PENGGUNAAN SISTEM PENGENALAN WAJAH PADA SISTEM PRESENSI KARYAWAN MENGGUNAKAN ALGORITMA EIGENFACE.

PENGGUNAAN SISTEM PENGENALAN WAJ AH PADA
SISTEM PRESENSI KARYAWAN MENGGUNAKAN
ALGORITMA EIGENFACE
SKRIPSI

Oleh :
RAMANDIKA PERDANA WOLANG
0834010174

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2012
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

PENGGUNAAN SISTEM PENGENALAN WAJ AH PADA
SISTEM PRESENSI KARYAWAN MENGGUNAKAN
ALGORITMA EIGENFACE

SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyar atan
Dalam Memperoleh Gelar Sar jana Komputer
Pr ogram Studi Teknik Infor matika

Oleh :
RAMANDIKA PERDANA WOLANG
0834010174

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
J AWA TIMUR
2012
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

ABSTRAKSI

Nama

NPM
Pembimbing 1
Pembimbing 2
Judul

: Ramandika Perdana Wolang
: 0834010174
: I Gede Susr ama M.D., ST., MT
: Chrystia Aji Putra, S.Kom
: PENGGUNAAN SISTEM PENGENALAN WAJ AH PADA SISTEM

PRESENSI KARYAWAN MENGGUNAKAN ALGORITMA EIGENFACE

Dewasa ini, era computing kian maju, salah satu contohnya adalah absensi
dengan sidik jari bahkan sampai dengan absen dengan kornea mata bisa
dilakukan dengan mudah tanpa orang tersebut membawa kartu identitas pekerjaan
mereka atau absen tulis tangan yang kurang efektif dan menyebabkan banyaknya
kertas yang dipakai. Jadi dengan berkurangnya kita memakai kertas maka dapat
memperlambat dampak pemanasan global, karena kertas didapat dari olahan kayu
pulp.

Dalam Skripsi ini, aplikasi dirancang dengan pendekatan Trial and Error
dimana algoritma ini mempunyai akurasi yang tidak akurat dibanding dengan
algoritma Fisherface sehingga perlu dilakukan uji coba dengan berbagai kondisi
dan banyaknya variabel peubah seperti cahaya matahari maupun latar belakang
dari sebuah citra. Algoritma yang dipakai adalah algoritma Eigenface. Sistem
yang dipakai merupakan segmentasi komputasi level rendah dan perangkat lunak
ini merupakan program sederhana yaitu Sistem Presensi yang dimana akan
ditambahkan sub-sistem pengenalan wajah. Jadi sistem dapat mengenal wajah
seseorang dalam melakukan absensi, tetapi aplikasi ini juga harus dijalankan oleh
operator juga dikarenakan akurasinya yang kurang memuaskan sehingga operator
bisa mencocokkan wajah yang melakukan absensi. Aplikasi pencocokan wajah
ini merupakan perbaikan program dan bukan coding dari awal, karena
sebelumnya aplikasi ini pernah dibuat sebelumnya.
Dilakukan uji coba terhadap aplikasi ini dengan 22 absensi dengan wajah
berbeda dan hasilnya menakjubkan, aplikasi ini dapat membedakan permukaan
wajah satu sama lain. Sedangkan untuk wajah kembar, ada sedikit masalah
dikarenakan pola wajah yang sama. Pada sistem ini hanya wajah saja yang valid
untuk absensi.
Kata kunci: Sistem Presensi dan Algoritma Eigenface.

i
Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

KATA PENGANTAR

Terima kasih kepada Tuhan Yang Maha Esa, yang memberi inspirasi dan
solusi sehingga penulis dapat menyelesaikan tugas akhir ini dengan judul
“PENGGUNAAN

SISTEM

PENGENALAN

WAJAH

PADA

SISTEM

PRESENSI KARYAWAN MENGGUNAKAN ALGORITMA EIGENFACE”
yang merupakan persyaratan dalam memperoleh gelar Sarjana Komputer di
Universitas Pembangunan Nasional “VETERAN” Jatim.
Penulis mengucapkan terima kasih yang sebesar-besarnya kepada pihakpihak yang telah membantu baik materiil maupun dorongan spirituil untuk
menyelesaikan penulisan tugas akhir ini, terutama kepada:
1. Bapak Prof. Dr. Ir. Teguh Soedarto, MP, selaku Rektor UPN “Veteran” Jatim.
2. Bapak Ir. Sutiyono, MT selaku DEKAN FTI UPN “VETERAN” Jatim.
3. Dr. Ir. Ni Ketut Sari, MT. selaku Kepala Jurusan Teknik Informatika, FTI
UPN “VETERAN” Jatim.
4. Bapak I Gede Susrama, ST. M.Kom, selaku Dosen Pembimbing pertama yang
telah meluangkan waktu untuk memberikan bimbingan selama proses
pelaksanaan Tugas Akhir penulis.
5. Bapak Chrystia Aji Putra, S.Kom, selaku Dosen Pembimbing kedua yang
telah meluangkan waktu untuk memberikan bimbingan selama proses
pelaksanaan Tugas Akhir penulis.
6. Bapak Firza Prima Aditiawan, S.Kom, selaku PIA TA yang telah mendukung
proses pelaksanaan Tugas Akhir penulis.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

ii

7. Special thank’s to: Bapak Agus Hermanto, S.Kom. selaku pemberi inspirasi
judul Tugas Akhir yang mengesankan ini dan Bapak I Gede Susrama, ST.
M.Kom. yang membantu tugas akhir ini
8. Dosen-dosen Teknik Informatika dan Sistem Informasi, staff dan segenap
civitas akademika UPN “VETERAN” Jatim.
9. Special thank’s to: Laptop yang bekerja tanpa mati serta kawan-kawan
Selamet Soendoro, Rury Asprianto, Rizky Firmansyah, Wawan Uchiha, Qiqi
Oktariani, Alfiah, Rozzy, Esdrass, Hardika, Nugroho yang menjadi relawan
percobaan aplikasi ini.
10. My best Friends: Seluruh teman-teman saya yang sudah mendukung saya
dalam mengerjakan tugas akhir ini.
Penulis menyadari sepenuhnya masih banyak terdapat kekurangan dalam
penulisan Tugas Akhir ini. Oleh sebab itu kritik serta saran yang membangun dari
pembaca sangat membantu guna perbaikan dan pengembangan di masa yang akan
datang.
Akhirnya dengan rahmat Tuhan Yang Maha Esa, penulis berharap
semoga Tugas Akhir ini dapat memberikan manfaat bagi pembaca sekalian

terutama mahasiswa di bidang komputer grafika dan komputer visi.
Surabaya, 24 Februari 2012

Penulis

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

iii

DAFTAR ISI

Halaman
HALAMAN JUDUL
LEMBAR PENGESAHAN
LEMBAR PENGESAHAN DAN PERSETUJUAN
KETERANGAN REVISI
ABSTRAKSI ............................................................................................

i

KATA PENGANTAR .............................................................................

ii

DAFTAR ISI .............................................................................................

iv

DAFTAR GAMBAR ...............................................................................

vii

DAFTAR TABEL ...................................................................................

x

DAFTAR PERSAMAAN .......................................................................

xi

BAB I

PENDAHULUAN .....................................................................

1

1.1

Latar Belakang…………...................................................

1

1.2

Rumusan Masalah .............................................................

2

1.3

Batasan Masalah ...............................................................

3

1.4

Tujuan Penelitian ...............................................................

4

1.5

Manfaat Penelitian …………….........................................

5

1.6

Metode Penelitian ..............................................................

5

BAB II LANDASAN TEORI .................................................................

7

2.1

Citra …………………………...........................................

2.2

Pengenalan Pola ................................................................. 13

2.3

7

2.2.1 Komponen Sistem Pengenalan Pola ………………

16

2.2.2 Pendekatan Pengenalan Pola ……………………...

16

Pengenalan Wajah (Face Recognition) .............................. 18
2.3.1 Eigenface ………………………………………….. 19
2.3.2 Transformasi Karhunen-Loeve ……………………

20

2.3.3 Eigenvalue dan Eigenvector ………………………. 22
2.3.4 Mencari Eigenvector ………………………………. 22
2.3.5 Algoritma Eigenface ………………………………. 24

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

iv

2.3.6 Cara Kerja Algoritma Eigenface ………………….. 27
2.4

Dasar Teori Aplikasi .......................................................... 30
2.4.1 Pengertian Microsoft Visual Basic 6.0 .................... 31
2.4.2 Data Report .............................................................. 33
2.4.3 Database dan Data Kontrol ...................................... 34
2.4.4 Aplikasi Database .................................................... 34
2.4.5 Pengertian Sistem Informasi .................................... 36
2.4.6 Microsoft Access 2003 ............................................

38

BAB III PERANCANGAN .....................................................................

42

3.1 Dasar Analisis Sistem .......................................................... 42
3.2 Analisis Sistem ....................................................................

42

3.3 Analisis Komponen Sistem .................................................. 45
3.4 Desain Data .......................................................................... 49
3.5 Data Flow Diagram .............................................................. 50
3.6 Hubungan Antar Entitas Berupa CDM dan PDM ………… 55
BAB IV IMPLEMENTASI ...................................................................... 58
4.1 Implementasi ....................................................................... 58
4.1.1 Tampilan splash screen ............................................. 58
4.1.2 Halaman utama admin …………………………….. 59
4.1.3 Halaman utama user standard ……………………... 59
4.1.4 Sub-Menu File …………………………………….. 60
4.1.5 Sub-Menu Master Data ……………………………. 60
4.1.6 Sub-Menu Presensi ………………………………… 61
4.1.7 Sub-Menu Laporan ………………………………… 62
4.1.8 Menu Help …………………………………………. 62
4.1.9 Menu About ………………………………………... 63
4.1.10 Sub-Menu Bagian …………………….…………… 63
4.1.11 Sub-Menu Jabatan ………………………………… 64
4.1.12 Sub-Menu Karyawan ……………………………... 64
4.1.13 Sub-Menu Petugas Presensi ……………….……… 65
4.1.14 Sub-Menu Ganti Password ……………………….. 65
4.1.15 Sub-Menu Akurasi Kamera ………………………. 66

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

v

4.1.16 Sub-Menu Absensi ………………….……..……

66

4.1.17 Sub-Menu Laporan ………………….…………..

67

4.2 Cara Kerja Sistem Informasi ……………………………..

67

4.3 Kebutuhan Perangkat Keras ……………………………...

68

4.4 Kebutuhan Perangkat Lunak ……………………………..

68

4.5 Input Data Karyawan …………………………………….

69

4.6 Cara Kerja Algoritma Eigenface …………………………

71

BAB V PENGUJIAN DAN ANALISIS .................................................

78

5.1 Lingkungan Pengujian ........................................................

78

5.2 Uji Coba ..............................................................................

78

BAB VI PENUTUP ................................................................................

84

6.1 Kesimpulan ........................................................................

84

6.2 Saran ..................................................................................

85

DAFTAR PUSTAKA

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

vi

DAFTAR GAMBAR

Halaman
Gambar 2.1 Citra Digital .......................................................................

8

Gambar 2.2 Komposisi Warna RGB .....................................................

9

Gambar 2.3 Tiga bidang studi yang berkaitan dengan citra ..................

10

Gambar 2.4 Contoh Grafika Komputer …………….............................

11

Gambar 2.5 Penghitungan noise pada Pengolahan Citra .......................

11

Gambar 2.6 Contoh Pengenalan Pola Tanda Tangan ............................

12

Gambar 2.7 Alur proses identifikasi image dengan eigenface ..............

25

Gambar 2.8 Penyusunan Flat Vector .....................................................

28

Gambar 2.9 Penentuan Rataan Flat Vector ……………………………

28

Gambar 2.10 Perhitungan Eigenface …………………………………...

29

Gambar 2.11 Perhitungan Nilai Eigenface untuk Testface ……………..

29

Gambar 2.12 Proses identifikasi dengan input image testface ………….

30

Gambar 3.1 Hubungan Antarsub Sistem ...............................................

45

Gambar 3.2 Langkah-langkah proses identifikasi citra wajah ................. 46
Gambar 3.3 Diagram Alir Normalisasi .................................................... 48
Gambar 3.4 Flowchart Sub-Sistem Simplifikasi Pengenalan Wajah ....... 49
Gambar 3.3 Context Diagram untuk Sistem Presensi .............................. 51
Gambar 3.4 DFD Level 1 untuk Sistem Presensi ...................................... 52
Gambar 3.5 DFD Level 2 untuk proses input data karyawan ................... 53
Gambar 3.6 DFD Level 2 untuk proses presensi ...................................... 54
Gambar 3.7 DFD Level 3 untuk proses input citra ………....................... 54

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

vii

Gambar 3.8 Conceptual Data Modelling Sistem Presensi ........................ 57
Gambar 3.9 Physical Data Modelling Sistem Presensi …….................... 57
Gambar 4.1 Tampilan splash screen ......................................................... 56
Gambar 4.2 Halaman utama admin ........................................................... 58
Gambar 4.3 Halaman utama user standard ............................................... 59
Gambar 4.4 Submenu File ……………………………………………… 60
Gambar 4.5 Submenu Master Data …………………………………….. 60
Gambar 4.6 Submenu Presensi ................................................................ 61
Gambar 4.7

Submenu Laporan ................................................................ 62

Gambar 4.8 Menu Help ………………………………………………... 62
Gambar 4.9 Menu About ……………………………………………….. 63
Gambar 4.10 Sub Menu Bagian Pekerjaan ................................................ 63
Gambar 4.11 Sub Menu Jabatan ............................................................... 64
Gambar 4.12 Sub Menu Karyawan ........................................................... 64
Gambar 4.13 Sub Menu Petugas Presensi ................................................. 65
Gambar 4.14 Sub Menu Ganti Password ................................................... 65
Gambar 4.15 Sub Menu Akurasi Kamera ................................................. 66
Gambar 4.16 Sub Menu Absensi ............................................................... 66
Gambar 4.17 Sub Menu Laporan Absensi ................................................. 67
Gambar 4.18 Input Data Karyawan ........................................................... 69
Gambar 4.19 Data Grid Karyawan ........................................................... 70
Gambar 4.20 Jendela hasil tangkapan kamera ........................................... 70
Gambar 4.21 Jendela tempat menyimpan foto sementara .......................... 71
Gambar 4.22 Kode Sumber Cropping Image …………………………..... 72

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

viii

Gambar 4.23 Merubah RGB menjadi Grayscale …………….………… 72
Gambar 4.24 Fungsi menyimpan image ke folder image ………………. 73
Gambar 4.25 Capture image dengan webcam …………………………. 73
Gambar 4.26 Proses pencocokan citra …………………………………. 74
Gambar 4.27 Proses cetakan citra hasil olah …………………………… 75
Gambar 4.28 Proses ekstraksi nilai eigenface ………………………….. 75
Gambar 4.29 Proses penghitungan nilai eigenface ……………………... 76
Gambar 4.30 Proses pengambilan data sesuai dengan nilai eigen ……… 77
Gambar 4.31 Penentuan jenis absensi ………………………………….. 77
Gambar 5.1 Uji coba subjek pertama dengan normalisasi …................... 79
Gambar 5.2 Uji coba subjek kedua dengan normalisasi .......................... 79
Gambar 5.3 Uji coba subjek ketiga dengan normalisasi .......................... 80
Gambar 5.4 Uji coba subjek keempat dengan normalisasi ...................... 80
Gambar 5.5 Grafik pie Akurasi dengan Normalisasi .............................. 82
Gambar 5.6 Grafik pie Akurasi dengan tanpa Normalisasi .................... 82

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

ix

Tabel 5.1 Tabel Akurasi dengan Normalisasi .......................................... 81
Tabel 5.2 Tabel Akurasi dengan tanpa Normalisasi ................................. 81

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

x

Persamaan 2.1 Matriks Kovarian …………………......................................... 21
Persamaan 2.2 Dekomposisi Eigen .................................................................. 21
Persamaan 2.3 Proyeksi x searah ...................................................................... 21
Persamaan 2.4 Determinan ............................................................................... 22
Persamaan 2.5 Pencarian Eigenvector .............................................................. 22
Persamaan 2.6 Matriks 2 x 2 ............................................................................. 23
Persamaan 2.7 Polynomial ................................................................................ 23
Persamaan 2.8 Matriks Y0 .................................................................................. 23
Persamaan 2.9 Subtitusi Y0 dengan v ................................................................. 23
Persamaan 2.10 Hasil Subtitusi ......................................................................... 23
Persamaan 2.11 Penyederhanaan ....................................................................... 23
Persamaan 2.12 Eigenvalue ............................................................................... 23
Persamaan 2.13 Persamaan Eigenvector ........................................................... 24
Persamaan 2.14 Himpunan S ............................................................................ 25
Persamaan 2.15 Mean ....................................................................................... 26
Persamaan 2.16 Selisih nilai citra ..................................................................... 26
Persamaan 2.17 Matriks Kovarian C dan L ...................................................... 26
Persamaan 2.18 Eigenvalue dan Eigenvector ................................................... 26
Persamaan 2.19 Nilai Eigenface ....................................................................... 26
Persamaan 2.20 Nilai kumpulan Eigenface ...................................................... 27
Persamaan 2.21 Jarak terpendek dari basis data ............................................... 27

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

xi

BAB I
PENDAHULUAN
1.1 Latar belakang
Dewasa ini, era computing semakin maju, tidak sedikit yang memakai
teknologi neuro ataupun teknologi fuzzy untuk menambah sistem yang
terkesan manual menjadi terasa termudahkan dengan sistem cerdas. Adanya
sistem ini dapat mempermudah pengguna dalam melakukan suatu pekerjaan
dengan cepat serta dapat mempersingkat jeda waktu pengerjaan. Kesadaran
bisa dijadikan tanda hadirnya kecerdasan. Jika suatu mesin bisa menampilkan
kualitas kecerdasan seperti manusia maka mesin itu dikatakan memiliki
conscious.
Pendapat ini dikemukakan oleh Alan Turing yang pada tahun 1950
melakukan percobaan yang hasilnya bisa dipakai untuk menentukan apakah
dalam praktiknya suatu mesin bisa dikatakan cerdas. Percobaan yang
dilakukannya cukup sederhana. Jika seseorang memasuki ruangan dan
menemukan 2 terminal: 1 terminal terkoneksi dengan Software AI dan 1
terminal terhubung dengan seseorang yang menuliskan respons.
Subjek percobaan diminta untuk menentukan terminal mana yang
terkoneksi dengan komputer. Subjek boleh mengajukan pertanyaan, membuat
pernyataan, menanyakan perasaan dan motivasi selama diperlukan. Jika
subjek ternyata gagal menentukan terminal mana yang terkoneksi dengan
komputer, maka komputer dinyatakan lulus tes dan dikatakan memiliki
consciousness.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

1

2

Bidang penelitian Artificial Intelligence (AI) modern dibentuk pada
konferensi di kampus Dartmouth College pada musim panas 1956, yang
kemudian akan menjadi pemimpin penelitian-penelitian tentang AI selama
beberapa dekade, terutama John McCarthy, Marvin Minsky, Allen Newel dan
Herbert Simon yang mendirikan laboratorium AI di MIT, CMU dan Stanford.
Mereka dan para mahasiswanya menulis program-program komputer yang
menurut beberapa orang sangat mengagumkan. Komputer menjadi punya
kemampuan dalam menyelesaikan masalah kata pada aljabar, membuktikan
teori logika dan bahkan berbicara dalam bahasa Inggris. Pada tahun 60-an
penelitian mereka sebagian besar didanai oleh Departemen Pertahanan
Amerika Serikat.
Dengan perkembangan AI saat ini, ada berbagai macam AI, salah satunya
adalah pengenalan pola, dimana salah satu dari algoritma pengenalan pola
adalah pengenalan pola wajah yang populer saat ini adalah algoritma
Eigenface. Dengan algoritma ini kita bisa mengenali wajah sesuai dengan pola
wajah lalu disesuaikan dengan pola wajah yang ada di dalam basis data dan
mencocokannya dengan mencari nilai Eigen Value-nya. Jika sesuai maka
wajah teridentifikasi. Dengan alogritma ini banyak sekali yang bisa
diaplikasikan semisal pengaman rumah ataupu absensi pegawai.

1.2 Rumusan Masalah
Dari latar belakang yang telah dipaparkan oleh penulis sebelumnya maka
penulis mencoba untuk membuat sebuah sistem presensi yang diberi
kecerdasan buatan berupa pengenalan wajah dengan algoritma Eigenface.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

3

Adapun beberapa permasalahan yang ada sebagai berikut:
a) Bagaimana membangun sebuah sistem presensi yang menggunakan
sub-sistem pengenalan wajah pada operasi absensi ?
b) Bagaimana membuat sub-sistem pengenalan wajah yang terintegrasi
dengan sistem presensi ?
c) Bagaimana proses mencocokan citra dari seorang yang melakukan
operasi absensi dengan data citra orang yang telah terdaftar
sebelumnya ?

1.3 Batasan Masalah
Dalam penyusunan tugas akhir ini, untuk mengatasi permasalahan yang
ada maka penulis membatasi permasalahan sebagai berikut.
a) Sistem presensi ini hanya untuk absensi kedatangan pegawai/karyawan
saja
b) Sistem ini hanya menangkap citra wajah saja dengan latar belakang
ternormalisasi berwarna putih atau orange chiffon.
c) Citra yang dipakai untuk absensi tidak boleh kembar (wajah kembar).
d) Ekspresif wajah yang valid yaitu ekspresif wajah normal.
e) Resolusi citra yang dipakai di bawah 160 x 120, supaya pemrosesan
nilai Eigen value lebih cepat.
f) Sistem tetap menggunakan operator untuk memantau jalannya absensi
ketika terdapat wajah yang tidak sesuai.
g) Kondisi wajah harus normal tidak ada cacat wajah.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

4

h) Hardware masukan yang dipakai adalah webcamera dengan resolusi
minimal VGA ( 640 x 480 ).
i) Citra yang dikenali untuk pengenalan pola wajah adalah citra
greyscale dengan rentang intensitas 0 – 255 atau setara 8 bit.
j) Pengguna

harus

menentukan

posisi

wajah

sekarang

dengan

membandingkan dengan data posisi wajah sebelumnya.
k) Citra masukan tidak boleh sebuah foto fisik dari karyawan.
l) Sistem harus diimplementasikan pada ruangan dengan intensitas
cahaya yang cukup serta latar belakang dengan satu warna cerah saja.
m) Proses presensi mencatat kehadiran pegawai / karyawan dengan aturan
jika kedatangan kurang dari sama dengan jam 08.00, maka pegawai
dianggap tidak terlambat. Dan terdapat 4 kondisi lagi seperti yang
dijelaskan di bawah ini.
1) Jika kedatangan antara jam 08.00 s.d jam 08.15 maka akan
dianggap terlambat dengan potongan kategori I (0,5% dari gaji
pokok).
2) Jika kedatangan antara jam 08.15 s.d jam 08.30 maka akan
dianggap terlambat dengan potongan kategori II (1% dari gaji
pokok).
3) Jika kedatangan antara jam 08.30 s.d 08.45 maka akan dianggap
terlambat dengan potongan kategori II (1,5% dari gaji pokok).
4) Jika kedatangan melebihi jam 08.45 atau tidak masuk tanpa alasan
yang jelas maka akan masuk ke kategori II (2% dari gaji pokok).

1.4 Tujuan Penelitian
Tujuan dari skripsi adalah bagaimana mengimplementasikan sebuah
sistem presensi yang mempunyai kecerdasaan buatan berupa sub-sistem

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

5

pengenalan wajah sebagai operasi absensi. Serta sebagai syarat pelengkap
untuk memenuhi Tugas Akhir di Universitas Pembangunan Nasional
“Veteran” Jatim.

1.5 Manfaat Penelitian
Adapun manfaat dibuatnya Sistem presensi dengan pengenalan wajah ini
adalah :
a) Membantu keamanan prosedur absensi dan citra bersifat unik karena
setiap wajah memiliki karakteristik tersendiri.
b) Membantu ketertiban absensi dengan tidak titip

absen ataupun

menghilangkan hal kartu identitas pekerjaan yang ketinggalan dan
sebagainya.
c) Membantu absensi agar lebih cepat dan sistem terlihat sederhana dan tidak
membutuhkan buku absensi yang banyak.
d) Memberi keakurasian data yang tepat sesuai dengan wajah orang yang
melakukan operasi absensi.

1.6 Metode Penelitian
Metode yang dilaksanakan dalam penelitian ini adalah.
a) Studi Literatur
Dilakukan dengan cara mencari segala macam informasi secara riset
keperpustakaan dan mempelajari buku-buku yang berhubungan dengan
masalah yang dihadapi.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

6

b) Pengumpulan dan Analisa Data
Pengumpulan data-data yang berhubungan dengan masalah yang
dihadapi dengan cara observasi, identifikasi, klasifikasi serta data
analisa masalah sesuai dengan fakta-fakta yang ada. Maka dari
pengumpulan data tersebut dapat dilakukan analisa data yaitu dalam
proses pembuatan Sistem Presensi yang menggunakan sistem
pengenalan wajah.
c) Perancangan Program
Melakukan analisa awal tentang sistem presensi yang akan dibuat yaitu
suatu pemecahan masalah yang dilakukan melalui sistem pengenalan
wajah dan bisa mencocokkan wajah yang diabsen dengan data yang
ada di database .
d) Pengujian dan Analisa
Pengujian dan analisa dimaksudkan untuk mengetahui sejauh mana
sistem yang dibuat pada proyek akhir ini dapat berfungsi sesuai dengan
proses sistem yang diharapkan dan yang pasti sistem ini menggunakan
metode Trial and Error guna untuk mengetahui suatu yang tidak
berjalan pada saat sistem berjalan.
e) Kesimpulan
Dibuat kesimpulan dari pengujian sistem tugas akhir dengan menguji
apakah hasilnya seperti yang diharapkan pada tujuan tugas akhir
sebelumnya.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

BAB II
TINJ AUAN PUSTAKA

2.1 Citr a
Menurut arti secara harafiah, citra (image) adalah gambar pada bidang dua
dimensi. Ditinjau darin sudut pandang matematis, citra merupakan fungsi
menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber
cahaya menerangi objek, kemudian objek memantulkan kembali sebagian dari
berkas cahaya. Pantulan cahaya ini ditangkap oleh alat-alat optic, seperti mata
pada manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan
objek dalam bentuk citra dapat terekam. (Sitorus, Syahriol dkk, 2006).
Citra didefinisikan sebagai fungsi intensitas cahaya dua-dimensi f (x,y)
dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik
(x,y) sebanding dengan tingkat kecerahan (gray level) dari citra di titik
tersebut (Gonzalez dalam Purwanto,Ari).
Citra sebagai output dari suatu sistem perekaman data dapat bersifat
(Sitorus,Syahriol dkk, 2006):
1) Optik berupa foto.
2) Analog berupa sinyal Video seperti gambar pada monitor televise.
3) Digital yang dapat langsung disimpan pada media penyimpanan
magnetic.
Citra dapat dikelompokkan menjadi dua bagian yaitu citra diam (still
images) dan citra bergerak (moving images). Citra diam adalah citra tunggal
yang tidak bergerak. Sedang citra bergerak adalah rangkaian citra diam yang

7

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

8

ditampilkan secara beruntun (sequential), sehingga member kesan pada mata
sebagai gambar yang bergerak. Setiap citra didalam rangkaian itu disebut
frame. Gambar-gambar yang tampak pada film layar lebar atau televise pada
hakekatnya terdiri dari ratusan sampai ribuan frame (Sitorus,Syahriol dkk,
2006).
Citra juga dapat dikelompokkan menjadi dua yaitu citra tampak seperti
foto, gambar, lukisan, apa yang Nampak di layar monitor/televise, hologram,
dan lain sebagainya. Sedangkan citra tidak Nampak seperti data foto/gambar
dalam file, citra yang direpresentasikan dalam fungsi matematis (Hestiningsih,
Idhawati).
Citra digital adalah citra dengan f (x,y) yang nilainya didigitalisasikan baik
dalam koordinat spasial maupun dalam gray level. Digitalisasi dari koordinat
spasial citra disebut dengan image sampling. Sedangkan digitalisasi dari gray
level citra disebut dengan gray-level quantization. Citra digital dapat
dibayangkan

sebagai

suatu

matriks

dimana

baris

dan

kolomnya

merepresentasikan suatu titik di dalam citra, dan nilai elemen matriks tersebut
menunjukkan gray level di titik tersebut (Gonzalez dalam Purwanto, Ari). Hal
tersebut diilustrasikan oleh Gambar 2.1.

Gambar 2.1 Citra Digital

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

9

Teknologi dasar untuk menciptakan dan menampilkan warna pada citra
digital berdasarkan pada penelitian bahwa sebuah warna merupakan
kombinasi dari tiga warna dasar, yaitu merah,hijau, dan biru (Red, Green, Blue
- RGB). Komposisi warna RGB tersebut dapat dilihat pada Gambar 2.2.

Gambar 2.2 Komposisi Warna RGB
Beberapa kegiatan yang berhubungan dengan citra (Idhawati Hestiningsih) :
1) Pencitraan (imaging)
Pencitraan

merupakan

kegiatan

mengubah

informasi

dari

citra

tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat
digunakan untuk pencitraan antara lain seperti scanner, kamera digital, dan
kamera sinar-x/sinar infra merah.
2) Pengolahan Citra
Pengolahan citra merupakan kegiatan memperbaiki kualitas citra agar
mudah diinterpretasi oleh manusia/mesin (komputer). Masukkannya
adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik
daripada citra masukan, missal suatu citra warnanya kurang tajam, kabur

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

10

(blurring), mengandung noise (misal bintik-bintik putih), dan lain-lain
sehingga perlu ada pemrosesan untuk memperbaiki citra karena citra
tersebut

menjadi

sulit

diinterpretasikan

karena

informasi

yang

disampaikan menjadi berkurang.
3) Analisis Citra
Analisis citra karena citra tersebut menjadi sulit diinterpretasikan karena
informasi yang disampaikan menjadi berkurang.
Tiga bidang studi yang berkaitan dengan data citra dalam ilmu computer
(Sitorus, Syahriol dkk, 2006):
1) Grafika Komputer (Computer Graphic).
2) Pengolahan Citra (Image Processing).
3) Pengenalan Pola (Pattern Recognition/Image Interpretation).
Hubungan dari ketiga bidang ilmu tersebut dapat dilihat pada Gambar 2.3.

Gambar 2.3 Tiga bidang studi yang berkaitan dengan citra
Grafika komputer bertujuan menghasilkan citra yang lebih tepat disebut
grafik atau picture dengan primitive geometri, seperti garis, lingkaran,
volume, dan lain-lain. Primitif geomitri tersebut memerlukan data deskriptif

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

11

untuk melukis elemen-elemen gambar. Contoh dari data deskripstif adalah
koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna dan lainlain, Grafika komputer memainkan peranan penting dalam visualization dan
virtual reality. Untuk lebih jelas, perhatikan Gambar 2.4.

Gambar 2.4 Contoh Grafika Komputer
Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah
diinterpretasi oleh manusia atau mesin dalam hal ini computer. Teknik-teknik
pengolahan citra yaitu mentransformasikan citra menjadi citra yang lain, tetapi
citra keluaran mempunyai kualitas lebih baik daripada citra masukan.
Termasuk dalam bidang ini juga adalah pemampatan citra. Proses pengolahan
citra antara lain penghilangan derau (noise) dan penapisan (filtering) citra.
Untuk lebih jelas, perhatikan Gambar 2.5.

Gambar 2.5 Penghitungan noise pada Pengolahan Citra

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

12

Pengenalan pola adalah suatu aktivitas untuk mengelompokkan data
numeric dan simbolik termasuk citra secara otomatis oleh mesin dalam hal ini
computer. Tujuan dari pengelompokan adalah untuk mengenali suatu objek di
dalam citra. Manusia dapat mengenali objek yang dilihatnya karena otak
manusia telah belajar mengklasifikasi objek yang terdapat di alam, sehingga
mampu membedakan suatu objek dengan objek lainnya. Kemampuan sistem
visual manusia inilah yang dicoba untuk ditiru oleh mesin. Komputer
menerima masukan berupa citra objek yang diidentifikasi, memproses citra
dan memberikan keluaran berupa deskripsi objek di dalam citra. Untuk lebih
jelas, perhatikan Gambar 2.6.

Gambar 2.6 Contoh Pengenalan Pola Tanda Tangan
Computer vision adalah aplikasi lain dalam artificial intelligence yang
berkaitan erat dengan citra. Computer vision merupakan alat analisis dan
evaluasi informasi visual dengan menggunakan computer. Teknik artificial
intelligence memungkinkan computer bisa menguji sebuah gambar atau
adegan nyata dengan mengidentifikasi objek, ciri-ciri, atau pola-polanya
(Suparman dan Marlan, 2007).

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

13

Computer vision merupakan proses otomatis yang mengintegrasikan
sejumlah besar proses untuk persepsi visual, seperti akusisi citra, pengolahan
citra, pengenalan dan membuat keputusan. Computer vision mencoba meniru
cara kerja sistem visual manusia (human vision) yang sesungguhnya sangat
kompleks. Manusia melihat objek dengan indera penglihatan (mata), lalu citra
objek diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti objek
apa yang tampak dalam pandangan mata. Hasil interpretasi ini digunakan
untuk pengambilan keputusan (Hestiningsih, Idhawati).

2.2 Pengenalan Pola
Pola adalah entitas yang terdefinisi atau didefinisikan melalui ciri-cirinya
(feature). Ciri-ciri tersebut digunakan untuk membedakan suatu pola dengan
pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda
yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki
dapat dilakukan dengan keakuratan yang tinggi (Sitorus, Syahriol dkk, 2006).
Pola adalah komposit/gabungan dari ciri yang merupakan sifat dari sebuah
objek (Al Fatta, Hanif, 2009).
Beberapa contoh pola (Sitorus, Syahriol dkk, 2006):
1) Huruf, memiliki ciri-ciri seperti tinggi, tebal, titik sudut, dan
lengkungan garis.
2) Suara, memiliki ciri-ciri seperti amplitude, frekuensi, nada, dan
intonasi.
3) Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan
tekanan.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

14

4) Sidik jari, memiliki ciri-ciri seperti lingkungan, dan jumlah garis.
Ciri-ciri pada suatu pola diperoleh dari hasil pengukuran pada titik objek
uji. Khusus pada pola yang terdapat didalam citra, ciri-ciri yang dapat
diperoleh berasal dari informasi (Sitorus, Syahriol dkk, 2006):
1) Spasial, seperti intensitas piksel dan histogram.
2) Tepi, seperti arah dan kekuatan.
3) Kontur, seperti garis, ellips dan lingkaran.
4) Wilayah/bentuk, seperti keliling, luas dan pusat massa.
5) Hasil transformasi Fourier, seperti frekuensi.
Pengenalan pola bertujuan menentukan kelompok atau kategori pola
berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain,
pengenalan pola membedakan suatu obejk dengan objek yang lain (Sitorus,
Syahriol dkk, 2006):
Pengenalan pola sendiri merupakan cabang dari kecerdasan buatan
(Artificial Intelligence). Beberapa definisi tentang pengenalan pola, di
antaranya:
1) Penentuan suatu objek fisik atau kejadian ke dalam salah satu atau
beberapa kategori. (Duda dan Hart dalam Al Fatta, Hanif, 2009).
2) Ilmu pengetahuan yang menitikberatkan pada deskripsi dan klasifikasi
(pengenalan) dari suatu pengukuran. (Schalkoff dalam Al Fatta, Hanif,
2009).
Berdasarkan definisi di atas, pengenalan pola dapat didefinisikan sebagai
cabang

kecerdasan

buatan

yang

menitikberatkan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

pada

metode

15

pengklasifikasian objek ke dalam kelas-kelas tertentu untuk menyelesaikan
masalah tertentu.
Pengenalan pola merupakan cabang dari kecerdasan buatan yang saat ini
berkembang pesat untuk mendukung aspek keamanan suatu sistem. Saat ini,
aplikasi-aplikasi pengenalan pola juga sudah sangat beragam, di antaranya:
1) Voice recognition yang menggunakan pengenalan suara sebagai kunci
bagi pengguna sistem.
2) Fingerprint identification yang menggunakan pengenalan sidik jari
sebagai kunci telah terpakai secara luas sebagai pengganti password
atau pin untuk mengakses sistem tertentu.
3) Face identification yang menggunakan pengenalan wajah sebagai
kunci bagi pengguna sistem, bahkan saat ini badan penegak hokum
sedang mengembangkan sistem untuk mengidentifikasi para buronan
dengan melakukan scanning pada wajah para pelaku kejahatan yang
sudah di-database-kan berdasarkan foto pelaku kejahatan tersebut.
4) Handwriting identification yang menggunakan pengenalan tulisan
yang telah secara luas digunakan oleh sistem perbankan untuk
membuktikan pelaku transaksi adalah orang yang benar-benar berhak.
5) Optical Character Recognition (OCR) yang secara luas digunakan
pada counter pengecekan barang.
6) Robot vision yang digunakan olek aplikasi robotic dalam mengenali
objek tertentu pada lingkungan yang unik.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

16

2.2.1 Komponen Sistem Pengenalan Pola
Sistem pengenalan pola dasar terdiri dari (Al Fatta, Hanif, 2009) :
1) Sensor
Sensor digunakan untuk menangkap objek yang ciri atau feature-nya akan
diekstraksi.
2) Mekanisme Pre-processing
Mekanisme pengolahan objek yang ditangkap oleh sensor, bagian ini
biasanya digunakan untuk mengurangi kompleksitas ciri yang akan
dipakai untuk proses klasifikasi.
3) Mekanisme Pencari Feature
Bagian ini digunakan untuk mengekstraksi ciri yang telah melalui tahapan
pre-processing untuk memisahkannya dari kumpulan ciri-ciri yang tidak
diperlukan dalam proses klasifikasi dari suatu objek.
4) Algoritma Pemilah
Pada tahapan ini klasifikasi dilakukan dengan menggunakan algoritma
klasifikasi tertentu. Hasil dari tahapan ini adalah klasifikasi dari objek
yang ditangkap ke dalam kriteria-kriteria yang telah ditentukan.

2.2.2 Pendekatan Pengenalan Pola
Aplikasi pengenalan pola dapat dibuat dengan beberapa pendekatan. Ada
pendekatan yang menggunakan basis statistical untuk menghasilkan pola.
Pendekatan lainnya menggunakan struktur dari pola yang menyediakan
informasi fundamental untuk pengenalan pola. Pendekatan lain lagi adalah

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

17

dengan membangun dan melatih suatu arsitektur yang secara akurat
mengasosiasikan input pola tertentu dengan respon yang diharapkan.
1) Pendekatan Pengenalan Pola Statistikal
Pengenalan pola statistical memiliki asumsi suatu basis statistic untuk
algoritma

klasifikasi.

Sekelompok

karakteristik

pengukuran

yang

menunjukkan ciri diekstraksi dari data input dan digunakan untuk
menentukan setiap vector feature ke dalam suatu kelas. Ciri (feature)
diasumsikan dihasilkan secara natural, sehingga model yang bersangkutan
merupakan kelas-kelas probabilitas atau fungsi kepadatan probabilitas
(Probability Density Function) yang telah dikondisikan.
a) Pola dipilah berdasarkan model statistic dari ciri.
b) Model statistic didefinisikan sebagai sebuah fungsi kerapatan ruang
bersyarat kelas.
Pr (x|ci)

dengan i=1, 2, 3, …,N.

2) Pendekatan Pengenalan Pola Sintaktik
Suatu pendekatan terhadap suatu pola citra dilakukan dengan menganalisis
struktur pola dari citra.
a) Pola dipilah berdasarkan keserupaan ukuran structural.
b) “Pengetahuan” direpresentasikan secara

formal grammar atau

deskripsi relasional yang menghasilkan deskripsi hierarki dari pola
kompleks yang tersusun dari pola bagian yang lebih sederhana.
3) Pendekatan Pengenalan Pola Neural
Pendekatan yang ketiga yaitu pengenalan pola neural, metode ini
merupakan gabungan dari kedua cara sebelumnya yaitu secara statistic dan

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

18

sintaktik, itu artinya pendekatan dengan cara ini akan menyimpan semua
fakta dari objek. Sehingga semakin sering sistem dilatih maka semakin
cerdas pula sistem yang dihasilkan. Pendekatan ini merupakan bagian dari
jaringan saraf tiruan untuk mengidentifikasi pola.
a) Pemilahan dilakukan berdasarkan tanggapan suatu jaringan pengolah
sinyal (neuron) terhadap stimulus masukan (pola).
b) “Pengetahuan” disimpan dalam sambungan antar neuron dan
pembobot sinaptik.

2.3 Pengenalan Wajah (Face Recognition)
Secara umum sistem pengenalan citra wajah dibagi menjadi dua jenis,
yaitu sistem feature-based dan sistem image-based. Pada sistem pertama
digunakan cirri yang diekstraksi dari komponen citra wajah seperti mata,
hidung, mulut, dan lain-lain yang kemudian dimodelkan secara geometris
hubungan antara ciri-ciri tersebut. Sedangkan pada sistem ke dua
menggunakan

informasi

mentah

dari

piksel

citra

direpresentasikan dalam metode tertentu, misalnya

yang

kemudia

seperti Principal

Compenent Analysis (PCA) atau transformasi wavelet yang digunakan untuk
klasifikasi indentitas citra (Al Fatta, Hanif, 2009).
Alan

Brooks pernah mengembangkan

sebuah penelitian

yang

membandingkan dua algoritma yaitu Eigenface dan Fisherface. Penelitian ini
difokuskan pada perubahan pose wajah apakah mempengaruhi akurasi
pengelanan wajah. Diberikan database latih berupa foto wajah manusia,
kemudian digunakan untuk melatih sebuah sistem pengenalan wajah, setelah

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

19

proses latihan selesai, diberikan sebuah masukan image yang sebenarnya sama
dengan salah satu image wajah pada fase latihan tetapi dengan pose yang
berbeda. Sistem juga diharapkan punya sensitifitas minimal terhadap
pencahayaan. Sistem dikembangkan dengan dua algoritma yaitu Eigenface
dan Fisherface, dan dibandingkan hasilnya. Kedua teknik menghasilkan hasil
yang memuaskan tetapi ada beberapa perbedaan. Pada Eigenface kompleksitas
komputasi lebih sederhana daripada Fisherface. Dari segi efektifitas karena
perubahan pose Fisherface memberikan hasil yang lebih baik, bahkan dengan
data yang lebih terbatas. Teknik Eigenface juga lebih sensitif terhadap
pencahayaan dibandingkan dengan Fisherface (Purwanto, Ari).

2.3.1 Eigenface
Kata eigenface sebenarnya berasal dari bahasa Jerman “eigenwert” dimana
“eigen” artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah
satu algoritma pengenalan pola wajah yang berdasarkan pada Principle
Component Analysis (PCA) yang dikembangkan di MIT. Eigenface
merupakan kumpulan dari eigenvector yang digunakan untuk masalah
computer vision pada pengenalan wajah manusia (Prasetyo, Eri dan Isna
Rahmatun).
Eigenface adalah sekumpulan standardize face ingredient yang diambil
dari analisis statistik dari banyak gambar wajah (Layman dalam Al Fatta,
Hanif, 2009).
Untuk menghasilkan eigenface, sekumpulan citra digital dari wajah
manusia

diambil

pada

kondisi

pencahayaan

yang

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

sama

kemudian

20

dinormalisasikan dan diproses pada resolusi yang sama (misal m x n),
kemudian citra tadi diperlukan sebagai vector dimensi m x n dimana
komponennya diambil dari nilai piksel citra.

2.3.2 Tr ansformasi Karhunen-Loeve
Di tahun 1933 Hotelling mengajukan sebuah teknik untuk mengurangi
dimensi sebuah ruang yang direpresentasikan oleh variabel statistik
(x1,x2,…,xk), dimana variabel tersebut biasanya saling berkorelasi satu dengan
yang lain. Pertanyaan kemudian timbul akibat konsekuensi di atas, apakah
terdapat sebuah himpunan variabel baru yang memiliki sifat yang releatif
sama dengan variabel sebelumnya dimana dikehendaki himpunan variabel
baru tersebut memiliki jumlah variabel (dimensi) yang lebih sedikit dari
variabel sebelumnya. Selanjutnya Hotteling menyebut metode tersebut sebagai
Principal Component Analysis (PCA) atau kadang juga disebut Transformasi
Hotelling dan Transformasi Karhunen Loeve.
Transformasi Karhunen-Loeve banyak digunakan untuk memproyekkan
atau mengubah suatu kumpulan data berukuran besar menjadi bentuk
representasi data lain dengan ukuran yang lebih kecil. Transformasi
Karhunen-Loeve terhadap sebuah ruang data yang besar akan menghasilkan
sejumlah vektor basis ortonormal ke dalam bentuk kumpulan vector eigen dari
suatu matriks kovarian tertentu, yang dapat secara optimal merepresentasikan
distribusi data.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

21

Bentuk umum dari Principal Component Analysis dapat dilihat berikut ini:

( 2.1 Matriks Kovarian )
Dimana C merupakan matriks kovarian, x merupakan image (x1,x2,…,xk) dan
Ψ adalah rata-rata image yang dihasilkan dari merata-rata x (x1,x2,…,xk).
Dengan dekomposisi eigen, matriks kovarian ini dapat didekomposisi menjadi
:

( 2.2 Dekomposisi Eigen )
Dimana Φ adalah selisih antara image (x) dengan nilai tengah (Ψ). Pilih
sejumlah

m kolom dari matriks Φ yang berasosiasi dengan eigenvalue

terbesar. Pemilihan sejumlah m kolom dari matriks Φ ini menghasilkan
matriks transformasi atau matriks proyeksi Φm. Berikutnya sebuah image x
(berdimensi n) dapat diekstraksi kedalam feature baru y (berdimensi m < n)
dengan memproyeksikan x searah dengan Φm sebagai berikut:

( 2.3 Proyeksi x searah )
Dengan kata lain metode PCA memproyeksikan ruang asal Ʀ
baru yang berdimensi lebih rendah Ʀ

n

kedalam ruang

m

, yang mana sebanyak mungkin

kandungan informasi asal tetap dipertahankan untuk tidak terlalu banyak
hilang setelah dibawa ke dimensi feature yang lebih kecil. Di sini terlihat
reduksi feature yang signifikan dari n buah menjadi m buah yang tentunya
akan sangat meringankan komputasi dalam proses pengenalan berikutnya.

Hak Cipta © milik UPN "Veteran" Jatim :
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.

22

2.3.3 Eigenvalue dan Eigenvector
Nilai eigenvalue dari suatu matriks bujursangkar merupakan polynomial
karakteristik dari matriks tersebut; jika λ adalah eigenvalue dari A maka akan
equivalent dengan persamaan linier (A - λI) v = 0 (dimana I adalah matriks
identitas) yang memiliki pemecahan non-zero v (suatu eigenvector), sehingga
akan equivalent dengan determinant

( 2.4 Deteminan )
Fungsi p(λ) = det (A - λI) adalah sebuah polynomial dalam λ karena
determinant dihitung dengan sum of product. Semua eigenvalue dari suatu
matriks A dapat dihitung dengan menyelesaikan persamaan pA(λ) = 0. Jika A
adalah matriks ukuran n x n, maka pA memiliki derajat n dan A akan memiliki
panjang banyak n buah eigenvalue.

2.3.4 Mencar i Eigenvector
Jika eigenvalue λ diketahui, eigenvector dapat dicari dengan memecahkan:

( 2.5 Pencarian Eigenvector )
Dalam beberapa kasus dapat dijumpai suatu matriks tanpa eigenvalue