Pengenalan gait merupakan salah satu bagian dari computer vision yang berfungsi untuk
mengenali subjek (manusia) dengan jarak tertentu tanpa memperhatikan aspek biometrik seperti
iris, wajah, dan sidik jari. Latent Conditional Random Field (L-CRF) merupakan salah satu
algoritma pengenalan single-gait dengan hasil yang lebih baik.Walaupun hasil performansi akurasi subjek dengan kondisi berjalan normal (#NM) yang lebih baik, tapi masih terdapat masalah performansi akurasi terhadap kondisi berjalan lain seperti membawa tas (#BG) dan memakai jas (#CL). Modifikasi Latent Conditional Random Field (mL-CRF)
merupakan salah satu metode yang masih berkaitan dengan L-CRF, tapi memiliki perbedaan pada
parameter pairwise. Keunggulannya adalah hasil yang lebih baik dalam melatih dan menguji data
dari domain yang identik. Penelitian ini menggunakan silhouette frames pada data set CASIA gait
database B yang berisi 124 subjek dengan 110 sequence tiap subjek. Proses pengolahan data mLCRF dilakukan berdasarkan sampel training (LT74 & MT62) dan 11 sudut pengamatan yang akan
dibandingkan dengan L-CRF tanpa modifikasi, serta penelitian-penelitian sebelumnya. Pada
penelitian ini, LT74 pada mL-CRF merupakan sampel training yang paling baik yang
menghasilkan peningkatan akurasi sebesar 0,89% (#NM), 1,32% (#BG), 1,54% (#CL) terhadap LCRF tanpa modifikasi.