l = 1,…, M
Tahapan Pengenalan: 1.
Sebuah image wajah baru atau test face akan dicoba untuk dikenali,
pertama terapkan cara pada tahapan pertama perhitungan eigenface untuk mendapatkan nilai eigenface dari image tersebut.
2. Gunakan metode Euclidean Distance untuk mencari
jarak distance terpendek antara nilai eigenface dari training image dalam database
dengan eigenface dari image test face.
2.4 Data Flow Diagram DFD
Data Flow Diagram DFD adalah alat pembuatan model yang memungkinkan profesional sistem untuk menggambarkan sistem sebagai suatu jaringan proses
fungsional yang dihubungkan satu sama lain dengan alur data, baik secara manual maupun komputerisasi. DFD ini sering juga disebut dengan nama Bubble chart,
Bubble diagram, model proses, diagram alur kerja, atau model fungsi.
DFD ini adalah salah satu alat pembuatan model yang sering digunakan, khususnya bila fungsi-fungsi sistem merupakan bagian yang lebih penting dan
kompleks dari pada data yang dimanipulasi oleh sistem. Dengan kata lain, DFD adalah alat pembuatan model yang memberikan penekanan hanya pada fungsi sistem.
Universitas Sumatera Utara
DFD ini merupakan alat perancangan sistem yang berorientasi pada alur data dengan konsep dekomposisi dapat digunakan untuk penggambaran analisis maupun
rancangan sistem yang mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program.
Gambar 2.8 Komponen Data Flow Diagram Menurut Yourdan dan DeMarco
Gambar 2.10 Komponen Data Flow Diagram Menurut Gene dan Serson Terminator
Proses Data Store
Alur Data
Terminator Proses
Data Store Alur Data
Universitas Sumatera Utara
BAB 3
PERANCANGAN SISTEM
3.1 Analisis Komponen Sistem
Sistem Log in Berbasis Pengenalan Wajah ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti yang tampak pada Gambar 3.1.
Gambar 3.1 Hubungan antarkomponen pada Sistem Log in Berbasis Pengenalan Wajah
1. Komponen Webcam
Piranti masukan yang digunakan dalam Sistem Log in Berbasis Pengenalan Wajah ini adalah webcam. Webcam digunakan untuk dua kegunaan.
a. Digunakan untuk melengkapi data karyawan dengan foto, dimana foto ini
akan disimpan ke dalam database, yang nantinya akan dicocokkan dengan image wajah yang di capture saat proses log in dilakukan.
Image Capturing
Antarmuka Pengguna
Komponen Sub-Sistem
Pengenalan Wajah
Komponen Basis Data
File Wajah
Universitas Sumatera Utara
b. Digunakan untuk meng-capture image wajah karyawan pada saat proses
log in. Dengan menggunakan webcam, image wajah karyawan diambil, kemudian image wajah ini dicocokkan dengan image wajah yang ada
dalam database.
2. Komponen Image Capturing
Komponen ini berfungsi untuk melakukan mekanisme mengambil citra wajah dengan media webcam, baik untuk disimpan sebagai file image wajah maupun
untuk image wajah yang digunakan sebagai input pada saat proses log in dilakukan.
3. Komponen Antarmuka
Komponen ini berfungsi untuk menjembatani komunikasi antara pengguna dengan sistem. Baik untuk proses input data karyawan, maupun proses log in
kedalam sistem.
4. File Wajah
Image wajah karyawan testface yang digunakan untuk melengkapi data karyawan disimpan dalam database karyawan, dan file wajah ini bisa
dipanggil dengan menggunakan nama file wajah yang ada.
5. Komponen Database
Komponen ini berfungsi menyimpan data yang terdapat dalam sistem informasi.
6. Subsistem Pengenalan Wajah
Pengenalan wajah dilakukan dengan mencocokkan image wajah yang di- capture pada saat log in dengan image wajah yang ada didalam database
karyawan. Langkah-langkah pencocokan wajah image matching dapat dilihat pada Gambar 3.2.
Universitas Sumatera Utara
Gambar 3.2 Langkah-langkah Proses Identifikasi Image Wajah
Keterangan Gambar 3.2.
1. Image wajah di-capture dengan menggunakan webcam. Hasil dari capturing
ini adalah file gambar yang bertipe .bmp.
2. Image wajah ini kemudian dinormalisasikan. Normalisasi dilakukan dengan
beberapa tahapan. Pertama image diturunkan kualitas warnanya menjadi tipe grayscale. Ukuran dari image wajah juga diseragamkan dengan ukuran 80 x 80
piksel.
3. Setelah didapatkan image wajah yang ternormalisasi, tentukan eigenface dari
image wajah tersebut, misalnya diperoleh nilai μ.
4. Pada data karyawan, kita juga mempunyai koleksi image wajah. Dari koleksi
ini masing masing image dikalkulasi eigenface-nya. Misalkan kita mendapatkan nilai
.
Webcam Normalisasi
Image Kalkulasi
Eigenface
Proses Matching
Cari Selisih yang paling kecil antara testface dengan eigenface pada
citra-citra wajah yang terdapat dalam database
Kalkulasi Eigenface
Database Wajah
Flatvector Citra wajah
Eigenface
Eigenface Eigenface
testface Testface
ternormalisas
Universitas Sumatera Utara
Image 1 Image 2
Image 3
5. Proses matching dilakukan dengan mencocokkan nilai
μ dengan nilai-nilai pada eigenface dari image dalam database, dan mencari nilai yang paling
mendekati.
6. Jika sudah ditemukan nilai yang paling mendekati, cari data karyawan yang
berkorespondensi dengan nilai tadi.
Untuk proses perhitungan eigenface dari image pada langkah tiga, penjelasannya sebagai berikut:
1. Buat Himpunan image S dari total M training_image, dimana setiap image
adalah p x q piksel.
Misal di dalam himpunan image terdapat tiga image ukuran 3 x 3 piksel maka:
2. Cari nilai tengah atau mean Ψ
Universitas Sumatera Utara
3. Cari selisih
Ф antara training image dengan nilai tengah Ψ, apabila ditemukan nilai dibawah nol ganti nilainya dengan nol.
=
=
4. Hitung nilai matriks kovarian C
, dimana
5. Cari nilai eigenvalue
λ dan eigenvector v
atau
Universitas Sumatera Utara
maka eigenvalue λ dapat dihitung, det λI L = 0
=
akan dihasilkan nilai , dan
eigenvector v dihasilkan dengan mensubtitusikan nilai eigenvalue λ
kedalam persamaan
untuk , maka
dihasilkan eigenvector dan
untuk , maka
dihasilkan eigenvector
Universitas Sumatera Utara
sehingga eigenvector yang dihasilkan dari matriks L adalah
6. Cari nilai eigenface
μ
Untuk proses matching image pada langkah lima, penjelasannya sebagai berikut:
1. Cari nilai eigenface image baru
yang akan dikenali
a. Cari selisih
Ф antara test face dengan nilai tengah
Ψ, apabila ditemukan nilai dibawah nol ganti nilainya dengan nol.
Misal test face terdiri dari matriks 3 3:
test face
Universitas Sumatera Utara
b. Cari nilai eigenface dari
test face
2. Gunakan Euclidean Distance untuk mencari selisih terkecil antara
eigenface training image dalam database dengan eigenface test face .
= 16
= 20
= 12
karena jarak distance eigenface image 3 dengan eigenface test face yang paling kecil, maka hasil identifikasi menyimpulkan bahwa test face lebih
mirip dengan image 3 daripada image 1 atau image 2.
Dalam perancangan Sistem Log in Berbasis Pengenalan Wajah yang dibuat menggunakan Visual Basic 6.0 ini hanya terdiri dari satu tabel, yaitu tabel karyawan.
Struktur tabel karyawan dapat dilihat pada Tabel 3.1.
Universitas Sumatera Utara
Tabel 3.1 Struktur Tabel Karyawan No
Nama Field Tipe
Ukuran Keterangan
1 karyawan_id
autonumber Kode karyawan
2 karyawan_no_induk
text 08
Nomor induk karyawan 3
karyawan_nama text
50 Nama karyawan
4 usertype
text 20
Pengaturan hak akses user
5 password
char 20
Password karyawan
Tabel ini digunakan untuk menyimpan data karyawan, dimana primary key merupakan karyawan_id. Pada tabel ini juga terdapat password dan usertype untuk
pengaturan hak akses karyawan.
3.2 Perancangan Data Flow Diagram DFD