Sistem Absensi Menggunakan Wajah Pada Jaringan Syaraf Tiruan Dengan Algoritma Learning Vector Quantization (LVQ) Chapter III V
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1
Analisis Sistem
Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian
komponennya dengan tujuan mengidentifikasikan dan mengevaluasi permasalahan,
kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat
diusulkan perbaikan.
3.1.1
Analisis Masalah
Sistem absensi memiliki peran penting dalam kehidupan sehari-hari terutama
di lingkup kerja seperti perkantoran, pabrik, rumah sakit, sekolah, universitas, dan
tempat lain yang membutuhkan absensi. Dalam kegiatan belajar mengajar di dalam
suatu perguruan tinggi, tentu saja memiliki mahasiswa/i yang harus dicatat
kehadirannya setiap hari. Namun terkadang, absensi memiliki beberapa kekurangan
sehingga menjadi rentan terhadap kecurangan. Hal ini mengakibatkan informasi dari
data absensi tidak akurat dan diragukan validitasnya.
Masalah yang akan diselesaikan menggunakan sistem ini adalah terdeteksinya
wajah mahasiswa/i S1 ilmu komputer angkatan 2013 sebagai kunci yang akan menjadi
validasi identitas dalam absen. Analisis masalah ini secara spesifik diilustrasikan pada
gambar 3.1 yang dirancang dalam bentuk diagram Ishikawa.
Universitas Sumatera Utara
20
Teknologi
User
Dosen dan mahasiswa
bertindak sebagai user
Memakai
wajah sebgai
kunci absen
Sering Titip
Absen
Pendataan absensi memakan
waktu dan tenaga
Sistem
Absensi
Wajah
Wajah diidentifikasi
dan dicari validasi
namanya
Sering terjadi kecurangan
dalam absen mahasiswa
Material
Metode
Gambar 3.1 Diagram Ishikawa.
3.1.2
Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional sistem dan
analisis kebutuhan non-fungsional sistem.
1. Kebutuhan funsional sistem
Kebutuhan fungsional yang harus dimiliki oleh sistem absensi berbasis pengenalan
wajah adalah :
1. Sistem dapat mendeteksi masukan berupa foto yang berformat *.bmp.
2. Sistem dapat melakukan proses training untuk setiap masukan sehingga
dapat menghasilkan suatu bobot matriks untuk semua masukan.
3. Sistem dapat mengenali wajah seseorang (masukan yang diuji) yang
diambil melalui kamera webcam.
4. Sistem menghasilkan keluaran berupa rekapitulasi data absensi mahasiswa.
2. Kebutuhan non-fungsional sistem
Kebutuhan non-fungsional yang dimiliki oleh sistem adalah :
1. Interface sistem mudah dipahami oleh user (pengguna).
2. Tampilan hanya satu form untuk memudahkan user dalam mendata absen.
Universitas Sumatera Utara
21
3.1.3
Analisis Pemodelan Sistem
Secara umum, sistem absensi berbasis identifikasi wajah ini terdiri dari 2 proses,
yaitu proses pelatihan inputan dan proses pengujian inputan. Pemodelan kedua
proses tersebut akan digambarkan melalui UML (Unified Modelling Language)
yang mencakup use case diagram, activity diagran, dan sequence diagram. UML
merupakan satu kumpulan pemodelan yang digunakan untuk menentukan atau
menggambarkan sebuah sistem software yang terkait dengan objek.
Usecase diagram adalah diagram yang menggambarkan aktor, use case dan relasinya
sebagai suatu urutan tindakan yang memberikan nilai terukur untuk aktor.
Activity diagram menggambarkan aktifitas-aktifitas, objek, state, transisi state dan
event. Dengan kata lain, diagram ini menggambarkan alur aktivitas dari
sebuah sistem.
Sequence diagram menjelaskan interaksi objek yang disusun berdasarkan urutan waktu.
Secara mudahnya sequence diagram adalah gambaran tahap demi tahap, termasuk
kronologi (urutan) perubahan secara logis dari sistem.
Naratif Use Case menguraikan use case yang terdapat pada diagram use case. Didalam
Naratif use case ini akan diberikan uraian nama, aktor yang berhubungan dengan use
case tersebut, tujuan use case, deskripsi global tentang use case, pra-kondisi yang harus
terpenuhi dan pasca kondisi yang diharapkan setelah berjalannya fungsional use case.
Pembuatan use case diagram dapat dimulai dengan menjawab pertanyaan berikut :
1. Siapa yang menggunakan sistem?
Jawaban : user
2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem?
Jawaban : Mahasiswa dan Dosen
3. Apa saja yang dapat dilakukan user pada sistem?
Jawaban : melakukan pelatihan inputan dengan metode LVQ, pengujian inputan
melalui kamera webcam, dan absensi
Universitas Sumatera Utara
22
Gambar 3.2. Use case Diagram Sistem Absensi Wajah
3.1.4
Naratif Use Case Sistem
Berikut ini merupakan tabel dokumen naratif use case yang dapat dilihat pada tabel
3.1, tabel 3.2, tabel 3.3, tabel 3.4, tabel 3.5, tabel 3.6, table 3.7 dan tabel 3.8.
Tabel 3.1 Dokumentasi Naratif Use Case Aktifkan dan Scan Wajah memakai
Kamera
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Aktifkan dan Scan Wajah memakai Kamera
Mahasiswa
Use case ini menangkap citra wajah dari kamera
Sistem menerima inputan dari kamera.
Kegiatan Pengguna
1. Menekan tombol
open and detect face
Alternate course
4. Menekan tombol add face
Post Condition
Sistem telah melakukan proses
pengujian wajah
Respon Sistem
2. Menangkap citra
wajah mahasiswa
3. Membuka File Excel
untuk diabsen
5. mengambil wajah
yang dideteksi.
6. menampilkan hasil
wajah yang dideteksi
7. menyimpan wajah
yang dideteksi
Universitas Sumatera Utara
23
Tabel 3.2 Dokumentasi Naratif Use Case Pengujian Inputan
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Pengujian Inputan
Mahasiswa
Use case ini melakukan proses pengujian ada citra yang diinput
dari kamera secara real-time
Sistem menerima inputan dari kamera.
Kegiatan Pengguna
Respon Sistem
2. Menangkap citra
wajah mahasiswa
3. merubah ke bentuk
grayscale, threshold dan
binerisasi.
4. melakukan pengujian
pencocokan dengan
gambar pada library
6. mengambil wajah
yang dideteksi.
7. menampilkan hasil
wajah yang dideteksi
8. menyimpan wajah
yang dideteksi
1. Menekan tombol
recognize face
Alternate course
5. Menekan tombol add face
Post Condition
Sistem telah mendapat nama yang
cocok dari citra wajah yang diuji
Tabel 3.3 Dokumentasi Naratif Use Case Deteksi Wajah
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Deteksi Wajah
Mahasiswa
Use case ini menampilkan nama dari citra wajah yang telah diuji
melalui kamera
Sistem menampilkan nama wajah yang sudah diuji dari kamera.
Kegiatan Pengguna
Respon Sistem
1. Menekan tombol
open and detect face
Alternate course
3. Menekan tombol recognize face
Post Condition
Sistem menampilkan nama dari citra
wajah yang telah diuji melalui
kamera
2. menampilkan nama
dari citra wajah yang
telah diuji melalui
kamera dengan menekan
tombol recognize face
4. mengambil wajah
yang dideteksi.
5. menampilkan hasil
wajah yang dideteksi
Universitas Sumatera Utara
24
Tabel 3.4 Dokumentasi Naratif Use Case Daftar Wajah
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Daftar Wajah
Mahasiswa
Use case ini mengambil dan mendaftarkan wajah baru ke dalam
library sistem.
Sistem mengambil wajah baru dari kamera
Kegiatan Pengguna
Respon Sistem
1. Menekan tombol
add face
Alternate course
4. Menekan Tombol recognize face
Post Condition
Sistem menampilkan wajah yang
diambil dari kamera
2. mengambil wajah
yang dideteksi.
3. menampilkan hasil
wajah yang dideteksi
dengan menekan tombol
recognize face
4. menyimpan wajah
yang dideteksi
5. Menampilkan wajah
yang terdeteksi
Tabel 3.5 Dokumentasi Naratif Use Case Pelatihan Inputan
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Pelatihan Inputan
Mahasiswa
Use case ini mengambil citra wajah dari library dan memulai
proses pelatihan yang akan dijadikan sebagai acuan pengenalan
dari wajah yang diuji
Sistem mengakses gambar yang ada di library untuk menjadi
gambar acuan sebagai pengenalan wajah
Kegiatan Pengguna
1. Menekan tombol
recognize face
Alternatecourse
6. Menekan tombol
recognize face
Post Condition
Sistem menampilkan nama dari
wajah yang terdeteksi
Respon Sistem
2. mengambil wajah
yang dideteksi dari
library.
3. menghasilkan pola
wajah.
4. menyimpan pola
wajah
5. Menampilkan nama
dari wajah yang
terdeteksi
7. Menampilkan nama
dari wajah yang
terdeteksi
Universitas Sumatera Utara
25
Tabel 3.6 Dokumentasi Naratif Use Case Catat sebagai absen
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Catat sebagai absen
Mahasiswa
Use case ini mencatat nama dan tanggal dari hasil uji
Sistem mengambil nama dan tanggal dari hasil uji lalu dicatat
pada dokumen
Kegiatan Pengguna
Respon Sistem
1. Menekan tombol Record to Absen
Alternatecourse
5. Menekan tombol
open and detect face
Post Condition
Sistem menyimpan nama, waktu dan
tanggal pada dokumen
2. mengambil hasil uji
berupa nama.
3. mengambil tanggal
dan waktu dari sistem
komputer.
4. menyimpan nama dan
tanggal sebagai bukti
absensi.
6. menampilkan nama
dari citra wajah yang
telah diuji melalui
kamera dengan menekan
tombol recognize face
Data Tersimpan
Gambar 3.3. Activity Diagram Sistem Absensi Wajah
Universitas Sumatera Utara
26
Gambar 3.4. Sequence Diagram Sistem Absensi Wajah
3.1.5
Flowchart Sistem
3.1.5.1 Flowchart sistem secara umum
Mulai
Scan Wajah
dengan Kamera
Tahap Preprocessing dengan
grayscale, thresholding dan
binerisasi
Pengenalan pola wajah
dari kamera
Klik tombol untuk
menyimpan data
Selesai
Gambar 3.5. Flowchart sistem secara umum
Universitas Sumatera Utara
27
3.1.5.2 Flowchart Pengujian Algoritma Learning Vector Quantization (LVQ)
Berikut ini merupakan flowchart Pelatihan pada metode Learning Vector
Quantization (LVQ)
Gambar 3.6. Flowchart Pelatihan Sistem Absensi Wajah
Universitas Sumatera Utara
28
3.1.5.3 Screen Shot Coding Pengujian Learning Vector Quantization (LVQ)
Berikut ini merupakan Screen Shot Coding pengujian pada Learning Vector
Quantization (LVQ)
Gambar 3.7. Screen Shot Coding Pengujian Sistem Absensi Wajah
Universitas Sumatera Utara
29
3.1.6
Perancangan Database
Database Management System yang akan digunakan pada sistem absensi akan dibangun
pada Microsoft Office Excel. Microsoft Office Excel dipercaya lebih mudah dalam
mendata dan lebih efektif tanpa harus membuka koneksi jaringan local menggunakan
aplikasi tertentu untuk menyimpan data kedalam database. Struktur database yang akan
digunakan dapat dilihat pada Tabel 3.7. berikut ini.
Tabel 3.7. Tabel Database Excel sistem absen
Absen
Field
Type
1. Date
Date
2. Time In
Time
3. Student’s Name
String
4. NIM
String
5. Address
String
4. Present
Integer
5. Not Present
Integer
Dapat dilihat pada tabel diatas menjelaskan bahwa pada tabel Absen memiliki beberapa
field yaitu date, time in, student’s name, present dan not present dengan berbeda tipe
datanya. Pada field Date akan tersimpan data berupa tanggal yang akan diambil
langsung dari komputer. Field Time In akan menyimpan data berupa waktu yang sedang
berjalan dari komputer pengguna. Student’s name adalah field yang berisi nama dari
mahasiswa yang absen menggunakan wajah melalui sistem. Field NIM dan address
adalah keterangan yang harus diisi berupa NIM dan alamat mahasiswa. Field Present
dan not present adalah keterangan berapa mahasiswa yang sudah hadir dan belum hadir
didalam kelas, field ini akan berisi angka yang menunjukan jumlah mahasiswa baik
hadir maupun yang belum hadir.
Universitas Sumatera Utara
30
3.1.7
Arsitektur Umum Sistem
Arsitektur umum sistem adalah skema perancangan sistem yang menggambarkan alur
sistem secara keseluruhan. Arsitektur umum sistem menjadi pedoman untuk pembuatan
pemodelan sistem. Arsitektur umum sistem dapat dilihat pada gambar 3.8.
Gambar 3.8. Arsitektur Umum Sistem Absensi Wajah
Dari gambar arsitektur umum sistem diatas dapat dilihat bahwa wajah akan ditangkap
menggunakan kamera secara real-time dan kemudian akan diproses ke tahap
preprocessing(grayscale, threshold) hingga menghasilkan citra biner yang bernilai 1
dan 0. Selanjutnya citra biner tersebut akan di cari kecocokan dengan database citra
yang tersimpan sebelumnya menggunakan algoritma Learning Vector Quantization.
Dari proses tersebut akan menghasilkan nama yang kemudian akan di catat ke dalam
Microsoft Office Excel.
Universitas Sumatera Utara
31
3.2
Perancangan Antarmuka
Sistem ini dirancang dalam 3 form yaitu form utama, form absen, form tentang
3.2.1
From Utama
Halaman utama adalah halaman yang muncul pertama kali saat sistem dijalankan.
Halaman ini memiliki 2 menu, yaitu menu absen dan menu tentang. Tampilan
rancangan form cover dapat dilihat pada gambar 3.8.
2
1
3
4
3
Gambar 3.9 Rancangan Form Utama
Keterangan :
1. Menu strip Absen
Menu ini menghubungkan form utama dengan form absen
2. Menu strip tentang
Menu ini menghubungkan form utama dengan form tentang
3. Label
Label ini berisi keterangan dan detail tentang skripsi, nama, nim dan jurusan.
4. Picturebox
Picturebox yang berisi gambar USU
Universitas Sumatera Utara
32
2
1
3
4
4
6
7
3
4
5
4
8
9
Gambar 3.10 Rancangan Form Absen
Keterangan :
1. Menu strip Absen
Menu ini menghubungkan form absen dengan form utama
2. Menu strip tentang
Menu ini menghubungkan form absen dengan form tentang
3. ImageBox
ImageBox berisi tampilan kamera dan gambar yang diambil dari kamera
berbentuk grayscale
4. Label
Label ini berisi keterangan dari setiap group box dan keterangan pengisian nama,
nim dan alamat.
5. TextBox
TextBox sebagai media input nama, nim, alamat untuk biodata dari suatu wajah
yang akan didaftarkan
6. GroupBox
Groupbox berisi beberapa komponen yaitu imageBox, label dan button
7. Button Open and Detect Face
Button berfungsi untuk membuka kamera dan mendeteksi posisi wajah.
8. Button Add Face
Button berfungsi untuk memberi event untuk menyimpan gambar wajah yang
terdeteksi jika belum pernah tersimpan atau terdaftar di library sistem.
Universitas Sumatera Utara
33
9. Button Record to Absen
Button ini berfungsi memberi event untuk menyimpan data nama dan tanggal
kehadiran dari setiap mahasiswa yang terdaftar di library sistem.
10. Button Recognize Face
Button ini berfungsi memberi event untuk mempelajari pola dan mencari
kecocokan wajah dari input wajah yang diambil.
1
2
3
4
Gambar 3.11 Rancangan Form Tentang
Keterangan :
1. Menu strip Utama
Menu ini menghubungkan form tentang dengan form utama
2. Menu strip Absen
Menu ini menghubungkan form tentang dengan form absen
3. PictureBox
PictureBox berfungsi untuk menampilkan foto penulis
4. Label
Label berisi tentang informasi penulis berupa nama, nim, jurusan, fakultas dan
universitas.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada tahap ini dilakukan pembuatan sistem sesuai dengan analisis dan perancangan dan
kemudian melakukan pengujian sistem.
4.1
Implementasi Sistem
Sistem dibangun dengan bahasa pemrograman C# dengan .NET sebagai library untuk
menyajikan Graphical User Interface terhadap user. Program ini terdiri 3 form tampilan
yaitu form utama, form Absen, form About.
4.1.1. Form Utama
Tampilan utama atau home merupakan tampilan yang pertama kali muncul apabila
sistem dibuka. Pada tampilan ini, terdapat 2 button yang memiliki fungsi masingmasing pada sistem. Tampilan utama dapat dilihat pada Gambar 4.1.
Gambar 4.1 Form utama
Universitas Sumatera Utara
35
4.1.2. Form Absen
Tampilan absen ini berfungsi sebagai mengambil citra wajah dari kamera sekaligus
mendeteksi nama dari wajah yang diambil. Jika wajah sudah terdeteksi, akan dilakukan
pencatatan ke dokumen. Untuk tampilan absen dapat dilihat pada Gambar 4.2.
Gambar 4.2 Form Absen
4.1.3. Form Tentang
Tampilan tentang merupakan tampilan yang berisi info singkat dari penulis. Tampilan
tentang dapat dilihat pada Gambar 4.5.
Gambar 4.3 Form Tentang
Universitas Sumatera Utara
36
4.1.4. Proses grayscale, thresholding dan binerisasi
Sistem ini dibangun dengan menggunakan Microsoft Visual Studio 2010. Masukan
yang digunakan adalah foto yang berformat *.bmp dengan ukuran 100 x 100 piksel.
Agar dapat diolah komputer, maka gambar harus diubah dengan proses binerisasi.
Pertama kali yang harus dilakukan adalah mengambil nilai RGB kemudian lakukan
proses grayscale seperti gambar 4.4
Gambar 4.4. Contoh citra Grayscale
Nilai Grayscale pada gambar 4.5 dapat diperoleh menggunakan rumus :
dengan keterangan :
I
R
G
B
= nilai piksel pada citra grayscale
= nilai bit red pada citra RGB
= nilai bit green pada citra RGB
= nilai bit blue pada citra RGB
Setelah memproses nilai RGB menjadi nilai grayscale, nilai grayscale akan diubah
menjadi bentuk biner dengan menggunakan threshold sebesar 50. Citra biner dapat
dilihat pada gambar 4.5.
Gambar 4.5 Contoh citra threshold
Universitas Sumatera Utara
37
Dari citra threshold diatas didapat binerisasi seperti dibawah ini
Gambar 4.6 Hasil Binerisasi
4.1.5. Ketentuan dan Parameter Pengujian
Sistem ini menggunakan beberapa ketentuan-ketentuan yang akan menjadi parameter
berjalannya proses sistem ini sehingga didapat beberapa hasil yang dapat dijadikan
bahan acuan.
1. Maksimal Epoch yang dipakai sebesar 20.
2. Posisi wajah untuk setiap orang ada 5 yaitu menghadap sedikit ke kiri, kanan, atas,
bawah dan tegak menghadap kamera.
3. Setiap orang akan di record sebanyak 5 wajah.
4. Gambar yang akan diambil sebesar 100 x 100 piksel.
5. Sistem akan mendeteksi wajah yang lebih dari 1, akan tetapi tetap di proses wajah
yang paling dekat dengan kamera sebagai citra inputan yang akan diuji.
6. Gambar yang diambil langsung diubah ke grayscale dan threshold tanpa
menampilkan hasil grayscale ke layar hasil gambar yang terambil.
7. Gambar yang disimpan untuk menjadi gambar acuan adalah gambar yang diambil
dan langsung diubah ke grayscale dan threshold.
8. Nilai ambang Threshold adalah sebesar 50.
9. Spesifikasi Komputer yaitu Intel Core i3, RAM 4GB, Kamera VGA, Windows 10.
Universitas Sumatera Utara
38
4.2
Hasil Pengujian Sistem
Sistem harus memiliki gambar acuan yang terdapat pada library agar dapat menjadi
gambar acuan atau Data Set gambar yang dilatih. Cara menambahkan wajah seperti
berikut :
1. Pada sistem terdapat Group Box Training yang berguna untuk menambahkan wajah
jika terdapat mahasiswa baru atau wajah masih belum pernah terdaftar.
2. Isi kolom Name, NIM, dan Address untuk biodata diri dari wajah yang didaftarkan.
3. Jika sudah mengisi, tekan tombol Add Face maka sistem akan mengambil citra yang
akan diubah ke greyscale dan threshold dan muncul pesan yang berisi jika wajah
telah tersimpan di library.
Gambar 4.7. Proses deteksi wajah dan pendaftaran wajah
Universitas Sumatera Utara
39
Setiap orang memiliki 5 wajah sampel yang tersimpan di database dan diambil langsung
melalui kamera webcam. Hasil pengujian dapat dilihat pada Tabel 4.1, Tabel 4.2, Tabel
4.3, Tabel 4.4.
4.2.1
Hasil pengujian dengan webcam sampel ‘rudy’
Tabel 4.1. Hasil pengujian dengan webcam sampel ‘rudy’
Input(X)
Target
(Y)
rudy
rudy
Universitas Sumatera Utara
40
rudy
rudy
rudy
Universitas Sumatera Utara
41
4.2.2
Hasil pengujian dengan webcam sampel ‘hafiz’
Tabel 4.2. Hasil pengujian dengan webcam sampel ‘hafiz’
Input(X)
Target
(Y)
hafiz
hafiz
Universitas Sumatera Utara
42
hafiz
hafiz
hafiz
Universitas Sumatera Utara
43
4.2.3
Hasil pengujian dengan webcam sampel ‘Cut Amalia Saffiera’
Tabel 4.3. Hasil pengujian dengan webcam sampel ‘Cut Amalia Saffiera’
Input(X)
Target
(Y)
Cut
Amalia
Saffiera
Cut
Amalia
Saffiera
Universitas Sumatera Utara
44
Cut
Amalia
Saffiera
Cut
Amalia
Saffiera
Cut
Amalia
Saffiera
Universitas Sumatera Utara
45
4.2.4
Hasil pengujian dengan webcam sampel ‘chyntia’
Tabel 4.4. Hasil pengujian dengan webcam sampel ‘chyntia’
Input(X)
Target
(Y)
chyntia
chyntia
Universitas Sumatera Utara
46
chyntia
chyntia
chyntia
Universitas Sumatera Utara
47
4.2.5. Foto Pemakaian Sistem Absensi di Kelas.
Gambar 4.8. Foto Pemakaian Sistem Absensi di Kelas.
Universitas Sumatera Utara
48
4.2.6. Screen Shot Coding Pengambilan Wajah Real Time
Gambar 4.9. Screen Shot Coding Pengambilan Wajah Real Time
Universitas Sumatera Utara
49
4.2.7. Langkah-langkah Algoritma Learning Vector Quantization (LVQ)
1. Menentukan pola input dan pola output
Dalam sistem ini, variabel x dan w digunakan menjadi pola input. Pola input
yang digunakan adalah nilai bipolar yang ada pada Gambar 4.7. Pola output atau
target yang digunakan adalah :
Pola inputan yang di ambil melalui kamera dapat dilihat pada gambar 4.7
Gambar 4.10. Citra Inputan yang tertangkap Kamera
Pola output yang diharapkan
Gambar 4.11. Output yg diharapkan agar sesuai target
Universitas Sumatera Utara
50
2. Menghitung jarak terdekat Euclidean antar bobot (Cj)
Untuk menghitung jarak terdekat Euclidean antara bobot inputan dan mencari
target digunakan rumus :
�� = √
dimana :
+
Cj = jarak Euclidean
x = input dari suatu citra
w = bobot dari gambar acuan
untuk perhitungan mencari jarak terdekat dilakukan citra inputan pada semua
sampel wajah yang tersimpan sebelumnya sebagai gambar acuan.
3. Pencarian bobot baru (Wj baru)
Setelah mendapat jarak terdekat, akan dicari bobot yang menjadi bobot baru.
Setelah bobot tersebut telah didapat, maka akan disimpan untuk menjadi bobot
acuan di perhitungan berikutnya. Pencarian bobot baru memakai rumus :
(baru) =
(lama)+ α*
-
(lama)
dimana :
w = bobot dari gambar acuan
x = input dari suatu citra
i = banyak bobot
j = banyak piksel citra inputan
α = learning rate atau kemampuan cepat belajar
Universitas Sumatera Utara
51
4.2.8. Pencarian Kecocokan Wajah
Pada Percobaan pencarian nilai minimum, diberikan 10 gambar acuan yang akan
menjadi target kelas. Berikut adalah tabel wajah yang akan menjadi target pengujian
dari gambar uji.
hafiz
Tabel 4.5. Tabel Gambar yang menjadi Target.
Agustin
chyntia
Mangasa
Lily
dhiwa
Cut Amalia
Tia
Morigia
rudy
Saffiera
Rahmadianti
Simanjuntak
4.12. Gambar threshold yang akan diproses pada gambar acuan.
Universitas Sumatera Utara
52
Tabel 4.6 Tabel Binerisasi Input Vektor
Kelas
No
Input Vektor
1
000000000000000000000000000000........0000000011111111111
1
2
000000000000000000111111111111........0000000000000000000
2
3
111111110000000000000000000000........0000000000000000000
3
4
000000000000000000000000000000........1111111111111110000
4
5
111111111111111111000000000000........0000000000000000000
5
6
111111000000000000000000000000........1111111111111111111
6
7
111111111111111111111111110000........0000000000000000000
7
8
110001110000011000000000000000........0000000000000001111
8
9
000000000000000000000000000000........0000000000000000000
9
10
111111111111110000000000000000........1111111111111111111
10
11
111111111111000000000000000111.........0000001111111111111
10
(T)
Epoh ke-1 Data input:
111111111111000000000000000111.........0000001111111111111
Bobot ke-1 = √(1 - 0)2 + (1 - 0)2 + (1 - 0)2.... ( 1 - 0)2 + (1 - 1)2 + (1 - 1)2 = 62.8251542
Bobot ke-2 = √(1 - 0)2 + (1 - 0)2 + (1 - 0)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 67.3795221
Bobot ke-3 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 68.2495421
Bobot ke-4 = √(1 - 0)2 + (1 - 0)2 + (1 - 0)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 =53.6935750
Bobot ke-5 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 70.0142842
Bobot ke-6 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 1)2 + (1 - 1)2 + (1 - 1)2 = 53.4134814
Bobot ke-7 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 71.8401002
Bobot ke-8 = √(1 - 1)2 + (1 - 1)2 + (1 - 0)2.... ( 1 - 1)2 + (1 - 1)2 + (1 - 1)2 =72.5465367
Bobot ke-9 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 1)2 + (1 - 1)2 + (1 - 1)2 = 63.7024332
Bobot ke-10 =√(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... (1 - 1)2 + (1 - 1)2 + (1 - 1)2 = 46.0789503
Universitas Sumatera Utara
53
Jarak terkecil pada bobot ke-1 Target data ke-1=1
Bobot ke-1 baru:
W11(baru) = w11(lama)+ α*x11-w11(lama) = 1+0,05*(1-1) = 1
W12(baru) = w12(lama)+ α*x12-w12(lama) = 1+0,05*(1-1) = 1
W13(baru) = w13(lama)+ α*x13-w13(lama) = 1+0,05*(1-1) = 1
W14(baru) = w14(lama)+ α*x14-w14(lama) = 1+0,05*(1-1) = 1
.......
W19997(baru)=w19997(lama)+ α*x19997-w19997(lama) = 1+0,05*(1-1) = 1
W19998(baru)=w19998(lama)+ α*x19998-w19998(lama) = 1+0,05*(1-1) = 1
W19999(baru)=w19999(lama)+ α*x19999-w19999(lama) = 1+0,05*(1-1) = 1
W110000(baru)=w110000(lama)+ α*x110000-w110000(lama) = 1+0,05*(1-1) = 1
Sehingga W1 = (1111.....11111)
Perhitungan berikutnya akan dilakukan seperti diatas yaitu menghitung jarak terdekat
dari setiap bobot yang lama maupun telah diubah. Perhitungan tersebut akan dijalankan
sebanyak Epoch maksimum yaitu 20. Hasil akhir akan dihitung melalui jarak terdekat,
jika nilai yang paling kecil, maka termasuk ke kategori target yang mendekati tersebut.
Gambar 4.13 Perubahan Bobot pada Kelas target 1
Universitas Sumatera Utara
54
Setelah melakukan pengambilan citra melalui kamera webcam, threshold yang
dihasilkan akan segera diproses dan didapat nilai minimum seperti tabel dibawah ini :
Tabel 4.7 Tabel Nilai Minimum yang dihasilkan
No. Kelas
1
hafiz
2
Agustin
3
chyntia
4
Mangasa
5
Lily
6
dhiwa
7
8
9
10
Nilai
Minimum
1.000003949
1.000004015
1.000004028
1.000003799
1.000004052
1.000003794
Amalia
Saffiera
1.000004076
Tia
Rahmadianti
1.000004086
Morigia
Simanjuntak
rudy
1.000003962
1.000003653
Pada gambar diatas didapat citra threshold yang menjadi gambar uji. Gambar uji akan
di proses dengan gambar acuan sebanyak 10 sampel. Dapat dilihat proses mencari nilai
terdekat dan perubahan bobot mengacu pada tabel nomor 10 dimana target bernama
“rudy” dan proses sesuai target yang diinginkan.
Universitas Sumatera Utara
55
4.2.9. Kalkulasi Hasil Pengujian
Dari hasil percobaan kecocokan wajah di dapat beberapa kecocokan dan
ketidakcocokan terhadap target yang diharapkan. Untuk hasil kecocokan wajah dapat
dilihat pada tabel 4.5.
4.8. Tabel Rangkuman Hasil Pengujian
Pengujian
ke
1
2
3
4
Nama
Mahasiswa
rudy
Nama yang
dikenal
rudy
rudy
Sesuai
rudy
rudy
rudy
Sesuai
rudy
rudy
rudy
Sesuai
rudy
rudy
rudy
Sesuai
rudy
mangasa
rudy
Tidak Sesuai
hafiz
hafiz
hafiz
Sesuai
hafiz
dhiwa
hafiz
Tidak Sesuai
hafiz
hafiz
hafiz
Sesuai
hafiz
hafiz
hafiz
Sesuai
hafiz
hafiz
hafiz
Sesuai
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
chyntia
Cut Amalia
Saffiera
Lily
Sesuai
Cut Amalia
Saffiera
chyntia
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
chyntia
chyntia
hafiz
chyntia
Tidak Sesuai
chyntia
chyntia
chyntia
Sesuai
chyntia
chyntia
chyntia
Sesuai
chyntia
chyntia
chyntia
Sesuai
Cut Amalia
Saffiera
Lily
Taget
Keterangan
Tidak Sesuai
Sesuai
Tidak Sesuai
Sesuai
Sesuai
Universitas Sumatera Utara
56
4.2.10. Analisis kecocokan wajah
Dari hasil pengujian terhadap 20 citra yang telah diuji maka perhitungan akurasi yang
didapat diperoleh dari rumus persentase adalah :
Persentase akurasi =
r y
Persentase akurasi =
5
= 75%
r
r
x 100%
%
Dapat disimpulkan bahwa untuk ke 20 citra dimana 15 citra diantaranya adalah citra
dapat dikenali dengan benar menggunakan metode Learning Vector Quantization.
Tentunya hasil dapat berubah sesuai dengan intensitas cahaya yang berubah-ubah dan
beberapa parameter juga.
4.2.11. Database Absen Excel
Hasil absen dari wajah yang terdeteksi akan disimpan di Microsoft Office Excel.
Pencatatan absen akan menyimpan tanggal, waktu masuk, nama, jumlah hadir dan tidak
hadir. Database absen dapat dilihat pada gambar 4.6. Manfaat memakai sistem absensi
wajah bisa kita kaji melalui segi efisiensi waktu juga. Pada sistem absen secara manual
biasa memakan waktu sekitar 30 detik untuk satu kali tandatangan kehadiran. Sehingga
memakan waktu dalam mendata diri. Dengan menggunakan absensi wajah rata-rata
kemampuan satu orang untuk absen yaitu 2 detik.
Perbandingan waktu :
Absen manual pada 1 orang memerlukan 30 detik
Absen wajah pada 1 orang hanya memerlukan 2 detik
Dari ketentuan diatas bisa ditarik perbandingan :
Absen Wajah : Absen Manual
2 : 30
Dari hasil perbandingan terdapat selisih antara absen manual dengan absen wajah yaitu
sekitar 2 : 30 atau 1 : 15 untuk satu kali absen. Dengan kata lain dengan absensi wajah
lebih efisien dan menghemat 14 mahasiswa dalam waktu yang bersamaan.
Selisih waktu : ( Waktu x Jumlah Mahasiswa ) / 60
Universitas Sumatera Utara
57
Tabel 4.9 Tabel Selisih Waktu Antara Absen Manual Dan Sistem Komputer
Absen
Jumlah
Mahasiswa
Selisih
Manual
Waktu
Sistem
20
20 x 30 / 60 = 10 Menit
20 x 02 / 60= 0,7 Menit
9,3 Menit
40
40 x 30 / 60 = 20 Menit
40 x 02 / 60= 1,3 Menit
18,7 Menit
60
60 x 30 / 60 = 30 Menit
60 x 02 / 60= 2 Menit
80
80 x 30 / 60= 40 Menit
80 x 02 / 60 = 2,6 Menit
28 Menit
37,4 Menit
Tabel Selisih Waktu
40
30
20
10
0.7
20
2
60
1.3
40
Manual
2.6
80
Sistem
Gambar 4.14. Grafik Selisih Waktu antara Manual dan Sistem Komputer
Gambar 4.15. Tampilan Database kehadiran pada Excel
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1
Kesimpulan
Berdasarkan pembahasan dan hasil dari penelitian, maka diperoleh beberapa
kesimpulan sebagai berikut:
1. Algoritma learning vector quantization berfungsi untuk mencari nilai minimum
antara gambar yang diuji dengan gambar acuan yang terdapat di database sistem.
2. Intensitas cahaya sangat menentukan pola dan kecocokan wajah yang akan di
deteksi.
3. Maksimal Epoch sebesar 20 dan threshold adalah 50 didapat akurasi ketepatan
pengenalan pola wajah sebanyak 75% melalui 20 sampel dan 15 yang sesuai target.
4. Sistem dapat mendeteksi lebih dari satu wajah akan tetapi hanya dapat mendeteksi
satu wajah untuk di ambil wajah gambar uji. Yang terdeteksi dan dapat diuji hanya
wajah yang paling dekat dengan kamera.
5.2
Saran
Adapun saran-saran yang dapat dipertimbangkan untuk mengembangkan penelitian ini
lebih lanjut adalah sebagai berikut:
1. Karena dalam penelitian ini penulis memakai algoritma learning vector
quantization, sebaiknya dikombinasikan dengan algoritma SOM Kohonen
sehingga mendapatkan hasil yang lebih cepat dan akurat dalam mencari
kecocokan wajah.
2. Untuk pencatatan dan pengujian wajah, sebaiknya diambil pada lokasi yang
sama untuk menghindari adanya intensitas cahaya yang tidak sesuai.
3. Sistem dapat bekerja lebih real-time atau mendeteksi nama secara otomatis
ketika wajah terdeteksi tanpa di tekan tombol untuk memberi event pencari
kecocokan wajah.
Universitas Sumatera Utara
ANALISIS DAN PERANCANGAN SISTEM
3.1
Analisis Sistem
Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian
komponennya dengan tujuan mengidentifikasikan dan mengevaluasi permasalahan,
kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat
diusulkan perbaikan.
3.1.1
Analisis Masalah
Sistem absensi memiliki peran penting dalam kehidupan sehari-hari terutama
di lingkup kerja seperti perkantoran, pabrik, rumah sakit, sekolah, universitas, dan
tempat lain yang membutuhkan absensi. Dalam kegiatan belajar mengajar di dalam
suatu perguruan tinggi, tentu saja memiliki mahasiswa/i yang harus dicatat
kehadirannya setiap hari. Namun terkadang, absensi memiliki beberapa kekurangan
sehingga menjadi rentan terhadap kecurangan. Hal ini mengakibatkan informasi dari
data absensi tidak akurat dan diragukan validitasnya.
Masalah yang akan diselesaikan menggunakan sistem ini adalah terdeteksinya
wajah mahasiswa/i S1 ilmu komputer angkatan 2013 sebagai kunci yang akan menjadi
validasi identitas dalam absen. Analisis masalah ini secara spesifik diilustrasikan pada
gambar 3.1 yang dirancang dalam bentuk diagram Ishikawa.
Universitas Sumatera Utara
20
Teknologi
User
Dosen dan mahasiswa
bertindak sebagai user
Memakai
wajah sebgai
kunci absen
Sering Titip
Absen
Pendataan absensi memakan
waktu dan tenaga
Sistem
Absensi
Wajah
Wajah diidentifikasi
dan dicari validasi
namanya
Sering terjadi kecurangan
dalam absen mahasiswa
Material
Metode
Gambar 3.1 Diagram Ishikawa.
3.1.2
Analisis Kebutuhan Sistem
Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional sistem dan
analisis kebutuhan non-fungsional sistem.
1. Kebutuhan funsional sistem
Kebutuhan fungsional yang harus dimiliki oleh sistem absensi berbasis pengenalan
wajah adalah :
1. Sistem dapat mendeteksi masukan berupa foto yang berformat *.bmp.
2. Sistem dapat melakukan proses training untuk setiap masukan sehingga
dapat menghasilkan suatu bobot matriks untuk semua masukan.
3. Sistem dapat mengenali wajah seseorang (masukan yang diuji) yang
diambil melalui kamera webcam.
4. Sistem menghasilkan keluaran berupa rekapitulasi data absensi mahasiswa.
2. Kebutuhan non-fungsional sistem
Kebutuhan non-fungsional yang dimiliki oleh sistem adalah :
1. Interface sistem mudah dipahami oleh user (pengguna).
2. Tampilan hanya satu form untuk memudahkan user dalam mendata absen.
Universitas Sumatera Utara
21
3.1.3
Analisis Pemodelan Sistem
Secara umum, sistem absensi berbasis identifikasi wajah ini terdiri dari 2 proses,
yaitu proses pelatihan inputan dan proses pengujian inputan. Pemodelan kedua
proses tersebut akan digambarkan melalui UML (Unified Modelling Language)
yang mencakup use case diagram, activity diagran, dan sequence diagram. UML
merupakan satu kumpulan pemodelan yang digunakan untuk menentukan atau
menggambarkan sebuah sistem software yang terkait dengan objek.
Usecase diagram adalah diagram yang menggambarkan aktor, use case dan relasinya
sebagai suatu urutan tindakan yang memberikan nilai terukur untuk aktor.
Activity diagram menggambarkan aktifitas-aktifitas, objek, state, transisi state dan
event. Dengan kata lain, diagram ini menggambarkan alur aktivitas dari
sebuah sistem.
Sequence diagram menjelaskan interaksi objek yang disusun berdasarkan urutan waktu.
Secara mudahnya sequence diagram adalah gambaran tahap demi tahap, termasuk
kronologi (urutan) perubahan secara logis dari sistem.
Naratif Use Case menguraikan use case yang terdapat pada diagram use case. Didalam
Naratif use case ini akan diberikan uraian nama, aktor yang berhubungan dengan use
case tersebut, tujuan use case, deskripsi global tentang use case, pra-kondisi yang harus
terpenuhi dan pasca kondisi yang diharapkan setelah berjalannya fungsional use case.
Pembuatan use case diagram dapat dimulai dengan menjawab pertanyaan berikut :
1. Siapa yang menggunakan sistem?
Jawaban : user
2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem?
Jawaban : Mahasiswa dan Dosen
3. Apa saja yang dapat dilakukan user pada sistem?
Jawaban : melakukan pelatihan inputan dengan metode LVQ, pengujian inputan
melalui kamera webcam, dan absensi
Universitas Sumatera Utara
22
Gambar 3.2. Use case Diagram Sistem Absensi Wajah
3.1.4
Naratif Use Case Sistem
Berikut ini merupakan tabel dokumen naratif use case yang dapat dilihat pada tabel
3.1, tabel 3.2, tabel 3.3, tabel 3.4, tabel 3.5, tabel 3.6, table 3.7 dan tabel 3.8.
Tabel 3.1 Dokumentasi Naratif Use Case Aktifkan dan Scan Wajah memakai
Kamera
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Aktifkan dan Scan Wajah memakai Kamera
Mahasiswa
Use case ini menangkap citra wajah dari kamera
Sistem menerima inputan dari kamera.
Kegiatan Pengguna
1. Menekan tombol
open and detect face
Alternate course
4. Menekan tombol add face
Post Condition
Sistem telah melakukan proses
pengujian wajah
Respon Sistem
2. Menangkap citra
wajah mahasiswa
3. Membuka File Excel
untuk diabsen
5. mengambil wajah
yang dideteksi.
6. menampilkan hasil
wajah yang dideteksi
7. menyimpan wajah
yang dideteksi
Universitas Sumatera Utara
23
Tabel 3.2 Dokumentasi Naratif Use Case Pengujian Inputan
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Pengujian Inputan
Mahasiswa
Use case ini melakukan proses pengujian ada citra yang diinput
dari kamera secara real-time
Sistem menerima inputan dari kamera.
Kegiatan Pengguna
Respon Sistem
2. Menangkap citra
wajah mahasiswa
3. merubah ke bentuk
grayscale, threshold dan
binerisasi.
4. melakukan pengujian
pencocokan dengan
gambar pada library
6. mengambil wajah
yang dideteksi.
7. menampilkan hasil
wajah yang dideteksi
8. menyimpan wajah
yang dideteksi
1. Menekan tombol
recognize face
Alternate course
5. Menekan tombol add face
Post Condition
Sistem telah mendapat nama yang
cocok dari citra wajah yang diuji
Tabel 3.3 Dokumentasi Naratif Use Case Deteksi Wajah
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Deteksi Wajah
Mahasiswa
Use case ini menampilkan nama dari citra wajah yang telah diuji
melalui kamera
Sistem menampilkan nama wajah yang sudah diuji dari kamera.
Kegiatan Pengguna
Respon Sistem
1. Menekan tombol
open and detect face
Alternate course
3. Menekan tombol recognize face
Post Condition
Sistem menampilkan nama dari citra
wajah yang telah diuji melalui
kamera
2. menampilkan nama
dari citra wajah yang
telah diuji melalui
kamera dengan menekan
tombol recognize face
4. mengambil wajah
yang dideteksi.
5. menampilkan hasil
wajah yang dideteksi
Universitas Sumatera Utara
24
Tabel 3.4 Dokumentasi Naratif Use Case Daftar Wajah
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Daftar Wajah
Mahasiswa
Use case ini mengambil dan mendaftarkan wajah baru ke dalam
library sistem.
Sistem mengambil wajah baru dari kamera
Kegiatan Pengguna
Respon Sistem
1. Menekan tombol
add face
Alternate course
4. Menekan Tombol recognize face
Post Condition
Sistem menampilkan wajah yang
diambil dari kamera
2. mengambil wajah
yang dideteksi.
3. menampilkan hasil
wajah yang dideteksi
dengan menekan tombol
recognize face
4. menyimpan wajah
yang dideteksi
5. Menampilkan wajah
yang terdeteksi
Tabel 3.5 Dokumentasi Naratif Use Case Pelatihan Inputan
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Pelatihan Inputan
Mahasiswa
Use case ini mengambil citra wajah dari library dan memulai
proses pelatihan yang akan dijadikan sebagai acuan pengenalan
dari wajah yang diuji
Sistem mengakses gambar yang ada di library untuk menjadi
gambar acuan sebagai pengenalan wajah
Kegiatan Pengguna
1. Menekan tombol
recognize face
Alternatecourse
6. Menekan tombol
recognize face
Post Condition
Sistem menampilkan nama dari
wajah yang terdeteksi
Respon Sistem
2. mengambil wajah
yang dideteksi dari
library.
3. menghasilkan pola
wajah.
4. menyimpan pola
wajah
5. Menampilkan nama
dari wajah yang
terdeteksi
7. Menampilkan nama
dari wajah yang
terdeteksi
Universitas Sumatera Utara
25
Tabel 3.6 Dokumentasi Naratif Use Case Catat sebagai absen
Nama Use Case
Actor
Description
Pre-Condition
Typical course
of Event
Catat sebagai absen
Mahasiswa
Use case ini mencatat nama dan tanggal dari hasil uji
Sistem mengambil nama dan tanggal dari hasil uji lalu dicatat
pada dokumen
Kegiatan Pengguna
Respon Sistem
1. Menekan tombol Record to Absen
Alternatecourse
5. Menekan tombol
open and detect face
Post Condition
Sistem menyimpan nama, waktu dan
tanggal pada dokumen
2. mengambil hasil uji
berupa nama.
3. mengambil tanggal
dan waktu dari sistem
komputer.
4. menyimpan nama dan
tanggal sebagai bukti
absensi.
6. menampilkan nama
dari citra wajah yang
telah diuji melalui
kamera dengan menekan
tombol recognize face
Data Tersimpan
Gambar 3.3. Activity Diagram Sistem Absensi Wajah
Universitas Sumatera Utara
26
Gambar 3.4. Sequence Diagram Sistem Absensi Wajah
3.1.5
Flowchart Sistem
3.1.5.1 Flowchart sistem secara umum
Mulai
Scan Wajah
dengan Kamera
Tahap Preprocessing dengan
grayscale, thresholding dan
binerisasi
Pengenalan pola wajah
dari kamera
Klik tombol untuk
menyimpan data
Selesai
Gambar 3.5. Flowchart sistem secara umum
Universitas Sumatera Utara
27
3.1.5.2 Flowchart Pengujian Algoritma Learning Vector Quantization (LVQ)
Berikut ini merupakan flowchart Pelatihan pada metode Learning Vector
Quantization (LVQ)
Gambar 3.6. Flowchart Pelatihan Sistem Absensi Wajah
Universitas Sumatera Utara
28
3.1.5.3 Screen Shot Coding Pengujian Learning Vector Quantization (LVQ)
Berikut ini merupakan Screen Shot Coding pengujian pada Learning Vector
Quantization (LVQ)
Gambar 3.7. Screen Shot Coding Pengujian Sistem Absensi Wajah
Universitas Sumatera Utara
29
3.1.6
Perancangan Database
Database Management System yang akan digunakan pada sistem absensi akan dibangun
pada Microsoft Office Excel. Microsoft Office Excel dipercaya lebih mudah dalam
mendata dan lebih efektif tanpa harus membuka koneksi jaringan local menggunakan
aplikasi tertentu untuk menyimpan data kedalam database. Struktur database yang akan
digunakan dapat dilihat pada Tabel 3.7. berikut ini.
Tabel 3.7. Tabel Database Excel sistem absen
Absen
Field
Type
1. Date
Date
2. Time In
Time
3. Student’s Name
String
4. NIM
String
5. Address
String
4. Present
Integer
5. Not Present
Integer
Dapat dilihat pada tabel diatas menjelaskan bahwa pada tabel Absen memiliki beberapa
field yaitu date, time in, student’s name, present dan not present dengan berbeda tipe
datanya. Pada field Date akan tersimpan data berupa tanggal yang akan diambil
langsung dari komputer. Field Time In akan menyimpan data berupa waktu yang sedang
berjalan dari komputer pengguna. Student’s name adalah field yang berisi nama dari
mahasiswa yang absen menggunakan wajah melalui sistem. Field NIM dan address
adalah keterangan yang harus diisi berupa NIM dan alamat mahasiswa. Field Present
dan not present adalah keterangan berapa mahasiswa yang sudah hadir dan belum hadir
didalam kelas, field ini akan berisi angka yang menunjukan jumlah mahasiswa baik
hadir maupun yang belum hadir.
Universitas Sumatera Utara
30
3.1.7
Arsitektur Umum Sistem
Arsitektur umum sistem adalah skema perancangan sistem yang menggambarkan alur
sistem secara keseluruhan. Arsitektur umum sistem menjadi pedoman untuk pembuatan
pemodelan sistem. Arsitektur umum sistem dapat dilihat pada gambar 3.8.
Gambar 3.8. Arsitektur Umum Sistem Absensi Wajah
Dari gambar arsitektur umum sistem diatas dapat dilihat bahwa wajah akan ditangkap
menggunakan kamera secara real-time dan kemudian akan diproses ke tahap
preprocessing(grayscale, threshold) hingga menghasilkan citra biner yang bernilai 1
dan 0. Selanjutnya citra biner tersebut akan di cari kecocokan dengan database citra
yang tersimpan sebelumnya menggunakan algoritma Learning Vector Quantization.
Dari proses tersebut akan menghasilkan nama yang kemudian akan di catat ke dalam
Microsoft Office Excel.
Universitas Sumatera Utara
31
3.2
Perancangan Antarmuka
Sistem ini dirancang dalam 3 form yaitu form utama, form absen, form tentang
3.2.1
From Utama
Halaman utama adalah halaman yang muncul pertama kali saat sistem dijalankan.
Halaman ini memiliki 2 menu, yaitu menu absen dan menu tentang. Tampilan
rancangan form cover dapat dilihat pada gambar 3.8.
2
1
3
4
3
Gambar 3.9 Rancangan Form Utama
Keterangan :
1. Menu strip Absen
Menu ini menghubungkan form utama dengan form absen
2. Menu strip tentang
Menu ini menghubungkan form utama dengan form tentang
3. Label
Label ini berisi keterangan dan detail tentang skripsi, nama, nim dan jurusan.
4. Picturebox
Picturebox yang berisi gambar USU
Universitas Sumatera Utara
32
2
1
3
4
4
6
7
3
4
5
4
8
9
Gambar 3.10 Rancangan Form Absen
Keterangan :
1. Menu strip Absen
Menu ini menghubungkan form absen dengan form utama
2. Menu strip tentang
Menu ini menghubungkan form absen dengan form tentang
3. ImageBox
ImageBox berisi tampilan kamera dan gambar yang diambil dari kamera
berbentuk grayscale
4. Label
Label ini berisi keterangan dari setiap group box dan keterangan pengisian nama,
nim dan alamat.
5. TextBox
TextBox sebagai media input nama, nim, alamat untuk biodata dari suatu wajah
yang akan didaftarkan
6. GroupBox
Groupbox berisi beberapa komponen yaitu imageBox, label dan button
7. Button Open and Detect Face
Button berfungsi untuk membuka kamera dan mendeteksi posisi wajah.
8. Button Add Face
Button berfungsi untuk memberi event untuk menyimpan gambar wajah yang
terdeteksi jika belum pernah tersimpan atau terdaftar di library sistem.
Universitas Sumatera Utara
33
9. Button Record to Absen
Button ini berfungsi memberi event untuk menyimpan data nama dan tanggal
kehadiran dari setiap mahasiswa yang terdaftar di library sistem.
10. Button Recognize Face
Button ini berfungsi memberi event untuk mempelajari pola dan mencari
kecocokan wajah dari input wajah yang diambil.
1
2
3
4
Gambar 3.11 Rancangan Form Tentang
Keterangan :
1. Menu strip Utama
Menu ini menghubungkan form tentang dengan form utama
2. Menu strip Absen
Menu ini menghubungkan form tentang dengan form absen
3. PictureBox
PictureBox berfungsi untuk menampilkan foto penulis
4. Label
Label berisi tentang informasi penulis berupa nama, nim, jurusan, fakultas dan
universitas.
Universitas Sumatera Utara
BAB 4
IMPLEMENTASI DAN PENGUJIAN
Pada tahap ini dilakukan pembuatan sistem sesuai dengan analisis dan perancangan dan
kemudian melakukan pengujian sistem.
4.1
Implementasi Sistem
Sistem dibangun dengan bahasa pemrograman C# dengan .NET sebagai library untuk
menyajikan Graphical User Interface terhadap user. Program ini terdiri 3 form tampilan
yaitu form utama, form Absen, form About.
4.1.1. Form Utama
Tampilan utama atau home merupakan tampilan yang pertama kali muncul apabila
sistem dibuka. Pada tampilan ini, terdapat 2 button yang memiliki fungsi masingmasing pada sistem. Tampilan utama dapat dilihat pada Gambar 4.1.
Gambar 4.1 Form utama
Universitas Sumatera Utara
35
4.1.2. Form Absen
Tampilan absen ini berfungsi sebagai mengambil citra wajah dari kamera sekaligus
mendeteksi nama dari wajah yang diambil. Jika wajah sudah terdeteksi, akan dilakukan
pencatatan ke dokumen. Untuk tampilan absen dapat dilihat pada Gambar 4.2.
Gambar 4.2 Form Absen
4.1.3. Form Tentang
Tampilan tentang merupakan tampilan yang berisi info singkat dari penulis. Tampilan
tentang dapat dilihat pada Gambar 4.5.
Gambar 4.3 Form Tentang
Universitas Sumatera Utara
36
4.1.4. Proses grayscale, thresholding dan binerisasi
Sistem ini dibangun dengan menggunakan Microsoft Visual Studio 2010. Masukan
yang digunakan adalah foto yang berformat *.bmp dengan ukuran 100 x 100 piksel.
Agar dapat diolah komputer, maka gambar harus diubah dengan proses binerisasi.
Pertama kali yang harus dilakukan adalah mengambil nilai RGB kemudian lakukan
proses grayscale seperti gambar 4.4
Gambar 4.4. Contoh citra Grayscale
Nilai Grayscale pada gambar 4.5 dapat diperoleh menggunakan rumus :
dengan keterangan :
I
R
G
B
= nilai piksel pada citra grayscale
= nilai bit red pada citra RGB
= nilai bit green pada citra RGB
= nilai bit blue pada citra RGB
Setelah memproses nilai RGB menjadi nilai grayscale, nilai grayscale akan diubah
menjadi bentuk biner dengan menggunakan threshold sebesar 50. Citra biner dapat
dilihat pada gambar 4.5.
Gambar 4.5 Contoh citra threshold
Universitas Sumatera Utara
37
Dari citra threshold diatas didapat binerisasi seperti dibawah ini
Gambar 4.6 Hasil Binerisasi
4.1.5. Ketentuan dan Parameter Pengujian
Sistem ini menggunakan beberapa ketentuan-ketentuan yang akan menjadi parameter
berjalannya proses sistem ini sehingga didapat beberapa hasil yang dapat dijadikan
bahan acuan.
1. Maksimal Epoch yang dipakai sebesar 20.
2. Posisi wajah untuk setiap orang ada 5 yaitu menghadap sedikit ke kiri, kanan, atas,
bawah dan tegak menghadap kamera.
3. Setiap orang akan di record sebanyak 5 wajah.
4. Gambar yang akan diambil sebesar 100 x 100 piksel.
5. Sistem akan mendeteksi wajah yang lebih dari 1, akan tetapi tetap di proses wajah
yang paling dekat dengan kamera sebagai citra inputan yang akan diuji.
6. Gambar yang diambil langsung diubah ke grayscale dan threshold tanpa
menampilkan hasil grayscale ke layar hasil gambar yang terambil.
7. Gambar yang disimpan untuk menjadi gambar acuan adalah gambar yang diambil
dan langsung diubah ke grayscale dan threshold.
8. Nilai ambang Threshold adalah sebesar 50.
9. Spesifikasi Komputer yaitu Intel Core i3, RAM 4GB, Kamera VGA, Windows 10.
Universitas Sumatera Utara
38
4.2
Hasil Pengujian Sistem
Sistem harus memiliki gambar acuan yang terdapat pada library agar dapat menjadi
gambar acuan atau Data Set gambar yang dilatih. Cara menambahkan wajah seperti
berikut :
1. Pada sistem terdapat Group Box Training yang berguna untuk menambahkan wajah
jika terdapat mahasiswa baru atau wajah masih belum pernah terdaftar.
2. Isi kolom Name, NIM, dan Address untuk biodata diri dari wajah yang didaftarkan.
3. Jika sudah mengisi, tekan tombol Add Face maka sistem akan mengambil citra yang
akan diubah ke greyscale dan threshold dan muncul pesan yang berisi jika wajah
telah tersimpan di library.
Gambar 4.7. Proses deteksi wajah dan pendaftaran wajah
Universitas Sumatera Utara
39
Setiap orang memiliki 5 wajah sampel yang tersimpan di database dan diambil langsung
melalui kamera webcam. Hasil pengujian dapat dilihat pada Tabel 4.1, Tabel 4.2, Tabel
4.3, Tabel 4.4.
4.2.1
Hasil pengujian dengan webcam sampel ‘rudy’
Tabel 4.1. Hasil pengujian dengan webcam sampel ‘rudy’
Input(X)
Target
(Y)
rudy
rudy
Universitas Sumatera Utara
40
rudy
rudy
rudy
Universitas Sumatera Utara
41
4.2.2
Hasil pengujian dengan webcam sampel ‘hafiz’
Tabel 4.2. Hasil pengujian dengan webcam sampel ‘hafiz’
Input(X)
Target
(Y)
hafiz
hafiz
Universitas Sumatera Utara
42
hafiz
hafiz
hafiz
Universitas Sumatera Utara
43
4.2.3
Hasil pengujian dengan webcam sampel ‘Cut Amalia Saffiera’
Tabel 4.3. Hasil pengujian dengan webcam sampel ‘Cut Amalia Saffiera’
Input(X)
Target
(Y)
Cut
Amalia
Saffiera
Cut
Amalia
Saffiera
Universitas Sumatera Utara
44
Cut
Amalia
Saffiera
Cut
Amalia
Saffiera
Cut
Amalia
Saffiera
Universitas Sumatera Utara
45
4.2.4
Hasil pengujian dengan webcam sampel ‘chyntia’
Tabel 4.4. Hasil pengujian dengan webcam sampel ‘chyntia’
Input(X)
Target
(Y)
chyntia
chyntia
Universitas Sumatera Utara
46
chyntia
chyntia
chyntia
Universitas Sumatera Utara
47
4.2.5. Foto Pemakaian Sistem Absensi di Kelas.
Gambar 4.8. Foto Pemakaian Sistem Absensi di Kelas.
Universitas Sumatera Utara
48
4.2.6. Screen Shot Coding Pengambilan Wajah Real Time
Gambar 4.9. Screen Shot Coding Pengambilan Wajah Real Time
Universitas Sumatera Utara
49
4.2.7. Langkah-langkah Algoritma Learning Vector Quantization (LVQ)
1. Menentukan pola input dan pola output
Dalam sistem ini, variabel x dan w digunakan menjadi pola input. Pola input
yang digunakan adalah nilai bipolar yang ada pada Gambar 4.7. Pola output atau
target yang digunakan adalah :
Pola inputan yang di ambil melalui kamera dapat dilihat pada gambar 4.7
Gambar 4.10. Citra Inputan yang tertangkap Kamera
Pola output yang diharapkan
Gambar 4.11. Output yg diharapkan agar sesuai target
Universitas Sumatera Utara
50
2. Menghitung jarak terdekat Euclidean antar bobot (Cj)
Untuk menghitung jarak terdekat Euclidean antara bobot inputan dan mencari
target digunakan rumus :
�� = √
dimana :
+
Cj = jarak Euclidean
x = input dari suatu citra
w = bobot dari gambar acuan
untuk perhitungan mencari jarak terdekat dilakukan citra inputan pada semua
sampel wajah yang tersimpan sebelumnya sebagai gambar acuan.
3. Pencarian bobot baru (Wj baru)
Setelah mendapat jarak terdekat, akan dicari bobot yang menjadi bobot baru.
Setelah bobot tersebut telah didapat, maka akan disimpan untuk menjadi bobot
acuan di perhitungan berikutnya. Pencarian bobot baru memakai rumus :
(baru) =
(lama)+ α*
-
(lama)
dimana :
w = bobot dari gambar acuan
x = input dari suatu citra
i = banyak bobot
j = banyak piksel citra inputan
α = learning rate atau kemampuan cepat belajar
Universitas Sumatera Utara
51
4.2.8. Pencarian Kecocokan Wajah
Pada Percobaan pencarian nilai minimum, diberikan 10 gambar acuan yang akan
menjadi target kelas. Berikut adalah tabel wajah yang akan menjadi target pengujian
dari gambar uji.
hafiz
Tabel 4.5. Tabel Gambar yang menjadi Target.
Agustin
chyntia
Mangasa
Lily
dhiwa
Cut Amalia
Tia
Morigia
rudy
Saffiera
Rahmadianti
Simanjuntak
4.12. Gambar threshold yang akan diproses pada gambar acuan.
Universitas Sumatera Utara
52
Tabel 4.6 Tabel Binerisasi Input Vektor
Kelas
No
Input Vektor
1
000000000000000000000000000000........0000000011111111111
1
2
000000000000000000111111111111........0000000000000000000
2
3
111111110000000000000000000000........0000000000000000000
3
4
000000000000000000000000000000........1111111111111110000
4
5
111111111111111111000000000000........0000000000000000000
5
6
111111000000000000000000000000........1111111111111111111
6
7
111111111111111111111111110000........0000000000000000000
7
8
110001110000011000000000000000........0000000000000001111
8
9
000000000000000000000000000000........0000000000000000000
9
10
111111111111110000000000000000........1111111111111111111
10
11
111111111111000000000000000111.........0000001111111111111
10
(T)
Epoh ke-1 Data input:
111111111111000000000000000111.........0000001111111111111
Bobot ke-1 = √(1 - 0)2 + (1 - 0)2 + (1 - 0)2.... ( 1 - 0)2 + (1 - 1)2 + (1 - 1)2 = 62.8251542
Bobot ke-2 = √(1 - 0)2 + (1 - 0)2 + (1 - 0)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 67.3795221
Bobot ke-3 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 68.2495421
Bobot ke-4 = √(1 - 0)2 + (1 - 0)2 + (1 - 0)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 =53.6935750
Bobot ke-5 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 70.0142842
Bobot ke-6 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 1)2 + (1 - 1)2 + (1 - 1)2 = 53.4134814
Bobot ke-7 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 0)2 + (1 - 0)2 + (1 - 0)2 = 71.8401002
Bobot ke-8 = √(1 - 1)2 + (1 - 1)2 + (1 - 0)2.... ( 1 - 1)2 + (1 - 1)2 + (1 - 1)2 =72.5465367
Bobot ke-9 = √(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... ( 1 - 1)2 + (1 - 1)2 + (1 - 1)2 = 63.7024332
Bobot ke-10 =√(1 - 1)2 + (1 - 1)2 + (1 - 1)2.... (1 - 1)2 + (1 - 1)2 + (1 - 1)2 = 46.0789503
Universitas Sumatera Utara
53
Jarak terkecil pada bobot ke-1 Target data ke-1=1
Bobot ke-1 baru:
W11(baru) = w11(lama)+ α*x11-w11(lama) = 1+0,05*(1-1) = 1
W12(baru) = w12(lama)+ α*x12-w12(lama) = 1+0,05*(1-1) = 1
W13(baru) = w13(lama)+ α*x13-w13(lama) = 1+0,05*(1-1) = 1
W14(baru) = w14(lama)+ α*x14-w14(lama) = 1+0,05*(1-1) = 1
.......
W19997(baru)=w19997(lama)+ α*x19997-w19997(lama) = 1+0,05*(1-1) = 1
W19998(baru)=w19998(lama)+ α*x19998-w19998(lama) = 1+0,05*(1-1) = 1
W19999(baru)=w19999(lama)+ α*x19999-w19999(lama) = 1+0,05*(1-1) = 1
W110000(baru)=w110000(lama)+ α*x110000-w110000(lama) = 1+0,05*(1-1) = 1
Sehingga W1 = (1111.....11111)
Perhitungan berikutnya akan dilakukan seperti diatas yaitu menghitung jarak terdekat
dari setiap bobot yang lama maupun telah diubah. Perhitungan tersebut akan dijalankan
sebanyak Epoch maksimum yaitu 20. Hasil akhir akan dihitung melalui jarak terdekat,
jika nilai yang paling kecil, maka termasuk ke kategori target yang mendekati tersebut.
Gambar 4.13 Perubahan Bobot pada Kelas target 1
Universitas Sumatera Utara
54
Setelah melakukan pengambilan citra melalui kamera webcam, threshold yang
dihasilkan akan segera diproses dan didapat nilai minimum seperti tabel dibawah ini :
Tabel 4.7 Tabel Nilai Minimum yang dihasilkan
No. Kelas
1
hafiz
2
Agustin
3
chyntia
4
Mangasa
5
Lily
6
dhiwa
7
8
9
10
Nilai
Minimum
1.000003949
1.000004015
1.000004028
1.000003799
1.000004052
1.000003794
Amalia
Saffiera
1.000004076
Tia
Rahmadianti
1.000004086
Morigia
Simanjuntak
rudy
1.000003962
1.000003653
Pada gambar diatas didapat citra threshold yang menjadi gambar uji. Gambar uji akan
di proses dengan gambar acuan sebanyak 10 sampel. Dapat dilihat proses mencari nilai
terdekat dan perubahan bobot mengacu pada tabel nomor 10 dimana target bernama
“rudy” dan proses sesuai target yang diinginkan.
Universitas Sumatera Utara
55
4.2.9. Kalkulasi Hasil Pengujian
Dari hasil percobaan kecocokan wajah di dapat beberapa kecocokan dan
ketidakcocokan terhadap target yang diharapkan. Untuk hasil kecocokan wajah dapat
dilihat pada tabel 4.5.
4.8. Tabel Rangkuman Hasil Pengujian
Pengujian
ke
1
2
3
4
Nama
Mahasiswa
rudy
Nama yang
dikenal
rudy
rudy
Sesuai
rudy
rudy
rudy
Sesuai
rudy
rudy
rudy
Sesuai
rudy
rudy
rudy
Sesuai
rudy
mangasa
rudy
Tidak Sesuai
hafiz
hafiz
hafiz
Sesuai
hafiz
dhiwa
hafiz
Tidak Sesuai
hafiz
hafiz
hafiz
Sesuai
hafiz
hafiz
hafiz
Sesuai
hafiz
hafiz
hafiz
Sesuai
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
chyntia
Cut Amalia
Saffiera
Lily
Sesuai
Cut Amalia
Saffiera
chyntia
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
Cut Amalia
Saffiera
chyntia
chyntia
hafiz
chyntia
Tidak Sesuai
chyntia
chyntia
chyntia
Sesuai
chyntia
chyntia
chyntia
Sesuai
chyntia
chyntia
chyntia
Sesuai
Cut Amalia
Saffiera
Lily
Taget
Keterangan
Tidak Sesuai
Sesuai
Tidak Sesuai
Sesuai
Sesuai
Universitas Sumatera Utara
56
4.2.10. Analisis kecocokan wajah
Dari hasil pengujian terhadap 20 citra yang telah diuji maka perhitungan akurasi yang
didapat diperoleh dari rumus persentase adalah :
Persentase akurasi =
r y
Persentase akurasi =
5
= 75%
r
r
x 100%
%
Dapat disimpulkan bahwa untuk ke 20 citra dimana 15 citra diantaranya adalah citra
dapat dikenali dengan benar menggunakan metode Learning Vector Quantization.
Tentunya hasil dapat berubah sesuai dengan intensitas cahaya yang berubah-ubah dan
beberapa parameter juga.
4.2.11. Database Absen Excel
Hasil absen dari wajah yang terdeteksi akan disimpan di Microsoft Office Excel.
Pencatatan absen akan menyimpan tanggal, waktu masuk, nama, jumlah hadir dan tidak
hadir. Database absen dapat dilihat pada gambar 4.6. Manfaat memakai sistem absensi
wajah bisa kita kaji melalui segi efisiensi waktu juga. Pada sistem absen secara manual
biasa memakan waktu sekitar 30 detik untuk satu kali tandatangan kehadiran. Sehingga
memakan waktu dalam mendata diri. Dengan menggunakan absensi wajah rata-rata
kemampuan satu orang untuk absen yaitu 2 detik.
Perbandingan waktu :
Absen manual pada 1 orang memerlukan 30 detik
Absen wajah pada 1 orang hanya memerlukan 2 detik
Dari ketentuan diatas bisa ditarik perbandingan :
Absen Wajah : Absen Manual
2 : 30
Dari hasil perbandingan terdapat selisih antara absen manual dengan absen wajah yaitu
sekitar 2 : 30 atau 1 : 15 untuk satu kali absen. Dengan kata lain dengan absensi wajah
lebih efisien dan menghemat 14 mahasiswa dalam waktu yang bersamaan.
Selisih waktu : ( Waktu x Jumlah Mahasiswa ) / 60
Universitas Sumatera Utara
57
Tabel 4.9 Tabel Selisih Waktu Antara Absen Manual Dan Sistem Komputer
Absen
Jumlah
Mahasiswa
Selisih
Manual
Waktu
Sistem
20
20 x 30 / 60 = 10 Menit
20 x 02 / 60= 0,7 Menit
9,3 Menit
40
40 x 30 / 60 = 20 Menit
40 x 02 / 60= 1,3 Menit
18,7 Menit
60
60 x 30 / 60 = 30 Menit
60 x 02 / 60= 2 Menit
80
80 x 30 / 60= 40 Menit
80 x 02 / 60 = 2,6 Menit
28 Menit
37,4 Menit
Tabel Selisih Waktu
40
30
20
10
0.7
20
2
60
1.3
40
Manual
2.6
80
Sistem
Gambar 4.14. Grafik Selisih Waktu antara Manual dan Sistem Komputer
Gambar 4.15. Tampilan Database kehadiran pada Excel
Universitas Sumatera Utara
BAB 5
KESIMPULAN DAN SARAN
5.1
Kesimpulan
Berdasarkan pembahasan dan hasil dari penelitian, maka diperoleh beberapa
kesimpulan sebagai berikut:
1. Algoritma learning vector quantization berfungsi untuk mencari nilai minimum
antara gambar yang diuji dengan gambar acuan yang terdapat di database sistem.
2. Intensitas cahaya sangat menentukan pola dan kecocokan wajah yang akan di
deteksi.
3. Maksimal Epoch sebesar 20 dan threshold adalah 50 didapat akurasi ketepatan
pengenalan pola wajah sebanyak 75% melalui 20 sampel dan 15 yang sesuai target.
4. Sistem dapat mendeteksi lebih dari satu wajah akan tetapi hanya dapat mendeteksi
satu wajah untuk di ambil wajah gambar uji. Yang terdeteksi dan dapat diuji hanya
wajah yang paling dekat dengan kamera.
5.2
Saran
Adapun saran-saran yang dapat dipertimbangkan untuk mengembangkan penelitian ini
lebih lanjut adalah sebagai berikut:
1. Karena dalam penelitian ini penulis memakai algoritma learning vector
quantization, sebaiknya dikombinasikan dengan algoritma SOM Kohonen
sehingga mendapatkan hasil yang lebih cepat dan akurat dalam mencari
kecocokan wajah.
2. Untuk pencatatan dan pengujian wajah, sebaiknya diambil pada lokasi yang
sama untuk menghindari adanya intensitas cahaya yang tidak sesuai.
3. Sistem dapat bekerja lebih real-time atau mendeteksi nama secara otomatis
ketika wajah terdeteksi tanpa di tekan tombol untuk memberi event pencari
kecocokan wajah.
Universitas Sumatera Utara