Progresif: Jurnal Ilmiah Komputer Jl.
Ahmad Yani.
33,5 - Kampus STMIK Banjarbaru Loktabat Ae Banjarbaru (Tlp.
, e-mail: puslit.
stmikbjb@gmail.
e-ISSN: 2685-0877 p-ISSN: 0216-3284 Uji Performa Metode Komposisi Eigenface-CNN Pada Model Biometric Mobile App Agnes Monica Debora1*.
Agustinus Rudatyo Himamunanto2.
Gogor Chrismass Setyawan3 Informatika.
Universitas Kristen Immanuel.
Yogyakarta.
Indonesia *Email Corresponding Author: agnes.
m2042@student.
Abstract The development of information and communication technology has increased the need for more secure and efficient authentication systems on mobile devices, given the growing cases of data breaches and identity theft.
This research employs the Eigenface-CNN composition method to enhance the performance of biometric authentication models.
The Eigenface method uses Principal Component Analysis (PCA) to reduce data dimensions and extract key features from facial images, while CNN is used to identify more complex facial features.
The results show that this method can recognize faces with high accuracy, achieving an average confidence value of 95% and a highest value of 97.
It also demonstrates robustness against variations in lighting and facial poses.
These findings suggest that the Eigenface-CNN composition method is feasible for implementation in biometric authentication systems on mobile devices, thereby enhancing user security and convenience.
Kata kunci: Face Recognition.
Eigenface.
CNN.
Biometric Abstrak Perkembangan teknologi informasi dan komunikasi telah meningkatkan kebutuhan akan sistem autentikasi yang lebih aman dan efisien pada perangkat mobile, mengingat kasus kebocoran data dan pencurian identitas yang semakin marak.
Penelitian ini menggunakan metode komposisi Eigenface-CNN untuk meningkatkan performa model autentikasi biometrik.
Metode Eigenface menggunakan analisis komponen utama (PCA) untuk mereduksi dimensi data dan mengekstraksi fitur utama dari citra wajah, sementara CNN digunakan untuk mengidentifikasi fitur wajah yang lebih kompleks.
Hasil penelitian menunjukkan bahwa metode ini mampu mengenali wajah dengan akurasi tinggi, dengan nilai confidence rata-rata mencapai 87.
95% dan nilai tertinggi 53%, serta menunjukkan ketahanan terhadap variasi pencahayaan dan pose wajah.
Temuan ini menunjukkan bahwa metode komposisi Eigenface-CNN layak diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan pengguna.
Kata kunci: Pengenalan Wajah.
Eigenface.
CNN.
Biometrik Pendahuluan Perkembangan teknologi informasi dan komunikasi telah membawa perubahan signifikan dalam berbagai aspek kehidupan masyarakat.
Salah satu fenomena yang mencolok adalah peningkatan kebutuhan akan keamanan dan privasi, khususnya dalam penggunaan perangkat mobile .
Kasus-kasus kebocoran data, pencurian identitas, dan akses tidak sah ke perangkat mobile telah menjadi masalah yang meresahkan bagi pengguna.
Selain itu, penggunaan metode autentikasi tradisional seperti kata sandi dan PIN sering kali dianggap kurang efektif dan rentan terhadap berbagai jenis serangan .
Identifikasi pokok masalahnya terletak pada kebutuhan akan sistem autentikasi yang lebih aman dan efisien untuk perangkat mobile.
Dalam konteks ini, teknologi biometrik muncul sebagai solusi yang menjanjikan.
Teknologi ini memanfaatkan karakteristik unik dari individu, seperti sidik jari, wajah, atau suara, untuk mengidentifikasi dan memverifikasi identitas pengguna .
Meskipun demikian, tantangan dalam implementasi teknologi biometrik di perangkat mobile masih cukup besar, terutama dalam hal akurasi, kecepatan, dan ketahanan terhadap serangan.
Bidang teknologi informasi (IT) memiliki potensi besar untuk mengatasi masalah ini.
Dengan kemajuan dalam pengolahan citra digital, machine learning, dan jaringan saraf tiruan.
IT Uji Performa Metode Komposisi Eigenface-CNN a.
Agnes Monica Debora Progresif e-ISSN: 2685-0877 dapat menawarkan solusi yang lebih canggih .
Salah satu pendekatan yang inovatif adalah penggunaan metode komposisi Eigenface-CNN (Convolutional Neural Networ.
dalam sistem autentikasi biometrik.
Metode ini menggabungkan teknik pengenalan wajah berbasis Eigenface dengan kemampuan jaringan saraf tiruan untuk mengidentifikasi fitur-fitur wajah yang lebih kompleks dan beragam .
Eigenface adalah teknik pengenalan wajah yang diperkenalkan oleh Turk dan Pentland pada tahun 1991.
Metode ini menggunakan analisis komponen utama (Principal Component Analysis.
PCA) untuk mengurangi dimensi data citra wajah dan mengekstraksi fitur-fitur utama yang membedakan satu wajah dari wajah lainnya.
Citra wajah direpresentasikan sebagai kombinasi linear dari sejumlah kecil gambar basis .
, yang dihasilkan dari kumpulan wajah dalam basis data pelatihan.
Proses ini melibatkan langkah-langkah diantaranya yaitu pembentukan basis data wajah, pengurangan dimensi dengan PCA, proyeksi citra wajah baru ke ruang eigenface, dan pengenalan wajah dengan membandingkan koefisien proyeksi .
CNN, atau Convolutional Neural Network, adalah jenis jaringan saraf tiruan yang dirancang untuk memproses data dalam bentuk grid, seperti citra .
CNN terdiri dari beberapa lapisan, termasuk lapisan konvolusi, lapisan pooling, dan lapisan fully connected .
Lapisan konvolusi berfungsi untuk mengekstraksi fitur-fitur penting dari citra dengan menggunakan filter, sementara lapisan pooling mengurangi dimensi data untuk mempercepat proses komputasi dan mengurangi risiko overfitting .
Lapisan fully connected menggabungkan fitur-fitur yang diekstraksi untuk menghasilkan output akhir, seperti kelas atau label dari citra yang dikenali .
Penggabungan metode Eigenface dengan CNN dalam sistem autentikasi biometrik dapat meningkatkan performa secara signifikan.
Eigenface digunakan untuk mereduksi dimensi data dan mengekstraksi fitur-fitur utama dari citra wajah, yang kemudian diproses lebih lanjut oleh CNN.
CNN memiliki kemampuan untuk mengidentifikasi fitur-fitur wajah yang lebih kompleks dan beragam, serta meningkatkan akurasi pengenalan wajah .
Kombinasi ini menghasilkan sistem autentikasi yang lebih akurat, cepat, dan tahan terhadap berbagai jenis serangan, sehingga dapat meningkatkan keamanan dan kenyamanan pengguna perangkat mobile .
Metode komposisi Eigenface-CNN diusulkan sebagai solusi untuk meningkatkan performa model autentikasi biometrik pada aplikasi mobile.
Pendekatan ini diharapkan dapat memberikan tingkat akurasi yang lebih tinggi dan kecepatan yang lebih baik dalam proses autentikasi, sekaligus meningkatkan ketahanan terhadap berbagai jenis serangan.
Dengan demikian, penelitian ini bertujuan untuk menguji performa metode komposisi Eigenface-CNN pada model biometrik dalam aplikasi mobile, serta mengidentifikasi keunggulan dan keterbatasannya dalam konteks keamanan dan privasi pengguna.
Melalui penelitian ini, diharapkan dapat ditemukan solusi autentikasi yang lebih efektif dan efisien untuk perangkat mobile, yang dapat diimplementasikan secara luas guna meningkatkan keamanan dan kenyamanan pengguna.
Tinjauan Pustaka Penelitian oleh Andriyanto berjudul "Implementasi Deep Learning untuk Sistem Keamanan Data Pribadi Menggunakan Pengenalan Wajah dengan Metode Eigenface Berbasis Android" mengkaji penggunaan deep learning pada perangkat Android untuk keamanan data Hasil tes menunjukkan jarak deteksi wajah maksimal adalah 40 cm pada Android 8.
1, 50
cm pada Android 9.
0, dan 60 cm pada Android 10.
0, dengan kemampuan deteksi yang menurun seiring jarak .
Penelitian oleh Dafid dan Dorie dengan judul "Metode MCDA untuk Pengukuran Tingkat Kesadaran Keamanan Informasi pada Mahasiswa" menggunakan Multiple Criteria Decision Analysis (MCDA).
Hasilnya menunjukkan dimensi perilaku berada pada level "buruk" dan tiga area lainnya yaitu kebijakan, peralatan mobile, dan konsekuensi juga berada di level buruk .
Penelitian Wirdiyani dkk.
berjudul "Real-Time Face Recognition with Eigenface Method" meneliti penggunaan metode Eigenface untuk pengenalan wajah secara real-time hingga empat wajah secara bersamaan.
Hasilnya menunjukkan tingkat keberhasilan identifikasi 88,8% dengan tingkat kegagalan 11,2% .
Penelitian Satrio dkk.
berjudul "Identifikasi Citra Wajah Menggunakan Algoritma Eigenface" menggunakan algoritma Viola-Jones dan Euclidean Distance.
Akurasi identifikasi wajah mencapai 89,2% tanpa penghapusan latar belakang dan meningkat menjadi 98,6% setelah latar belakang dihilangkan.
dengan 1500 citra latih, akurasi mencapai 100% .
Penelitian Zhi dan Liu .
berjudul "Face Recognition Based on Genetic Algorithm" menggunakan PCA, algoritma genetika, dan SVM menunjukkan Uji Performa Metode Komposisi Eigenface-CNN a.
Agnes Monica Debora e-ISSN: 2685-0877 tingkat akurasi pengenalan wajah tertinggi sebesar 99%, menegaskan efisiensi kombinasi metode ini .
Dari penelitian terdahulu yang telah dijabarkan di atas, terlihat bahwa masing-masing penelitian memiliki fokus dan pendekatan yang berbeda dalam mengoptimalkan sistem pengenalan wajah.
Misalnya, penelitian oleh Andriyanto memfokuskan pada implementasi deep learning di perangkat Android dengan metode Eigenface, sedangkan Dafid dan Dorie mengevaluasi kesadaran keamanan informasi menggunakan metode MCDA.
Wirdiyani dkk.
Satrio dkk.
meneliti pengenalan wajah secara real-time dan akurasi dengan metode Eigenface, dengan variasi pada penghapusan latar belakang dan jumlah citra latih.
Zhi dan Liu menggabungkan PCA dengan algoritma genetika dan SVM untuk meningkatkan akurasi pengenalan wajah.
Klaim penelitian kami terletak pada penggabungan metode Eigenface dengan Convolutional Neural Network (CNN) untuk sistem autentikasi biometrik pada aplikasi mobile.
Kombinasi ini belum banyak dieksplorasi sebelumnya dan diharapkan dapat memberikan solusi yang lebih akurat, cepat, dan tahan terhadap berbagai jenis serangan, dibandingkan dengan pendekatan yang hanya mengandalkan satu metode atau kombinasi yang berbeda.
Metodologi Penelitian ini bertujuan untuk menguji performa sistem autentikasi biometrik pada aplikasi mobile menggunakan metode komposisi Eigenface-CNN.
Metode ini menggabungkan teknik Eigenface untuk pengenalan area wajah dengan Convolutional Neural Network (CNN) untuk pengenalan wajah secara keseluruhan.
Eigenface menggunakan Principal Component Analysis (PCA) untuk mereduksi dimensi data citra wajah dan mengekstraksi fitur-fitur utama dari area wajah, seperti mata, hidung, dan Sementara itu.
CNN digunakan untuk mengidentifikasi wajah secara keseluruhan dengan kemampuan jaringan saraf tiruan untuk mengenali pola-pola kompleks dalam citra.
Pendekatan ini diharapkan dapat meningkatkan akurasi dan kecepatan pengenalan wajah serta ketahanan terhadap berbagai jenis serangan.
Langkah-langkah yang dilakukan dalam penelitian ini adalah sebagai berikut.
Gambar 1 Alur Pelatihan Progresif: Vol.
No.
Agustus 2024: 862-871 Progresif e-ISSN: 2685-0877 Gambar 2 Alur Aplikasi Dalam penelitian ini data diambil dari https://w.
com/datasets/vasukipatel/facerecognition-dataset dan dokumentasi pribadi.
Adapun dataset yang digunakan dalam peneltiian ini terdiri dari 10 wajah orang dengan masing Ae masing orang terdapat 100 citra wajah.
Sehingga total dataset yang digunakan dalam penelitian ini ada 1000.
Selanjutnya dilakukan preprocessing data yang melibatkan normalisasi dan penyataraan citra wajah menjadi 160 x 160.
Tujuannya untuk memastikan bahwa data yang digunakan konsisten.
Berikut merupakan sampel dari dataset yang digunakan.
Gambar 3 Folder Dataset Gambar 4 Sampel Dataset Uji Performa Metode Komposisi Eigenface-CNN a.
Agnes Monica Debora e-ISSN: 2685-0877 Kemudian dilakukan pemrosesan pengenalan area wajah menggunakan eigenface dengan rumus sebagai berikut.
yuN ycn = OcycA yco=1 ycOycnyco OIyco Setelah dilakukan pengenalan area wajah, selanjutnya dilakukan pemrosesan pengenalan wajah menggunakan CNN.
Berikut merupakan rumus dari operasi konvolusi pada CNN.
a O y.
cn, y.
= Ocyco Ocycu ya ( ycn yco, yc yc.
co, yc.
Dari proses tersebut selanjutnya dilakukan implementasi ke mobile app kemudian CNN mengklasifikasikan wajah berdasarkan pola yang telah dikenali dari pelatihan sebelumnya.
Hasil klasifikasi ini kemudian dievaluasi untuk mengukur akurasi.
Hasil dan Pembahasan Penelitian ini bertujuan untuk menguji performa metode komposisi Eigenface-CNN dalam model autentikasi biometrik pada aplikasi mobile.
Pengujian dilakukan dengan mengumpulkan citra wajah dari pengguna yang sama dalam berbagai kondisi pencahayaan dan pose wajah.
Setiap citra wajah diujikan pada model yang telah dilatih untuk mengukur akurasi dan tingkat kepercayaan pengenalan wajah.
Pengujian dilakukan sebanyak 100 kali.
Berikut adalah beberapa contoh hasil pengujian citra wajah:
No.
Tabel 1 Contoh Hasil Pengujian Pengenalan wajah Akurasi klasifikasi CNN Progresif: Vol.
No.
Agustus 2024: 862-871 Progresif No.
e-ISSN: 2685-0877 Pengenalan wajah Akurasi klasifikasi CNN Hasil pengujian menunjukkan bahwa metode komposisi Eigenface-CNN mampu mengenali wajah dengan tingkat akurasi yang tinggi.
Nilai confidence rata-rata yang mencapai 87,95% menunjukkan bahwa model ini efektif dalam mendeteksi dan mengenali wajah dalam berbagai kondisi.
Model menunjukkan performa yang stabil dengan tingkat kepercayaan yang konsisten di atas 80%.
Nilai confidence tertinggi yang mencapai 97.
53% dan Nilai Confidence Terendah 32% ini menunjukkan kemampuan model dalam mengenali wajah dengan akurasi yang sangat tinggi.
Hal ini mengindikasikan bahwa kombinasi metode Eigenface dan CNN dapat memberikan hasil yang optimal dalam autentikasi biometrik.
Gambar 5 Grafik Akurasi CNN Uji Performa Metode Komposisi Eigenface-CNN a.
Agnes Monica Debora e-ISSN: 2685-0877 Gambar 4 merupakan grafik akurasi selama proses pelatihan dengan CNN.
Grafik ini menunjukkan perubahan akurasi untuk data pelatihan .
rain_accurac.
dan data validasi .
al_accurac.
selama 50 epoch.
Akurasi data pelatihan meningkat tajam pada epoch awal dan terus meningkat secara bertahap hingga mencapai nilai mendekati 0.
Terdapat fluktuasi kecil pada akurasi data pelatihan setelah epoch ke-10, tetapi secara keseluruhan, tren peningkatannya tetap positif dan stabil.
Akurasi data validasi juga menunjukkan peningkatan tajam pada epoch awal, namun fluktuasinya lebih besar dibandingkan dengan data pelatihan.
Setelah mencapai nilai mendekati 0.
8, akurasi validasi menunjukkan fluktuasi yang signifikan, yang menandakan adanya variasi kinerja model pada data validasi .
Meskipun demikian, tidak ada indikasi overfitting yang parah karena akurasi validasi tetap berada pada kisaran yang relatif tinggi.
Gambar 6 Grafik Loss CNN Gambar 5 menunjukkan grafik loss selama proses pelatihan dengan CNN, yang menggambarkan perubahan nilai loss untuk data pelatihan .
rain_los.
dan data validasi .
al_los.
selama 50 epoch.
Nilai loss untuk data pelatihan menurun tajam pada epoch awal, dari 5 hingga mendekati 0.
5, dan terus menurun secara bertahap hingga mencapai nilai rendah yang stabil setelah sekitar 20 epoch.
Fluktuasi kecil tetap terlihat pada loss data pelatihan setelah epoch ke-20, tetapi tren penurunannya tetap konsisten.
Nilai loss untuk data validasi juga menunjukkan penurunan yang signifikan pada epoch awal, dari sekitar 2.
5 hingga mendekati 0.
dan mencapai nilai rendah yang stabil setelah sekitar 20 epoch.
Fluktuasi pada loss data validasi lebih terlihat dibandingkan dengan data pelatihan, namun tetap menunjukkan konsistensi dengan nilai yang rendah.
Gambar 7 Capture Wajah Progresif: Vol.
No.
Agustus 2024: 862-871 Progresif e-ISSN: 2685-0877 Gambar di atas menunjukkan halaman 'Capture Wajah' pada aplikasi mobile, di mana pengguna diminta untuk mengambil gambar wajah mereka sebagai langkah awal proses pengenalan wajah.
Pada halaman ini, pengguna menempatkan wajah di depan kamera dan menekan tombol 'Capture'.
Gambar yang diambil kemudian diproses menggunakan metode Eigenface, di mana fitur-fitur penting dari wajah diekstraksi dan direpresentasikan dalam bentuk vektor eigen.
Vektor ini dibandingkan dengan data wajah yang sudah ada dalam database untuk melakukan pencocokan dan verifikasi identitas, memastikan keamanan dan kemudahan dalam proses login.
Gambar 8 Menu Utama Gambar di atas menunjukkan halaman 'Menu Utama' pada aplikasi mobile setelah pengguna berhasil login.
Pada halaman ini, model CNN mengklasifikasikan hasil pengenalan wajah sebagai AuagnesAy.
Selanjutnya pengguna dapat melakukan aktivitas transaksi dengan terdapat beberapa menu utama, yaitu 'Cek Saldo', 'Transfer', dan 'Logout'.
Pengguna dapat mengecek saldo akun mereka, melakukan transfer dana, atau keluar dari aplikasi dengan menekan tombol yang sesuai.
Implementasi ini memastikan bahwa pengguna dapat menjalankan transaksi perbankan mereka dengan cepat dan efisien setelah melewati proses autentikasi yang aman menggunakan metode pengenalan wajah Eigenface.
Temuan selama pengujian menunjukkan bahwa variasi pencahayaan dan pose wajah tidak secara signifikan mempengaruhi hasil pengenalan wajah.
Hal ini menunjukkan keandalan model dalam berbagai kondisi penggunaan nyata.
Selain itu, nilai confidence yang konsisten menunjukkan bahwa model memiliki kemampuan generalisasi yang baik.
Berdasarkan hasil pengujian, dapat disimpulkan bahwa metode komposisi Eigenface-CNN efektif dalam meningkatkan akurasi dan kecepatan pengenalan wajah pada aplikasi mobile.
Model ini menunjukkan performa yang baik dengan nilai confidence yang tinggi dan stabil dalam berbagai kondisi.
Oleh karena itu, metode ini layak untuk diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan Simpulan Berdasarkan analisa hasil pengujian, metode komposisi Eigenface-CNN terbukti efektif dalam meningkatkan akurasi dan kecepatan pengenalan wajah pada aplikasi mobile.
Dengan nilai confidence rata-rata mencapai 87.
95% dan nilai tertinggi sebesar 97.
53% dan nilau terendah 32%, model menunjukkan performa yang sangat baik dan konsisten dalam berbagai kondisi pencahayaan dan pose wajah.
Variasi pencahayaan dan pose tidak signifikan mempengaruhi akurasi pengenalan, menunjukkan kemampuan generalisasi yang baik dari model Oleh karena itu, metode ini layak diimplementasikan dalam sistem autentikasi biometrik pada perangkat mobile untuk meningkatkan keamanan dan kenyamanan pengguna.
Uji Performa Metode Komposisi Eigenface-CNN a.
Agnes Monica Debora e-ISSN: 2685-0877 Untuk riset selanjutnya, disarankan untuk menguji metode komposisi Eigenface-CNN pada dataset yang lebih besar dan lebih beragam untuk memvalidasi keandalannya dalam skenario yang lebih luas.
Selain itu, penelitian lebih lanjut dapat mengeksplorasi kombinasi metode ini dengan teknik lain seperti GAN (Generative Adversarial Network.
untuk lebih meningkatkan akurasi dan ketahanan terhadap serangan spoofing.
Penelitian ini juga dapat diperluas dengan menambahkan fitur multi-modal biometrik, seperti pengenalan suara atau sidik jari, untuk menciptakan sistem autentikasi yang lebih komprehensif dan aman.
Daftar Referensi Nursiah.
Ferils, and J.
Kamarudin.
AuAnalisis minat menggunakan mobile banking,Ay AKUNTABEL: Jurnal Akuntansi dan Keuangan , vol.
19, no.
1, pp.
91Ae100, 2022, doi:
29264/jakt.
Ubam.
Hipiny, and H.
Ujir.
AuUser Interface/User Experience (UI/UX) Analysis & Design of Mobile Banking App for Senior Citizens: A Case Study in Sarawak.
Malaysia,Ay in 2021 International Conference on Electrical Engineering and Informatics (ICEEI), 2021, pp.
1Ae doi: 10.
1109/ICEEI52609.
Fitria and M.
Hermansyah.
AuInfoTekJar : Jurnal Nasional Informatika dan Teknologi Jaringan Implementasi Face Recognition pada Absensi Kehadiran Mahasiswa Menggunakan Metode Haar Cascade Classifier,Ay vol.
4, no.
2, 2020, doi:
30743/infotekjar.
Muchtar and R.
Apriadi.
AuImplementasi Pengenalan Wajah Pada Sistem Penguncian Rumah Dengan Metode Template Matching Menggunakan Open Source Computer Vision Library (Openc.
,Ay RESISTOR .
lektRonika kEndali telekomunikaSI tenaga liSTrik kOmputeR), vol.
2, no.
1, 2019, doi: 10.
24853/resistor.
Adrianto.
Wahyuddin, and W.
Winarsih.
AuImplementasi Deep Learning untuk Sistem Keamanan Data Pribadi Menggunakan Pengenalan Wajah dengan Metode Eigenface Berbasis Android,Ay Jurnal Teknologi Informasi dan Komunikas.
, vol.
5, no.
2021, 2021, doi: 10.
35870/jti.
Yenusi.
Suryasatriya Trihandaru, and A.
Setiawan.
AuComparison of Convolutional Neural Network (CNN) Models in Face Classification of Papuan and Other Ethnicities,Ay JST (Jurnal Sains dan Teknolog.
, vol.
12, no.
Mar.
2023, doi:
23887/jstundiksha.
Wujaya and L.
Santoso.
AuKlasifikasi Pakaian Berdasarkan Gambar Menggunakan Metode YOLOv3 dan CNN,Ay Jurnal Infra, vol.
9, no.
1, 2021, doi:
https://doi.
org/10.
21456/vol6iss1pp1-10.
Perlindungan and Risnawati.
AuPengenalan Tanaman Cabai Dengan Teknik Klasifikasi Menggunakan Metode CNN,Ay Seminar Nasional Mahasiswa ilmu Komputer dan Aplikasinya (SENAMIKA), vol.
1, no.
2, pp.
15Ae22, 2020.
Lim.
AuImplementation of Artificial Intelligence in Aquaculture and Fisheries: Deep Learning.
Machine Vision.
Big Data.
Internet of Things.
Robots and Beyond,Ay Journal of Computational and Cognitive Engineering, vol.
3, no.
2, pp.
112Ae118.
Apr.
2023, doi:
47852/bonviewJCCE3202803.
Prakash.
Rajesh.
Namakhwa.
Dwarkanath Pande, and S.
Ahammad.
AuA DenseNet CNN-based liver lesion prediction and classification for future medical diagnosis,Ay Sci Afr, vol.
Jul.
2023, doi: 10.
1016/j.
Mochammad Satrio.
Mujirudin, and H.
Ramza.
AuIdentifikasi Citra Wajah Menggunakan Algoritma Eigenface,Ay Seminar Nasional Teknoka, vol.
4, no.
1, pp.
9Ae14, 2019, doi: 10.
22236/teknoka.
v%vi%i.
Dafid and Dorie.
AuMetode MCDA Untuk Pengukuran Tingkat Kesadaran Keamanan Informasi Pada Mahasiswa,Ay Jurnal Teknik Informatika dan Sistem Informasi , vol.
7, no.
1, pp.
11Ae20, 2020.
Wirdiani.
Lattifia.
Supadma.
Mahar.
Taradhita, and A.
Fahmi.
AuReal-Time Face Recognition with Eigenface Method,Ay International Journal of Image.
Graphics and Signal Processing, vol.
11, no.
11, pp.
1Ae9.
Jan.
2019, doi:
5815/ijigsp.
Sukhija.
Behal, and P.
Singh.
AuFace Recognition System Using Genetic Algorithm,Ay in Procedia Computer Science.
Elsevier B.
, 2016, pp.
410Ae417.
1016/j.
Progresif: Vol.
No.
Agustus 2024: 862-871 Progresif e-ISSN: 2685-0877 Teye Brown and W.
Zgallai.
AuDeep EEG: Deep learning in biomedical signal processing with EEG applications,Ay Biomedical Signal Processing and Artificial Intelligence in Healthcare, vol.
1, no.
7, pp.
113Ae151, 2020, doi: 10.
1016/b978-0-12-818946-7.
Uji Performa Metode Komposisi Eigenface-CNN a.
Agnes Monica Debora