Usulan Tugas Akhir.docx

SISTEM PENDETEKSI USIA BERDASARKAN CITRA WAJAH UNTUK PENGELOMPOKKAN SIARAN TELEVISI BERBASIS ANDROID

Tugas Akhir Untuk memenuhi sebagian persyaratan mencapai derajat Sarjana S – 1 Teknik Informatika

Oleh: Muhlis Fathurrahman F1D 015 061

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNIK UNIVERSITAS MATARAM Desember 2017

BAB I PENDAHULUAN 1.1 Latar Belakang Fungsi komunikasi massa adalah menyiarkan informasi (to inform), mendidik (to educate) dan menghibur (to entertain). Fungsi utama dari televisi adalah menghibur. Televisi yang disajikan pada segi – segi informasi dan pendidikan, hanyalah sebagai pelengkap saja dalam rangka memenuhi kebutuhan alamiah manusia. Pengaruh media terhadap anak semakin besar, teknologi semakin canggih dan intensitasnya semakin tinggi. Perkembangan industri digital yang sangat cepat itu menjadi tantangan berat bagi dunia pendididkan dan orang tua dalam menyiapkan anak didik untuk dapat mengahadapi “banjir informasi” yang dibawa oleh media. Padahal orang tua mempunyai waktu yang cukup untuk memperhatikan, mendampinya dan mengawasi anak. Anak lebih banyak menghabiskan waktu menonton televisi daripada melakukan kegiatan lainnya. Kurangnya kontrol dari orang tua terhadap anak saat menonton televisi berakibat terhadap banyaknya dampak negatif terhadap perkembangan anak. Hal tersebut dapat disebabkan oleh terlalu sibuknya orang tua dalam bekerja sehingga jarang berada dirumah untuk menemani anak saat bermain, belajar maupun saat sedang menonton siaran televisi. Untuk membantu serta mempermudah peran orang tua dalam mengontrol tontonan anak saat orang tua sedang bekerja, maka akan dirancang “SISTEM PENDETEKSI

USIA

BERDASARKAN

CITRA

WAJAH

UNTUK

PENGELOMPOKKAN SIARAN TELEVISI BERBASIS ANDROID”. Dengan menggunakan sistem tersebut maka orang tua dapat mengawasi tontonan anak dari jauh, dengan mengelompokkan daftar siaran televisi berdasarkan usia penonton yang terdeteksi oleh kamera yang terpasang pada televisi. Sehingga anak ataupun penonton lainnya dapat menonton siaran televisi sesuai dengan usianya masing – masing.

1

1.2 Permasalahan Dampak negatif dari acara televisi lebih besar daripada dampak positif pada perkembangan anak. Dari televisi, anak – anak dapat menyaksikan semua tayangan termasuk yang belum layak mereka tonton, mulai dari kekerasan hingga tayangan yang tidak senonoh. Dampak – dampak negatif dalam acara televisi antara lain: a. Berpengaruh terhadap perkembangan otak. b. Menurunnnya atau hilangnya minat membaca dan motivasi anak sehingga anak tidak mempunyai semangat belajar. c. Perubahan perilaku pada karekter dan mental penontonnya. d. Menjadikan anak menjadi konsumtif karena tayangan iklan yang menawarkan berbagai macam produk. e. Memikat dan membuat ketagihan sehingga anak menjadi malas belajar. f. Mengurangi kreatifitas, kurang bermain dan bersosialisasi menjadi manusia individualais. g. Meningkatnya agresifitas dan kriminalitas. h. Terlalu sering nonton televisi dan tidak pernah membaca menyebabkan anak akan memiliki pola fikir sederhana, kurang kritis, linier atau searah dan pada akhirnya akan mempengaruhi imajinasi, intelektualitas, dan perkembangan kognitifnya. Anak – anak belum mampu membedakan mana yang baik dan mana yang buruk serta mana yang pantas dan tidak pantas. Media televisi mempunyai daya tiru yang sangat kuat bagi pertumbuhan dan perkembangan anak. Dampak negatif ini menjadi perhatian orang tua untuk membatasi waktu menonton televisi, mengawasi serta menyeleksi tayangan yang pantas ditonton oleh anak – anak. 1.3 Batasan Masalah Berdasarkan permasalahan di atas maka diberikan batasan masalah yang akan dianalisa, mengingat adanya keterbatasan waktu dalam proses penyusunan tugas akhir yaitu sebagai berikut: a. Sistem hanya mengelompokkan jenis – jenis kanal televisi berdasarkan rentang usia penonton.

2

b. Sistem mengelompokkan usia penonton berdasarkan hasil deteksi wajah yang dibandingkan dengan data yang terdapat pada database. 1.4 Tujuan Penelitian Tujuan penulis malakukan penelitian dan perancangan sistem ini adalah sebagai berikut: a. Membuat sistem pendeteksi wajah untuk pengelompokkan siaran televisi berdasarkan usia penonton berbasis android. b. Untuk mendapatkankan tontonan sesuai kategori usia penonton. c. Dapat mencegah orang yang belum cukup usia menonton tanyangan yang mengandung kekerasan dan tidak senonoh. 1.5 Manfaat Penelitian Berdasarkan tujuan penelitian di atas, maka penelitian ini diharapkan memiliki manfaat sebagai berikut: a. Agar penonton menyaksikan siaran televisi yang sesuai dengan usia serta memberikan edukasi. b. Agar mempermudah orang tua melakukan kontrol terhadap tontonan anak dari jarak jauh. c. Agar tontonan yang disaksikan dapat disesaikan dengan kebutuhan informasi dan edukasi dari masing – masing penonton.

3

BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1 Tinjauan Pustaka Menurut (Effendy, 1986), “Komunikasi massa adalah penyebaran pesan dengan menggunakan media yang ditujukan kepada massa yang abstrak, yakni sejumlah orang yang tidak tampak oleh pengirim pesan. Pembaca surat kabar, pendengar radio, penonton televisi dan film, tidak tampak oleh komunikator”. Dengan demikian, bahwa komunikasi massa atau komunikasi melalui media massa sifatnya satu arah (one way traffic). Pesan disebarkan oleh komunikator, tidak diketahui apakah pesan itu diterima, dimengerti atau dilakukan oleh komunikan. Menurut (Hofmann, 1999), “Lima fungsi televisi lainnya antara lain sebagai pengawasan situasi masyarakat dan dunia, menghubungkan satu dengan yang lain, menyalurkan kebudayaan, hiburan, dan pengerahan masyarakat untuk bertindak dalam keadaan darurat”. Dalam Teori Kegunaan dan Keuntungan bahwa pemirsa televisi ternyata lebih aktif daripada yang umumnya disangka. Televisi secara langsung dapat mengerahkan masyarakat dengan tujuan tertentu. Sebaliknya, televisi itu dimanfaatkan oleh pemirsa. Terdapat beberapa penelitian tentang deteksi wajah seperti yang dilakukan oleh (Viola & Jones, 2001)menjelaskan kerangka deteksi wajah yang mampu memproses gambar yang sangat cepat saat mencapai tingkat deteksi tinggi. Penelitian ini menelurkan tiga kontribusi utama. Pertama adalah representasi gambar baru yang disebut "Gambar Integral" yang memungkinkan fitur yang digunakan sebagai detektor untuk dikomputasi dengan sangat cepat. Yang kedua adalah classifier sederhana dan efisien yang dibangun menggunakan algoritma pembelajaran AdaBoost untuk memilih sejumlah fitur visual kritis yang kecil dari satu set fitur potensial yang besar. Kontribusi ketiga adalah sebuah metode untuk menggabungkan pengklasifikasi dalam “cascade” yang memungkinkan daerah latar belakang gambar dengan cepat dibuang saat mengeluarkan beberapa komputasi dalam menentukan daerah wajah. Sistem deteksi wajah ini menghasilkan kinerja sebanding dengan sistem – sistem sebelumnya dan diimplementasikan pada desktop konvensional dengan hasil deteksi wajah yaitu 15 frame per detik.

4

Penelitian (Prayogi, Puspita, & Susetyoko, 2007) membahas bagaimana sistem deteksi wajah memproses gambar dari obyek bergerak. Pemrosesan gambar ini bertujuan untuk mencari wajah dari gambar obyek bergerak yang telah ditangkap, kemudian gambar tersebut diolah dengan memisahkan gambar dengan latar belakangnya, sehingga hanya bagian yang dianggap kulit yang ditampilkan sedangkan bagian yang bukan kulit akan dihitamkan. Untuk metode pencocokkan dengan template wajah yang disimpan kedalam lima kelas dengan menggunakan metode euclidean distance. (Rijal & Ariefianto, 2008) melakukan penelitian deteksi wajah berdasarkan segmentasi model warna menggunakan template matching pada objek bergerak. Pengujian sistem secara keseluruhan menghasilkan prosentase akurasi dari sistem pendeteksian wajah ini sebesar 65% dengan kecepatan rata – rata proses sebesar 4 detik. Proses segmentasi sangat bergantung pada kondisi pencahayaan. Akibatnya, nilai ambang pada suatu kondisi pencahayaan dengan kondisi pencahayaan yang lain bisa jadi berbeda. Berdasarkan penelitian yang dilakukan oleh (Viola & Jones, 2001) yang memiliki kelebihan melakukan proses gambar yang sangat cepat saat mencapai tingkat deteksi tinggi dibandingkan metode lainnnya. maka penelitian ini melanjutkan dari peneltian sebelum yang dilakukukannnya yaitu merancang suatu sistem deteksi wajah pada suatu gambar dengan metode Viola-Jones. Penelitian tentang pengelompokan usia pertama kali dilakukan oleh C. Dalam penelitian tersebut, pengelompokan usia dibedakan menjadi 3 kelas yaitu kelas bayi (babies), remaja awal (young adult) dan remaja akhir (senior adult). Metode yang digunakan adalah teori cranio-facial dengan menggunakan dua fitur penting yaitu ratio wajah (facial ratio) dan kerutan wajah (wrinkle density). Fitur pertama yaitu facial ratio untuk membedakan ratio wajah antara bayi dan remaja. Fitur ini meliputi posisi mata, hidung, mulut, dagu dan posisi paling atas dari kepala. Posisi – posisi tersebut diambil dari citra wajah tampak depan. Fitur kedua adalah wrinkle density yang dihitung berdasarkan banyaknya kerutan wajah pada posisi tertentu. Dengan menggunakan kedua fitur tersebut penelitian ini mengklaim telah berhasil melakukan pengelompokan usia berdasarkan citra wajah. Beberapa peneliti telah mengembangkan penelitian sejenis, seperti yang dilakukan oleh (Horng, Lee, & Chen, 2001) dan (Rahayu, Karmilasari, & Saputro, 5

2008). (Horng, Lee, & Chen, 2001)menggunakan citra level keabuan dan mengelompokan citra wajah berdasarkan 4 kelas yaitu bayi, remaja awal, remaja akhir dan tua. Sedangkan (Rahayu, Karmilasari, & Saputro, 2008) menggunakan citra warna sebagai input dan mengelompokan usia berdasarkan 3 kelas yaitu bayi, dewasa dan tua. Kedua penelitian tersebut menggunakan algoritma klasifikasi Neural Network (NN) atau Jaringan Syaraf Tiruan (JST) berbasis backpropagation. Tahapan proses yang dilakukan terdiri dari pemetaan lokasi, ekstraksi fitur dan klasifikasi. Ada 2 fitur penting yang digunakan dalam penelitian tersebut yaitu: 1) Facial ratio, terdiri dari: Kerapatan kerutan (wrinkle density), kedalaman kerutan (depth of wrinkle) dan nilai rata – rata varians kulit (average skin variance); dan 2) Fitur geometri, yaitu: Jarak antara mata dengan mulut dan jarak antara mata dengan hidung. Di mana lokasi kedua mata, hidung dan mulut didapatkan berdasarkan bentuk simetri wajah dan perbedaan nilai intensitas piksel menggunakan operator Sobel. (Dehshibi & Bastanfard, 2010) dalam penelitian yang sama menggunakan 7 ratio geometri berdasarkan antropometri wajah yang disebut sebagai face anthropometry. Ratio tersebut tidak hanya menggunakan 4 titik wajah (landmark) seperti pada penelitian sebelumnya yaitu kedua mata, hidung dan mulut, tetapi diekstraksi dari 8 titik wajah yaitu mata kanan, mata kiri, hidung, mulut, dagu, dahi atas, pipi kanan dan pipi kiri. Selain 7 fitur ratio, (Dehshibi & Bastanfard, 2010) juga menggunakan fitur kerutan yang diekstraksi dari 3 area wajah. Penelitian tersebut juga menggunakan histogram equalization dan gaussian untuk perbaikan hasil dari ekstraksi kerutan pada wajah. Namun penelitian Dehshibi hanya memperhitungkan lebar kerutan (wrinkle density). Padahal pada penelitian sebelumnya, selain lebar kerutan juga diperhitungkan kedalaman kerutan (the depth of wrinkle). Hal ini penting dikarenakan kerutan yang nampak pada citra kelompok usia tua akan terlihat lebih jelas dibandingkan dengan kerutan yang terlihat pada kelas anak atau bayi. Tabel 2.1 menunjukkan perbedaan antara penelitian sebelumnya dengan metode yang diusulkan untuk memgelompokkan citra wajah berdasarkan usia. Dari permasalahan yang terkait dengan pemilihan fitur wajah untuk pengelompokan usia, maka penelitian ini bertujuan untuk mengelompokkan usia berdasarkan fitur face anthropometry dengan memperhitungkan lebar dan kedalaman kerutan. Data citra wajah dikelompokkan berdasarkan 3 kelas yaitu anak, remaja, dan 6

tua. Di mana untuk ekstraksi kerutan wajah digunakan gabungan operator Sobel dan histogram equalization. Tabel 2.1 Penelitian Terkait Dengan Pengelompokan Usia

Peneliti (Kwon & Lobo, 1999)

Face Feature Ratio

Wrinkle

Facial ratio

Wrinkle

(Horng, Lee, & Chen, 2001) (Rahayu, Karmilasari, &

Facial ratio

Wrinkle density, depth of wrinkle

Saputro, 2008) (Dehshibi & Bastanfard, 2010) Usulan

Face anthropometry

Face anthropometry

Wrinkle density Wrinkle

density,

depth of wrinkle

2.2 Dasar Teori 2.2.1 Televisi Menurut (Effendy, 2002) yang dimaksud dengan televisi adalah televisi siaran yang merupakan media dari jaringan komunikasi dengan ciri – ciri yang dimiliki komunikasi massa, yaitu berlangsung satu arah, komunikatornya melembaga, pesannya bersifat umum, sasarannya menmbulkan keserampakan, dan komunikasinya bersifat heterogen. Perkembangan teknologi melahirkan suatu media baru yang dapat menyajikan informasi sacara cepat kepada masyarakat yaitu televisi. Tv sebagai alat penangkap siaran dan gambar. Televisi berasal dari kata tele yang berarti tampak dan vision yang berarti jauh atau jika digabungkan menjadi suatu makna yang berarti jauh dan tampak atau dengan kata lain TV merupakan suatu alat untuk melihat dari jarak jauh. Televisi merupakan jaringan komunikasi dengan peran seperti komunikasi massa yaitu satu arah, menimbulkan keserempakan dan komunikan bersifat heterogen. Televisi merupakan media massa yang berfungsi sebagai alat pendidikan, penerangan, dan hiburan. Selain itu sifat

7

negatif TV adalah sepintas lalu, tidak terlalu dapat diterima dengan sempurna, dan menghadapi publik yang heterogen (Dominick, 2000). Tayangan televisi dapat diartikan sebagai adanya suatu pertunjukan acara yang ditampilkan atau disiarkan melaui media massa televisi. Tayangan tersebut bisa bersifat hiburan, informasi, ataupun edukasi seperti tayangan mengenai pendidikan. 2.2.2 Android Android menurut (Nazruddin Safaat, 2012), “Android adalah sebuah sistem informasi untuk perangkat mobile berbasis linux yang mencakup sistem operasi, middleware dan aplikasi”. Seperti teknologi lainnya, Android muncul tidak langsung canggih seperti saat ini. Teknologinya yang bersifat open source, terus berkembang dan selalu terbuka untuk digunakan dan dikembangkan siapa saja. Mungkin inilah yang membuat Android begitu dicintai. Versi beta muncul pertama kali pada november 2007, Android benarbenar dipasarkan dengan versi Android 1.0 pada September 2008 dengan kode nama Apple Pie. Android versi ini disematkan pada sebuah handphone HTC Dream. Pada versi ini fitur – fitur seperti Web Browser, Wifi, Bluetooth, SMS, Google Mail, Google Search, Media Player, Youtube Player, Google Maps, Google Calendar, Alarm, Calculator, Phone, Android Market, dan fitur standar smartphone lainnya. 2.2.3 Deteksi wajah Deteksi wajah dapat dipandang sebagai masalah klasifikasi pola dimana input-nya adalah citra masukan dan akan ditentukan output yang berupa label kelas dari citra tersebut. Dalam hal ini terdapat dua label kelas, yaitu wajah dan bukan wajah. Teknik – teknik pengenalan wajah yang dilakukan selama ini banyak yang menggunakan asumsi bahwa data wajah yang tersedia memiliki ukuran yang sama dan latar belakang yang seragam. Di dunia nyata, asumsi ini tidak selalu berlaku karena wajah dapat muncul dengan berbagai ukuran dan posisi di dalam citra dan dengan latar belakang yang bervariasi. Pendeteksian wajah (face detection) adalah salah satu tahap awal yang sangat penting sebelum dilakukan proses pengenalan wajah (face recognition). Bidang – 8

bidang penelitian yang berkaitan dengan pemrosesan wajah (face processing) adalah (Nugroho, 2004): a. Pengenalan wajah (face recognition) yaitu membandingkan citra wajah masukan dengan suatu database wajah dan menemukan wajah yang paling cocok dengan citra masukan tersebut. b. Autentikasi wajah (face authentication) yaitu menguji keaslian/kesamaan suatu wajah dengan data wajah yang telah di-input-kan sebelumnya. c. Lokalisasi wajah (face localization) yaitu pendeteksian wajah namun dengan asumsi hanya ada satu wajah di dalam citra. d. Penjejakan wajah (face tracking) yaitu memperkirakan lokasi suatu wajah di dalam video secara real time. e. Pengenalan ekspresi wajah (facial expression recognition) untuk mengenali kondisi emosi manusia. 2.2.4 Klasifikasi usia Metodologi untuk pengelompokan usia terdiri dari 4 tahap yaitu praproses, identifikasi lokasi titik wajah, ekstraksi fitur dan klasifikasi. Adapun penjelasan dari masing – masing tahapan adalah sebagai berikut: a. Praproses Tahap awal yang dilakukan untuk pengelompokan usia adalah normalisasi citra input. Penelitian ini menggunakan input citra warna yang akan melalui 2 tahap praproses, yaitu pemotongan area wajah (cropping) dan penyeragaman ukuran citra (resizing). Metode yang digunakan untuk pemotongan area wajah dilakukan secara otomatis berdasarkan warna kulit. Metode ini akan mentransformasi citra RGB ke dalam ruang warna YCbCr. Selanjutnya, seluruh citra sampel akan disamakan ukurannya menjadi 100 × 100 piksel. b. Identifikasi lokasi titik wajah Tahap kedua adalah mencari 8 lokasi titik. Identifikasi titik wajah didapatkan berdasarkan bentuk simetri wajah dan perbedaan nilai intensitas piksel menggunakan operator Sobel (Kwon & Lobo, 1999). Proses pertama yang dilakukan untuk mendapatkan 8 titik lokasi wajah adalah dengan membagi wajah menjadi 4 area berdasarkan 𝐻/2 dan 𝑊/2. Di mana 𝐻 diasumsikan sebagai tinggi citra dan 𝑊 sebagai lebar citra. 9

Untuk mengidentifikasi lokasi mata, pertama area wajah bagian atas akan dibagi menjadi 2 untuk memperkecil lokasi pencarian. Area pencarian akan dipotong berdasarkan 𝐻/4. Selanjutnya dengan menggunakan operator Sobel akan didapatkan nilai intensitas citra. Inisialisasi lokasi mata didapatkan dari seluruh nilai piksel f (x, y) yang bernilai satu, W . Selanjutnya akan dicari posisi maksimum 𝑚𝑎𝑥(𝑥, 𝑦) dan posisi minimum 𝑚𝑖𝑛(𝑥, 𝑦) dari (x, y) W . Posisi 𝑥 dan 𝑦 maksimum dan minimum akan digunakan untuk mendapatkan posisi tengah 𝑥 dan 𝑦 dari 𝑊 yang akan diidentifikasi sebagai lokasi titik mata ( x, y) t . Adapun lokasi titik mata dihitung dengan menggunakan Persamaan 1. Untuk mendapatkan lokasi titik hidung dan mulut menggunakan cara yang sama seperti mencari lokasi titik mata. Untuk mendapatkan titik dahi atas dan dagu ditarik garis vertikal pada titik tengah mata. Sedangkan untuk mendapatkan titik pipi kiri dan kanan ditarik garis horizontal melalui titik mulut yang diidentifikasi sebelumnya. Kerutan wajah tidak dihitung dari keseluruhan area wajah, tetapi menggunakan area – area yang spesifik yang merepresentasikan letak kerutan secara umum. Terdapat 5 area wajah yang digunakan sebagai area kerutan wajah. c. Ekstraksi fitur Pada tahapan proses ekstraksi fitur akan dihasilkan vektor fitur anthropometry yang terdiri dari 7 fitur yang menyimpan ratio geometri wajah. Ratio geometri didapatkan dengan menghitung jarak antar titik lokasi komponen wajah yang telah diidentifikasi sebelumnya menggunakan persamaan 2 sampai persamaan 8. Dalam penelitian ini, penghitungan jarak (𝐷) antar komponen menggunakan metode Euclidean Distance.

10

Gambar 2.1 Persamaan 1 sampai perssamaan 8

Selain menggunakan ratio geometri digunakan 2 fitur kerutan yang masing-masing merepresentasikan lebar kerutan 𝐿 dan kedalaman kerutan 𝐾. Kerutan didapatkan dengan menggunakan metode deteksi tepi menggunakan operator Sobel. Dalam penelitian ini digunakan nilai ambang batas deteksi tepi sebesar 0,08. Kerutan didapatkan dengan mengidentifikasi perbedaan nilai intensitas citra. Semakin banyak piksel yang ber-nilai 1 maka diasumsikan semakin banyak kerutan pada citra input. Untuk memperbaiki hasil identifikasi kerutan dilakukan penajaman citra menggunakan histogram equalization. Persamaan 9 digunakan untuk mendapatkan lebar kerutan wajah. Sedangkan Persamaan 10 digunakan untuk mendapatkan kedalaman kerutan.

Gambar 2.2 Persamaan 9 sampai persamaan 10

d. Pengelompokan usia Untuk mengelompokan data citra wajah penelitian ini menggunakan algoritma NN yang akan mengelompokan usia berdasarkan 3 kelas yaitu anak, remaja dan tua. Untuk menguji kehandalan metode yang diusulkan akan dibandingkan hasil pengelompokan sistem dan hasil pengelompokan yang dilakukan manual oleh pakar. 11

BAB III METODE PERANCANGAN Perancangan prototype menggunakan metode waterfall. Adapun tahapan metode waterfall dapat dilihat pada Gambar 3.1.

Gambar 3.1 Waterfall development model

3.1 Requirements Analysis Proses ini dilakukan untuk mengetahui kebutuhan dalam pembangunan prototype nantinya seperti data, software yang dibutuhkan, proses yang berjalan dan output yang dihasilkan sistem. Pembuatan prototype sistem ini membutuhkan beberapa komponen antara lain: a. Kamera. b. Android smartphone. c. Data set. Pengumpulan data set dibutuhkan untuk mengetahui tingkat akurasi dari sistem dalm hal mendeteksi usia berdasarkan citra wajah yang tertangkap oleh kamera, kemudian data tersebut akan disimpan pada database sistem. 3.2 Design Proses design adalah proses merancang interface dari prototype sistem. Pada proses ini prototype digambarkan alur kerja hingga menghasilkan output dan dapat digunakan dengan baik atau user friendly. Hasil dari tahap ini berupa blueprint dari prototype sehingga menjadi pedoman dari programmer dalam membangun prototype.

12

Gambar 3.2 Flowchart alur kerja sistem

3.3 Development Untuk dapat dimengerti oleh mesin, dalam hal ini adalah komputer, maka desain tadi harus diubah bentuknya menjadi bentuk yang dapat dimengerti oleh mesin, yaitu ke dalam bahasa pemrograman melalui proses coding. Tahap ini merupakan implementasi dari tahap design yang secara teknis nantinya dikerjakan oleh programmer. 3.4 Testing Sesuatu yang dibuat haruslah diujicoba terlebih dahulu, demikian juga dengan software. Semua fungsi – fungsi software harus diuji coba, agar software bebas dari error, dan hasilnya harus benar – benar sesuai dengan kebutuhan yang sudah didefinisikan sebelumnya. 3.5 Maintenance Pemeliharaan suatu software diperlukan, termasuk di dalamnya adalah pengembangan, karena software yang dibuat tidak selamanya hanya seperti itu. Ketika dijalankan mungkin saja masih ada error kecil yang tidak ditemukan sebelumnya, atau ada penambahan fitur – fitur yang belum ada pada software tersebut. Pengembangan diperlukan ketika adanya kendala – kendala baru yang muncul di lapangan.

13

DAFTAR PUSTAKA Dehshibi, M. M., & Bastanfard, A. (2010). A new algorithm for age recognition from facial images. Signal Processing, vol. 90, no. 8, 2431-2444. Dominick, J. R. (2000). The Dynamics of Mass communication. New York: Random House. Effendy, O. U. (1986). Dinamika Komunikasi. Bandung: PT. Remaja Rosdakarya. Effendy, O. U. (2002). Hubungan Masyarakat Suatu Studi Komunikologis. Bandung: PT. Remaja Rosdakarya. Hofmann, R. (1999). Dasar – Dasar Apresiasi Program Televisi. Jakarta: PT Gramedia Widiasarana Indonesia. Horng, W.-B., Lee, C.-P., & Chen, C.-W. (2001). Classification of age groups based on facial features. 淡江理 工學刊, vol. 4, no. 3, 183-192. Kwon, Y. H., & Lobo, N. d. (1999). Age classification from facial images. Computer Vision and Image Understanding, vol. 74, no. 1, 1-21. Nazruddin Safaat, H. (2012). Pemrograman Aplikasi Mobile Smartphone dan Tablet PC Berbasis Android. Bandung: Penerbit Informatika. Nugroho, S. (2004). Sistem Pendeteksi Wajah Manusia pada Citra Digital. Yogyakarta: Tesis Program Studi Ilmu Komputer Jurusan MIPA,. Prayogi, S., Puspita, E. .., & Susetyoko, R. (2007). Sistem Deteksi Wajah Pada Sistem Pengaman Lingkungan Berdasarkan Deteksi Obyek Bergerak Menggunakan Kamera. Surabaya: Jurusan Teknik Elektronika, Politeknik Elektronika Negeri Surabaya. Rahayu, D. A., Karmilasari, & Saputro, S. E. (2008). Klasifikasi kelompok usia berdasarkan ciri wajah pada sistem pengenalan wajah. Depok: Seminar Ilmiah Nasional Komputer dan Sistem Intelijen (KOMMIT 2008). Rijal, Y., & Ariefianto, D. (2008). Deteksi Wajah Berbasis Segmentasi Model Warna Menggunakan Template Matching pada Objek Bergerak. Yogyakarta: Seminar Nasional Aplikasi Teknologi Informasi. Viola, P., & Jones, M. J. (2001). Rapid Object Detection Using A Boosted Cascade of Simple Features. Jauai, Hawaii: IEEE Conference on Computer Vision and Pattern Recognition.

14