Rekayasa Sistem Pengenalan Wajah Untuk Proses Log In Sistem Informasi Menggunakan Algoritma Eigenface

(1)

REKAYASA SISTEM PENGENALAN WAJAH UNTUK PROSES

LOG IN SISTEM INFORMASI MENGGUNAKAN

ALGORITMA EIGENFACE

SKRIPSI

MARITO NASUTION

081421021

PROGRAM EKSTENSI S-1 ILMU KOMPUTER

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2010

(2)

REKAYASA SISTEM PENGENALAN WAJAH UNTUK PROSES LOG IN SISTEM INFORMASI MENGGUNAKAN

ALGORITMA EIGENFACE

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer

MARITO NASUTION 081421021

PROGRAM EKSTENSI S-1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA

MEDAN 2010

(3)

PERSETUJUAN

Judul : REKAYASA SISTEM PENGENALAN WAJAH

UNTUK PROSES LOG IN SISTEM INFORMASI MENGGUNAKAN ALGORITMA EIGENFACE

Kategori : SKRIPSI

Nama : MARITO NASUTION

Nomor Induk Mahasiswa : 081421021

Program Studi : EKSTENSI (S1) ILMU KOMPUTER

Departemen : ILMU KOMPUTER

Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN

ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA

Diluluskan di Medan, Juli 2010 Komisi Pembimbing :

Pembimbing 2 Pembimbing 1

Maya Silvi Lydia, B.Sc, M.Sc Drs. James P. Marbun, M.Kom. NIP. 197401272002122001 NIP. 195806111986031002

Diketahui/Disetujui oleh

Program Studi S1 Ilmu Komputer Ketua,

Prof. Dr. Muhammad Zarlis NIP. 195707011986011003

(4)

PERNYATAAN

REKAYASA SISTEM PENGENALAN WAJAH UNTUK PROSES LOG IN SISTEM INFORMASI MENGGUNAKAN ALGORITMA EIGENFACE

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Juli 2010

MARITO NASUTION 081421021

(5)

ABSTRAK

Perkembangan teknologi komputer telah bergeser dari komputasi biasa ke komputer cerdas. Salah satu konsep komputer cerdas adalah apabila komputer mampu mengenali suatu objek. Kemampuan komputer dalam mengenali suatu objek dapat dimanfaatkan untuk meningkatkan keamanan suatu sistem informasi, dengan mengaplikasikannya ke dalam proses log in sistem. Dalam penulisan tugas akhir ini, dibangun suatu aplikasi log in berbasis pengenalan wajah guna meningkatkan keamanan suatu sistem informasi dari pembobolan. Aplikasi log in berbasis pengenalan wajah ini dibangun menggunakan Microsoft Visual Basic 6.0.

(6)

THE ENGINEERING OF FACE RECOGNITION SYSTEM FOR SYSTEM INFORMATION LOG IN PROSES

USING EIGENFACE ALGORITHM

ABSTRACT

The development of computer technology moved from the normal computation to the smart computer. One concepts of the smart computer was if the computer could recognize an object. The computer ability in recognizing an object could be use to increase the security of an information system, by applying it in the process of the log in system. This final project develop an application of the System Log in Based on Face Recognition in order to increases the security of an information system from the piercing. The application of the System Log in Based on Face Recognition was built using Microsoft Visual Basic 6.0.

(7)

DAFTAR ISI

Halaman

Persetujuan ii

Pernyataan iii

Penghargaan iv

Abstrak v

Abstract vi

Daftar Isi vii

Daftar Tabel x

Daftar Gambar xi

Bab 1 Pendahuluan 1

1.1 Latar Belakang 1

1.2 Rumusan Masalah 2

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 3

1.5 Manfaat Penelitian 3

1.6 Metodologi Penelitian 3

1.7 Sistematika Penulisan 4

Bab 2 Landasan Teori 5

2.1. Citra 5

2.2 Pengenalan Pola 11

2.2.1 Komponen Sistem Pengenalan Pola 13

2.2.2 Pendekatan Pengenalan Pola 14

2.3 Pengenalan Wajah 16

2.3.1 Eigenface 17

2.3.2 Transformasi Karhunen-Loeve 17

2.3.3 Eigenvalue dan Eigenvector 19

2.3.4 Mencari Eigenvector 19

2.3.5 Algoritma Eigenface 21

2.4 Data Flow Diagram (DFD) 24

Bab 3 Perancangan Sistem 26

3.1 Analisis Komponen Sistem 26

3.2 Perancangan Data Flow Diagram (DFD) 34

3.2.1 Diagram Konteks 34

3.2.2 DFD Level 1 35

3.2.3 DFD Level 2 36

3.2.4 DFD Level 3 37

3.3 Perancangan Antarmuka 38

3.3.1 Perancangan Log in 38

(8)

Bab 4 Implementasi 41

4.1 Pengertian dan Tujuan Implementasi 41

4.2 Instalasi Hardware 41

4.3 Implementasi Software 42

4.4 Pengujian Sistem 46

Bab 5 Kesimpulan dan Saran 49

5.1 Kesimpuan 49

5.2 Saran 50

(9)

DAFTAR TABEL

Halaman

Tabel 3.1 Struktur Tabel Karyawan 34

(10)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Citra Digital 6

Gambar 2.2 Komposisi Warna RGB 7

Gambar 2.3 Tiga kegiatan yang berkaitan dengan citra 8

Gambar 2.4 Tiga bidang studi yang berkaitan dengan citra 8

Gambar 2.5 Contoh Garfika Komputer 9

Gambar 2.6 Penghilangan noise pada Pengolahan Citra 10 Gambar 2.7 Contoh Pengenalan Pola Tanda Tangan 10 Gambar 2.8 Alur proses identifikasi image menggunakan algoritma eigenface 22 Gambar 2.9 Komponen Data Flow Diagram Menurut Yourdan dan DeMarco 25 Gambar 2.10 Komponen Data Flow Diagram Menurut Gene dan Serson 25 Gambar 3.1 Hubungan antar komponen pada Sistem Log in Berbasis 26

Pengenalan Wajah

Gambar 3.2 Langkah-langkah Proses Identifikasi Image Wajah 28 Gambar 3.3 Context Diagram Untuk Sistem Log in Berbasis Pengenalan Wajah 34 Gambar 3.4 DFD Level 1 Untuk Sistem Log in Berbasis Pengenalan Wajah 35 Gambar 3.5 DFD Level 2 Untuk Proses Input Data Karyawan 36

Gambar 3.6 DFD Level 2 Untuk Proses Log in 37

Gambar 3.7 DFD Level 3 Untuk Proses Input Citra 37

Gambar 3.8 Rancangan Form Load Image Wajah 38

Gambar 3.9 Rancangan Form Log in Wajah 39

Gambar 3.10 Rancangan Form Input Data Karyawan 40

Gambar 4.1 Webcam Logitech QuickCam E3500 42

Gambar 4.2 Tampilan Form Load Image Wajah 43

Gambar 4.3 Tampilan Form Log in Wajah 43

Gambar 4.4 Tampilan Form MDI Main 44

Gambar 4.5 Tampilan Form Input Data Karyawan 45

Gambar 4.6 Kondisi image untuk pengujian sistem 47

(11)

ABSTRAK

(12)

THE ENGINEERING OF FACE RECOGNITION SYSTEM FOR SYSTEM INFORMATION LOG IN PROSES

USING EIGENFACE ALGORITHM

ABSTRACT

(13)

BAB 1

PENDAHULUAN

1.1Latar Belakang

Saat ini aplikasi komputer telah bergeser dari komputasi biasa ke aplikasi komputer yang memiliki kecerdasan. Salah satu konsep kecerdasan adalah bagaimana memprogram komputer agar dapat mengenali wajah seseorang. Hal ini sangat berguna untuk mendukung aspek keamanan dalam bidang komputer, khususnya bagi para pengguna sistem informasi. Perkembangan teknologi komputer dan informasi juga mempunyai dampak buruk yaitu berkembangnya teknik-teknik untuk membobol suatu sistem. User yang sebenarnya tidak mempunyai hak dapat masuk ke suatu sistem yang di dalamnya terdapat banyak informasi penting yang apabila digunakan untuk tujuan yang tidak baik akan memberikan dampak yang sangat buruk bagi pemilik informasi tersebut.

Dengan adanya kemungkinan pembobolan sistem, maka aspek keamanan dalam suatu sistem informasi menjadi sangat penting karena walaupun setiap sistem informasi telah mempunyai pengaturan hak akses tersendiri, tidak ada jaminan bahwa sistem aman dari pembobolan sistem. Apalagi kalau pemilik data adalah pihak militer, intelijen, atau pemerintah, keamanan dalam suatu sistem informasi menjadi sangat penting karena informasi yang mereka miliki kebanyakan adalah informasi rahasia yang tidak boleh diketahui oleh publik.

Saat ini pengenalan wajah telah banyak dikembangkan untuk aplikasi yang mendukung aspek keamanan suatu sistem. Penggunaan wajah sebagai identifier mempunyai banyak manfaat, terutama dari segi kepraktisannya karena tidak

(14)

image yang mewakili sebuah gambar yang terdiri dari vektor memiliki kapasitas yang

relatif besar. Ada banyak teknik untuk mereduksi dimensi dari image yang akan diproses, salah satunya dengan eigenface algorithm.

Berdasarkan uraian di atas maka penulis tertarik untuk melakukan penulisan tugas akhir dengan judul “Rekayasa Sistem Pengenalan Wajah untuk Proses Log

In Sistem Informasi Menggunakan Algoritma Eigenface”.

1.2Rumusan Masalah

Sesuai dengan latar belakang masalah di atas, maka yang menjadi masalah adalah bagaimana merancang suatu proses log in kedalam suatu sistem informasi berbasis pengenalan wajah dengan proses reduksi dimensi dari image menggunakan eigenface

algorithm.

1.3Batasan Masalah

Agar pembahasan penelitian ini tidak menyimpang dari apa yang telah dirumuskan, maka diperlukan batasan-batasan. Batasan-batasan dalam penelitian ini adalah:

1. Sistem yang dihasilkan hanya dapat mengenali image dengan format .jpg.

2. Sistem yang dihasilkan nantinya hanya menunjukkan proses log in ke dalam suatu sistem informasi menggunakan image wajah dari pengguna sistem, sedangkan mengenai isi dari sistem informasi tersebut tidak masuk dalam pembahasan.

3. Sistem dirancang menggunakan bahasa pemograman Visual Basic 6.0.

(15)

Tujuan dari penelitian ini adalah untuk membuat suatu sistem yang dapat mendukung aspek keamanan dari suatu sistem informasi.

1.5Manfaat Penelitian

Manfaat dari penelitian ini adalah untuk menghasilkan suatu sistem log in yang dapat mendukung aspek keamanan dari suatu sistem informasi berbasis pengenalan wajah dan untuk memperkaya literatur mengenai bidang kecerdasan buatan dan pengolahan citra khususnya pengenalan pola wajah dengan metode reduksi dimensi image menggunakan eigenface algorithm.

1.6Metode Penelitian

Dalam menyusun tugas akhir ini penulis melakukan beberapa penerapan metode penelitian untuk menyelesaikan permasalahan. Adapun metode penelitian yang dilakukan adalah:

1. Studi Literatur dan Pemahaman Sistem

Tahapan untuk memperdalam teori dan mencari referensi-referensi yang berkaitan dengan tema tugas akhir ini.

2. Analisis dan Perancangan

Melakukan analisis, perancangan, pengkodean, implementasi dan pengujian terhadap sistem yang dibangun menggunakan bahasa pemrograman Visual Basic 6.0.

3. Penyusunan Laporan dan Kesimpulan Akhir.

Pada tahap ini akan dibuat laporan mengenai hasil yang dicapai dari perancangan aplikasi yang dibuat, apakah sesuai atau terdapat perubahan,

(16)

1.7Sistematika Penulisan

Dalam penyusunan tugas akhir ini perlu dibuat langkah-langkah yang sistematis guna memudahkan dalam memahami makna dari setiap bab yang ada. Secara umum penulisan tugas akhir ini terdiri dari lima bab.

BAB 1 : PENDAHULUAN

Bab ini membahas tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metode penelitian, serta sistematika penulisan.

BAB 2 : LANDASAN TEORI

Bab ini membahas tentang pengertian citra digital, pengenalan pola

(pattern recognition), khususnya pola wajah (face recognition) dan

pengertian mengenai hal-hal lain yang berkaitan dengan pengenalan pola wajah.

BAB 3 : PERANCANGAN SISTEM

Bab ini membahas tentang perancangan sistem log in kedalam suatu sistem informasi berbasis pengenalan wajah dari pengguna sistem dan perancangan interface program.

BAB 4 : IMPLEMENTASI SISTEM

Bab ini membahas tentang arti dan tujuan implementasi, instalasi

hardware dan implementasi software.

BAB 5 : KESIMPULAN DAN SARAN

(17)

BAB 2

LANDASAN TEORI

2.1Citra

Menurut arti secara harfiah, citra (image) adalah gambar pada bidang dua dimensi. Ditinjau dari 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 televisi.

(18)

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 ditampilkan secara beruntun (sekuensial), sehingga memberi kesan pada mata sebagai gambar yang bergerak. Setiap citra didalam rangkaian itu disebut frame. Gambar-gambar yang tampak pada film layar lebar atau televisi 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/televisi, hologram, dan lain sebagainya. Sedangkan citra tidak tampak 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.

(19)

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 sperti 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). Masukannya adalah citra dan keluarannya juga citra tapi dengan kualitas lebih baik daripada citra masukan, misal suatu citra warnanya kurang tajam, kabur (blurring), mengandung noise (misal bintik-bintik putih), dan lain-lain sehingga perlu ada pemrosesan untuk

(20)

memperbaiki citra karena citra tersebut menjadi sulit diinterpretasikan karena informasi yang disampaikan menjadi berkurang.

3. Analisis Citra

Analisis citra merupakan kegiatan menganalisis citra sehingga menghasilkan informasi untuk menetapkan keputusan (biasanya didampingi bidang ilmu kecerdasan buatan atau Aritificial Inteligence yaitu pengenalan pola atau sering disebut pattern recognition).

Gambar 2.3 Tiga kegiatan yang berkaitan dengan citra

Tiga bidang studi yang berkaitan dengan data citra dalam ilmu komputer (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 2.4.

Citra nondigital

Pencitraan Pengolahan

Citra Citra digital Citra digital (baru) Analisis Citra Informasi/ Keputusan Pengolahan Citra

Citra Citra

Deskripsi Deskripsi

Gafika Komputer

Pengenalan Pola

(21)

Gambar 2.4 Tiga bidang studi yang berkaitan dengan citra

Grafika komputer bertujuan menghasilkan citra yang lebih tepat disebut grafik atau picture dengan primitif geometri, seperti garis, lingkaran, volume, dan lain-lain. Primitif geometri tersebut memerlukan data deskriptif untuk melukis elemen-elemen gambar. Contoh dari data deskriptif adalah koordinat titik, panjang garis, jari-jari lingkaran, tebal garis, warna dan lain-lain. Grafika komputer memainkan peranan penting dalam visualisasi dan virtual reality. Untuk lebih jelas, perhatikan Gambar 2.5.

Gambar 2.5 Contoh Grafika Komputer

Pengolahan citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin dalam hal ini komputer. Teknik-teknik pengolahan citra yaitu mentransformasi citra menjadi citra yang lain. Dalam pengolahan citra, masukannya adalah citra dan keluarannya juga citra, 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 2.6.

(22)

Gambar 2.6 Penghilangan noise pada Pengolahan Citra

Pengenalan pola adalah suatu aktivitas untuk mengelompokkan data numerik dan simbolik termasuk citra secara otomatis oleh mesin dalam hal ini komputer. 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 2.7.

(23)

Computer vision adalah aplikasi lain dalam artificial intelligence yang

berkaitan erat dengan citra. Computer vision merupakan alat analisis dan evaluasi informasi visual dengan menggunakan komputer. Teknik artificial intelligence memungkinkan komputer bisa menguji sebuah gambar atau adegan nyata dengan mengidentifikasi objek, ciri-ciri, atau pola-polanya (Suparman dan Marlan, 2007).

Computer vision merupakan proses otomatis yang mengintegrasikan sejumlah

besar proses untuk persepsi visual, seperti akuisisi 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).

2.2Pengenalan 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 tinngi, 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.

(24)

3. Tanda tangan, memiliki ciri-ciri seperti panjang, kerumitan, dan tekanan. 4. Sidik jari, memiliki ciri-ciri seperti lengkungan, 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 objek dengan objek yang lain (Sitorus, Syahriol dkk, 2006):

Pengenalan pola sendiri merupakan cabang dari kecerdasan buatan (Artificial

Inteligence).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 pada metode pengklasifikasian objek ke dalam kelas-kelas tertentu untuk menyelesaikan masalah tertentu.

(25)

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 sebagi

kunci telah dipakai 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 hukum sedang mengembangkan sistem untuk mengidenfikasi 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 oleh aplikasi robotik dalam mengenali objek

tertentu pada lingkungan yang unik.

2.2.1 Komponen Sistem Pengenalan Pola

(26)

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 statistikal untuk menghasilkan pola. Pendekatan lainnya menggunakan struktur dari pola yang menyediakan informasi fundamental untuk pengenalan pola. Pendekatan lain lagi adalah dengan membangun dan melatih suatu arsitektur yang secara akurat mengasosiasikan input pola tertentu dengan respon yang diharapkan.

1. Pendekatan Pengenalan Pola Statistikal

Pengenalan pola stastistikal memiliki asumsi suatu basis statistik untuk algoritma klasifikasi. Sekelompok karakteristik pengukuran yang

(27)

menunujukkan ciri diekstraksi dari data input dan digunakan untuk menentukan setiap vector fitur 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 statistik dari ciri.

b. Model statistik didefinisikan sebagai sebuah fungsi kerapatan ruang bersyarat kelas.

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 struktural.

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 statistik dan 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).

(28)

b. “Pengetahuan” disimpan dalam sambungan antarneuron dan pembobot sinaptik.

2.3Pengenalan 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 ciri 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 yang kemudian direpresentasikan dalam metode tertentu, misalnya seperti Principal Component

Analysis (PCA) atau transformasi wavelet yang digunakan untuk klasifikasi indentitas

citra (Al Fatta, Hanif, 2009).

Penelitian tentang deteksi wajah dan pengenalan wajah telah dilakukan sebelumnya, antara lain dengan menggunakan algoritma Eigenface (Turk dan Pentland, 1991), dengan distribusi Gaussian dan Clustering (Sung dan Poggio, 1994), dengan Support Vector Machine (Osuna dkk, 1997), dan dengan metode Statistic dan

Wavelet (Schneiderman, 2000).

Alan Brooks pernah mengembangkan sebuah penelitian yang membandingkan dua algoritma yaitu Eigenface dan Fisherface. Penelitian ini difokuskan pada perubahan pose wajah apakah mempengaruhi akurasi pengenalan wajah. Diberikan

database latih berupa foto wajah manusia, kemudian digunakan untuk melatih sebuah

sistem pengenalan wajah, setelah 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

(29)

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

2.3.2 Transformasi Karhunen-Loeve

Di tahun 1933 Hotelling mengajukan sebuah teknik untuk mengurangi dimensi sebuah ruang yang direpresentasikan oleh variabel statistik ( , dimana variabel tersebut biasanya saling berkorelasi satu dengan yang lain. Pertanyaan kemudian timbul akibat konsekuesi di atas, apakah terdapat sebuah himpunan variabel baru yang memiliki sifat yang relatif sama dengan variabel sebelumnya dimana dikehendaki himpunan variabel baru tersebut memiliki jumlah variabel (dimensi) yang lebih sedikit dari variabel sebelumnya. Selanjutnya Hotelling menyebut metode tersebut sebagai

(30)

Transformasi Karhunen-Loeve banyak digunakan untuk memproyeksikan 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.

Bentuk umum dari Principal Component Analysis dapat dilihat berikut ini:

dimana C merupakan matriks kovarian, x merupakan image ( dan Ψ adalah rata-rata image yang dihasilkan dari merata-rata x . Dengan dekomposisi eigen, matriks kovarian ini dapat didekomposisi menjadi :

dimana Ф adalah selisih antara image (x) dengan nilai tengah (Ψ). Pilih sejumlah m kolom dari matriks Ф yang berasosiasi dengan eigenvalue terbesar. Pemilihan sejumlah m kolom dari matriks Ф ini menghasilkan matriks transformasi atau matriks proyeksi . Berikutnya sebuah image x (berdimensi n) dapat diekstraksi kedalam

feature baru y (berdimensi m < n) dengan memproyeksikan x searah dengan

sebagai berikut:

Dengan kata lain metode PCA memproyeksikan ruang asal kedalam ruang baru yang berdimensi lebih rendah , yang mana sebanyak mungkin kandungan informasi asal tetap dipertahankan untuk tidak terlalu banyak hilang setelah dibawa ke dimensi feature yang lebih kecil. Disini terlihat reduksi feature yang signifikan dari n buah menjadi m buah yang tentunya akan sangat meringankan komputasi dalam proses pengenalan berikutnya.

(31)

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 ekuivalen dengan persamaan linier (A – λI) v = 0 (dimana I adalah matriks identitas) yang memiliki pemecahan non-zero v (suatu eigenvector), sehingga akan ekuivalen dengan

determinan

det (A – λI) = 0

Fungsi p(λ) = det (A – λI) adalah sebuah polynomial dalam λ karena

determinan 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 paling banyak n buah

eigenvalue.

2.3.4 Mencari Eigenvector

Jika eigenvalue λ diketahui, eigenvector dapat dicari dengan memecahkan:

(A – λI) v = 0

Dalam beberapa kasus dapat dijumpai suatu matriks tanpa eigenvalue, misalnya:

dimana karakteristik bilangan polynomialnya adalah λ2 + 1 sehingga eigenvalue adalah bilangan kompleks i, -i. Eigenvector yang berasosiasi juga tidak riil.

(32)

maka polynomial karakteristiknya dapat dicari sebagai berikut:

det

ini adalah persamaan kuadrat dengan akar-akarnya adalah λ = 2 dan λ = 3.

Adapun eigenvector yang didapat ada dua buah. Eigenvector pertama dicari dengan mensubtitusikan λ = 3 ke dalam persamaan. Misalnya adalah eigenvector yang berasosiasi dengan eigenvalue λ = 3. Set dengan nilai:

Kemudian subtitusikan dengan v pada persamaan:

( A – λI) v = 0

sehingga diperoleh:

dapat disederhanakan menjadi:

= 0 atau

sehingga eigenvector untuk eigenvalue λ = 3 adalah:

Hubungan antara eigenvalue dan eigenvector dari suatu matriks digambarkan oleh persamaan

(33)

dimana v adalah eigenvector dari matriks M dan λ adalah eigenvalue. Terdapat n buah

eigenvector dan eigenvalue dalam sebuah matriks.

2.3.5 Algoritma Eigenface

Prinsip dasar dari pengenalan wajah adalah dengan mengutip informasi unik wajah tersebut kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan. Dalam metode eigenface, decoding dilakukan dengan menghitung eigenvector kemudian direpresentasikan dalam sebuah matriks yang berukuran besar.

Algoritma Eigenface secara keseluruhan cukup sederhana. Image Matriks (Γ) direpresentasikan ke dalam sebuah himpunan matriks . Cari nilai rata-rata (Ψ) dan gunakan untuk mengekstraksi eigenvector (v) dan eigenvalue (λ) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapatkan nilai eigenface dari

image. Apabila ada sebuah image baru atau test face ( ) yang ingin dikenali, proses yang sama juga diberlakukan untuk image ( ), untuk mengekstraksi

eigenvector (v) dan eigenvalue (λ), kemudian cari nilai eigenface dari image test face ( ). Setelah itu barulah image baru ( ) memasuki tahapan pengenalan dengan menggunakan metode euclidean distance. Alur prosesnya dapat dilihat pada Gambar 2.8.

(34)

Gambar 2.8 Alur proses identifikasi image menggunakan algoritma eigenface End

Start

Database Wajah

Training Image X

= Eigenface X

Test Face Xn

= Eigenface Xn

Tampilkan dan ya

(35)

Algoritma selengkapnya adalah:

Tahapan Perhitungan Eigenface:

1. Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh training image .

S =

2. Langkah kedua adalah ambil nilai tengah atau mean (Ψ)

3. Langkah ketiga kemudian cari selisih (Ф) antara training image ( dengan nilai tengah (Ψ)

4. Langkah keempat adalah menghitung nilai matriks kovarian (C)

5. Langkah kelima menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C)

(36)

l = 1,…, M

Tahapan Pengenalan:

1. Sebuah image wajah baru atau test face ( ) akan dicoba untuk dikenali, pertama terapkan cara pada tahapan pertama perhitungan eigenface untuk mendapatkan nilai eigenface dari image tersebut.

2. Gunakan metode Euclidean Distance untuk mencari jarak (distance) terpendek antara nilai eigenface dari training image dalam database dengan eigenface dari image test face.

2.4Data Flow Diagram (DFD)

Data Flow Diagram (DFD) adalah alat pembuatan model yang memungkinkan profesional sistem untuk menggambarkan sistem sebagai suatu jaringan proses fungsional yang dihubungkan satu sama lain dengan alur data, baik secara manual maupun komputerisasi. DFD ini sering juga disebut dengan nama Bubble chart, Bubble diagram, model proses, diagram alur kerja, atau model fungsi.

DFD ini adalah salah satu alat pembuatan model yang sering digunakan, khususnya bila fungsi-fungsi sistem merupakan bagian yang lebih penting dan kompleks dari pada data yang dimanipulasi oleh sistem. Dengan kata lain, DFD adalah alat pembuatan model yang memberikan penekanan hanya pada fungsi sistem.

(37)

DFD ini merupakan alat perancangan sistem yang berorientasi pada alur data dengan konsep dekomposisi dapat digunakan untuk penggambaran analisis maupun rancangan sistem yang mudah dikomunikasikan oleh profesional sistem kepada pemakai maupun pembuat program.

Gambar 2.8 Komponen Data Flow Diagram Menurut Yourdan dan DeMarco

Gambar 2.10 Komponen Data Flow Diagram Menurut Gene dan Serson

Terminator Proses Data Store Alur Data

(38)

BAB 3

PERANCANGAN SISTEM

3.1Analisis Komponen Sistem

Sistem Log in Berbasis Pengenalan Wajah ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti yang tampak pada Gambar 3.1.

Gambar 3.1 Hubungan antarkomponen pada Sistem Log in Berbasis Pengenalan Wajah

1. Komponen Webcam

Piranti masukan yang digunakan dalam Sistem Log in Berbasis Pengenalan Wajah ini adalah webcam. Webcam digunakan untuk dua kegunaan.

a. Digunakan untuk melengkapi data karyawan dengan foto, dimana foto ini akan disimpan ke dalam database, yang nantinya akan dicocokkan dengan

image wajah yang di capture saat proses log in dilakukan.

Image Capturing

Antarmuka Pengguna

Komponen Sub-Sistem Pengenalan

Wajah

Komponen Basis Data File Wajah

(39)

b. Digunakan untuk meng-capture image wajah karyawan pada saat proses log in. Dengan menggunakan webcam, image wajah karyawan diambil, kemudian image wajah ini dicocokkan dengan image wajah yang ada dalam database.

2. Komponen Image Capturing

Komponen ini berfungsi untuk melakukan mekanisme mengambil citra wajah dengan media webcam, baik untuk disimpan sebagai file image wajah maupun untuk image wajah yang digunakan sebagai input pada saat proses log in dilakukan.

3. Komponen Antarmuka

Komponen ini berfungsi untuk menjembatani komunikasi antara pengguna dengan sistem. Baik untuk proses input data karyawan, maupun proses log in kedalam sistem.

4. File Wajah

Image wajah karyawan (testface) yang digunakan untuk melengkapi data

karyawan disimpan dalam database karyawan, dan file wajah ini bisa dipanggil dengan menggunakan nama file wajah yang ada.

5. Komponen Database

Komponen ini berfungsi menyimpan data yang terdapat dalam sistem informasi.

6. Subsistem Pengenalan Wajah

Pengenalan wajah dilakukan dengan mencocokkan image wajah yang

di-capture pada saat log in dengan image wajah yang ada didalam database

karyawan. Langkah-langkah pencocokan wajah (image matching) dapat dilihat pada Gambar 3.2.

(40)

Gambar 3.2 Langkah-langkah Proses Identifikasi Image Wajah

Keterangan Gambar 3.2.

1. Image wajah di-capture dengan menggunakan webcam. Hasil dari capturing

ini adalah file gambar yang bertipe .bmp.

2. Image wajah ini kemudian dinormalisasikan. Normalisasi dilakukan dengan

beberapa tahapan. Pertama image diturunkan kualitas warnanya menjadi tipe

grayscale. Ukuran dari image wajah juga diseragamkan dengan ukuran 80 x 80

piksel.

3. Setelah didapatkan image wajah yang ternormalisasi, tentukan eigenface dari

image wajah tersebut, misalnya diperoleh nilai μ.

4. Pada data karyawan, kita juga mempunyai koleksi image wajah. Dari koleksi ini masing masing image dikalkulasi eigenface-nya. Misalkan kita mendapatkan nilai ( ).

Webcam Normalisasi Image Kalkulasi Eigenface Proses Matching

Cari Selisih yang paling kecil antara testface dengan eigenface pada citra-citra wajah yang terdapat dalam database Kalkulasi Eigenface Database Wajah Flatvector Citra wajah Eigenface Eigenface Eigenface testface Testface ternormalisas

(41)

Image 1 Image 2 Image 3

5. Proses matching dilakukan dengan mencocokkan nilai μ dengan nilai-nilai pada eigenface dari image dalam database, dan mencari nilai yang paling mendekati.

6. Jika sudah ditemukan nilai yang paling mendekati, cari data karyawan yang berkorespondensi dengan nilai tadi.

Untuk proses perhitungan eigenface dari image pada langkah tiga, penjelasannya sebagai berikut:

1. Buat Himpunan image (S) dari total M training_image, dimana setiap image adalah p x q piksel.

Misal di dalam himpunan image terdapat tiga image ukuran 3 x 3 piksel maka:

(42)

3. Cari selisih (Ф) antara training image ( dengan nilai tengah (Ψ), apabila ditemukan nilai dibawah nol ganti nilainya dengan nol.

4. Hitung nilai matriks kovarian (C)

, dimana

5. Cari nilai eigenvalue (λ) dan eigenvector (v)

(43)

maka eigenvalue (λ) dapat dihitung, det (λI L) = 0

akan dihasilkan nilai , dan

eigenvector (v) dihasilkan dengan mensubtitusikan nilai eigenvalue (λ) kedalam persamaan

untuk , maka

dihasilkan eigenvector dan

untuk , maka

(44)

sehingga eigenvector yang dihasilkan dari matriks L adalah

6. Cari nilai eigenface (μ)

Untuk proses matching image pada langkah lima, penjelasannya sebagai berikut:

1. Cari nilai eigenface image baru ( ) yang akan dikenali

a. Cari selisih (Ф) antara test face ( dengan nilai tengah (Ψ), apabila ditemukan nilai dibawah nol ganti nilainya dengan nol.

Misal test face ( terdiri dari matriks 3 3:

test face

(45)

b. Cari nilai eigenface dari test face (

2. Gunakan Euclidean Distance untuk mencari selisih terkecil antara

eigenface training image ( ) dalam database dengan eigenface test face

( ).

= 16

= 20

= 12

karena jarak (distance) eigenface image 3 dengan eigenface test face yang paling kecil, maka hasil identifikasi menyimpulkan bahwa test face lebih mirip dengan image 3 daripada image 1 atau image 2.

Dalam perancangan Sistem Log in Berbasis Pengenalan Wajah yang dibuat menggunakan Visual Basic 6.0 ini hanya terdiri dari satu tabel, yaitu tabel karyawan.

(46)

Tabel 3.1 Struktur Tabel Karyawan

No Nama Field Tipe Ukuran Keterangan

1 karyawan_id* autonumber Kode karyawan

2 karyawan_no_induk text 08 Nomor induk karyawan

3 karyawan_nama text 50 Nama karyawan

4 usertype text 20 Pengaturan hak akses

user

5 password char 20 Password karyawan

Tabel ini digunakan untuk menyimpan data karyawan, dimana primary key merupakan karyawan_id. Pada tabel ini juga terdapat password dan usertype untuk pengaturan hak akses karyawan.

3.2Perancangan Data Flow Diagram (DFD)

Perancangan Data Flow Diagram (DFD) untuk Sistem Log in Berbasis Pengenalan Wajah didasarkan pada perancangan DFD menurut Yourdan dan DeMarco. Rancangan DFD Sistem Log in Berbasis Pengenalan Wajah terdiri dari Context Diagram, DFD Level 1, DFD Level 2 dan DFD Level 3.

3.2.1 Diagram Konteks

Pada bagian ini, sistem digambarkan dengan sebuah proses saja. Entitas luar yaitu karyawan. Diagram Konteks Sistem Log in Berbasis Pengenalan Wajah dapat dilihat pada Gambar 3.3.

Karyawan

Sistem Log in Berbasis Pengenalan Data Karyawan

(47)

Gambar 3.3 Diagram Konteks Untuk Sistem Log in Berbasis Pengenalan Wajah Keterangan Gambar 3.3.

Karyawan : Entitas luar karyawan yang melakukan log in ke dalam sistem menggunakan image wajah.

Data Karyawan : Meliputi no induk karyawan, nama, gaji, usertype dan password.

3.2.2 DFD Level 1

Pada bagian ini, proses tunggal dari context diagram dipecah jadi dua proses yang lebih terperinci, yaitu proses input data karyawan dan proses log in sistem. DFD Level 1dari Sistem Log in Berbasis Pengenalan Wajah dapat dilihat pada Gambar 3.4.

Gambar 3.4 DFD Level 1 Untuk Sistem Log in Berbasis Pengenalan Wajah Data Karyawan

Image Wajah

Data Karyawan

Image Wajah

Karyawan _Login2

1 Input

Data Karyawan

(48)

Karyawan : Entitas luar karyawan yang melakukan log in ke dalam sistem menggunakan image wajah.

Data Karyawan : Meliputi no induk karyawan, nama, usertype dan password.

Tabel Karyawan : Tabel karyawan, untuk menyimpan data karyawan.

Database Wajah : Database tempat menyimpan file wajah dari masing- masing karyawan.

3.2.3 DFD Level 2

Pada bagian ini, proses input data karyawan diperinci menjadi dua proses, yaitu proses input data yang digunakan untuk menginputkan data karyawan dan proses input citra, yaitu proses meng-capture wajah karyawan sehingga didapatkan image wajah. DFD Level 2 untuk proses input data karyawan dapat dilihat pada Gambar 3.5.

Gambar 3.5 DFD Level 2 Untuk Proses Input Data Karyawan Karyawan

1.2 Input

Citra 1.1

Input Data

Data Karyawan Wajah

Citra Wajah Data Karyawan

(49)

Untuk proses log in dapat diperinci menjadi proses input citra yang menerima input wajah dari karyawan yang di-capture dengan webcam, image matching yang bertugas mencari citra wajah yang sesuai pada database. DFD Level 2untuk proses log in dapat dilihat pada Gambar 3.6.

Gambar 3.6 DFD Level 2 Untuk Proses Log in

3.2.4 DFD Level 3

Pada bagian ini, akan diambil proses 2.1 yaitu proses input citra secara lebih spesifik. DFD Level 3 untuk proses input citra dapat dilihat pada Gambar 3.7.

Wajah Citra Wajah

Data Karyawan Karyawan 2.1 Input Citra 2.2 Image Matching Tabel Karyawan Database Wajah Citra Wajah 2.3 Login Mengguna kan image wajah Citra Wajah Hasil identifikasi 2.1.1 Image Capturin Citra Wajah Citra Wajah RGB format .bmp Citra Wajah Graysacle format .jpg

Karyawan _Image2.1.2

(50)

Gambar 3.7 DFD Level 3 Untuk Proses Input Citra

3.3Perancangan Antarmuka

Tujuan akhir dari perancangan sistem adalah pembuatan program yang dapat dijalankan dan sesuai dengan yang dibutuhkan oleh sistem. Dalam perancangan program, perancangan antarmuka merupakan hal yang sangat penting agar memudahkan perancang menyelesaikan programnya.

3.3.1 Perancangan Form Log in

Dalam Sistem Log in Berbasis Pengenalan Wajah yang dirancang, sebelum user diarahkan ke form log in, terlebih dahulu sistem akan melakukan loading semua

eigenface wajah yang ada dalam database wajah, manfaat dari proses loading image

wajah dari database adalah untuk mengurangi beban sistem saat proses matching

image berlangsung. Rancangan tampilan untuk form dimana sistem melakukan loading eigenface wajah dapat dilihat pada Gambar 3.8.

Gambar 3.8 Rancangan Form Load Image Wajah

image

OK Cancel

Selamat Datang di Sistem Log in

Berbasis Pengenalan Wajah

(51)

(matching image) wajah dari user dengan yang terdapat dalam database wajah. Selain itu pada form ini, sistem juga akan meminta input password dari user. Rancangan tampilannya dapat dilihat pada Gambar 3.9.

Gambar 3.9 Rancangan Form Log in Wajah

3.3.2 Perancangan Form Input Data Karyawan

Pada form ini user memasukkan data karyawan yang dalam hal ini terdiri dari nomor induk karyawan, nama karyawan, usertype dan password. Untuk pengambilan citra wajah karyawan juga terdapat pada form ini. Desain form input data karyawan dapat

Kamera

Foto Karyawan

Data Karyawan

No Induk Nama

Capture Cancel

Format Kamera Setting Kemiripan Tutup

Anda terdaftar sebagai :

Login Silahkan masukkan

(52)

Gambar 3.10 Rancangan Form Input Data Karyawan

Data Karyawan Input Data Karyawan

No Induk Nama

Cari

Kamera Foto Karyawan

Capture No Induk

Nama Usertype Password

(53)

BAB 4

IMPLEMENTASI

4.1 Pengertian dan Tujuan Implementasi

Implementasi sistem adalah prosedur yang dilakukan pada tahap desain sistem dalam dokumen yang disetujui dan menguji kemudian menginstal dan menggunakan program yang dibuat, penerapan sistem baru dimana sistem baru ini akan diterapkan secara menyeluruh.

Tujuan dari implementasi sistem adalah:

1. Menyelesaikan desain sistem yang ada dalam dokumen sistem yang disetujui.

2. Menulis, menguji dan mendokumentasikan program dan prosedur-prosedur yang diperlukan oleh dokumen desain sistem yang diuji.

3. Memastikan bahwa personal dapat mengoperasikan sistem yang telah dibuat.

4. Memperhitungkan bahwa sistem sesuai dengan kebutuhan pemakai.

4.2Instalasi Hardware

Sistem Log in Berbasis Pengenalan Wajah yang dirancang menggunakan media input berupa webcam karena dari segi harga, webcam merupakan media capture image yang cukup murah. Pada pengembangan aplikasi ini sendiri, jenis webcam yang digunakan

(54)

adalah tipe Logitech QuickCam E3500. Webcam ini dihubungkan dengan komputer melalui port USB dan bekerja dalam beberapa format kamera, yaitu:

1. 160 x 120 2. 320 x 240 3. 640 x 480 4. 800 x 600 5. 960 x 720 6. 1280 x 960

Gambar 4.1 Webcam Logitech QuickCam E3500

Untuk aplikasi ini, format kamera yang digunakan adalah 160 x 120. Sebelum digunakan, driver hardware untuk webcam harus diinstalasi terlebih dahulu karena aplikasi akan melakukan koneksi ke driver webcam untuk memfungsikannya sebagai media input. Selanjutnya apabila driver webcam telah diinstalasi maka tinggal menghubungkan webcam ke port USB dan webcam telah siap untuk digunakan sebagai media input Sistem Log in Berbasis Pengenalan Wajah.

4.3Implementasi Software

Dalam sistem kepegawaian yang dirancang, sebelum user diarahkan ke form log in, terlebih dahulu sistem akan melakukan loading semua eigenface wajah yang ada dalam database wajah. Tampilan Form Load Image Wajah dapat dilihat pada Gambar 4.2.

(55)

Gambar 4.2 Tampilan Form Load Image Wajah

Setelah sistem melakukan loading eigenface image wajah dari database wajah, barulah user diarahkan ke suatu form dimana sistem akan meminta input image wajah dari pengguna sistem yang bersangkutan untuk dilakukan proses pencocokan (matching image) wajah dari user dengan yang terdapat dalam database wajah. Selain itu pada form ini, sistem juga akan meminta input password dari user. Tampilan Form Log in Wajah dapat dilihat pada Gambar 4.3.

(56)

Setelah melewati pencocokan image dan password, barulah user diijinkan memasuki sistem. Dalam tugas akhir ini, Sistem Log in Berbasis Pengenalan Wajah dimplementasikan dengan sebuah sistem informasi kepegawaian sederhana.

Gambar 4.4 Tampilan Form MDI Main

Dalam sistem kepegawaian yang dirancang terdiri dari dua menu, yaitu File dan Master Data.

Dalam menu File, terdapat dua option yaitu Log out dan Exit. Log out akan mengarahkan user kembali ke Form Load Image Wajah, sedangkan Exit akan mengarahkan user keluar dari sistem.

Dalam menu Master Data, terdapat menu Karyawan. Menu ini digunakan untuk melakukan input data karyawan kedalam database. Pada form ini, data yang diinput adalah nomor induk karyawan, nama karyawan, usertype, dan password. Form ini juga dilengkapi dengan fasilitas umtuk menambahkan image wajah karyawan, juga untuk melakukan update image wajah karyawan yang terbaru. Tampilan Form Input Data Karyawan dapat dilihat pada Gambar 4.5.

(57)

Gambar 4.5 Tampilan Form Input Data Karyawan

Untuk mendapatkan hasil pengenalan yang lebih baik, sebaiknya pada saat pengambilan image wajah karyawan yang akan disimpan kedalam database dilakukan proses normalisasi. Kondisi untuk normalisasi adalah:

1. Pose wajah mengarah lurus ke depan.

2. Gunakan tembok berwarna putih sebagai background dari image wajah.

3. Gunakan pencahayaan yang sama untuk pengambilan semua image wajah.

4. Jarak kamera dengan wajah yang di-capture dibuat konstan, yaitu kurang lebih 30 cm.

(58)

4.4Pengujian Sistem

Dalam pengujian Sistem Log in Berbasis Pengenalan Wajah yang dibuat terdiri dari lima faktor, yaitu:

1. Jarak user dengan kamera.

2. Pencahayaan.

3. Distorsi pose wajah.

4. Perubahan pose wajah ekspresif.

5. Perubahan latar (background).

Lima faktor yang akan diuji dipilih berdasarkan pertimbangan bahwa kualitas pengenalan wajah pada saat user melakukan log in kedalam sistem sangat dipengaruhi oleh ke lima faktor di atas.

Prosedur pengujian :

1. Pengujian dilakukan setelah sebelumnya sistem diuji pada kondisi ternormalisasi.

2. Pengujian dilakukan dengan database yang terdiri dari tujuh image wajah yang telah dinormalisasi sebelum dilakukan pengujian.

3. Masing-masing kondisi image diuji sebanyak sepuluh kali.

4. Adapun kondisi image yang akan diuji adalah:

(59)

b. Jarak user dengan kamera ≤ 20 cm.

c. Jarak user dengan kamera ≥ 40 cm.

d. Distorsi pose mengarah ke kanan.

e. Distorsi pose mengarah ke kiri.

f. Pose wajah ekspresif.

g. Pencahayaan redup.

h. Pencahayaan terang.

i. Perubahan latar (background).

Gambar 4.6 Kondisi image untuk pengujian sistem (a) Kondisi sudah di normalisasi, (b) Jarak ≤ 20 cm, (c) Jarak ≥ 40 cm, (d) Distorsi ke kanan, (e) Distorsi ke kiri,

(60)

Hasil pengujian dapat dilihat pada Tabel 4.1.

Tabel 4.1 Hasil pengujian sistem

Kondisi image Jumlah Pengujian Hasil Pengenalan

a Sudah di normalisasi 10 10

b Jarak ≤ 20 cm 10 6

c Jarak ≥ 40 cm 10 2

d Distorsi pose mengarah ke kanan 10 7

e Distorsi pose mengarah ke kiri 10 6

f Pose wajah ekspresif 10 9

g Pencahayaan redup 10 3

h Pencahayaan terang 10 8

i Perubahan latar (background) 10 4

Gambar 4.7 Grafik Hasil Pengujian Sistem 0 2 4 6 8 10 12 Kondisi image (a) Kondisi image (b) Kondisi image (c) Kondisi image (d) Kondisi image (e) Kondisi image (f) Kondisi image (g) Kondisi image (h) Kondisi image (i)

(61)

BAB 5

KESIMPULAN DAN SARAN

5.1Kesimpulan

Berdasarkan pembahasan dan evaluasi dari bab-bab terdahulu dan teori yang ada, dan setelah dilakukannya penelitian dan pengujian terhadap Sistem Log in Berbasis Pengenalan Wajah, maka dapat ditarik kesimpulan sebagai berikut:

1. Jarak yang tidak konstan antara user dengan kamera dapat mengurangi kualitas pengenalan wajah. Hasil pengujian untuk jarak ≤ 20 cm diperoleh enam dari sepuluh kali pengujian image wajah dapat dikenal, sedangkan untuk jarak ≥ 40 cm diperoleh dua dari sepuluh pengujian image wajah dapat dikenal.

2. Pencahayaan yang terlalu tinggi atau terlalu rendah dapat mengurangi kualitas pengenalan wajah. Hasil pengujian untuk pencahayaan redup diperoleh tiga dari sepuluh kali pengujian image wajah dapat dikenal, sedangkan untuk pencahayaan terang diperoleh delapan dari sepuluh kali pengujian image wajah dapat dikenal.

3. Distorsi pose wajah (mengarah ke kiri atau ke kanan) dapat mengurangi kualitas

pengenalan wajah. Hasil pengujian untuk distorsi pose wajah mengarah ke kanan diperoleh tujuh dari sepuluh kali pengujian image wajah dapat dikenal, sedangkan untuk distorsi pose wajah mengarah ke kiri diperoleh enam dari sepuluh kali pengujian image wajah dapat dikenal.

4. Perubahan pose wajah dari diam menjadi ekspresif tidak terlalu mempengaruhi proses pengenalan wajah. Hasil pengujian untuk perubahan pose wajah dari diam

(62)

menjadi ekspresif diperoleh Sembilan dari sepuluh kali pengujian image wajah dapat dikenal.

5. Perubahan latar (background) dapat mengurangi kualitas pengenalan wajah. Hasil pengujian untuk perubahan latar (background) diperoleh empat dari sepuluh kali pengujian image wajah dapat dikenal.

5.2Saran

Adapun beberapa saran yang layak untuk jadi bahan pertimbangan dalam membangun sistem yang lebih baik di masa yang akan datang, yaitu:

1. Untuk meningkatkan akurasi pengenalan wajah, sebaiknya ditambahkan beberapa fitur seperti fitur morfologi wajah.

(63)

DAFTAR PUSTAKA

Al Fatta, Hanif. 2009. Rekayasa Sistem Pengenalan Wajah: Membangun Sistem

Presensi Karyawan Menggunakan Microsoft Visual Basic 6.0 dan Micrososft Access. Yogyakarta: Penerbit Andi.

Kusrini dan Andri Koniyo. 2007. Tuntunan Praktis Membangun Sistem Informasi

Akuntansi Dengan Visual Basic Dan Microsoft SQL Server. Yogyakarta:

Penerbit Andi.

Ruminta. 2005. Matriks Persamaaan Linier Dan Pemograman Linier. Bandung: Rekayasa Sains.

Sadeli, Muhammad. 2008. Kumpulan Proyek Visual Basic 2005. Palembang: Maxikom.

Sanjaya, Ridwan dan Helmy. 2004. Mempercantik Desain Form Pada Visual Basic

6.0. Jakarta: PT Elex Media Komputindo.

Sitorus, Syahriol, dkk. 2006. Pengolahan Citra Digital. Medan: USU Press.

Suparman dan Marlan. 2007. Komputer Masa Depan dan Pengenalan Artificial

Inteligence. Yogyakarta: Penerbit Andi.

Hestiningsih, Idhawati. diakses tanggal 11 Februari 2010. Pengolahan citra digital.

Purwanto, Ari. diakses tanggal 15 Januari 2010. Aplikasi Sistem Citra Digital

Sebagai Alat Deteksi Wajah Manusia.

(64)

Eigenface.

Turk, Matthew dan Alex P.Pentland. diakses tanggal 15 Januari 2010.

Face Recognition Using Eigenfaces.

(1)

b. Jarak user dengan kamera ≤ 20 cm.

c. Jarak user dengan kamera ≥ 40 cm.

d. Distorsi pose mengarah ke kanan.

e. Distorsi pose mengarah ke kiri.

f. Pose wajah ekspresif.

g. Pencahayaan redup.

h. Pencahayaan terang.

i. Perubahan latar (background).

Gambar 4.6 Kondisi image untuk pengujian sistem (a) Kondisi sudah di normalisasi, (b) Jarak ≤ 20 cm, (c) Jarak ≥ 40 cm, (d) Distorsi ke kanan, (e) Distorsi ke kiri,

(f) Pose ekspresif, (g) Pencahyaan redup, (h) Pencahayaan terang, (i) Perubahan latar (background)

(2)

Hasil pengujian dapat dilihat pada Tabel 4.1.

Tabel 4.1 Hasil pengujian sistem

Kondisi image Jumlah Pengujian Hasil Pengenalan

a Sudah di normalisasi 10 10

b Jarak ≤ 20 cm 10 6

c Jarak ≥ 40 cm 10 2

d Distorsi pose mengarah ke kanan 10 7

e Distorsi pose mengarah ke kiri 10 6

f Pose wajah ekspresif 10 9

g Pencahayaan redup 10 3

h Pencahayaan terang 10 8

i Perubahan latar (background) 10 4

(3)

BAB 5

KESIMPULAN DAN SARAN

5.1Kesimpulan

4. Perubahan pose wajah dari diam menjadi ekspresif tidak terlalu mempengaruhi proses pengenalan wajah. Hasil pengujian untuk perubahan pose wajah dari diam

(4)

menjadi ekspresif diperoleh Sembilan dari sepuluh kali pengujian image wajah dapat dikenal.

5.2Saran

Adapun beberapa saran yang layak untuk jadi bahan pertimbangan dalam membangun sistem yang lebih baik di masa yang akan datang, yaitu:

1. Untuk meningkatkan akurasi pengenalan wajah, sebaiknya ditambahkan beberapa fitur seperti fitur morfologi wajah.

(5)

DAFTAR PUSTAKA

Al Fatta, Hanif. 2009. Rekayasa Sistem Pengenalan Wajah: Membangun Sistem

Presensi Karyawan Menggunakan Microsoft Visual Basic 6.0 dan Micrososft Access. Yogyakarta: Penerbit Andi.

Kusrini dan Andri Koniyo. 2007. Tuntunan Praktis Membangun Sistem Informasi

Akuntansi Dengan Visual Basic Dan Microsoft SQL Server. Yogyakarta:

Penerbit Andi.

Ruminta. 2005. Matriks Persamaaan Linier Dan Pemograman Linier. Bandung: Rekayasa Sains.

Sadeli, Muhammad. 2008. Kumpulan Proyek Visual Basic 2005. Palembang: Maxikom.

Sanjaya, Ridwan dan Helmy. 2004. Mempercantik Desain Form Pada Visual Basic

6.0. Jakarta: PT Elex Media Komputindo.

Sitorus, Syahriol, dkk. 2006. Pengolahan Citra Digital. Medan: USU Press.

Suparman dan Marlan. 2007. Komputer Masa Depan dan Pengenalan Artificial

Inteligence. Yogyakarta: Penerbit Andi.

Hestiningsih, Idhawati. diakses tanggal 11 Februari 2010. Pengolahan citra digital.

Purwanto, Ari. diakses tanggal 15 Januari 2010. Aplikasi Sistem Citra Digital

Sebagai Alat Deteksi Wajah Manusia.

Prasetyo, Eri dan Isna Rahmatun. diakses tanggal 15 Januari 2010. Desain Sistem

(6)

Eigenface.

Turk, Matthew dan Alex P.Pentland. diakses tanggal 15 Januari 2010.

Face Recognition Using Eigenfaces.

Rekayasa Sistem Pengenalan Wajah Untuk Proses Log In Sistem Informasi Menggunakan Algoritma Eigenface