DETEKSI WAJAH DAN E-LEARNING BERBASIS PENGENALAN UNTUK OTENTIKASI MAHASISWA: STUDY LITERATURE REVIEW

Model pembelajaran jarak jauh yang kita kenal sebagai E-Learning dimulai menjadi sarana yang cukup populer. Penyebaran E-Learning ini didukung dengan meningkatnya jumlah pengguna internet dan kebutuhan akan pembelajaran yang efisien dan efektif terutama di perguruan tinggi pendidikan.

Selain itu, institusi pendidikan harus menghadapi tantangan dalam mengantisipasi kecurangan oleh siswa online, terutama saat ujian sedang berlangsung. Model E-Learning diharapkan dapat menghadirkan intensitas dan kapasitas yang sesungguhnya peserta didik melalui otentikasi siswa secara online dalam E-Learning peron. Otentikasi siswa dilakukan dengan menggunakan Gambar Pengolahan. Proses Otentikasi sangat bergantung pada Wajah Deteksi dan Pengenalan Wajah selama kegiatan pembelajaran. Selain itu, dalam sistem pembelajaran E-Learning kami juga harus mempertimbangkan masalah terkait keakuratan dan kecepatan sistem dalam menjalankan gambar.

Deteksi dan pengenalan wajah juga membutuhkan gambar tingkat tinggi pemrosesan tugas-tugas sulit seperti varians dalam kilat, orientasi, warna, tekstur, ukuran dan ekspresi dapat dengan mudah dibuat diperbaiki. Untuk membuat sistem lebih efisien dan andal diperlukan untuk membangun algoritme efektif yang dapat melakukan tatap muka deteksi dan pengenalan. Ada beberapa metode itu dapat digunakan untuk mengurangi dimensi gambar, misalnya menggunakan PCA (Analisis komponen utama). PCA dapat didefinisikan sebagai transformasi ortogonal yang mengubah data menjadi yang baru sistem koordinasi. Variasi setiap data proyeksi itu tetap berada di koordinat pertama, tertinggi kedua varian pada koordinat kedua, dan seterusnya.

Artikel ini menyajikan gambaran singkat tentang wajah secara real-time

teknik deteksi dan pengenalan. Dari hasil studi literatur yang ada kami menemukan bahwa Face Countour dan Algoritma Adaboost ditambahkan dengan CNN (Convolutional Neural Network) dapat menormalkan fungsi kontur wajah dan menormalkan petir di lingkungan sekitar dimana deteksi wajah berada. Sedangkan dalam pengenalan wajah Prosesnya, dari penelitian yang ada dapat diketahui bahwa 3WPCA-MD (Prinsip Dekomposisi Wavelet Tiga Tingkat

Analisis Komponen dengan metode Mahalonobis Distance) adalah mampu menghasilkan hasil pengenalan wajah yang lebih cepat dibandingkan metode PCA biasa. Sehingga hasil penelitian ini bisa dijadikan acuan dalam mengembangkan penelitian sebelumnya tentang Model Pengolahan Gambar dalam E-Learning dengan fokus pada metode yang akan digunakan dalam deteksi wajah dan wajah tahap pengenalan.

Deteksi wajah merupakan tahap awal sebelum melakukan pengenalan dimana deteksi wajah akan menentukan benar atau tidaknya wajah tersebut bentuk juga tidak terfokus pada background background, karena Sistem ini akan dilatih sebelumnya untuk mencari lokasinya wajah dan itu bukan wajah. Deteksi wajah sebelumnya dibuat pada tahun 1970-an dan masih terus dikembangkan hingga sekarang dengan penambahan beberapa metode baru untuk bekerja waktu nyata.

Pengenalan wajah merupakan proses yang berfungsi untuk mengidentifikasi kehadiran wajah manusia dari gambar atau video. Sebenarnya pengakuan dan tingkat pengenalan waktu adalah salah satu yang utama tantangan yang harus dikembangkan. Pengenalan Wajah di E-Learning ditampilkan untuk mengotentikasi apakah pengguna adalah asli pengguna atau penipu yang mencoba menjadi pengguna nyata.

Pencocokan template bertujuan untuk terus menerus dan transparan mengotentikasi siswa online di platform E-Learning. Pada tahap ini, sistem akan melakukan validasi ulang terhadap proses deteksi wajah menemukan kesalahan yang terjadi karena iluminasi atau dugaan kecurangan selama proses pembelajaran yang sedang berlangsung.

Pengenalan Wajah telah diimplementasikan ke dalam banyak aspek, seperti interaksi komputer manusia, Artificial Intelligence dan seterusnya. Dalam E-Learning, FR (Face Recognition) bisa digunakan sebagai sistem login dan sebagai verifikator, sehingga sistem dapat mengautentikasi akun yang masuk sebagai asli atau orang yang meniru pengguna aslinya.

Metode penelitian yang digunakan adalah studi pustaka dan analisis. Studi literatur dilakukan tentang penggunaan deteksi wajah dan pengenalan wajah dalam kondisi waktu nyata yang diusulkan oleh berbagai penelitian sebelumnya. Informasi yang diperoleh adalah metode yang digunakan dalam deteksi wajah dan pengenalan wajah serta informasi terkait secara real-time. Dalam studi ini kami meninjau metode dari enam studi literatur yang berkaitan dengan deteksi wajah dan pengenalan wajah. Selanjutnya dilakukan analisis terhadap studi literatur untuk menemukan metode yang cocok untuk E-Learning. Penelitian ini bertujuan untuk mengembangkan Sistem desain arsitektur Model Pemrosesan Gambar di E-Learning, yang telah dilakukan pada penelitian sebelumnya menggunakan metode yang digunakan dalam deteksi wajah dan pengenalan wajah, jadi untuk meningkatkan keakuratan otentikasi pengguna.

Dalam studi ini, kami meninjau beberapa metode yang dapat digunakan untuk meningkatkan otentikasi kehadiran siswa. Artikel ini tidak hanya mengulas masalah akurasi dalam deteksi dan pengenalan wajah, tetapi juga mencoba untuk meninjau kembali metode yang dapat digunakan untuk meningkatkan kecepatan deteksi dan pengenalan wajah secara real time. Metode PCA. Selain itu, proses 3WPCA menghasilkan file sistem pengenalan berbasis wajah yang baik dan dapat digunakan untuk menemukan data faksimili dengan akurasi hingga 98% .

Dari pengamatan di atas dapat disimpulkan bahwa akurasi otentikasi wajah di E-Learning bisa ditingkatkan dengan menggunakan teknik hybrid untuk deteksi wajah dan pengakuan secara real time. Kendala utama yang diamati adalah soal wajah orientasi, gambar latar belakang, dan masalah terkait kecerahan dimana sistem tidak dapat mendeteksi wajah.

Maka dalam studi selanjutnya kita bisa menguji metode-metode tersebut digunakan dalam deteksi wajah dan pengenalan wajah sebagai dasar untuk pengembangan penelitian sebelumnya tentang Image Processing model dalam E-Learning.

Buku Bacaan:

[1] S. G. Rabiha, Sasmoko, H. Ham, Noerlina, and Hendro, “Image
Processing Model Based E- Learning for Students Authentication,” in
International Conference on Information Management and Technology
(ICIMTech), 2017, no. November, pp. 187–191.
[2] F. Gianni, M. Mirko, and B. Ludovico, “A multi-biometric system for
continuous student authentication in e-learning platforms,” Pattern
Recognit. Lett., vol. 0, pp. 1–10, 2017.
[3] N. Dong, F. Liu, and Z. Li, “Crowd Density Estimation Using Sparse
Texture Features,” J. Converg. Inf. Technol., vol. 5, no. 6, 2010.
[4] A. Kumrawat and M. P. . Chawla, “Real Time Face Detection And
Recognition Using Hybrid Method,” J. Control Instrum. Eng., vol. 3,
no. 3, pp. 1–10, 2017.
[5] M. Abdulrahman, T. R. Gwadabe, F. J. Abdu, and A. Eleyan, “Gabor
Wavelet Transform Based Facial Expression Recognition Using PCA
and LBP,” in Signal Processing and Comunication Aplication Conference, 2014, no. Siu, pp. 2265–2268.
[6] E. Hjelm, “Face Detection : A Survey,” in Computer Vision and Image
Understanding, 2001, vol. 274, pp. 236–274.
[7] X. Zhu and S. Z. Li, “High-Fidelity Pose and Expression Normalization
for Face Recognition in the Wild,” in Computer Vision and Pattern
Recognition (CVPR), 2015, pp. 787–796.
[8] H. Li, Z. Lin, X. Shen, and J. Brandt, “A Convolutional Neural
Network Cascade for Face Detection,” in Computer Vision and Pattern
Recognition (CVPR), 2015, pp. 5325–5334.
[9] W. Wang and Y. Peng, “Face detection based on adaboost and face
contour in e-learning,” in Ninth International Conference on Natural
Computation (ICNC), 2013, no. 60970052, pp. 1026–1030.
[10] Y. Wang, “An Analysis of the Viola-Jones Face Detection Algorithm,”
Image Process. Line, vol. 4, pp. 128–148, 2014.
[11] S. S. Farfade, “Multi-view Face Detection Using Deep Convolutional
Neural Networks,” in ICMR, 2015.
[12] R. Girshick, F. Iandola, T. Darrell, J. Malik, and U. C. Berkeley,
“Deformable Part Models are Convolutional Neural Networks,” in
Computer Vision and Pattern Recognition (CVPR), 2015, pp. 437–446. [13] S. Zafeiriou, C. Zhang, and Z. Zhang, “A survey on face detection in
the wild : Past , present and future,” Comput. Vis. Image Underst., vol.
138, pp. 1–24, 2015.
[14] E. Winarno, A. Harjoko, A. M. Arymurthy, and E. Winarko, “Improved
Real-time Face Recognition Based on Three Level Wavelet
Decomposition – Principal Component Analysis and Mahalonobis
Distance,” J. Comput. Sci. 10, vol. 10, no. 5, pp. 844–851, 2014.
[15] P. M. Roth, M. Hirzer, K. Martin, and H. Bischof, “Mahalanobis
Distance Learning for Person Re-Identification,” pp. 247–267, 2014.
[16] E. Winarno, W. Hadikurniawati, I. Husni, A. Amin, and M. Sukur,
“Anti-Cheating Presence System Based on 3WPCA- Dual Vision Face
Recognition,” in ECCSCI, 2017, no. September, pp. 19–21.