenalan waah dalam JST adalah supervised learning dengan tuuan menentuan nilai bobot-bobot onesi di dalam aringan sehingga aringan dapat melauan pemetaan (mapping) dari input e output sesuai dengan yang diinginan. Pemetaan ini ditentuan melalui satu set pola contoh atau data pelatihan (training data set). Setiap pasangan pola p terdiri dari vetor input xp dan vetor target tp. Setelah selesai pelatihan, ia diberian masuan xp seharusnya aringan menghasilan nilai output tp. Besarnya perbedaan antara nilai vetor target dengan output atual diuur dengan nilai error yang disebut uga dengan cost function. Layer yang digunaan dalam bac propagation adalah layer dengan lapisan banya (multi layer perceptron) dengan satu atau lebih lapisan tersembunyi. Arsitetur yang digunaan dalam bacpropogation dapat dilihat pada gambar 7. Gambar 7. Arsitetur Bacpropagation Sinyal eluaran dari neuron-neuron pada lapisan masuan merupaan sinyal masuan bagi neuron-neuron pada lapisan tersembunyi, dan sinyal eluaran dari neuron-neuron pada lapisan tersembunyi merupaan sinyal masuan bagi neuron-neuron pada lapisan eluaran. Jumlah lapisan tersembunyi pada bacpropagation ditentuan dengan percobaan. Semain banya umlah lapisan tersembunyi diharapan aringan aan memberian hasil yang lebih aurat, namun proses pelatihannya lebih rumit dan butuh watu lama. Media Informatia, Vol. 5, No. 2, Desember 2007,

12 Untu pengenalan waah input yang masu adalah pola dari suatu image yang mungin berbentu vetor atau matri yang nantinya aan dienali sebagai suatu waah dimana outputnya berupa nilai yang menyimbolan input yang masu merupaan waah atau buan. Pengenalan pola waah yang dilauan dalam JST harus dipolaan dalam bentu tertentu terlebih dahulu emudian diberian target bagi masing-masing image yang nantinya aan menadi identitas bagi setiap image, baru emudian dilauan training dengan JST berdasaran proses-proses perhitungan sebelumnya, apabila hasil yang diperoleh telah sesuai maa bobot ahir yang diperoleh oleh masing-masing pola image aan disimpan untu nantinya digunaan untu identifiasi pengenalan waah, sehingga setiap image apabila telah dilatih dalam JST tida perlu melalui pengenalan awal atau dengan membandingan satu image dengan semua image yang ada dalam basis data arena sudah dienali oleh JST berdasaran nilai bobot yang disimpan,ecuali untu image yang belum pernah dilatih dengan JST. Sebainya untu pengenalan waah JST harus dilatih dengan image yang memilii berbagai espresi latar ataupun uuran sehingga semain banya data yang dilatih semain aurat nilai atau hasil yang diberian oleh JST. 4. SIMPULAN Pengenalan waah dengan menggunaan metode Face-ARG adalah setiap image waah yang masu aan direpresentasian dalam bentu vetor graph yang nantinya aan disesuaian dengan vetor graph dari satu image lain yang dengan melihat tingat esesuaiannya, setiap pencocoan yang dilauan dengan Metode Face-ARG hanya dapat dilauan untu dua image, sehingga diperluan watu dan proses yang lama setiap suatu image diidentifiasi. Pengenalan waah dapat uga dilauan dengan menggunaan aringan syaraf tiruan salah satunya adalah metode bacpropagation dimana semua image yang telah dipolaan dalam bentu tertentu aan diberian sebagai pelatihan bagi JST, sehingga JST dapat mengenali pola yang diberian. Proses awal yang diperluan bagi JST memang cuup rumit dan lama terutama apabila data yang dilatih sangat banya. Namun elebihan dari JST pada saat setiap image ingin diidentifiasi oleh sistem, apabila data tersebut telah dilatih oleh JST maa tida perlu dilauan pencocoan seperti pada ARG arena image tersebut telah dienali oleh JST ada emudian aan dilihat dalam basisdata, ecuali bagi image yang belum dilatih oleh JST. Arsitetur multi layer perceptron pada JST memberian hasil yang lebih aurat, arena semain banya lapisan yang memberian pelatihan maa aan semain bai hasil yang diberian oleh JST. Berbeda dengan metode Face-ARG dimana proses awal yang diperluan tida serumit dibandingan JST arena proses pengenalan pola dilauan setiap suatu image ingin diidentifiasi dengan mencocoan image satu persatu pada semua image yang disimpan dalam basisdata. 110 Desiani Kaian Pengenalan Waah Menggunaan Metode Face-ARG dan JST Bacpropagation

13 PUSTAKA Bo-Gun Par, Kyoung-Mu Lee, and Sang-U Lee. (2005). Face Recognition Using Face-ARG Matching, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 27, No. 12, December B.G. Par, K.M. Lee, S.U. Lee, and J.H. Lee. (2003). Recognition of Partially Occluded Obects Using Probabilistic ARG-Based Matching, Computer Vision and Image Understanding, Vol. 90, No. 3, pp , June Desiani, Anita, Arhami. M. (2005). Konsep Kecerdasan Buatan, Andi Offset, Yogyaarta. Jiao Feng, Gao, Wen, et al. (2002). A Face Recognize Method Based on Local Feature Analysis, The 5 th Asian Conference on Computer Vision, January 2002, Melbourne, Australia. Kusumadewi, Sri. (2003). Artificial Intelligence: Teni dan Apliasinya, Graha Ilmu, Yogyaarta. Li, Xiaoxing, Mori Greg, HaoZhang. (2005). Expression-Invariant Face Recognition with Expression Classification, diaases pada 12 Desember 2007 dari Minarni, (2007). Klasifiasi Sidiari dengan Pemrosesan Awal transformasi Wavelet, diases pada 10 Desemberr 2007 dari Sang Ho Par, Kyoung Mu Lee, and Sang U Lee. (2000). A Line Feature Matching Technique Based On an Eigenvector Approach, Computer Vision and Image Understanding, Vol. 77, No. 3, pp , March Media Informatia, Vol. 5, No. 2, Desember 2007,