BAB 3
PEMBAHASAN
3.1 Sistem Absensi Berbasis
Webcam
Sistem absensi berbasis
webcam
adalah sistem yang melakukan absensi karyawan berdasarkan input citra hasil
capture webcam
. Sistem akan melakukan posting absen karyawan perhari dan membandingkan hasil
capture
wajah karyawan dengan database wajah yang telah di-
input
terlebih dahulu oleh seorang administrator Admin. Proses-proses yang dilakukan dalam sistem absensi karyawan ini adalah:
a. Proses pemasukan biodata karyawan dengan file wajah hasil
capture webcam
. b. Proses absensi harian karyawan dengan
capture webcam
dan hasil
capture
dibandingkan dengan file wajah karyawan.
3.1.1 Model Analisa Komponen Sistem
Sistem Absensi berbasis pengenalan wajah ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti pada Gambar 3.1.
Gambar 3.1 Model Analisa Komponen Sistem
Webcam
Citra Capture
Wajah Antar Muka
Pengguna Komponen
Sub Sistem Pengenalan
Wajah
File Wajah
Komponen Basis Data
Universitas Sumatera Utara
Keterangan:
a. Komponen
Webcam
, adalah perangkat keras masukan yang digunakan dalam sistem pengenalan wajah yang berfungsi:
1. Untuk melengkapi data karyawan dengan foto, dimana foto ini akan disimpan ke dalam database untuk dicocokkan dengan citra wajah yang di-
capture
saat proses absensi. 2. Untuk meng-
capture
citra wajah karyawan pada saat absensi.
b. Komponen Citra
Capture
Wajah, adalah berfungsi untuk melakukan mekanisme pengambilan citra wajah dengan media webcam, baik untuk
disimpan sebagai file citra wajah maupun untuk citra wajah yang digunakan sebagai input pada saat absensi.
c. Komponen Antar Muka Pengguna, adalah berfungsi sebagai perantara komunikasi antar pengguna dengan sistem, baik untuk proses input data
karyawan maupun untuk proses absensi.
d. Subsistem Pengenalan Wajah, adalah berfungsi untuk proses pengenalan wajah yang mencocokkan citra wajah yang di-
capture
pada saat absensi dengan citra wajah yang ada pada database.
e. File Wajah, adalah citra wajah karyawan yang digunakan untuk melengkapi data karyawan
training
disimpan dalam file tersendiri dan terpisah dari database data karyawan dan dapat direferensikan dengan menggunakan nama
file yang ada.
3.1.2 Langkah Pengenalan Wajah
Langkah-langkah untuk proses pengenalan wajah dengan metode
Eigenface
dapat dilihat pada Gambar 3.2.
Universitas Sumatera Utara
Keterangan:
1. Citra wajah di-
capture
dengan menggunakan
webcam
dan hasilnya adalah sebuah
file
citra dengan
format
.bmp. 2. Citra wajah kemudian dinormalisasi dengan beberapa tahap:
a. Kualitas warna citra diturunkan menjadi
grayscale
. b. Mengubah ukuran citra menjadi 80 x 80 piksel.
3. Menghitung
eigenvalue
dari citra wajah. 4. Menghitung
eigenvalue
dari citra database menjadi
eigenvector
. 5. Mencocokkan
eigenvalue
citra wajah dengan nilai
eigenvector
citra database dan mencari nilai yang paling mendekati.
6. Cari data karyawan yang sesuai dengan nilai yang paling mendekati.
3.1.3 Perhitungan
Eigenface
Algoritma pengenalan wajah dimulai dengan membuat matriks kolom dari wajah yang diinput ke dalam database. Rata-rata
vector
citra
mean
dari matriks kolom dihitung dengan cara membaginya dengan jumlah banyaknya citra yang disimpan di dalam
database.
Webcam Normalisasi
Ukuran Citra Perhitungan
Eigenvalue
Proses Pencocokan
Database Wajah
Eigenvector Eigenvalue
Perhitungan Eigenvector
Mencari nilai pada Eigenvector Yang
Paling Mendekati Eigenvalue Citra
Input
Gambar 3.2 Langkah Proses Untuk Pengenalan Wajah
Universitas Sumatera Utara
Langkah pertama adalah dengan mengisi variabel S dengan seluruh citra wajah input:
a. Setiap citra ditranformasikan ke dalam
vektor
dengan ukuran N. b. Tentukan nilai tengah atau mean.
c. Kemudian tentukan selisih antara citra input dengan citra mean. d. Selanjutnya vektor orthonomal M, yang menunjukkan distribusi data.
Contoh perhitungan
eigenvalue
2 dua citra:
a. Penyusunan
Flatvector
matriks citra Seperti pada pembahasan sebelumnya telah dijelaskan langkah-langkah pengenalan
wajah dengan pendekatan
eigenvalue
dan
eigenvector
, representasikan semua matriks training menjadi matriks dengan bentuk
n
× 1 atau matriks linier seperti yang ditunjukkan berikut ini:
w z
v y
u x
w v
u z
y x
2 2
2 2
2 2
2 2
2 4
4 4
4 4
4 4
4 4
3 3
3 3
3 3
3 3
3
7 7
7 7
7 7
7 7
7
Citra Wajah-1 Citra Wajah-2
MatriksWajah-1 MatriksWajah-2
A = B =
C = D =
Citra Wajah-3 Citra Wajah-4
MatriksWajah-3 MatriksWajah-4
Universitas Sumatera Utara
Dari ke empat matriks training tersebut, diperoleh matriks
n
× 1 dari matriks
A
, matriks
B
, matriks
C
dan matriks
D
sebagai berikut:
A + B + C + D = 7
7 7
7 7
7 7
7 7
3 3
3 3
3 3
3 3
3 4
4 4
4 4
4 4
4 4
2 2
2 2
2 2
2 2
2
b. Perhitungan rataan
flatvector
mean matriks citra Dari
flatvector
yang diperoleh, jumlahkan seluruh barisnya sehingga diperoleh matriks berukuran 1 x H x W. Setelah itu bagi matriks dengan jumlah citra N
yang dalam contoh adalah dua untuk mendapatkan rataan
flatvector
mean sebagai berikut:
Dari ke empat matriks tersebut akan diperoleh matriks yang diperoleh dengan
cara:
7 7
7 7
7 7
7 7
7 3
3 3
3 3
3 3
3 3
4 4
4 4
4 4
4 4
4 2
2 2
2 2
2 2
2 2
4 16
16 16
16 16
16 16
16 16
4 4
4 4
4 4
4 4
4
Jadi
mean flatvector
adalah = Nilai
flatvector
citra akan digunakan untuk menghitung nilai
eigenface
citra wajah untuk training pembelajaran.
=
4 4 4 4 4 4 4 4 4 =
Universitas Sumatera Utara
c. Perhitungan Nilai
Eigenface
Dengan memakai nilai
mean
citra di atas nilai
eigenface
untuk matriks
flatvector
yang sudah disusun tersebut dapat dihitung dengan mengurangi baris-baris pada matriks
flatvector
dengan nilai mean
flatvector
. Jika diperoleh nilai negatif, maka ganti nilainya dengan nol. Perhitungan nilai
eigenface
adalah sebagai berikut:
Matriks x-1 sampai matriks x-4 digabung untuk mendapatkan matriks
eigenface
untuk pembelajaran
training
dalam proses pengenalan.
-
Matrik citra wajah-1
mean flatvector
0 0 0 0 0 0 0 0 0
- Matrik citra wajah -2
mean flatvector
0 0 0 0 0 0 0 0 0 Matrik x-1
Matriks x-2 2 2 2 2 2 2 2 2 2
4 4 4 4 4 4 4 4 4
4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4
-
Matrik citra wajah-3
mean flatvector
0 0 0 0 0 0 0 0 0
- Matrik citra wajah -4
mean flatvector
3 3 3 3 3 3 3 3 3 Matrik x-3
Matriks x-4 3 3 3 3 3 3 3 3 3
4 4 4 4 4 4 4 4 4
7 7 7 7 7 7 7 7 7 4 4 4 4 4 4 4 4 4
Universitas Sumatera Utara
d. Proses Identifikasi Untuk mengenali citra tes
testface
, langkah identifikasinya adalah hitung nilai
eigenface
untuk matriks
testface
dengan cara sebelumnya untuk penentuan nilai
eigenface
dan
flatvector
citranya.
Selanjutnya
flatvector
yang diperoleh
testface
dikurangi dengan
mean flatvector
:
Jadi nilai
eigen
dari
testface
adalah 111101111 Nilai
eigen eigenvalue
dari
testface
digunakan untuk identifikasi dengan menentukan jarak terpendek dengan
eigenface
dari
eigenvector training
dengan cara menentukan nilai absolut dari pengurangan baris I pada matriks
eigenface
training citra dengan
eigenface
dari
testface
dan jumlahkan dengan elemen penyusun
vector
yang dihasilkan dari pengurangan dan didapat jarak d indeks I dan cari nilai d yang paling
kecil. 5 5 5
5 1 5 5 5 5
Matrik yang berkorespondensi
Testface
5 5 5 5 1 5 5 5 5
Flatvector testface
5 5 5 5 1 5 5 5 5 4 4 4 4 4 4 4 4 4
1 1 1 1 0 1 1 1 1 -
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Eigenvalue
citra wajah -1
Eigenvalue
citra wajah -2
Eigenface
training 0 0 0 0 0 0 0 0 0
3 3 3 3 3 3 3 3 3
Eigenvalue
citra wajah -3
Eigenvalue
citra wajah -4
Universitas Sumatera Utara
Perhitungan jarak antara Citra Wajah-1 dengan
testface
:
Perhitungan jarak antara Citra wajah-2 dengan
testface
:
Perhitungan jarak antara Citra Wajah-3 dengan
testface
: 0 0 0 0 0 0 0 0 0
1 1 1 1 0 1 1 1 1
= -1 -1 -1 -1 0 -1 -1 -1 -1
1 1 1 1 0 1 1 1 1 ABS nilai positif
8
0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1
= -1 -1 -1 -1 1 -1 -1 -1 -1
1 1 1 1 0 1 1 1 1 ABS nilai positif
8 -
-
0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 1 1 1
= -1 -1 -1 -1 0 -1 -1 -1 -1
1 1 1 1 0 1 1 1 1 ABS nilai positif
8 -
Universitas Sumatera Utara
Perhitungan jarak antara Citra wajah-4 dengan
testface
:
Dari perhitungan tersebut diperoleh: a. jarak citra-1 dengan
testface
= 8 b. Jarak citra-2 dengan
testface
= 8 c. jarak citra-3 dengan
testface
= 8 d. Jarak citra-4 dengan
testface
= 19 Dari hasil perhitungan, diperoleh jarak citra wajah-1, wajah-2 dan wajah-3 memiliki
nilai yang terkecil 8. Citra yang paling mirip dengan
testface
adalah citra wajah wajah-1, wajah-2 dan wajah-3. Karena ada tiga wajah yang mirip, ambil citra yang
pertama sebagai citra wajah yang paling mirip dengan citra
testface
seperti pada Gambar 3.3.
3.1.4 Konfigurasi Perangkat Keras
Konfigurasi Perangkat keras Sistem Absensi Karyawan dengan Algoritma
Eigenface
Berbasis Webcam adalah sebuah personal komputer
micro computer jenis notebook
dengan prosesor
Intel Dual Core
dengan memori 1024 MB dan sebuah
webcam
merk Itech dengan resolusi image 2 mega piksel dengan kabel data jenis USB universal
system bus yang terhubung dengan PC seperti terlihat pada Gambar 3.4.
Gambar 3.3 Citra Wajah Yang Paling Mirip Dengan Citra
Testface
3 3 3 3 3 3 3 3 3 1 1 1 1 0 1 1 1 1
= 2 2 2 2 3 2 2 2 2
19 -
Universitas Sumatera Utara
Karakteristik
Webcam
Karakteristik
webcam
yang digunakan sangat berpengaruh terhadap hasil yang
diperoleh dalam proses perhitungan
eigenvalue
dari citra yang hendak dikenali. Salah satu syarat yang harus diperhatikan adalah resolusi image hasil capture wajah.
Webcam
yang digunakan adalah merk Itech dengan resolusi 2
mega pixel
.
Karakteristik
webcam
yang digunakan adalah sebagai berikut: a. Ukuran
window capture
: 640 x 480 piksel. b.
Video mode
: 24 Bit true color. c.
Interface
: Port USB. d.
Transmission rate
: 320 x 240 30 Fs dan 640 x 480 30 Fs e.
Rasio Noise signal
: 48 dB 30 Fs 220 LUX f.
Dynamic range
: 72 dB g.
Image vocus
: 5 cm to ∞
3.2 Perancangan Sistem