Sistem Absensi Berbasis Penerapan Algoritma Eigenface Pada Sistem Absensi Karyawan Berbasis Webcam

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