Implementasi Metode PCA (Principal Component Analysis) Dalam Sistem Keamanan Rumah Berbasis Face Recognition dan SMS Gateway
BIODATA PENULIS 1. Data Pribadi
Nama : Toni Hartono Jenis Kelamin : Laki
- – Laki Tempat, Tanggal Lahir : Bekasi, 20 Januari 1992 Kewarganegaraan : Indonesia Agama : Islam Alamat Lengkap : Kp. Pulo Tanjung No. 12 RT. 001 RW. 001
Ds. Sindangsari Kec. Cabang Bungin Kab. Bekasi 17720
Telepon, HP : 085695301032 Email : 2.
Riwayat Pendidikan
1998 – 2004 : SD Negeri Sindangsari 03 2004 SMP Negeri 2 Sukatani
- – 2007 : 2007 SMA Negeri 1 Sukatani – 2010 : 2010 Program Strata Satu (S1) Program Studi Teknik – 2016 :
Informatika, Universitas Komputer Indonesia Bandung
IMPLEMENTASI METODE PCA(
PRINCIPAL COMPONENT
ANALYSIS) DALAM SISTEM KEAMANAN RUMAH BERBASIS
FACE RECOGNITION DAN SMS GATEWAY
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
TONI HARTONO
10110577
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2016
KATA PENGANTAR
Assalamu’alaikum Wr. Wb.Alhamdulillahi Rabbil‘alamin, segala puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa, yang telah melimpahkan rahmat dan karunia-Nya, sehingga skripsi dengan judul
“Implementasi Metode PCA(Principal
Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face
Recognition dan Sms Gateway” dapat terselesaikan dengan baik, untuk
melengkapi persyaratan guna memperoleh gelar Sarjana S1 Program Studi Teknik Informatika Fakultas Teknik dan Ilmu Komputer di Universitas Komputer Indonesia. Dalam penyusunan skripsi ini, tentunya tidak lepas dari bantuan dan dukungan dari berbagai pihak. Untuk itu, pada kesempatan ini penulis ingin mengucapkan terima kasih yang sebesar-besarnya kepada: 1.
Allah SWT yang telah memberikan rahmat, kasih, hidayah, petunjuk dan kemudahan yang Engkau berikan dalam menyelesaikan skripsi ini,
2. Keluarga tercinta terutama untuk Bapak Ifan Hartono dan Ibu Siti Rahayu, terima kasih yang tak terhingga atas segala kasih sayang, segala dukungan moril dan materil serta doa restu yang tidak henti-hentinya bagi penulis, 3. Bapak Iskandar Ikbal, S.T., M.Kom, selaku dosen pembimbing yang telah sabar dalam memberikan bimbingan dan saran demi kelancaran penyusunan skripsi ini, dan penulis sangat berterima kasih untuk setiap ilmu yang telah bapak berikan,
4. Bapak Eko Budi Setiawan, S.Kom., M.T, selaku dosen reviewer yang telah memberikan masukan dan saran dalam penyempurnaan skripsi ini,
5. Bapak Andri Heryandi, S.T., selaku dosen penguji 3 yang telah memberikan arahan dan masukan kepada penulis,
6. Bapak Irawan Afrianto, S.T., M.T., selaku Ketua Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Komputer Indonesia, 7. Ibu Kania Evita Dewi, S.Pd, M.Si., selaku dosen wali kelas IF-13 angkatan 2010 atas ilmu, bimbingan, arahan serta saran selama penulis menuntut ilmu di Jurusan Teknik Informatika, Universitas Komputer Indonesia, 8. Seluruh dosen dan karyawan Program Studi Teknik Informatika, Universitas
Komputer Indonesia, atas ilmu, bimbingan dan bantuannya hingga penulis selesai menyusun skripsi ini,
9. Tommy Saputra, Agung Prayoga, Anzas Kusuma, Donny Nugraha, Putra dan masih banyak lagi yang tidak bisa disebutkan satu persatu yang selalu memberikan dukungan baik dalam suka dan duka, serta selalu memberikan bantuan dalam penyusunan Tugas Akhir Ini,
10. Kawan-kawan seperjuangan penulis dalam penyusunan skripsi semester genap TA 2015/2016 atas bantuan, masukan, serta diskusinya selama penyusunan skripsi, 11. Teman-teman seperjuangan keluarga besar IF-13 angkatan 2010 yang telah berbagi ilmu, tawa dan cerita dengan penulis, dan
12. Semua pihak yang terlibat membantu dalam penulisan penelitian skripsi ini baik secara langsung maupun tidak langsung.
Penulis menyadari sepenuhnya bahwa penyusunan skripsi ini masih jauh dari sempurna, baik dari segi materi, penyajian, maupun bahasa. Oleh karena itu penulis mengharapkan segala saran dan kritik yang bersifat membangun bagi kesempurnaan skripsi ini. Terakhir penulis berharap, semoga skripsi ini dapat memberikan hal yang bermanfaat dan menambah wawasan bagi pembaca dan khususnya bagi penulis juga.
Bandung, September 2016
DAFTAR ISI
ABSTRAK .......................................................................................................... i
ABSTRACT .......................................................................................................... ii
KATA PENGANTAR ........................................................................................ iii DAFTAR ISI ....................................................................................................... v DAFTAR GAMBAR .......................................................................................... ix DAFTAR TABEL ............................................................................................... xi DAFTAR SIMBOL ............................................................................................. xiv DAFTAR LAMPIRAN ....................................................................................... xx
BAB 1 PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang Masalah ..................................................................... 1
1.2 Identifikasi Masalah ........................................................................... 2
1.3 Maksud dan Tujuan ............................................................................ 2
1.4 Batasan Masalah ................................................................................. 3
1.5 Metodologi Penelitian ........................................................................ 4
1.5.1 Metode Pengumpulan Data ................................................................ 4
1.5.2 Metode Pengembangan Perangkat Lunak .......................................... 5
1.6 Sistematika Penulisan ........................................................................ 7
BAB 2 LANDASAN TEORI ............................................................................ 9
2.1 Sistem Pengendalian ........................................................................... 9
2.2 Pengolahan Citra Digital .................................................................... 9
2.3 Principal Component Analysis (PCA) ................................................ 9
2.4 Face Recognition ................................................................................ 11
2.5 Metode Eigenface ............................................................................... 12
2.6 Microsoft Visual C# ........................................................................... 15
2.7 Open CV Library ................................................................................ 16
2.8 Object Oriented Analysis and Design ................................................ 19
2.8.1 OOA (Object Oriented Analysis) ....................................................... 19
2.8.2.1 Use Case Diagram ............................................................................. 21
2.8.2.2 Activity Diagram ................................................................................ 23
2.8.2.3 Class Diagram ................................................................................... 24
2.8.2.4 Sequence Diagram ............................................................................. 26
2.9 Modem .............................................................................................. 28
Webcam .............................................................................................. 29
2.10
2.11 Pengujian Black Box ........................................................................... 30
BAB 3 ANALISIS DAN PERANCANGAN ................................................... 33
3.1 Analisis Sistem ................................................................................... 33
3.1.1 Analisis Masalah ................................................................................ 33
3.1.2 Analisis Sistem yang Sedang Berjalan ............................................... 34
3.1.2.1 Prosedur yang Terlibat........................................................................ 34
3.1.3 Analisis Perancangan Sistem .............................................................. 34
3.1.3.1 Analisis Pre
- – Processing .................................................................. 35
3.1.3.2 Analisis Pemotongan Citra atau Resize .............................................. 36
3.1.3 Analisis Grayscaling .......................................................................... 36
3.1.4 Proses Eigenface ................................................................................. 38
3.1.4.1 Tahapan Perhitungan Eigenface ......................................................... 40
3.1.4.2 Tahapan Pengenalan Wajah................................................................ 50
3.1.5 Analisis Spesifikasi Kebutuhan .......................................................... 57
3.1.6 Analisis Kebutuhan Non Fungsional .................................................. 58
3.1.6.1 Analisis Kebutuhan Perangkat Keras (Hardware) ............................. 58
3.1.6.2 Analisis Kebutuhan Perangkat Lunak (Software) .............................. 59
3.1.6.3 Analisis Pengguna (User) ................................................................... 59
3.1.7 Analisis Kebutuhan Fungsional .......................................................... 60
3.1.7.1 Use Case Diagram ............................................................................. 60
3.1.7.2. Definisi Aktor ..................................................................................... 60
3.1.7.3 Definisi Use Case diagram ................................................................. 61
3.1.7.4 Use Case Scenario .............................................................................. 62
3.1.7.4.1 Use Case Scenario Login Admin ........................................................ 62
3.1.7.4.3 Use Case Scenario Tambah Data Pengguna ....................................... 63
3.1.7.4.4 Use Case Scenario Ubah Data Pengguna ........................................... 64
3.1.7.4.5 Use Case Scenario Hapus Data Pengguna .......................................... 65
3.1.7.4.6 Use Case Scenario Mengecek Log Data Wajah ................................. 66
3.1.7.5 Activity Diagram ................................................................................ 67
3.1.7.5.1 Activity Diagram Login Pengguna ..................................................... 67
3.1.7.5.2 Activity Diagram Melihat Data Pengguna ......................................... 68
3.1.7.5.3 Activity Diagram Tambah Data Pengguna ......................................... 68
3.1.7.5.4 Activity Diagram Ubah Data Pengguna ............................................. 70 3.1.7.5.5 Activity Diagram Hapus Data Pengguna .
…………………………..71
3.1.7.5.6 Activity Diagram Men gecek Log Data Wajah .…………………… 72
3.1.7.6 Class Diagram ................................................................................... 73
3.1.7.7. Sequence Diagram ............................................................................. 74
3.1.7.7.1 Sequence Diagram Login .................................................................... 74
3.1.7.7.2 Sequence Diagram Melihat Data Pengguna ........................................ 74
3.1.7.7.3 Sequence Diagram Tambah Data Pengguna ....................................... 75
3.1.7.7.4 Sequence Diagram Ubah Data Pengguna ........................................... 76
3.1.7.7.5 Sequence Diagram Hapus Data Pengguna .......................................... 77
3.1.7.7.6 Sequence Diagram Mengecek Log Data Wajah ................................. 78
3.1.7.7.7 Sequence Diagram Tahapan Sms Gateway …………...…………… 79
3.1.8 Perancangan Sistem ............................................................................ 80
3.1.8.1 Perancangan Basis Data ...................................................................... 80
3.1.8.1.1 Skema Relasi ....................................................................................... 81
3.1.8.1.2 Struktur Tabel...................................................................................... 81
3.1.9 Perancangan Antarmuka ..................................................................... 82
3.1.10 Perancangan Pesan Peringatan ........................................................... 87
3.1.11 Jaringan Semantik .............................................................................. 87
3.1.12 Perancangan method ........................................................................... 88
BAB 4 IMPLEMENTASI DAN PENGUJIAN ............................................... 91
4.1. Implementasi ........................................................................................ 91
4.1.2. Perangkat Lunak yang digunakan ........................................................ 92
4.1.3. Implementasi Basis Data ...................................................................... 92
4.1.3.1. Implementasi Pembuatan Database...................................................... 92
4.1.3.2. Tabel Admin......................................................................................... 92
4.1.3.3. Tabel Orang yang dikenal .................................................................... 93
4.1.3.4. Tabel Pengecekan Pendeteksian Wajah ............................................... 93
4.1.4. Implementasi Antar Muka ................................................................... 94
4.2. Pengujian Sistem .................................................................................. 94
4.2.1. Pengujian Black Box ............................................................................ 94
4.2.1.1. Skenario Pengujian Black Box ............................................................. 95
4.2.1.2. Kasus dan Hasil Pengujian Black Box ................................................. 95
4.2.1.3. Kesimpulan Pengujian Black Box ......................................................... 99
4.2.2 Pengujian Beta ..................................................................................... 99
4.2.2.1. Kuesioner Pengujian Beta .................................................................... 99
4.2.2.2. Cara Pengujian ..................................................................................... 100
4.2.2.3. Kesimpulan Hasil Pengujian Beta ........................................................ 103
4.2.3 Pengujian Confusion Matrix ................................................................ 103
4.2.3.1 Kesimpulan Pengujian Confusion Matrix ............................................ 106
BAB 5 KESIMPULAN DAN SARAN ........................................................... 107
5.1. Kesimpulan .......................................................................................... 107
5.2. Saran ..................................................................................................... 107 DAFTAR PUSTAKA ......................................................................................... 109
DAFTAR PUSTAKA
[1] Sugiyono.(2010). "Metode Penelitian Kuantitatif Kualitatif dan R&D" Bandung : Alfabeta. [2] Pressman. R. S. (2012).
“Rekayasa Perangkat Lunak”, Yogyakarta: Andi.
[3] Munir. R. (2004).
“Pengolahan Citra Digital Dengan Pendekatan Algoritmik ”. Informatika. Bandung [4] Ismawan, F. (Maret, 2015).
“Hasil Ekstraksi Algoritma Principal Component Analysis(PCA) untuk Pengenalan Wajah dengan Bahasa
Pemrograman Java Eclipse IDE”. Jurnal Sisfotek Global. Vol 5 No. 1
[5] Al Fatta, H. (2009).“Rekayasa Sistem Pengenalan Wajah”, Yogyakarta :
Andi [6] Turk, M. & Pentland, A.(1991).
”Eigenfaces for Recognition”. Journal of
Cognitive Neuroscience. Vol 3, No. 1. 71-86 [7] AS, Sadewa.(2010).
“Microsoft Visual C#”,Yogyakarta : Andi.
[8] Ricky, Michael Yoseph dan Michael. (2009).
“Pengenalan Computer Vision menggunakan OpenCV dan FLTK ”. Jakarta.
BAB 1 PENDAHULUAN 1.1. Latar Belakang Masalah Sistem keamanan rumah pada saat ini lebih banyak memanfaatkan tenaga
manusia daripada menggunakan sistem otomatis. Sistem keamanan rumah dengan menggunakan alarm sudah banyak diterapkan untuk mendeteksi adanya pencuri. Tetapi, sistem tersebut tidak bisa membedakan pemilik rumah atau pencuri, sehingga keamananya sangat rendah. Penggunaan face recognition adalah untuk mengenali wajah pemilik rumah atau orang yang sudah dikenal dan orang yang tidak dikenal, seperti pencuri.
Pengenalan wajah merupakan salah satu teknologi biometrik yang telah banyak diterapkan dalam sistem keamanan selain pengenalan retina, pengenalan sidik jari dan iris mata. Dalam aplikasinya sendiri pengenalan wajah menggunakan sebuah kamera (webcam) untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah sebelumnya yang telah disimpan di dalam database tertentu. Ada beberapa macam metode pengenalan wajah, salah satunya itu menggunakan metode eigenface dan menggunakan webcam untuk menangkap gambar secara real time. Metode ini mempunyai komputasi yang sederhana dan cepat dibandingkan dengan metode menggunakan jaringan syaraf tiruan. Secara garis besar proses dari aplikasi ini adalah kamera melakukan capture pada wajah. Kemudian didapatkan sebuah nilai R,G,B. dengan melakukan pemrosesan awal dilakukan resize , RGB ke Gray dan histogram equalisasi untuk perataan cahaya.
Berdasarkan permasalahan-permasalahan tersebut, dibutuhkan sebuah sistem pengenalan wajah yang baik supaya dapat diterapkan pada identifikasi seseorang, sistem tersebut harus memenuhi beberapa kriteria diantaranya keakuratan pengenalan dan kecepatan pengenalan. Oleh karena itu dilakukan sebuah penelitian tentang analisis pengenalan wajah dengan metode PCA(Principal Component Analysis), berupa sebuah aplikasi yang berjudul
“Implementasi Metode PCA(Principal
Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face
Recognition dan Sms Gateway”.
1.2. Identifikasi Masalah
Berdasarkan uraian latar belakang masalah yang telah diuraikan diatas, maka identifikasi masalah yang mendasari penyusunan tugas akhir ini adalah bagaimana mengimplementasikan Metode PCA(Principal Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face Recognition dan Sms Gateway.
1.3. Maksud dan Tujuan
Berdasarkan permasalahan yang diteliti, maka maksud dari penulisan tugas akhir ini adalah untuk mengimplementasikan Metode PCA(Principal Component Analysis) dalam Sistem Keamanan Rumah Berbasis Face Recognition dan Sms Gateway.
Sedangkan tujuan yang akan dicapai adalah : 1.
Sistem Keamanan Rumah berbasis Face Recognition dan Sms Gateway dapat membantu pengguna dalam memonitoring keadaan rumah dari jarak jauh.
2. Sistem Keamanan Rumah berbasis Face Recognition dan Sms Gateway dapat membantu pengguna dalam mendapatkan informasi mengenai siapa saja yang mencoba masuk kedalam rumah tersebut.
3. Metode PCA(Principacl Component Analysis) merupakan saah satu metode untuk pengenalan wajah dengan memperhitungkan matriks setiap wajah yang dicapture dengan mengkalkulasikan nilai eigenface untuk didapatkan nilai eigenface yang mendekati.
4. Metode PCA(Principal Component Analysis) memiliki kelebihan yaitu pada proses kecepatan mengambil keputusan untuk mengenali wajah dalam kondisi real time dan memiliki keakuratan wajah 80% yang menyatakan bahwa metode ini bekerja sangat baik.
1.4. Batasan Masalah
Batasan masalah bertujuan untuk memudahkan perancangan dan menghindari meluasnya permasalahan, adapun batasan masalah pada penulisan tugas akhir ini yaitu : 1.
Bahasa pemrograman yang digunakan adalah bahasa C Sharp (C#) dengan IDE Microsoft Visual Studio 2012.
2. Menggunakan webcam sebagai kamera digital.
3. Proses pengenalan wajah hanya dilakukan satu persatu orang.
4. Jumlah orang yang dikenal sebanyak 5 orang dengan database orang pembanding sebanyak 5, 10, dan 20 orang.
5. Sms gateway tersinkronisasi langsung dengan Microsoft Visual Studio 2012
Express Edition. Jadi jika ada orang yang tidak dikenal, maka akan ada pesan
langsung ke pemilik rumah bahwa ada orang yang tidak dikenal ingin memasuki rumah pemilik.
6. Untuk server SMS menggunakan modem dan menggunakan kartu sim prabayar.
7. File data wajah/capture yang disimpan dengan format jpg.
8. Posisi wajah yang akan dikenali harus lurus menghadap kamera.
9. Citra yang diambil ke dalam database sebanyak 10 citra per orang.
10. Masukan citra digital dengan tingkat keabuan (gray level) 256 level intensitas (batas normal mata manusia).
11. Tidak memerlukan kaset video sebagai alat perekamnya.
12. Masukan citra digital dalam kategori dua dimensi, untuk citra berwarna maupun citra hitam putih.
13. Posisi citra wajah menghadap kamera (frontal face images), posisi tegak, dan tidak terhalangi bagian objek lain, misalnya topi, kaca mata hitam dan lain sebagainya.
14. Pemodelan yang digunakan dalam penelitian ini adalah Object Oriented Programming (OOP).
15. Target utama sistem keamanan rumah ini adalah pemilik rumah.
16. Jika proses pengenalan wajah tidak cocok, maka aplikasi tersebut akan mengirim pesan berupa sms gateway kepada pemilik rumah bahwa ada yang mencoba memasuki rumah tersebut.
17. Analisis perancangan perangkat lunak ini menggunakan analisis pemograman berorientasi objek dengan menggunakan tools UML(Unified Modeling
Language).
18. Menggunakan Metode Eigenface untuk membantu proses pengenalan wajah.
1.5. Metodologi Penelitian
Metodologi penelitian adalah kesatuan metode-metode untuk memecahkan masalah penelitian yang logis secara sistematis dan memerlukan data-data untuk mendukung terlaksananya penelitian.
Metode penelitian yang digunakan adalah metode deskriptif. Metode deskriptif adalah suatu metode dalam penelitian untuk membuat gambaran dengan cara mengumpulkan data, menganalisa data, membuat suatu pemecahan masalah, dan kemudian disusun untuk menarik kesimpulan mengenai masalah tesebut [1]. Teknik yang digunakan pada saat pengumpulan data dan pembangunan aplikasi adalah sebagai berikut:
1.5.1. Metode Pengumpulan Data
Metode pengumpulan data yang digunakan dalam penelitian ini adalah sebagai berikut : a.
Studi Literatur Studi literatur adalah teknik pengumpulan data dengan cara mempelajari sumber kepustakaan, diantaranya hasil penelitian, indeks, review, jurnal, paper, buku referensi, dan bacaan-bacaan yang ada kaitannya dengan judul penelitian. b.
Kuesioner Teknik pengumpulan data dengan mengadakan penelitian dan peninjauan langsung terhadap permasalahan yang diambil. Kuesioner dilakukan secara acak disetiap rumah..
c.
Observasi Observasi merupakan pengamatan yang langsung secara terstruktur dan memerlukan hasil pencatatan sebagai hasilnya, dengan metode observasi ini akan di lakukan pengamatan terhadap kegiatan sehari-hari dalam aktifitas di rumah.
1.5.2. Metode Pembangunan Perangkat Lunak
Metode yang digunakan dalam pembangunan perangkat lunak menggunakan model waterfall seperti pada gambar 1.1. Model ini melakukan pendekatan secara sistematis dan terurut, dimana tahap demi tahap yang akan dilalui harus menunggu selesainya tahap sebelumnya dan berjalan berurutan. Tahap dari model waterfall adalah sebagai berikut: a. Komunikasi
Tahap komunikasi merupakan tahap memahami masalah dan mengadakan pengumpulan data dengan melakukan kuesioner dengan pemilik rumah, serta mengumpulkan data tambahan baik yang ada di jurnal, artikel, maupun internet yang berkaitan dengan implementasi metode PCA(Principal Component Analysis) pada sistem keamanan rumah berbasis face recognition dan sms gateway.
b.
Perencanaan Tahap perencanaan merupakan tahap perancangan yang dilakukan adalah dengan pemodelan menggunakan metode pemograman berbasis objek dengan Unified
Modeling Language (UML), dan menerapkan metode eignface pada sistem keamanan rumah berbasis face recognition dan sms gateway.
c.
Pemodelan Tahap pemodelan merupakan tahap analisis dan perancangan dari pembangunan sistem keamanan rumah berbasis face recognition dan sms gateway yang akan dibuat untuk identifikasi dan mengatur class-class di konsep Object Oriented
Programming (OOP) d.
Konsturksi Setelah perancangan sistem selanjutnya dilakukan konversi rancangan sistem ke dalam kode-kode bahasa pemograman yang dilakukan yaitu telah dirancang kedalam bahasa pemrograman C# (C Sharp). setelah lolos tahap testing, maka dilakukan refactoring, yaitu meninjau lagi kembali semua kode program, dilihat keefektifanya, jika ada kode yang tidak efektif akan dilakukan penulisan kode program ulang tanpa mengubah kerja dari modul.
e.
Penyerahan Sistem/Perangkat Lunak Tahap penyerahan sistem bisa dikatakan akhir dari pembuatan software atau sistem. Setelah melakukan analisis, desain dan pengkodean, maka sistem yang sudah jadi akan digunakan oleh pelanggan atau pengguna
Waterfall
Gambar 1.1. Metode [2]1.6. Sistematika Penulisan
Sistematika penulisan proposal penelitian ini disusun untuk memberikan gambaran umum tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah sebagai berikut :
BAB 1 PENDAHULUAN Menguraikan tentang latar belakang permasalahan, mencoba mengidentifikasi
permasalahan yang dihadapi, menentukan tujuan dan kegunaan penelitian, yang kemudian diikuti dengan pembatasan masalah, asumsi, serta sistematika penulisan.
BAB 2 LANDASAN TEORI Bab ini membahas mengenai semua landasan teori yang berhubungan dengan sistem yang akan dibuat. BAB 3 ANALISIS DAN PERANCANGAN Bab ini berisi analisis dalam perancangan berisi mengenai perancangan sistem,
peembuatan program, perancangan antarmuka program, proses training image dan cara menggunakan/menjalankan sistem.
BAB 4 IMPLEMENTASI DAN PENGUJIAN Bab ini berisi pembahasan mengenai implementasi dan pengujian sistem yang telah
dikerjakan yang terdiri dari penerapan rencana implementasi, melakukan kegiatan implementasi, dan tindak lanjut implementasi. Selain itu juga berisi pengujian program yang dikerjakan, sehingga diketahui apakah aplikasi yang dibangun dapat bermanfaat bagi pemilik rumah dengan sistem keamanan rumah ini.
BAB 5 KESIMPULAN DAN SARAN Bab ini berisi hal-hal yang bisa disimpulkan dari hasil keseluruhan penelitian dan aplikasi yang dibangun, serta saran untuk pengembangan sistem selanjutnya.
BAB 2 LANDASAN TEORI
2.1 Sistem Pengendalian
Sistem pengendalian adalah susunan suatu komponen yang dihubungkan sedemikian rupa untuk mengatur suatu kondisi agar mencapai kondisi yang diharapkan. Sistem pengendalian ini secara umum terdiri dari tiga elemen pokok, yaitu input, proses dan output. Output merupakan hal yang dihasilkan oleh kendalian, artinya yang dikendalikan. Sedangkan input adalah yang mempengaruhi kendalian yang mengatur output.
2.2 Pengolahan Citra Digital
Menurut Munir . R. [3], menjelaskan pengolahan citra adalah pemrosesan citra, khususnya menggunakan komputer, menjadi citra yang kualitasnya lebih baik . Meskipun sebuah citra kaya akan informasi, namun sering kali mengalami penurunan mutu, misalnya mengandung cacat atau derau (noise), warnanya terlalu kontras, kurang tajam, kabur dan sebagainya. Citra semacam ini sulit untuk diinterpretasikankarena informasi yang disampaikan oleh citra tersebut berkurang. Dengan pengolahan citra, citra yang mengalami gangguan tersebut dimanipulasi menjadi citra lain yang kualitasnya lebih baik sehingga mudah diinterpretasikan oleh manusia maupun mesin.
2.3 Principal Component Analysis (PCA) PCA merupakan algoritma yang di dalamnya terdapat eigenface.
“Fitur- fitur suatu citra atau gambar citra menggunakan PCA dipresentasikan sebagai
eigenvector. Eigenvector didefinisikan sebagai kumpulan hubungan karakteristik
dari suatu citra untuk mengenali citra tersebut secara spesifik. Setelah matriks kovarian(L) dihitung, langkah selanjutnya adalah mencari eigenvalue dan
eigenvector. Eigenvalue yang didapat kemudian diturunkan mulai yang terbesar
sampai yang terkecil, eigenvector yang bersesuaian dengan eigenvalue tersebut juga diurutkan.
” [4]. Perhitungan PCA dimulai dengan pembentukan matriks kovarians dari sekumpulan citra latih dalam basis-data. Untuk membuat matriks kovarians dapat dilakukan dengan mengurangkan setiap kolom dari matriks ruang citra dengan reratanya masing-masing sehingga didapatkan suatu matriks transformasi, kemudian mengalikan matriks hasilnya dengan transpos matriks tersebut sendiri. Jika dimisalkan matriks transformasinya adalah X, maka matriks kovariansnya adalah ΣX = XXT . Ide utama PCA adalah menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini mendefinisikan subruang citra wajah atau biasa disebut dengan nama ruang wajah. Vektor ini mendefinisikan subruang dari citra-citra wajah dan subruang tersebut dinamakan ruang wajah. Identifikasi suatu citra uji, membutuhkan proyeksi suatu citra ke dalam ruang wajah untuk menentukan korespondensi kumpulan bobot- bobot. Dengan membandingkan kumpulan bobot-bobot wajah dalam training set, pengujian citra dapat diidentifikasi.
Principal Component Analysis (PCA) dikenal juga dengan metode
Karhunen-Loeve Transformation (KLT). Dimana metode PCA merupakan teknik
standar yang digunakan dalam pengenalan pola statistikal dan pemrosesan sinyal untuk data reduction dan ekstraksi fitur. Sebagai pola statistical sering mengandung informasi yang berlebihan, pada pemetaan sebuah vector dapat menyingkirkan redudansi namun sebagian memperbesar instrinsik pola Sebuah gambar wajah dalam 2D dengan ukuran N x N dapet dianggap sebagai vector dimensi . Gambar wajah yang mirip secara keseluruhan konfigurasi tidak akan secara acak didistribusikan dalam ruang gambar yang besar dengan demikian dapat dijelaskan oleh subruang dimensi yang relative lebih rendah. Pemikiran utama dari prinsip komponen untuk menentukan vektor yang paling cocok untuk distriusi citra wajah dalam keseluruhan ruang gambar vector.subruang dari citra wajah, yang kita sebut "face space". Masing-masing vektor tersebut adalah panjang , menjelaskanN × N gambar,dan merupakan kombinasilinear dari gambar wajah aslinya. Karena vektor ini adalah vektor eigen dari matriks kovarians sesuai dengan gambar wajah aslinya.
PCA memberikan transformasi ortogonal yang disebut juga dengan
eigenimage yang di mana sebuah citra akan direpresentasikan ke dalam bentuk
proyeksi linier searah dengan eigenimage yang bersesuaian dengan nilai Eigen terbesar dari matriks kovarian. Dalam prakteknya, matriks kovarian ini dibangun dari sekumpulan image training yang diambil dari berbagai objek.Sebuah citra 2D dengan dimensi kolom dan baris dapat direpresentasikan ke dalam bentuk citra
1D. Dalam penelitian ini ukuran jumlah kolom dan baris pixel citra adalah sama, sehingga nantinya akan terbentuk dimensi . Bentuk umum dari Principal Component Analysis (PCA) adalah sebagai berikut :
Tujuan yang ingin dicapai adalah membangun sebuah ruang wajah, dengan setiap komponennya tidak saling berkorelasi. Ini berarti bahwa matriks kovarians dari komponen yang baru haruslah berbentuk diagonal.
2.4 Face Recognition
Prinsip dasar pengenalan wajah adalah mengutip informasi unik wajah, kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. Pada metode eigenface, decoding dilakukan dengan menghitung eigen
vector kemudian direpresentasikan dalam sebuah matriks. Eigen vector juga
dinyatakan sebagai karakteristik wajah oleh karena itu metode ini disebut dengan
eigenface. Setiap wajah direpresentasikan dalam kombinasi linear eigenface.
Metode eigenface adalah bagaimana cara meguraikan informasi yang relevan dari sebuah citra wajah, kemudian mengubahnya ke dalam satu set kode yang paling efisien dan membandingkan kode wajah tersebut dengan database berisi beragam wajah yang telah dikodekan secara serupa.Eigenfaces PCA digunakan untuk mereduksi dimensi sekumpulan atau
ruang gambar sehingga basis atau sistem koordinat yang baru dapat menggambarkan model yang khas dari kumpulan tersebut dengan lebih baik.
Model yang diinginkan merupakan sekumpulan wajah yang dilatihkan. Fitur yang baru tersebut akan dibentuk melalui kombinasi linear. Komponen fitur ruang karakter ini tidak akan saling berkolerasi dan akan memaksimalkan perbedaan yang ada pada variabel aslinya.
2.5 Metode Eigenface
Kata Eigenface sebenarnya berasal dar bahasa J erman “eigenvert” dimana “eigen” yang artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principal
Component Analysis (PCA).
Eigenface merupakan sekumpulan standardize dace ingredient yang
diambil dari analisis statistik dari banyak gambar wajah. Dalam menghasilkan
Eigenface, sekumpulan citra digital dari wajah manusia diambil pada kondisi
pencahayaan yang sama kemudian dinormalisasikan dan diproses pada resolusi yang sama (misal m x n), kemudian citra tadi diperlakukan sebagai vektor dimensi m x n dimana komponennya diambil dari nilai piksel citra [5].
Algoritma Eigenface secara keseluruhan cukup sederhana. Image matriks (). Cari nilai rata- rata (Ѱ) dan gunakan untuk mengekstraksi eigenvector(v) dan
eigenvalue
(λ) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapatkan nilai Eigenface dari image. Apabila ada sebuah image baru atau test
face () yang ingin dikenali, proses yang sama juga diberlakukan untuk image (),
untuk mengektraksi eigenvector (v) dan eigenvalue (λ), kemudian cari nilai
Eigenface dari image test face (). Setelah itu barulah image baru () memasuki
tahapan pengenalan dengan menggunakan metode euclidean distance. Metode
euclidean distance digunakan untuk mencari jarak dengan data fitur yang telah
didapat, dan jarak terkecil adalah hasilnya.Pengenalan wajah dengan pendekatan Eigenface dapat digolongkan dalam suatu metoda appearance-based, ini dikarenakan pengenalan wajah Eigenface menggunakan informasi mentah dari pixel citra yang kemudian direpresentasikan transformasi wavelet, dll) yang selanjutnya digunakan untuk pelatihan dan klasifikasi indentitas citra. Ide dari metode ini adalah memproyeksikan sebuah wajah yang merupakan sebuah citra dapat dilihat sebagai sebuah vektor.
Metode PCA yang juga dikenal dengan nama Karhunen-Loeve
transformation (KLT), sudah dikenal sejak 30 tahun lalu dalam dunia pengenalan
pola. PCA memberikan transformasi ortogonal yang disebut dengan “eigenimage” yang mana sebuah image direpresentasikan kedalam bentuk proyeksi linier searah dengan eigenimage yang bersesuaian dengan nilai eigen terbesar dari matrix kovarian. Secara praktis matrix kovarian ini dibangun dari sekumpulan image training yang diambil dari berbagai obyek/kelas.
Pada metode ini setiap citra wajah dianggap sebagai vektor yang panjang, nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA) [6]. Selain itu model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah. Proses identifikasi image wajah adalah sebagai berikut:
1. Pengambilan Citra Wajah Pengambilan citra wajah adalah proses pengambilan wajah yang akan digunakan sebagai sistem keamanan rumah. Pengambilan citra wajah menggunakan Web Camera atau yang sebagaimana biasa disingkat sebagai
webcam. Webcam merupakan kamera kecil yang terdapat di komputer. Alat ini
digunakan untuk mengambil gambar untuk digunakan sebagai sistem keamanan rumah dalam aplikasi ini.
Pengenalan wajah adalah suatu pengenalan pola yang khusus untuk kasus wajah. Ataupun sebagai pengklasifikasian suatu wajah apakah dikenali (know) atau tidak dikenali (unkwon), dimana setelah dibandingkan kemudian disimpan secara tersendiri.
Pada sistem dibagi menjadi dua, yaitu sistem feature based dan image
based. Sistem yang pertama digunakan fitur yang diekstraksi dari komponen citra
wajah (mata, hidung, mulut, dll) kemudian hubungan antara fitur-fitur tersebut dimodelkan secara geometris. Sedangkan sistem kedua menggunakan informasi mentah dari piksel citra (webcam) kemudian dipresentasikan dalam metode tertentu seperti Principal Component Analysis (PCA), transformasi wavelet yang kemudian digunakan untuk klasifikasi identitas citra.
Pada metode ini, model wajah dipelajari melalui proses training dengan menggunakan satu set data pelatihan yang berisi contoh-contoh wajah. Kemudian hasil training ini digunakan untuk pengenalan wajah. Yang termasuk dengan metode Eigenface.
Algoritma Eigenface memanfaatkan Principal Component Analysis (PCA) untuk mereduksi dimensinya guna menemukan vektor-vektor yang mempunyai nilai terbaik untuk distribusi citra wajah didalam ruang citra masukan.
PCA menemukan vektor dengan nilai terbaik untuk distribusi citra wajah dalam seluruh ruang citra. Vektor-vektor ini mendefenisikan subruang citra wajah atau biasa disebut dengan ruang wajah.
2. Input Citra Input citra merupakan proses memasukkan gambar yang diambil dari webcam. Aplikasi ini membutuhkan input pengambilan gambar wajah sebanyak
10 kali. Jika gambar pemilik rumah atau orang yang sudah dikenal sudah terdapat didatabase, maka gambar wajah yang diinput akan disesuaikan dengan gambar yang sudah ada didatabase, dan jika sesuai maka tidak akan ada pemberitahuan kepada pemilik rumah. Jika tidak sesuai, maka sistem akan memberitahukan kepada pemilik rumah melalui sms gateway bahwa ada orang tidak dikenal mencoba memasuki rumah tersebut.
3. Dilation Jika gambar wajah belum terdapat didatabase, maka proses akan berlanjut ke Dilation. Proses ini merupakan proses normalisasi image (gambar). Pada proses ini ukuran dari gambar wajah yang diinput akan diseragamkan dengan menggunakan ukuran 90 x 120 piksel.
4. Grayscale Tahapan berikutnya adalah pengubahan warna gambar menjadi grayscale. Tahapan ini termasuk ke dalam tahapan normalisasi image juga.Pada tahapan ini, gambar yang telah diseragamkan ukurannnya akan diturunkan kualitas warnanya menjadi tipe grayscale. Tujuan dari penurunan kualitas warna menjadi tipe grayscale adalah untuk memudahkan pengenalan pola wajah.
5. Eigenface Feature Extraction Pada metode ini setiap citra wajah dianggap sebagai vektor yang panjang, nantinya akan di representasikan sebagai satu titik pada dimensi tinggi. Karena fitur yang akan dihasilkan terletak dalam dimensi tinggi maka perlu dilakukan reduksi dimensi-dimensi fitur yaitu, Principal Component Analysis (PCA) [6], a. Kalkulasi Eigenface
Tujuan kalkulasi Eigenface adalah untuk menentukan nilai Eigenface dari image wajah.
b. Hitung Euclidean Distance Setelah nilai dari kalkulasi Eigenface diperoleh, maka tahapan selanjutnya adalah menghitung Euclidean Distance untuk mencari selisih terkecil antara titik yang satu dengantitik lain. Setelah proses eigenface selesai, maka pola gambar wajah akan tersimpan di database.
6. Matching Pada tahapan ini, aplikasi akan menyesuaikan pola wajah untuk memonitoring sistem keamanan rumah.
2.6 Microsoft Visual C#
Microsoft Visual C-Sharp atau yang lebih dikenal dengan Visual C#