E-Absensi Sensor Wajah Dengan Metode Wavelet
Volume 6 No 1, Desember 2015
JURNAL IT
E-Absensi Sensor Wajah Dengan Metode Wavelet
Mila Jumarlis
STMIK Bina Adinata Bulukumba
Milajumarlis.mirfan@yahoo.com
Abstrak
Penelitian ini bertujuan merancang sistem informasi absensi berdasarkan sensor wajah
menggunakan metode wavelet yang di proses dalam program Java. Wavelet merupakan kelas dari
suatu fungsi yang digunakan untuk melokalisasi suatu fungsi dalam ruang dan skala. Wavelet yang
digunakan didefinisikan dengan fungsi Haar. Dari hasil penelitian menunjukkan bahwa dari uji
pendeteksian dan pengenalan wajah menggunakan metode wavelet didapatkan bahwa akurasi
dengan jarak 50 centimeter sebesar 64%, jarak 75 centimeter sebesar 58% dan jarak 1 meter
sebesar 56%. Keakurasian hasil pendeteksian wajah ini terlepas dari pengaruh oleh spesifikasi
kamere dan kondisi cahaya ruangan serta jumlah data uji yang digunakan.Kata Kunci : Wavelet, Wavelet Haar, openCV
Abstract
This study aims to design systems information absentee based on sensors the face uses the method
wavelet who in the process of java in the program .Wavelet constituting a class of of a function
used to localizing a function in space and scale of .Wavelet used defined by function haar .The
research shows that of the detection and facial recognition in a wavelet got that accuracy with the
distance 50 centimeter at 64 % , 75 centimeter distance of 58 % and the distance 1 meter of 56 %
.Keakurasian the results of detection this face in spite of influence by specification kamere and
light conditions room and the amount of data test used .Key Word : Wavelet, Wavelet Haar, openCV
Volume 6 No 1, Desember 2015
JURNAL IT
1. Pendahuluan
Sistem absensi merupakan salah satu bagian terpenting pada kegiatan yang berorientasi pada kehadiran. Pencatatan absensi merupakan salah satu faktor penting dalam pengelolaan sumber daya manusia (SDM). Dan pada saat ini masih banyak yang menggunakan cara konvensional seperti penggunaan kartu absensi, pencatatan langsung dan teknologi yang berkembang sekarang dengan menggunakan sidik jari. Akan tetapi system ini masih memiliki kelemahan terutama bagi absensi pada orang-orang yang bekerja di pabrik dimana keadaan tangannya sering kotor. Oleh karena itu, dalam penelitian ini dikembangkan sistem absensi dengan teknik pengenalan wajah menggunakan metode wavelet. Metode wavelet merupakan suatu metode baru yang lebih efektif karena basis dalam wavelet ditentukan oleh letak dan skalanya.
Oleh karena itu dalam penulisan selanjutnya akan dijelaskan tentang penelitian terkait, arsitektur dan rancangan sistem, hasil penelitian dan simpulan.
2. Penelitian Terkait
Beberapa penelitian terdahulu yang membahas mengenai wavelet dan pengenalan wajah yang digunakan sebagai acuan dalam penelitian diantaranya : Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah (Sutomo,2012). Penelitian ini menguji tingkat keakuratan informasi hasil transformasi pada citra wajah menggunakan jenis wavelet Haar, Daubechies dan Coiflet, kemudian diterapkan pada sistem pengenalan wajah menggunakan metode Learning Vector Quatization (LVQ).
Wavelets and Face Recognition.(Dao-Qing Dai and Hong Yan, 2012). Dalam Penelitian ini memberikan gambaran tentang wavelet, representasi multiresolusi dan wavelet terbuka yang digunakan dalam teknologi pengenalan wajah.
Wavelet packet analysis for face recognition (C. Garcia, G. Zikos, G. Tziritas, 2012). Penelitian ini menggunakan sebuah metode baru untuk pengakuan pandangan frontal dari wajah manusia di bawah pencahayaan yang konstan.
Wavelet Based Age Invariant Face Recognition Using Gradient Orientation (Saeid. Fazli, and Leila. Ali Hei darloo,2012). Dalam penelitian ini menggunakan wavelet diskrit transformasi dan kombinasi wavelet diskrit transformasi dengan orientasi gradien untuk representasi fitur dan diikuti dengan analisis komponen utama untuk mengurangi fitur dimensi.
3. Arsitektur Dan Rancangan Sistem
Biometrik adalah metode untuk mengindentifikasi atau mengenali seseorang berdasarkan karakteristik fisik atau perilakunya. Biometrik berhubungan dengan identifikasi otomatis seorang manusia berdasarkan karakteristik fisiologis atau perilaku. Beberapa karakteristik fisiologis yang dapat dijadikan basis sistem biometrik antara lain : wajah, pola retina, iris mata, geometri telapak tangan, sidik jari dan lain-lain.
Dalam dunia teknologi informasi, biometrik relevan dengan teknologi yang digunakan untuk menganalisa fisik dan kelakuan manusia untuk autentifikasi. Salah satu contohnya dalam pengenalan fisik manusia yaitu dengan pengenalan pola dari wajah (facial patterns). Pengenalan wajah merupakan salah satu bagian sistem biometrik yang banyak diaplikasikan khususnya dalam bidang keamanan, sistem absensi, dan deteksi pelaku kejahatan melalui CCTV.
Pengenalan wajah dapat dikategorikan dalam 2 bagian dikenali dan tidak dikenali. Kesulitan akan muncul ketika representase wajah dibuat dalam suatu pola untuk membedakan wajah lainnya. Salah satu cara untuk dapat mengenali wajah dengan menggunakan meode wavelet. Wavelet merupakan gelombang mini (small wave) yang mempunyai kemampuan mengelompokan energi citra terkosentrasi pada sekelompok kecil koefisien, sedangkan kelompok koefisien lainnya hanya mengandung sedikit energi yang dapat dihilangkan tanpa mengurangi nilai informasinya.
Dalam penelitian ini, penulis membuat rancangan sistem seperti pada gambar 1. untuk menjelaskan dan menggambarkan sistem secara keseluruhan.
Gambar 1. Rancangan system Volume 6 No 1, Desember 2015
JURNAL IT
Gambar 1 menjelaskan bahwa setiap objek akan direkam atau dipantau oleh webcam kemudian data objek/ gambar objek akan disimpan ke dalam server di sebuah komputer yang merupakan tempat layanan server dan siap untuk di proses dalam program Java. Adapun alur kerja system dapat dilihat pada gambr 2 arsitektur system Kamera Sistem Interface Sistem Start Input Proses Output Deteksi Wajah User Inisialisasi Kamera Cascade Classifier Dengan Haar Penyesuain Ukuran Interface Autentifikasi Gambar Ke Format Penyimpanan Data Konversi Warna Gambar Wajah Wajah Grayscale Wajah Pengenalan Wajah Interface Kelola Data Wajah Pengenalah Wajah User Simpan Identitas User Library OpenCV Database Stop
Gambar 2. Arsitektur Sistem
4. Hasil dan Pembahasan Tahapan pengujian sistem terdiri atas dua pengujian yaitu pengujian fungsional dan kinerja system.
Hasil pengujian fungsional dapat dilihat pada gambar 3 hasil pengujian blackbox. Hasilnya menjelaskan bahwa Dari hasil pengujian interface sistem secara keseluruhan, dimulai dari input sampai sistem menghasilkan output, maka dapat dikatakan bahwa sistem ini telah berjalan dengan baik untuk menghasilkan output yang diinginkan dan sesuai dengan perintah atau input yang diberikan oleh pengguna.
Gambar 3. Hasil pengujian blackbox Selanjutnya pengujian pengenalan wajah dengan metode wavelet. Pengujian ini menggunakan uji kasus sebanyak 5 parameter untuk melihat kemampuan sistem mendeteksi dan mengidentifikasi wajah pada pose yang sudah ditentukan serta pengujian jarak seperti yang terlihat pada Tabel 1.1
Tabel 1.1 Pose Sudut WajahKode No Pose Wajah Pose
1 X1 Sudut Wajah 0 derajat Wajah Lurus dengan Kamera
2 X2 Sudut Wajah 30 derajat Wajah Menoleh Ke Kiri
3 X3 Sudut Wajah 30 derajat Wajah Menoleh Ke Kanan
4 X4 Sudut Wajah 30 derajat Wajah Tengadah
5 X5 Sudut Wajah 30 derajat Wajah Tunduk Volume 6 No 1, Desember 2015
JURNAL IT
1 Orang 1
3 2 60% 40.0%
10 Orang 10
1
1
1
5
3 2 60% 40.0% Rata-rata 58% 42.0% Tabel 1.4 Hasil Pengujian Dengan Pada Jarak 1 Meter.
No Nama Pose Wajah Jumlah Face Face Presentase Error A B C D E Uji Known Unknown Akurasi % %
1
1
1
1
5
3 2 60% 40.0%
2 Orang 2
1
1
1
5
5
1
3 Orang 3
1
4 1 80% 20.0%
6 Orang 6
1
1
5
2 3 40% 60.0%
7 Orang 7
1
1
1
5
3 2 60% 40.0%
8 Orang 8
1
1
1
5
3 2 60% 40.0%
9 Orang 9
3 2 60% 40.0%
1
1
1
3 2 60% 40.0%
8 Orang 8
1
1
1
5
3 2 60% 40.0%
9 Orang 9
1
1
1
5
3 2 60% 40.0%
10 Orang 10
1
1
1
5
3 2 60% 40.0% Rata-rata 56% 44.0%
5
1
1
1
1
5
3 2 60% 40.0%
4 Orang 4
1
1
5
2 3 40% 60.0%
5 Orang 5
1
1
1
5
3 2 60% 40.0%
6 Orang 6
1
1
5
2 3 40% 60.0%
7 Orang 7
5
Adapun Hasil pengujian pendeteksian wajah terhadap kamera dengan jarak 50 centimeter, 75 centimeter dan 1 meter dapat dilihat pada tabel 1.2, 1.3 dan 1,4. Serta grafik persentase akurasi wajah yang dikenali dapat dilihat pada gambar 4. Persentase Akurasi Wajah yang dikenali.
Tabel 1.2 Hasil Pengujian Dengan Pada Jarak 50 Centimeter.6 Orang 6
2 3 40% 60.0%
5 Orang 5
1
1
1
1
5
4 1 80% 20.0%
1
1
1
1
5
3 2 60% 40.0%
7 Orang 7
1
1
1
5
5
1
8 Orang 8
1
No Nama Pose Wajah Jumlah Face Face Presentase Error A B C D E Uji Known Unknown Akurasi % %
1 Orang 1
1
1
1
5
3 2 60% 40.0%
2 Orang 2
1
1
4 Orang 4
1
5
4 1 80% 20.0%
3 Orang 3
1
1
1
5
3 2 60% 40.0%
3 2 60% 40.0%
1
1 Volume 6 No 1, Desember 2015
1
2 Orang 2
1
1
1
5
3 2 60% 40.0%
3 Orang 3
1
1
5
5
3 2 60% 40.0%
4 Orang 4
1
1
5
2 3 40% 60.0%
5 Orang 5
1
3 2 60% 40.0%
1
1
10 Orang 10
1
5
3 2 60% 40.0%
9 Orang 9
1
1
1
5
3 2 60% 40.0%
1
1
1
1
1
5
4 1 80% 20.0% Rata-rata
64% 36.0% Tabel 1.3.Hasil Pengujian Dengan Pada Jarak 75 centimeter.
No Nama Pose Wajah Jumlah Face Face Presentase Error A B C D E Uji Known Unknown Akurasi % %
1 Orang 1
1
1
JURNAL IT
Grafik Akurasi Pengenalan wajah
100.00% 80.00%60.00% 40.00% 20.00% 0.00%
Orang 1 Orang 2 Orang 3 Orang 4 Orang 5 Orang 6 Orang 7 Orang 8 Orang 9 Orang 10 Jarak Jarak Jarak
Gambar 4. Grafik persentase akurasi pengenalan wajah Dari grafik pada gambar 4 terlihat bahwa sistem mampu menghasilkan nilai rata-rata persentase wajah dikenali tertinggi pada pengujian terhadap jarak 50 centimeter yaitu sebesar 80% dan terendah pada pengujian jarak 1 meter yaitu 40% dimana kamera masih mampu untuk mendeteksi wajah dan identifikasi wajah dengan baik.
Adapun hasil pengujian mekanisme system dapat dilihat pada gambar 5. Hasil Pengujian Mekanisme Sistem
Volume 6 No 1, Desember 2015
JURNAL IT
Gambar 5. Hasil Pengujian Mekanisme Sistem
Volume 6 No 1, Desember 2015
JURNAL IT
Keseluruhan data wajah yang menggunakan beberapa arah di atas, akan disimpan ke dalam
database dan digabungkan untuk proses pengenalan wajah sehingga aplikasi dapat mengenali
wajah user yang telah disimpan sebelumnya dari 5 arah yang berbeda.5. Kesimpulan
Keakurasian hasil pendeteksian wajah ini tidak terlepas dari pengaruh oleh spesifikasi kamera dan kondisi cahaya ruangan serta dukungan hardware yang komplit Referensi
[1] Muhammad Wahyu dan Muhammad Helmy Noor. Implementasi teknologi sidik jari untuk sistem
absensi perkantoran dan perusahaan . Jurnal Intekna, Tahun VII, No. 1, Mei 2007 : 52 – 57.
[2] Henry wijaya. Perancangan Sistem Presensi Karyawan Berbasis Pengenalan Citra Wajah di Solo Techno Park. Surakarta : Skripsi Fakultas Teknik Universitas Sebelas Maret, 2011. [3] Muhammad Ilyas Sikki. Pengenalan wajah menggunakan K-Nearest Neighbour dengan praproses transformasi wavelet. Jurnal Paradigma Vol X. No. 2 Desember 2009. [4] Tina Fajrin, Ayu Fiska Nurina. Analisis sistem presensi dengan sidik jari siswa SMK Negeri 2
Karangayar. (IJCSS) 14 - Indonesian Jurnal on Computer Science Speed - FTI UNSA Vol 9 No 3
- – Desember 2012 - ijcss.unsa.ac.id.
- –297 [14] Saeid. Fazli, and Leila. Ali Hei Darloo. Wavelet Based Age Invariant Face Recognition Using Gradient Orientation. IEEE International conference on Advances in Computer and Electrical Engineering Nov. 17-18, 2012 Manila (Philippines)
[5] Arymurthy, aniati murni. Setiawan, suryana. Pengantar pengolahan citra. Elex media komputindo.
2012. [6] Fika Tiara Putri. Analisis Algoritma Eigenface (Pengenalan Wajah) PadaAplikasi Kehadiran Pengajaran Dosen. Jakarta : Tesis Teknik Informatika Universitas Islam Neheri Syarif Hidayatullah. 2011.
[7] Resmana Lim, Yulia, Roy Otniel Pantouw. Pelacakan dan Pengenalan Wajah Menggunakan Webcam dan Metode Gabor Filter. Jurnal Fakultas Teknologi Industri, Jurusan Teknik Informatika, 02 Agustus 2014
[8] Ikhsan Hidayat, Sunardin. Sistem Pengenalan Wajah Manusia Secara RealTime Menggunakan Algoritma Jaringan Saraf Tiruan. Jurnal Teknik Elektro Universitas Ahmad Dahlan, 05 Agustus 2014. [9] Krisnawati. Transformasi Fourier dan Transformasi Wavelet pada Citra. Yogyakarta : STMIK AMIKOM.2012. [10] Olivier Riool and Martin Vetterly. Wavelets and Singnal Processing. IEEE SP Magazine October 2010. [11] Sutarno. Analisis Perbandingan Transformasi Wavelet pada Pengenalan Citra Wajah. Fakultas Ilmu
Komputer, Universitas Sriwijaya. Jurnal Generic Vol.5 No.2 (Juli 2012) [12] Dao-Qing Dai and Hong Yan. Wavelet and face Recognition. IEEE Sun Yat-Sen (Zhongshan) University and city University of Hongkong, June 2012.
[13] C. Garcia, G. Zikos, G. Tziritas. Wavelet packet analysis for face recognition. Elsevier Image and Vision Computing 18 (2012) 289