Wajah merupakan identitas unik dengan fitur khas seperti mata, hidung, dan mulut. Dalam era digital, teknologi face recognition untuk verifikasi identitas berbasis kecerdasan buatan semakin berkembang, meskipun memiliki tantangan utama dalam mendeteksi dan mengenali wajah secara akurat akibat kondisi pencahayaan yang buruk, variasi ekspresi dan fitur wajah, pencahayaan yang minim, dan perubahan ekspresi. Haar Cascade Classifier adalah salah satu metode umum yang digunakan pada face recognition, namun sering mengalami kesulitan dalam kondisi kompleks seperti perubahan pencahayaan, rotasi, dan variasi ekspresi wajah, sehingga mengurangi akurasi. Kombinasi Haar Cascade Classifier dan Local Binary Patterns Histogram (LBPH) diusulkan untuk mengatasi keterbatasan ini, karena LBPH dapat mengekstraksi fitur tekstur yang lebih halus dari citra. Penelitian ini bertujuan menerapkan face recognition dengan kombinasi Haar Cascade Classifier dan LBPH, serta mengukur akurasinya dalam berbagai kondisi. Hasil menunjukkan bahwa model ini mampu mencapai akurasi 100% di kondisi intensitas cahaya namun akurasinya menurun pada jarak lebih dari 80 cm, dengan jarak mencapai akurasi 75% dan sudut pandang non-frontal dengan sudut pandang mencapai akurasi 33,33%. Kombinasi Haar Cascade Classifier dan LBPH efektif dalam meningkatkan akurasi face recognition untuk kondisi yang lebih kompleks.

A face is a unique identity with distinctive features such as eyes, nose, and mouth. In the digital era, face recognition technology for artificial intelligence-based identity verification is growing, although it has major challenges in accurately detecting and recognizing faces due to poor lighting conditions, variations in facial expressions and features, minimal lighting, and changes in expression. Haar Cascade Classifier is one of the common methods used in face recognition, but it often experiences difficulties in complex conditions such as lighting changes, rotation, and facial expression variations, thus reducing accuracy. The combination of Haar Cascade Classifier and Local Binary Patterns Histogram (LBPH) is proposed to overcome these limitations, as LBPH can extract finer texture features from the image. This research aims to implement face recognition with the combination of Haar Cascade Classifier and LBPH, and measure its accuracy under various conditions. The results show that this model is able to achieve 100% accuracy in light intensity conditions but the accuracy decreases at a distance of more than 80 cm, with the distance reaching 75% accuracy and the non-frontal viewing angle reaching 33.33% accuracy. The combination of Haar Cascade Classifier and LBPH is effective in improving face recognition accuracy for more complex conditions.