Implementasi Face Recognition Berbasis Support Vector Machine dan MediaPipe
DOI:
https://doi.org/10.33795/jip.v12i4.9388Keywords:
face recognition, pengolahan citra, computer vision, machine learning, autentikasi biometrikAbstract
Autentikasi berbasis biometrik dengan wajah menawarkan kemudahan dan keamanan, namun akurasinya masih dipengaruhi dengan adanya perubahan pencahayaan, pose, ekspresi, dan occlusion. Penelitian ini mengimplementasikan sistem face recognition yang ringan dan praktis dengan deteksi wajah menggunakan MediaPipe Face Mesh, ekstraksi fitur melalui face encoding (dengan dukungan pola tepi ala HOG), dan klasifikasi identitas memakai Support Vector Machine (SVM) dengan tiga varian kernel yang dibandingkan secara sistematis. Sistem dikembangkan dalam Python (MediaPipe, OpenCV, scikit-learn) dengan antarmuka web untuk pendaftaran dan identifikasi wajah. Data uji berupa citra wajah pengguna yang diubah menjadi vektor embedding, kemudian pelatihan/validasi dilakukan memakai 5-fold cross-validation dan perbandingan beberapa kernel SVM. Hasil menunjukkan sistem mampu mengenali wajah dengan baik pada kondisi pencahayaan normal dan pose frontal. Kernel Linear memberikan akurasi rata-rata tertinggi 99,38% (confusion matrix 100%), disusul RBF 98,72% dan Polynomial 96,11%. Mekanisme stabilisasi confidence antar frame membuat tampilan identifikasi lebih halus dan konsisten. Meski demikian, ukuran data yang terbatas membuat performa belum sepenuhnya merepresentasikan kondisi nyata dan masih rentan terhadap occlusion serta pencahayaan ekstrim (indikasi overfitting). Temuan ini mengindikasikan bahwa kombinasi MediaPipe, face encoding dan SVM efektif untuk face recognition skala kecil atau menengah, dan riset lanjutan perlu menambah variasi data, skenario pengambilan, serta strategi augmentasi atau regularisasi untuk meningkatkan robustnes di lingkungan nyata.
Downloads
References
Arsal, M., Wardijono, B. A., & Anggraini, D. (2020). Face recognition untuk akses pegawai bank menggunakan deep learning dengan metode CNN. Jurnal Nasional Teknologi dan Sistem Informasi, 6(1), 55–63. https://doi.org/10.25077/teknosi.v6i1.2020.55-63
D.S.S., G. A. (2021). Analisa kebutuhan kebutuhan sistem informasi manajemen perusahaan dagang. Kurawal: Jurnal Teknologi, Informasi dan Industri, 4(1), 17–30. https://doi.org/10.33479/kurawal.v4i1.400
Iskandar, M., Azizah, N., & Jaya, F. (2025). Real-time face age detection system based on deep neural networks with MediaPipe optimization for enhanced accuracy. Jurnal Sistem Cerdas, 8(3), 297–305. https://doi.org/10.37396/jsc.v8i3.593
Liu, W., Zhou, L., & Chen, J. (2021). Face recognition based on lightweight convolutional neural networks. Information, 12(5), 191. https://doi.org/10.3390/info12050191
Permadi, M. L. B., & Gumilang, R. (2024). Penerapan algoritma CNN (convolutional neural network) untuk deteksi dan klasifikasi target militer berdasarkan citra satelit. Jurnal Sosial Teknologi, 4(2), 134–143. https://doi.org/10.59188/jurnalsostech.v4i2.1138
Mahnamfar, A., Bicakci, K., & Uzunay, Y. (2024). ROSTAM: A passwordless web single sign-on solution mitigating server breaches and integrating credential manager and federated identity systems. Computers & Security, 139, 103739. https://doi.org/10.1016/j.cose.2024.103739
Mulugeta, A. K., Sharma, D. P., & Mesfin, A. H. (2024). Deep learning for medicinal plant species classification and recognition: A systematic review. Frontiers in Plant Science, 14, 1286088. https://doi.org/10.3389/fpls.2023.1286088
Oduguwa, T., & Arabo, A. (2024). Passwordless authentication using a combination of cryptography, steganography, and biometrics. Journal of Cybersecurity and Privacy, 4(2), 278–297. https://doi.org/10.3390/jcp4020014
Oinar, C., Le, B. M., & Woo, S. S. (2023). KappaFace: Adaptive additive angular margin loss for deep face recognition. IEEE Access, 11, 137138–137150. https://doi.org/10.1109/ACCESS.2023.3338648
Pramono, A., Ardanari, P., & Maslim, M. (2020). Pembangunan aplikasi presensi magang berbasis mobile menggunakan face recognition. Jurnal Informatika Atma Jogja, 1(1).
Pratiwi, B. P., Handayani, A. S., & Sarjana, S. (2021). Pengukuran kinerja sistem kualitas udara dengan teknologi WSN menggunakan confusion matrix. Jurnal Informatika Upgris, 6(2). https://doi.org/10.26877/jiu.v6i2.6552
Revanza, M., Bachtiar, F., & Setiawan, B. (2025). Klasifikasi emosi pada raut wajah pelajar menggunakan ekstraktor fitur Face Mesh dan metode support vector machine. [Nama jurnal belum tercantum], 12(4), 851–858. https://doi.org/10.25126/jtiik.124
Rimbawan, R., Suharyanti, S., & Basri, A. (2021). Simulasi penerapan teknologi face recognition pada aplikasi pendataan kehadiran karyawan/karyawati terintegrasi E-Mon sistem penggajian dengan pendekatan Eigenface dan UXD Laravel versi 5.6 berbasis cloud service. Jurnal Pepadun, 2(1), 138–148. https://doi.org/10.23960/pepadun.v2i1.39
Sanil, G., Prakasha K., K., Prabhu, S., Nayak, V., & Jayakala, A. (2025). Region-wise landmarks-based feature extraction employing SIFT, SURF, and ORB feature descriptors to recognize monozygotic twins from 2D/3D facial images. F1000Research, 14, 444. https://doi.org/10.12688/f1000research.162911.2
Siam, A. I., Soliman, N. F., Algarni, A. D., Abd El-Samie, F. E., & Sedik, A. (2022). Deploying machine learning techniques for human emotion detection. Computational Intelligence and Neuroscience, 2022, 1–16. https://doi.org/10.1155/2022/8032673
Spreckelsen, F., Rüchardt, B., Lebert, J., Luther, S., Parlitz, U., & Schlemmer, A. (2020). Guidelines for a standardized filesystem layout for scientific data. Data, 5(2), 43. https://doi.org/10.3390/data5020043
Wang, K., Peng, X., Yang, J., Meng, D., & Qiao, Y. (2020). Region attention networks for pose and occlusion robust facial expression recognition. IEEE Transactions on Image Processing, 29, 4057–4069. https://doi.org/10.1109/TIP.2019.2956143
Zhao, B., Wang, J., Ma, W., Jesslen, A., Yang, S., Yu, S., Zendel, O., Theobalt, C., Yuille, A. L., & Kortylewski, A. (2024). OOD-CV-v2: An extended benchmark for robustness to out-of-distribution shifts of individual nuisances in natural images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(12), 11104–11118. https://doi.org/10.1109/TPAMI.2024.3462293
