BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA

2.1

Penelitian Terdahulu Bentuk iris yang berupa lingkaran akan sangat menyulitkan untuk dianalisis dan

diolah lebih lanjut. Pola susunan piksel yang dianalisa harus mengikuti algoritma tertentu yang memungkinkan pengambilan piksel dengan bentuk geometri lingkaran. Hal ini akan sangat merepotkan dan tidak efisien. Untuk mengatasi hal tersebut kita harus terlebih dahulu mengubah citra iris ke dalam bentuk antara yang sesuai. Pengubahan bentuk ini dapat dilakukan dengan melakukan transformasi koordinat polar dari citra iris. Untuk dapat melakukan transformasi tersebut, pertama harus dilakukan deteksi tepian perhitungan parameter koordinat polar, baru kemudian dilakukan pembentukan citra koordinat polar itu sendiri. Iris merupakan bagian yang berwarna yang tampak pada bola mata. Bagian iris terlihat sebagai lingkaran mata yang melingkupi bagian hitam pupil dengan warna-warna tertentu (Maltoni e Al, 2003). Perhatikan gambar 2.1 dibawah ini :

Gambar 2.1 Penampakan Iris pada bagian mata 2.1.2

Karakteristik Iris

Secara anatomi iris merupakan sebuah organ internal yang dilindungi, terletak dibelakang kornea dan aqueous humour, serta berada di depan lensa mata.

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

7

Iris merupakan satu-satunya organ internal tubuh yang dapat terlihat dari luar. Iris dapat terlihat cukup jelas pada jarak 1 meter (Munir, 2006). Perhatikan gambar 2.2 dibawah ini :

Gambar 2.2 Struktur Anantomi Mata Bagian depan dari iris berbentuk tidak teratur, cendrung kasar serta memiliki alur tidak rata. Bagian ini dibentuk oleh lapisan yang terdiri dari sel pigmen dan fibroblast. Bagian bawah dari lapisan ini adalah jaringan ikat yang berkadar darah rendah (poorly vascularized) dengan beberapa serat, fibroblast dan melanocyte. Bagian selanjutnya merupakan bagian yang kaya akan supply darah tertutup oleh jaringan ikat yang longgar [Diambil dari Basic Histology 8th edition oleh L. Carlos Junquerira, Jose Carneiro, Robert O. Kelley ISBN: 0-8385-0567-8] Tekstur dari iris bersifat stokastik. Hal ini disebabakan karena morfologi iris sangat bergantung pada kondisi awal pada fasa mesoderm embrionik, saat dimana iris mulai berkembang. Bentuk fenotip dari dua iris yang bahkan mempunyai genotip yang sama (misalnya pada dua orang yang kembar atau iris kiri dan kanan) akan tidak berkorelasi satu sama lainnya (Gonzales and Woods 1992). Adapun karakteristik iris adalah Me mpuny a ib e n t ukge ome t r ip ol a r ,me r upa ka ns i s t e mkoor di n a ty a n ga l a mi . Me mpuny a it i n gka tke t i da kt e r a t ur a ny a n gt i n ggi ,da n me mpuny a ie n t r opi3, 2 bi t pe r mi l i me t e rj a r i n ga ni r i s .

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

8

2.1.3 Warna Dasar Iris Mata Wa r n ai r i sma n us i as a n ga tb e r a n e kar a ga m,t e r ga n t un gda r ir a sda ne t n i kny a .Be b e r a paa hl i i r i dol ogime n gkl a s i f i ka s i ka nwa r n ai r i sy a n gme nj a dihi t a m,c okl a t ,e ma s ,bi r ut ua ,h i j a u,bi r u muda ,da na b ua b u.Ke s e mua ny ai t uda pa tdi b a gime nj a dit i gab a gi a nut a ma ,y a i t u:bi r u, c okl a t ,da nc a mpur a n .Wa r n abi r uda nc okl a tme r upa ka nwa r n ai r i smur ni .Wa r n ac a mpur a n b e r a s a lda r iga b un ga n ge n e t i ky a n gb e r b e da s e b a ga ia ki b a tpe r ka wi n a na n t a rr a s ,da n me r upa ka na n oma l ige n e t i kda r iwa r n ai r i sc okl a tda nb i r uSe ka r a n gi ni ,s e b a ga ia ki ba t pe r ka wi n a na n t a rr a s ,t e r da pa tb e r ma c a mma c a m wa r n ada s a ri r i s .Ti da kt e r da pa twa r n ay a n g i de a l ,de n ga nka t al a i nt i da kt e r da pa ti r i sde n ga nwa r n ay a n gpa l i ngb a i k,ma s i ngma s i ng me mi l i kike l e bi ha nda nke kur a n ga n .I r i sy a n gj e r ni hme n gi n di ka s i ka nb e r b a ga ior ga ndi da l a mt ub uhb e r f un gs ide n ga nb a i k.J i kas a l a hs a t uor ga nt ub uht i da kb e r f un gs ide n ga n n or ma l ,t e r da pa tke mun gki n a nwa r n ai r i sa ka nb e r ub a hpa daa r e ay a n gb e r h ub un ga nde n ga n b a gi a nt ub uhy a n gb e r s a n gkut a n( Da r maPut r aI KG,2009 ) .Pe r h a t i ka nga mb a r2. 3di b a wa hi ni :

Gambar 2.3 Skema Warna Mata I r i sBi r u Wa r n abi r uda r ii r i sme r upa ka nr e f l e ks ic a h a y ada r ij a r i nga ne phi t e lpos t e r i ory a n gt e r l i h a t me l a l uis t r omay a n gt a kb e r pi gme n( l a pi s a not otpa dai r i s ) .I r i sb e r wa r n ada s a rb i r u/ a b ua b u


9

di t e muka ndiNor di c ,Er opa ,da nr a sAn gl oSa x on .Wa r n ai r i si nime n gi n di ka s i ka nmuda hny a t e r s e r a n gk on di s i‘ a s a m’s e pe r t ia r t h r i t i c ,r h e uma t i c ,a s ma ,da n pe ny a ki tbi s ul( ul c e r ) .Pa daumumny ame r e kame mpuny a is e lda r a hy a n gl e bi hke c i l ,da n ke c e n dr un ga nc ol de x t r e mi t i e s ,gi nj a ly a n gl e ma h da n pe ny e mpi t a n pe mb ul uh l i mf e ( Ka r mi l a s a r i ,2008 ) . I r i sCokl a t Pa dai r i sy a n gb e r wa r n ac okl a t ,s e lpi gme nda r is t r omame mbe r i ka nwa r n apa dama t a .Wa r n a c okl a tdi t e n t uka nol e hkon s e n t r a s is e lpi gme nda l a m ma t a .Wa r n ada s a ri r i sma t ac okl a t di t e muka ndiAs i a ,Af r i ka ,I n di a n ,da nRa sSe mi t .Ha li nime n unj ukka ns e lda r a hy a n gl e bi h t e b a l ,da nke c e n de r un ga npa dape ny a ki tpe n c e r n a a n ,da nke r us a ka ns i s t e ms a r a f .I r i sy a n g b e r wa r n ac okl a tumumny ame n unj ukka nt e ks t u rb e r pa s i r . I r i sCa mpur a n I r i sc a mpur a nme r upa ka nh a s i lpe n c a mpur a na n t a r awa r n ai r i sbi r uda nc okl a t . Te r da pa tb e r b a ga ima c a mv a r i a s ia n t a r abi r uda nc okl a t .Wa r nai r i sc a mpur a nme mpuny a i da s a rge n e t i kbi r u,da nor a n gy a n gme mi l i kiwa r nai r i si nir a wa nt e r h a da pk on di s i‘ a s a m’da n ke r a c un a n .Or a n gde n ga ni r i sc a mpur a n me me r l uka npe me l i ha r a a nt ub uhs e c a r akh us us , t e r u t a mapa dape n c e r n a a nda ns i s t e ms a r a f ,de n ga nc a r ake bi a s a a nhi dupy a n gt e r a t u r .Se l a i n wa r n ada s a ri r i s ,s e r i n gka l iki t at e muka na dawa r n al a i ndida l a mi r i s .Ha li nime n unj ukka n a da ny adi s f un gs ida r ior ga ndida l a mt ub uhy a n gl e t a kny adi t unj ukka nol e hl e t a kwa r n al a i n t e r s e b utdida l a mi r i s .Wa r nal a i ni nia n t a r al a i npu t i h ,kuni ng,or a n ge ,c okl a t ,me r a h ,da n hi t a m. 2.1.4

Binerisasi

Da l a m ha li nic i t r ama t aa ka ndi ub a hda r ic i t r awa r n ame nj a dic i t r agr a y s c a e ll a l ume nj a di c i t r abi n e rde n ga nt h r e s h ol dni l a ide r a j a tke a b ua n128.Ha s i lda r ipr os e si nia da l a hb e n t uki r i s


10

ma t ay a n gb e r wa r n ahi t a m( pi x e l0)da ns e l a i nnyab e r wa r n apu t i h( pi x e l1) /Pr os e si nibi s a di s e b utj ugat a h a ps e gme n t a s iy a n gme mi s a h ka nr oii r i sy a n gdi i n gi n ka nde n ga nb a gi a nl a i n ma t ay a n gt i da kdi b ut uh ka ns e c a r agl ob a l( For dAdr i a n ,2008 ) . 2.1.5 Operasi Morphologi Be n t uki r i spa dama t aka da n gka l at e r ga n gguol e hke h a di r a nki l a t a nbl i t za t a upa n t ul a nc a h a y a y a n ga ka nme ni mb ul ka ns potpu t i h( gl a r e )dida l a mb a gi a ni r i s .Da l a mc i t r abi ne rh a li nida pa t di l i ha t da r ike h a di r a nl uba n g pu t i h pa da b a gi a ni r i sy a n gb e r wa r n a hi t a m. Un t uk me n ghi l a n gka nn oi s es e pe r t ii nida pa tdi l a kuka nope r a s imor ph ol ogiun t ukme n ut upl ub a n g gl a r ey a n gt e r j a di .Pr os e sy a n gdi l a kuka na da l a hpr os e sc l os i n g,y a i t ude n ga nme l a kuka n ope r a s idi l a s ida ne r os is e c a r ab e r u r u t a nb ul a t a n hi t a m de n ga nl a t a rpu t i h .La n gka h s e l a nj ut ny aa da l a hun t ukme n ga mbi lh a ny ab a gi a ni r i sde n ga nme l a kuka nr e k on s t r uks iul a n g c i t r ama t aa s l i .Un t ukb a t a s a ny a n gdi gun a ka nda l a mr e kon s t r u ks il ooku p,da pa tdi pe r l e h de n ga npe n c a r i a nt i t i kda r ipus a tket e pii r i st e r l ua rhi n ggame n c a pa it i t i kput i hy a ngpe r t a ma ( s e b a ga ib a t a si r i s )pa dac i t r abi n e r( Da u gma nJ ,2 0 02) . 2.1.6 Rekonstruksi Look Up Da r ipr os e ss e gme n t a s is e b e l umny a ,a ka ndi pe r ol e hb a gi a ni r i ss e b a ga ib e n t ukb ul a t a nhi t a m de n ga nl a t a rpu t i h .La n gka hs e l a nj ut ny aa da l a hun t ukme n ga mbi lh a ny ab a gi a ni r i sde n ga n me l a kuka nr e kon s t r uks iul a n gc i t r a ma t aa s l i .Un t uk b a t a s a ny a n g di gun a ka n da l a m r e k on s t r uks il ooku p,da pa tdi pe r l e hde n ga npe nc a r i a nt i t i kda r ipus a tket e pii r i st e r l ua r hi nggame n c a pa it i t i kput i hy a n gpe r t a ma( s e b a ga ib a t a si r i s )pa dac i t r ab i n e r( Wa y ma n , 2000) . 2.1.7 Transformasi Koordinat Polar Be n t uki r i sy a n gb e r upal i n gka r a na ka ns a n ga tme ny ul i t ka nun t ukdi a n a l i s i sda nl e bi hl a nj ut .


11

Pol as us un a npi ks e ly a n gdi a n a l i s ah a r usme n gi ku t ia l gor i t mat e r t e n t uy a n gme mun gki n ka n pe n ga mbi l a npi ks e lde n ga nb e n t ukge ome t r il i n gka r a nHa li nia ka ns a n ga tme r e pot ka nda n t i da ke f i s i e n .Un t uk me n ga t a s iha lt e r s e b utki t ah a r ust e r l e bi hda h ul ume n gub a hc i t r ai r i ske da l a mb e n t uka n t a r ay a n gs e s ua i .Pe n gub a h a nb e nt uki nida pa tdi l a kuka nde n ga nme l a kuka n t r a n s f or ma s ikoor di n a tp ol a rda r ic i t r ai r i s .Un t u kda pa tme l a kuka nt r a n s f or ma s it e r s e b ut , pe r t a ma h a r us di l a kuka n de t e ks it e pi a n ,pe r hi t un ga n pa r a me t e rk oor di n a tp ol a r ,b a r u ke mudi a ndi l a kuka npe mb e n t uka nc i t r ak oor di n a tp ol a ri t us e n di r i( Sy a r i f uddi nMa de n da , 2005). 2.2 Citra Me n ur ut a r t is e c a r ah a r a f i a h ,c i t r a( i ma ge )a da l a h ga mba r pa da bi da n g dua di me n s i .Di t i nj a u da r is udutpa n da n g ma t e ma t i s ,c i t r ame r upa ka nf un gs ime ne r usda r i i n t e n s i t a sc a h a y apa dabi da n gduadi me n s i .Sumb e rc a h a y ame n e r a n giobj e k,ke mudi a nobj e k me ma n t ul ka nke mba l is e ba ga i a nda r ib e r ka sc a h a y a .Pa n t ul a nc a h a y ai nidi t a n gka pol e ha l a t a l a top t i k,s e pe r t ima t a ma n us i a ,ka me r a ,pe mi nda i( s c a nn e r ) ,da nl a i nl a i ns e hi ngga b a y a n ga nobj e kda l a mb e n t ukc i t r ada pa tt e r e ka m( Si t or usda nSy a h r i ol ,2006) . Ci t r adi de f i ni s i ka ns e b a ga if un gs ii n t e ns i t ha a n( gray level)da r ic i t r adi t i t i kt e r s e b ut ( Gon z a l e sda nPur wa n t oAr i ,2007) . Ci t r as e b a ga iout pu tda r is ua t us i s t e m pe r e ka ma nda t ada pa tb e r s i f a t( Si t or usSy a h r i ol , 2006) : 1)Opt i kbe r upaf ot o 2)An a l ogb e r upas i ny a lVi de os e pe r t iga mba rpa dal a y a rmoni t ort e l e vi s i . 3)Di gi t a ly a ngda pa tl a n gs un gdi s i mpa npa dame di ape nyi mpa n a nma gn e t i c . Ci t r ada pa tdi ke l ompoka nme nj a diduab a gi a nya i t u:c i t r adi a m da nc i t r ab e r ge r a k. Ci t r adi a ma da l a hc i t r at un gga ly a n gt i da kda pa tb e r ge r a k,s e da n gka nc i t r ab e r ge r a ky a i t u


12

s ua t ur a n gka i a nc i t r adi a my a n gdi t a mpi l ka ns e c a r ab e r un t uns e hi nggame mbe r ike s a npa da ma t as e b a ga iga mba ry a n gb e r ge r a k. Se t i a pc i t r a di da l a mr a n gka i a ni t u di s e b utframe. Ga mb a r -ga mba ry a n gt a mpa kpa daf i l ml a y a rl e b a ra t a ut e l e vi s ih a ke ka t ny at e r di r ida r i r a t us a nb a h ka nr i b ua nframe. ( Si t or us , Sy a h r i ol ,dkk,2006) . Ci t r aj ugada pa tdi ke l ompoka nme nj a diduab a gi a ny a i t uc i t r at a mpa kda nc i t r at a k t a mpa k.Ci t r at a mpa ks e pe r t if ot o,ga mb a r ,l uki s a n ,da ns e ga l as e s ua t uy a n gn a mpa kdi l a y a r moni t or / t e l e vi s i ,h ol ogr a m.Se da n gka nc i t r at a kn a mpa ks e pe r t ida t af ot o/ ga mba rda l a mf i l e , c i t r ay a n gdi r e pr e s e n t a s i ka nda l a mf un gs ima t e ma t i s . Ci t r aDi gi t a la da l a hc i t r ade n ga nf ( x , y )y a n gni l a i ny adi di gi t a l i s a s i ka nb a i kda l a m koor di n a t s pa s i a lma upunda l a m gray level.Di gi t a l i s a s i ka nda r ikoor di n a ts pa s i a lc i t r adi s e b utde n ga n image sampling.Se da n gka ndi gi t a l i s a s ida r igray level c i t r adi s e b utgray-level quantization. Ci t r adi gi t a lda pa tdi ba y a n gka ns e b a ga is ua t ub e n t ukma t r i ksdi ma n ab a r i sda n kol omny ame r e pr e s e n t a s i ka ns ua t ut i t i kdi da l a mc i t r a ,ni l a ie l e me nma t r i kst e r s e b ut me n unj uka ngray level di t i t i kt e r s e b ut .Ha lt e r s e b utda pa tdil i ha tol e hga mba r2. 4

Gambar 2.4 Gray Level Te kn ol ogida s a run t uk me n c i pt a ka n da n me n a mpi l ka n wa r n a pa da c i t r a di gi t a l b e r da s a r ka npa dape n e l i t i a nb a h was e b ua hwa r n ame r upa ka nkombi na s ida r it i gawa r na da s a r ,y a i t ume r a h ,hi j a u,da nbi r u( Red, Green, Blue). Kompos i s iwa r n aRGBt e r s e b utda pa t di l i ha tpa daga mb a r2. 5


13

Gambar 2.5 Susunan Warna RGB Be b e r a pake gi a t a ny a n gb e r h ub un ga nde n ga nc i t r a( I dh a wa t iHe s t i ni ngs i h) : 1)Pe n c i t r a a n( image) Pe n c i t r a a nme r upa ka nke gi a t a nme n gub a hi nf or ma s ida r ic i t r at a mpa k/ c i t r an on di gi t a lme nj a dic i t r adi gi t a l .Be be r a paa l a ty a n gda pa tdi guna ka nun t ukpe n c i t r a a n a n t a r al a i ns e pe r t is c a n e e r ,ka me r adi gi t a l ,da nka me r as i na rx / s i na ri nf r ame r a h . 2)Pe n gol a h a nCi t r a Pe n gol a h a nc i t r a me r upa ka n ke gi a t a n me mpe r b a i kikua l i t a sc i t r aa ga rmuda h di i n t e r pr e t a s iol e hma n us i a / me s i n( komput e r ) .Pr os e spe ma s uka nny aa da l a hc i t r a da npr os e ske l ua r ny aj ugac i t r at e t a pide n ga nkua l i a t a sl e bi hb a i kda r ipa dac i t r a ma s uka n ,c on t ohs ua t uc i t r awa r n a ny akur a n gt a j a m,ka b ur ,me n ga n dun gn oi s e ( ke l ua r ny abi n t i kbi n t i kput i h ) ,da nl a i n l a i n.Se hi nggape r l ua da ny ape mr os e s a n un t ukme mpe r ba i kic i t r aka r e n ac i t r at e r s e b utme nj a dis ul i tdi i n t e r pr e t a s i ka nka r e na i nf or ma s iy a n gdi s a mpa i ka nme nj a dibe r kur a n g. 3)An a l i s aCi t r a


14

An a l i s ac i t r aka r e n ac i t r at e r s e b utme nj a dis ul i tdi i n t e r pr e t a s i ka nka r e nai nf or ma s i y a n gdi s a mpa i ka nme nj a dibe r kur a n g. Ti gabi da n gs t udiy a n gb e r ka i t a nde n ga nda t ac i t r aa n t a r al a i n: 1)Gr a f i kaKomput e r(Computer Graphic). 2)Pe n gol a h a nCi t r a( Image Processing). 3)Pe n ge n a l a nPol a( Pattern Recognation/Image Interpretation) Hub un ga nda r ike t i gabi da n gt e r s e b utda pa tdi l i ha tpa daga mba r2. 6

Gambar 2.6 Pengolahan Citra Gr a f i kakomput e rb e r t uj ua nme n gh a s i l ka nc i t r ay a n gl e bi ht e pa tdi s e b utgr a f i ka t a u picture de n ga ns ua t u pr i mi t i ve ge ome t r i ,s e pe r t iga r i s ,l i ngka r a n da nv ol ume .Pr i mi t i f ge ome t r it e r s e b utme me r l uka nda t ay a n gde s kr i pt i fun t ukme l uki se l e me n e l e me nga mb a r . Con t ohda r ida t ade s kr i pt i fa da l a hkoor di n a ts ua t ut i t i k,pa nj a n gga r i s ,j a r i j a r il i ngka r a n , t e b a lga r i s ,da n wa r n a .Gr a f i ka komput e rme ma i nka n pe r a n a n pe n t i n g da l a m pr os e s visualization da nvirtual reality ( AlFa t t aHa ni f ,2009) .Un t ukl e bi hj e l a s ,da pa tdi l i ha tpa da ga mb a r2. 7


15

Gambar 2.7 Citra Fungsi Dua Variabel Pe n gol a h a nc i t r ay a i t u me n t r a s f or ma s i ka nc i t r a me nj a dic i t r ay a n gl a i na da l a h pe ma mpa t a nc i t r a .Pr os e spe n gol a h a nc i t r aa n t a r al a i n pe n ghi l a n ga n de r a u( noise) da n pe n a pi s a n( filtering) c i t r a . Un t ukl e bi hj e l a sny a ,pe r h a t i ka nga mba r2. 8

Gambar 2.8 Citra ( noise ) Pe n ge n a l a npol aa da l a hs ua t ua kt i vi t a sun t ukme n ge l ompoka nda t an ume r i k da n s i mb ol i kt e r ma s ukc i t r as e c a r aot oma t i sol e hme s i nda l a mh a li nikomput e r .Tuj ua nda r i pe n ge l ompoka na da l a hun t ukme n ge n a l is ua t uobj e kdi da l a mc i t r a .Ma n us i ada pa tme n ge n a l i obj e ky a n gdi l i ha t ny aka r e n aot a kma n us i at e l a hbe l a j a rme n gkl a s i f i ka s iobj e ky a n gt e r da pa t di a l a m,s e hi nggama mpu me mbe da ka ns ua t u obj e k de n ga n obj e kl a i nny a .Ke ma mpua n s i s t e m visual ma n us i ai ni l a hy a n gdi c ob aun t ukdit i r uol e hme s i n .Komput e rme n e r i ma ma s uka nb e r upac i t r aobj e ky a n gdii de n t i f i ka s i ,me mpr os e sc i t r ada nme mbe r i ka nke l ua r a n b e r upade s kr i ps iobj e kdi da l a mc i t r a( AlFa t t aHa ni f , 2009) .Un t ukl e bi hj e l a spe r h a t i ka n ga mb a r2. 9


16

Gambar 2.9 Perolehan Citra Digital Komputer Vision a da l a ha pl i ka s il a i nda l a m artificial intelligence y a n gb e r ka i t a ne r a t de n ga nc i t r a .Computer vision me r upa ka na l a ta n a l i s i s da ne v a l ua s ivi s ua lde n ga n me n ggun a ka n komput e r .Te kni k artificial intelligence me mun gki nka n komput e r bi s a me n guj is e b ua hga mba ra t a ua de ga nny a t ade n ga nme n gi de n t i f i ka s iobj e k,c i r i c i r i ,a t a upol a pol a ny a . Komputer Vision me r upa ka npr os e sot oma t i sy a ngme n gi n t e gr a s i ka ns e j uml a hb e s a r pr os e sun t uk pe r s e ps ivisual ma n us i a( human vision) y a n gs e s un gguhny a da ns a n ga t kompl e ks .Ma n us i a me l i ha tobj e k de n ga ni nde r a pe n gl i ha t a n( ma t a ) ,l a l uc i t r a obj e k di t e r us ka nkeot a kun t ukdi i n t e r pr e t a s is e hi nggama n us i ame n ge r t iobj e ka pay a n gt a mpa k da l a mpa n da n ga nma t a .Ha s i li n t e r pr e t a s ii nidi guna ka nun t ukpe n ga mbi l a nke put us a n . 2.3 Pengenalan Pola Pol aa da l a he n t i t a sy a n gt e r de f i ni s ia t a udi de f i ni s i ka nme l a l uic i r i c i r i ny a( feature). Ci r i c i r it e r s e b utdi guna ka nun t ukme mbe da ka ns ua t up ol ade n ga npol al a i nny a .Ci r iy a n g b a i ka da l a hc i r iy a n gme ml i kida y ape mbe day a n gt i n ggi ,s e hi nggape n ge l ompoka npol a b e r da s a r ka nc i r iy a n gdi mi l i kida pa tdi l a kuka nde n ga nt i n gka tke a kur a t a ny a n gt i n ggi( Al Fa t t aHa ni f ,2009) . Be b e r a pac on t okp ol a : 1)Hur uf ,me mi l i kic i r i c i r is e pe r t it i n ggi ,t e b a l ,t i t i ks udut ,da nl e n gkun ga nga r i s . 2)Sua r a ,me mi l i kic i r i c i r is e pe r t ia mpl i t udo,f r e kue ns i ,na da ,da ni n t on a s i .


17

3)Ta n dat a n ga n ,me mi l i kic i r i c i r is e pe r t ipa nj a n g,ke r umi t a n ,da nt e ka n a ny a n g c ukupkua t . 4)Si di kj a r i ,me mi l i kic i r i c i r is e pe r t il i ngkun ga n ,da nj uml a hga r i s . Ci r i c i r ipa das ua t upol ay a n gt e r da pa tdi da l a mc i t r a ,c i r i c i r iy a n gda pa tdi pe r ol e h b e r a s a lda r ii nf or ma s i : 1)Spa s i a l ,s e pe r t ii n t e ns i t a spi ks e lda nhi s t r ogr a m. 2)Te pi ,s e pe r t ia r a hda nke kua t a n . 3)Kon t ur ,s e pe r t iga r i s ,e l l i ps ,da nl i ngka r a n . 4)Wi l a y a h / b e n t uk,s e pe r t ike l i l i ng,l ua s ,da npus a tma s s a Pe n ge n a l a npol ab e r t uj ua nme n e n t uka nke l ompoka t a uka t e g or ipol ab e r da s a r ka nc i r i c i r iy a n gdi mi l i kiol e hpol at e s e b ut .De n ga nka t al a i n,pe n ge na l a npol ame mbe da ka ns ua t u obj e kde n ga nobj e ky a n gl a i n . Be b e r a pade f i ni s it e n t a n gpe n ge n a l a npol adi a n t a r any a : 1)Pe n e n t ua ns ua t u ob j e kf i s i ka t a u ke j a di a n ny a t ada l a ms a l a hs a t ua t a u ke b e b e r a paka t e gor i( Dudada nHa r tda l a mAlFa t t aHa ni f ,2009) . 2)I l mu pe n ge t a h ua n y a n g me ni t i be r a t ka n pa da de s kr i ps i da n kl a s i f i ka s i ( pe n ge n a l a n )da r is ua t upe n gukur a n( Sc h a l kof fda l a mAl lFa t t aHa ni f ,2009) . Be r da s a r ka n de f i ni s idi a t a s ,pe n ge na l a n pol ada pa tdi de f i ni s i ka ns e b a ga ic a b a n g ke c e r da s a nb ua t a ny a n gme ni t i b e r a t ka npa dame t odepe n gkl a s i f i ka s i a nobj e kkeda l a m ke l a s ke l a st e r t e n t uun t ukme ny e l e s a i ka nma s a l a ht e r t e n t u. Pe n ge n a l a npol ame r upa ka nc a b a n gda r ike c e r da s a nb ua t a ny a n gs a a ti nib e r ke mba n g pe s a tun t ukme n dukun ga s pe kke a ma na ns ua t us i s t e m.Sa a ti ni ,a pl i ka s i a pl i ka s ipe n ge n a l a n pol aj ugas a n ga tb e r ke mb a n gpe s a t ,di a n t a r a ny a : 1)Voice recognition y a n gme n ggun a ka npe n ge n a l a ns ua r as e b a ga ika t akun c ib a gi pe n ggun as i s t e mt e r s e b ut .


18

2)Fingerprint identification y a n gme n ggun a ka npe n ge n a l a ns i di kj a r is e b a ga ika t a kun c it e l a ht e r pa ka is e c a r al ua ss e b a ga ipe n gga n t ipassword a t a upunpin un t uk me n ga ks e ss i s t e mt e r s e b ut . 3)Face identification y a n gme n ggun a ka npe n ge n a l a nwa j a hs e b a ga ika t akun c iba gi a n pe n ggun as i s t e m t e r s e b ut ,b a h ka ns a a ti ni b a da n pe n e ga kh ukum s e da n g me n ge mba n gka n s i s t e m un t uk me n gi de n t i f i ka s i ka n pa r a b ur on a n de n ga n me l a kuka nscanning pa dawa j a hpa r ape l a kuke j a h a t a ny a n gs uda hdia t urdi da l a m s i s t e mt e r s e b ut . 4)Handwriting identification y a n gme n ggun a ka npe n ge n a l a nt ul i s a ny a n gt e l a hs e c a r a l ua sdi guna ka n ol e hs i s t e m pe r b a n ka n un t uk me mbukt i ka n pa r an a s a b a hy a n g b e n a r b e n a rb e r h a k. 5)Optical Character Recognition (OCR) y a n gs e c a r al ua sdi gun a ka npa dacounter pe n ge c e ka nba r a n g. 6)Robot vision y a n gdi gun a ka nol e ha pl i ka s ir ob ot i cda l a m me n ge n a l iobj e kt e r t e t u pa dal i ngkun ga ny a n guni k. 2.3.1 Komponen Sistem Pengenalan Pola Si s t e mpe n ge n a l a npol ada s a rt e r di r ida r i( AlFa t t aHa ni f ,2009) : 1)Se n s or Se n s or di gun a ka n un t uk me n a n gka p obj e k ya n gc i r ia t a u featurnya a ka n di e ks t r a ks i . 2)Me ka ni s mePre-processing Me ka ni s mepe n gol a h a nobj e ky a n gdi t a n gka pol e hs e n s or ,b a gi a ni nibi a s a ny a di gun a ka nun t ukme n gur a n gikompl e ks i t a sc i r iy a n ga ka ndi pa ka iut ukpr os e s kl a s i f i ka s i . 3)Me ka ni s mePe n c a r iFeature


19

Ba gi a ni nidi gun a ka nun t ukme n ge ks t r a kc i r iya n gt e l a hme l a l uit a ha pa npreprocessing un t ukme mi s a h ka nny ada r ikumpul a nc i r i c i r iy a n gt i da kdi pe r l uka n da l a mpr os e skl a s i f i ka s ida r is ua t uobj e k. 4)Al gor i t maPe mi l a h Pa dat a h a pa ni nikl a s i f i ka s idi l a kuka nde n ga nme n ggun a ka na l gor i t makl a s i f i ka s i t e r t e n t u .Ha s i lda r it a h a pa ni nia da l a hkl a s i f i ka s ida r iobj e ky a n gdi t a n gka pke da l a mkr i t e r i a kr i t e r i ay a n gt e l a hdi t e n t uka n . 2.3.2 Pendekatan Pengenalan Pola Apl i ka s ipe n ge n a l a npol ada pa tdi b ua tde n ga nb e be r a pape n de ka t a n .Aday a n gb e r upa pe n de ka t a n me n ggun a ka nb a s i sstatistical un t uk me n gh a s i l ka npol a .Pe n de ka t a nl a i nny a me n ggun a ka ns t r uk t urda r ipol ay a n gme ny e di a ka ni nf or ma s if un da me n t a lun t ukpe n ge n a l a n pol a .Pe n de ka t a nl a i nl a gia da l a hde n ga nme mb a n gunda nme l a t i hs ua t ua r s i t e kt u ry a n g s e c a r aa kur a tme n ga s os i a s i ka ni n putp ol at e r t e n t ude n ga nr e s pony a n gdi h a r a pka n . 1)Pe n de ka t a nPe n ge n a l a nPol aStatisikal Pe n ge n a l a npol astatistical me mi l i kia s ums is ua t ub a s i sstatistic un t uka l gor i t ma kl a s i f i ka s i .Se ke l ompokka r a t e r i s t i kpe n gukur a ny a n gme n unj uka nc i r idi e ks t r a s i da r ida t ai n putda ndi gun a ka nun t ukme ne n t uka ns e t i a pvector feature keda l a m s ua t uke l a s .Ci r i( feature) di a s ums i ka ndi h a s i l ka ns e c a r an a t ur a l ,s e hi nggamode l y a n gb e r s a n gkut a n me r upa ka n ke l a s ke l a spr ob a bi l i t a sa t a uf un gs ike pa da t a n probability denisty function y a n gt e l a hdi kon di s i ka n . a ) Pol adi pi l a hb e r da s a r ka nmode lstatistic da r ic i r i . b )Mode lstatistic di de f i ni s i ka ns e b a ga is e b ua hf un gs ike r a pa t a nr ua n gb e r s y a r a t ke l a s . Pr( x | c )de n ga ni =1, 2, 3, . . . . . , N. i i 2)Pe n de ka t a nPe n ge n a l a nPol aSintaktik


20

Sua t u pe n de ka t a nt e r h a da p pol ac i t r a da pa tdi l a kuka n de n ga n me nga n a l i s i s s t r uk t urp ol ada r ic i t r a . a ) Pol adi pi l a hb e r da s a r ka nke s e r upa a nukur a nstructural. b )“ Pe n ge t a h ua n ” di r e pr e s e n t a s i ka ns e c a r a formal grammar a t a u de s kr i ps i r e l a s i on a ly a n g me n gha s i l ka n de s kr i ps ihi e r a r kida r ipol akompl e ksy a n g t e r s us unda r ipol ab a gi a ny a n gl e bi hs e de r h a na . 3)Pe n de ka t a nPe n ge n a l a nPol aNeural Pe n de ka t a ny a n gke t i gay a i t upe n ge n a l a npol aneural,me t odei nime r upa ka n ga b un ga nda r ike duac a r as e b e l umny ay a i t us e c a r astatistic da nsintaktik,i t u a r t i ny ape n de ka t a nde n ga nc a r ai nia ka nme nyi mpa ns e muaf a kt ada r iob e ki t u s e n di r .Se hi nggas e ma ki ns e r i ngs i s t e m di l a t i hma kas e ma ki nc e r da spul as i s t e m y a n gdi h a s i l ka n .Pe n de ka t a ni nime r upa ka nb a gi a nda r ij a r i nga ns a r a ft i r ua nun t uk me n gi de n t i f i ka s is ua t up ol a . a ) Pe mi l i ha ndi l a kuka nbe r da s a r ka nt a n gga pa ns ua t uj a r i nga npe n gol a h a ns i ny a l ( neuron) t e r h a da ps t i mul usma s uka npol a( pol a ) . b )Pe n ge t a h ua n di s i mpa n da l a m s a mbun ga na n t a rneuron da n pe mb ob ot a n sinaptik. 2.4 Pengenalan Wajah (Face Recognition) Se c a r aumum s i s t e m pe n ge n a l a nc i t r awa j a hdi ba gime nj a diduaj e ni s ,y a i t us i s t e m feature-based da ns i s t e ms i s t e m image-based. Pa das i s t e m pe r t a madi gun a ka nc i r iy a n g di e ks t r a s ida r ikompon e nc i t r awa j a hs e pe r t ima t a ,hi dun g,mul ut ,da unt e l i nga ,da nl a i nl a i n y a n gke mudi a ndi mode l ka ns e c a r age ome t r i sh ubun ga na n t a r ac i r i c i r it e r s e b ut .Se da n gka n pa da s i s t e m ke dua me n ggun a ka ni nf or ma s ime n t a h da r ipi ks e lc i t r ay a n g ke mudi a n di r e pr e s e n t a s i ka nda l a m me t odet e r t e n t u,mi s a l ny as e pe r t iPrincipal Compenent Analysis (PCA) a t a ut r a n s f or ma s iwavelet y a n gdi gun a ka nun t ukkl a s i f i ka s ii nde n t i t a sc i t r a( AlFa t t a , Ha ni f ,2009) .Al a nBr ookspe r n a hme n ge mba n gka ns e b ua hpe n e l i t i a ny a n gme mba n di ngka n duaa l gor i t may a i t uEigenface da nFisherface. Pe n e l i t i a ni nidi f okus ka npa dape r ub a ha npos e wa j a ha pa ka hme mpe n ga r uhia kur a s ipe n ge n a l a nwa j a h .Di b e r i ka ndatabase y a n gb e r upa


21

f ot owa j a hma n us i a ,ma t ama n us i a ,da unt e l i ngama n us i ay a n gke mudi a ndi gun a ka nun t uk me l a t i hs e b ua hs i s t e mun t uks ua t upe n ge n a l a n . Pr os e ss e l a nj ut ny ay a i t us e b ua hma s uka nimage y a n gs e b e n a r ny as a made n ga ns a l a h s a t uimage ma t aa t a upunwa j a hpa daf a s el a t i h a nt e t a pide n ga npos ey a n gb e r b e da .Si s t e m j ugadi ha r a pka npuny as e n s i t i f i t a smi ni ma lt e r ha da ppe n c a ha y a a n .Si s t e m di ke mba n gka n de n ga nduaa l gor i t may a i t uEigenface da nFisherface, da ndi b a n di ngka nha s i l ny a .Ke dua t e kni kme n gh a s i l ka nh a s i ly a n gme mua s ka nt e t a pia dab e b e r a pab a ny a kpe r be da a n .Pa da Eigenface kompl e ks i t a skomput a s il e bi hs e de r h a n ada r i pa daFisherface. Da r is e gi e f e kt i f i t a ska r e nape r ub a h a npos efisherface me mb e r i ka nh a s i ly a n gl e bi hb a i k,b a h ka n de n ga nda t ay a n gl e bi ht e r b a t a s .Te kni kEigenface j ugal e bi hs e ns i t i ft e r h a da ppe n c a h a y a a n di b a n di ngka nde n ga nFisherface. 2.4.1 Eigenface Ka t aeigenface s e b e n a r ny abe r a s a lda r ib a h a s aj e r ma n“ Eigenwert” di ma n a“ eigen” a r t i nya ka r a kt e r i s t i kda n“ wert” y a n ga r t i ny ani l a i .Eigenface a da l a hs a l a hs a t ua l gor i t mape n ge n a l a n pol awa j a hy a n gb e r da s a r ka npa daPrinciple Component Alalyis (PCA) y a n gdi ke mba n gka n diMI T.Eigenface me r upa ka nkumpul a nda r ieigenvector y a n gdi guna ka nun t ukma s a l a h computer vision pa dape n ge n a l a nwa j a hma n us i a .Eigenface s e n di r ime r upa ka nstandardize face ingredientiy a n gdi a mbi lda r ia n a l i s i sda r ib a ny a kc on t ohga mb a rma t aa t a uwa j a h . Un t uk me n gha s i l ka nEigenface, s e kumpul a nc i t r adi gi t a lda r iwa j a ha t a u ma t ama n us i a di a mbi lpa dakon di s ipe n c a h a y a a ny a n gs a make mudi a ndi n or ma l i s a s i ka nda ndi pr os e spa da r e s ol us iy a n gs a ma( mi s a lm x n) ,ke mudi a nc i t r at a didi pe r l uka ns e b ga iv e c t ordi me n s im x n di ma n akompon e nny adi a mbi lda r ini l a ipi ks e lc i t r a .An a l i s i skompon e n ut a maj uga me r upa ka ns a l a hs a t ut e kni kstatistika multivariant y a n gda pa tme n e muka nka r a kt e r i s t i kda t a y a n gt e r s e mb unyi .Da l a m pe ne r a pa nny a An a l i s i s ut a ma j us t r u di b a t a s iol e ha s ums i a s ums i ny a( Pr a s e t y o,Er i ,da nI s n aRa hma t un ,2006) . 2.4.2 Transformasi Karhunen-Loeve Dit a h un1933Hotelling me n ga j uka ns e b ua ht e kni kun t ukme n gur a n gidi me n s is e b ua hr ua n g y a n g di r e pr e s e n t a s i ka n ol e h va r i a be ls a t i s t i k,di ma n av a r i a b e lt e r s e b utbi a s a ny as a l i ng


22

b e r kor e l a s is a t ude n ga ny a n gl a i n.Pe r t a ny a a nke mudi a nt i mbula ki ba tk on s e kue n s idi a t a s , a pa ka ht e r da pa ts e b ua hhi mpun a nv a r i a b e lb a r uy a n gb e r s i f a tr e l a t i fs a made n ga nv a r i a b e l s e b e l umny adi ma nadi ke h e n da kihi mpun a nv a r i a b e lb a r ut e r s e b utme mi l i kij uml a hv a r i a b e l ( di me n s i )y a n gl e bi hs e di ki tda r iva r i a be ls e be l umny a .Se l a nj ut ny aHotelling me ny e but me t odet e r s e b uts e b a ga iPrincipal Componen Analysis (PCA) a t a uka da n gj ugadi s e b ut Tr a n s f or ma s iHotelling da nTr a n s f or ma s iKarhuen-Loeve.Transformasi KarhuenLoeve b a ny a kdi gun a ka nun t ukme mpr oy e kka na t a ume n gub a hs ua t ukumpul a nda t a b e r ukur a nb e s a rme nj a dib e n t uk r e p r e s e n t a s ida t al a i nde n ga nukur a ny a n gl e bi hke c i l . Tr a n s f or ma s iKarhuen-Loeve t e r h a da pr ua n gda t ay a n gb e s a ra ka nme n gh a s i l ka ns e b ua h r ua n gda t av e kt ory a n gbe s a ra ka nme n gh a s i l ka ns e j uml a hv e kt orb a s i sortonormal keda l a m b e n t ukkumpul a nvector eigen da r is ua t uma t r i kskov a r i a nt e r t e n t u,y a n gda pa ts e c a r aopt i ma l me mpr e s e n t a s i ka ndi s t r i b us ida t a . Be n t ukumumda r iPrincipal Component Analyis da pa tdi l i ha tb e r i kuti ni :

(2.10 Matriks Kovarian ) Di ma n aCme r upa ka nma t r i kskov a r i a n ,xme r upa ka ni ma ge(x 1, x 2, ……, x k)da n Ψa da l a hr a t a r a t ai ma ge y a n g dih a s i l ka n da r ime r a t a r a t a x( x 1, x 2, . . ……, x k) .De n ga n de kompos i s ie i ge n ,ma t r i kkov a r i a ni nida pa tdi de kompos i s ime nj a di

(2.11 Dekomposisi Eigen ) Di ma n aФ adalah selisih antara image (X) dengan nilai tengah (Ψ). Pilih sejumlah m kolom dari matrik Ф yang berasosiasi dengan eigenface terbesar. Pemilihan sejumlah m kolom dari matrik Ф ini menghasilkan metrics transformasi atau matriks proyeksi kedalam feature baru y ( berdimensi m < n ) dengan memproyeksikan x searah dengan Фm sebagai berikut :

( 2.12 Proyeksi x searah )


23

Dengan kata lain metode PCA memproyeksi ruang asal ⁿ kedalam ruang baru yang berdimensi lebih rendah m , yang mana sebanyak mungkin kandungan informasi asal tetap dipertahankan untuk tidak terlalu banyak hilang setelah dibawa ke dimensi feature yang lebih kecil. Di sini terlihat reduksi feature yang signifikan dari n buah menjadi m buah yang tentunya akan sangat meringankan komputasi dalam proses pengenalan berikutnya. 2.4.3 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

( 2.13 Determinan )

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 nbuah eigenvalue (Prasetyo, Eri, dan Isna Rahmatun, 2006). 2.4.4 Mencari Eigenvector Jika eigenvalue λ diketahui, eigenvector dapat dicari dengan memecahkan: (A – λI) v = 0

(2.14 Pencarian Eigenvector)

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

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


24

Jika diberikan matriks:

(2.16 Matriks 2x2)

maka polynomial karakteristiknya dapat dicari sebagai berikut:

(2.17 Polynomial)

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 Y0 adalah eigenvector yang berasosiasi dengan eigenvalue λ= 3. Set Y0dengan nilai:

(2.18 Matriks Y0) Kemudian subtitusikan Y0 dengan v pada persamaan: ( A – λI) v = 0

(2.19 Subtitusi Y0 dengan v)

sehingga diperoleh: (2 – 3)X0 + (-Y0)

=0

0 + (3 – 3)Y0

=0

(2.20 Hasil Subtitusi)


25

dapat disederhanakan menjadi: -X0 -Y0 = 0 atau Y0 = -X0

(2.21 Penyederhanaan )

sehingga eigenvector untuk eigenvalue λ = 3 adalah:

(2.22 Eigenvalue) Hubungan antara eigenvalue dan eigenvector dari suatu matriks digambarkan oleh persamaan : M x vi = λi x vi

dimana

v

adalah

(2.23 Persamaan Eigenvector) eigenvector

dari

matriks

Mx

dan

λ

adalah

eigenvalue.

Terdapat n buah eigenvector daneigenvalue dalam sebuah n x n matriks. 2.4.5 Algoritma Eigenface Algoritma adalah urutan-urutan dari intruksi atau langkah untuk pengambilan keputusan dalam pemecahan masalah. Sedangkan kata eigentaces berasal dari bahasa jerman “eigenwert” dimana “eigen” artinya karakteristik dan “wert” artinya nilai. Eigenface adalah salah satu algoritma vector pengenalan wajah yang berdasarkan pada (Principle Component Analysis)

(PCA)

yang

dikembangkan

di

Massachuset

Institueb

of

Thecnology

(MIT). Principle Component Analysis (PCA) sering juga disebut sebagai metode KarhunenLoeve yang secara matematis dilakukan dengan mencari vector eigen dari matriks kovarian sekumpulan citra wajah. Eigenface juga merupakan kumpulan dari eigenvector yang digunakan untuk masalah computer vision pada pengenalan wajah manusia (Layman dalam Al Fatta Hanif, 2009). Dalam

istilah

Layman

eigenface

adalah

sekumpulan

standardized

face ingredient yang diambil dari analisis statistic dari banyak gambar wajah/mata. Dua mata manusia kanan dan kiri dapat dipandang sebagai kombinasi dari mata-mata standart. Mata seseorang biasa saja terdiri dari 10% dari mata satu kanan,


26

20% mata satu kiri, dan seterusnya sehingga jika ingin merekam mata seseorang untuk pengenalan mata maka biasanya digunakan jauh lebih sedikit fitur dari pada yang ditangkap oleh foto digital. Untuk menghasilkan eigenface , citra digital dari mata manusia diambil pada kondisi pencahayaan yang sama, kemudian dinormalisasi menjadi citra skala keabuan (gray scale) dan kemudian diolah pada resolusi yang sama, dan kemudian diperlakukan sebagai vector dimensi, dimana kompenennya diambil dari nilai-nilai yang memungkinkan pikselnya. Eigenface

juga merupakan pendekatan antara eigenvalue dan eigenvector. Dengan

menggunakan pendekatan tersebut dilakukan klasifikasi untuk mengenali objek yang test dengan objek yang telah tersimpan di database. Algoritma Eigenface secara keseluruhan cukup sederhana. Image matrix (T) direpresentasikan ke dalam sebuah himpunan matriks (Γ1, Γ2, …, ΓM). Cari nilai rata-rata (Ψ) dan gunakan untuk mengekstraksi eigenvector (v) dan eigenvalue (α) dari himpunan matriks. Gunakan nilai eigenvector untuk mendapat nilai eigenface dari image. Apabila ada image baru atau test face (Γnew), untuk mengektraksi eigenvector (v), dan eigenvalue (α), kemudian cari nilai eigenface dari image test face (Γnew). Setelah itu barulah image baru (Γnew) memasuki tahapan pengenalan dengan menggunakan metode euclidean distance. Alur prosesnya dapat dilihat dari gambar 2.24


27 Start

Database

Mata

Training Image X E1=Eigenface x Test Face Xn E2=Eigenface Xn

E1 = E2

Tidak

YA Tampilkan W1 dan W2

End

Gambar 2.24 Alur proses identifikasi image dengan eigenface Algoritma selengkapnya adalah: Tahapan perhitungan Eigenface: Langkah pertama adalah menyiapkan data dengan membuat suatu himpunan S yang terdiri dari seluruh training image (Γ1, Γ2, …, ΓM) S = (Γ1, Γ2, …, ΓM)

(2.25 Himpunan S)

Langkah kedua adalah ambil nilai tengah atau mean (Ψ)


28

(2.26 Mean)

Langkah ketiga kemudian cari selisih (Ф) antara training image (Γi) dengan nilai tengah (Ψ) (2.27 Selisih nilai citra) Langkah keempat adalah menghitung nilai matriks kovarian (C)

(2.28 Matriks kovarian C dan L)

Langkah kelima menghitung eigenvalue (λ) dan eigenvector (v) dari matriks kovarian (C) (2.29 Eigenvalue dan Eigenvector) Langkah keenam, setelah eigenvector (v) diperoleh, maka eigenface (μ) dapat dicari dengan:

(2.30 Nilai Eigenface)

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


29

(2.31 Nilai kumpulan Eigenface)

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

(2.32 Jarak terpendek dari basis data) 2.4.6 Cara Kerja Algoritma Eigenface Cara kerjanya sama seperti pengenalan pola lainnya, pada algoritma ini dijelaskan untuk mencari nilai tertentu pada suatu image yang memiliki eigenvalue yang sesuai dan bernilai kecil karena lebih tepat pada proses matching-nya. Berikut merupakan langkahlangkah untuk menjelaskan bagaiman cara kerja algoritma eigenface: a) Langkah pertama adalah proses penyusunan flat vektor dimana dalam menyusun seluruh data training image menjadi satu bagian matriks tunggal. Misalnya image yang kita simpan berukuran H x W piksel dan jumlahnya N buah, amka kita memiliki flat vektor dengan dimensi N x (HxW). Perhatikan contoh berikut ini. Misalnya di dalam trainning image terdapat dua image dengan ukuran 3 x 3 piksel maka kita akan mempunyai eigenvektor dengan ukuran 2 x 9. Dan perhatikan penjelasan berikut:


30

Image Wajah A

2

2

2

2

2

2

Image Wajah B

4

4

4

4

4

4

2 2 2 2 2 2 2 2 2 4 4 4 4 4 4 4 4 4

Gambar 2.33 Penyusunan Flat Vektor b) Langkah kedua adalah melakukan penghitungan rataan flat vektor, dimana flat vektor yang diperoleh sebelumnya dijumlahkan barisnya sehingga diperoleh matriks berukuran 1 x (H x W). Setelah itu bagi matriks tadi dengan jumlah image N untuk mendapatkan rataan Flat Vektor. 2 2 2 2 2 2 2 2 2

Dijumlahkan 6 6 6 6 6 6 6 6 6

Dibagi Jumlah Image Matching

3 3 3 3 3 3 3 3 3

Gambar 2.34 Penentuan Rataan Flat Vector Langkah ketiga yaitu tentukan nilai eigenface yaitu dengan menggunakan rataan flatvektor yang tadi kita susun. Caranya dengan mengurangi baris-baris pada matriks flatvektor dengan rataan flatvektor. Jika didapatkan nilai dibawah nol, maka ganti nilainya

a) dengan nol (Nilai absolut 0 jika hasil pengurangan adalah minus dan 1 jika hasil penjumlahan adalah lebih dari 0 maka hasilnya adalah plus).


31

2 2 2 2 2 2 2 2 2

4 4 4 4 4 4 4 4 4

3 3 3 3 3 3 3 3 3

3 3 3 3 3 3 3 3 3

Matriks Eigenface untuk Trainning

0 0 0 0 0 0 0 0 0

Gambar 2.35 Perhitungan Eigenface b) Langkah keempat atau langkah terakhir adalah proses mengidentifikasi, misalnya diberikan citra yang akan diidentifikasi (testface), maka langkah identifikasinya adalah sebagai berikut: Kalkulasikan nilai eigenface untuk matriks testface, dengan cara yang sama dengan penentuan eigenface untuk flatvektor.

4 4 4 4 1 4

Testface Flat vektor untuk testface

Nilai Eigenface untuk testface

4 4 4 4 1 4 4 4 4 3 3 3 3 3 3 3 3 3

4 4 4 4 1 4 4 4 4

Gambar 2.36 Perhitungan Nilai Eigenface untuk testface Setelah nilai eigenface untuk testface diperoleh maka kita bisa melakukan identifikasi dengan menentukan jarak (distance) terpendek dengan eigenface dari eigenvektor training image. Caranya, tentukan nilai absolute dari pengurangan baris i pada matriks eigenface training image


32

dengan eigenface dari testface, kemudian jumlahkan elemen-elemen penyusun vektor yang dihasilkan dari pengurangan tadi dan ditemukan jarak d indeks i, lakukan untuk semua baris dan cari nilai d dari yang paling kecil nilainya.

Eigenface untuk mata A

0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1

Perhitungan distance antara mata a dengan tesface 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1

1 1 1 1 1 1 1 1 1

Perhitungan distance antara mata b dengan tesface

1 1 1 1 0 1 1 1 1

Gambar 2.37 Proses identifikasi dengan input image testface Kesimpulan terlihat dari gambar diatas, jarak antara mata B dengan testface yang paling kecil, maka hasil dari identifikasi menyimpulkan bahwa testface lebih mirip dengan mata B daripada mata A.Untuk itu diperlukan hasil test training agar hasil yang didapat lebih akurat. 2.5 Dasar Teori Aplikasi Pada

bahasan

berikut

akan

dijelaskan

tentang

sistem,

informasi,

sistem

informasi,aplikasi, Microsoft Visual Basic 6.0, Data Report, Microsoft Acces 2007.


33

2.5.1 Pengertian Sistem Sistem berasal dari bahasa Yunani yaitu “systema”, yang artinya “kesatuan”. Ditinjau dari sudut katanya sistem berarti sekumpulan objek yang bekerja secara bersama-sama untuk menghasilkan suatu metode, prosedur, serta teknik yang digambarkan dan diatur sedemikian rupa sehingga menjadi berfungsi untuk mencapai suatu tujuan. Untuk mengetahui lebih jelasnya tentang pengertian sistem, berikut ini beberapa pendapat ahli. “Sistem adalah sekumpulan elemen yang saling terkait atau terpadu yang dimaksudkan untuk mencapai suatu tujuan”. “Sistem adalah sekelompok elemen-elemen yang berintegrasi dengan maksud yang sama untuk mencapai suatu tujuan” (Raymond Mcleod, 2001). Dari beberapa pengertian di atas diambil kesimpulan bahwa sistem adalah kumpulan atau kelompok yang saling terkait untuk mencapai tujuan. 2.5.2 Pengertian Informasi Informasi adalah data yang diolah menjadi suatu bentuk yang berarti bagi penerimanya dan bermanfaat dalam pengambilan keputusan pada saat sekarang atau yang akan datang. Informasi juga merupakan fakta-fakta atau data yang telah diproses sedemikian rupa atau mengalami proses transformasi data sehingga berubah bentuk menjadi informasi. Untuk mengetahui lebih jelas tentang pengertian informasi, berikut ini beberapa pendapat para ahli. “informasi adalah data yang telah diklasifikasi atau diolah atau diinterpretasi untuk digunakan dalam proses pengambilan keputusan”. Dari beberapa pengertian di atas diambil kesimpulan bahwa informasi adalah kenyataan yang menggambarkan suatu kejadian-kejadian dan kesatuan nyata yang digunakan dalam mengambil keputusan.


34

2.5.3 Sistem Informasi Sistem informasi dapat diartikan sebagai suatu sistem di dalam organisasi yang merupakan kombinasi dari orang-orang, fasilitas, teknologi, media, prosedur prosedur, dan pengendalian yang ditujukan untuk mendapatkan jalur kombinasi yang penting. Untuk mengetahui lebih jelasnya tentang pengertian sistem informasi, berikut ini beberapa pendapat ahli. “Sistem informasi merupakan sistem di dalam suatu organisasi yang mempertemukan kebutuhan pengolahan transaksi harian yang mendukung fungsi operasi organisasi yang bersifat manajerial dengan kegiatan strategi dari suatu organisasi untuk dapat menyediakan kepada pihak luar tertentu dengan laporan laporan yang diperlukan” (Abdul Kadir, 2003). “Sistem informasi adalah kombinasi antar prosedur kerja, informasi, orang, dan teknologi informasi yang diorganisasikan untuk mencapai tujuan dalam sebuah organisasi” (Tata Sutabri, 2005). Dari beberapa pengertian di atas diambil kesimpulan bahwa sistem informasi adalah sistem di dalam suatu organisasi yang saling berhubungan untuk mendistribusikan informasi untuk mengambil keputusan. 2.5.4 Power Designer 15 Power Designer adalah alat pemodelan perusahaan kolaboratif yang diproduksi oleh Sybase. Power Designer berjalan di bawah Microsoft Windows sebagai aplikasi asli, dan berjalan di bawah Eclipse melalui plugin. Power Designer mendukung model-driven desain arsitektur perangkat lunak. Power Designer menggunakan format file pdm. Power Designer juga memiliki support terhadap beberapa ikon di bawah ini: a. Bisnis Proses Modeling (ProcessAnalyst) mendukung BPMN.


35

b. Kode generasi (Java, C #, VB NET, Hibernate, EJB3, NHibernate, JSF). c. Data modeling (bekerja dengan sistem RDBMS yang paling utama). d. Pemodelan Data Warehouse (WarehouseArchitect). e. Eclipse plugin. f. Obyek pemodelan (UML 2.0 diagram). g. Laporan generasi. h. Repositori. i. Persyaratan analisis. j. Pemodelan mendukung XML XML Schema dan DTD standar. k. Visual Studio 2005 / 2008 Addin. 2.5.5 Microsoft Visual Basic 6.0 Microsoft Visual Basic merupakan bahasa pemrograman yang berbasis Ms-Windows, sebagai bahasa pemrograman yang mutakhir, Microsoft Visual Basic 6.0 didesain untuk memanfaatkan fasilitas yang tersedia dalam Ms-Windows. Microsoft Visual Basic 6.0 juga merupakan bahasa pemrograman Object Oriented Programming (OOP), yaitu pemrograman yang berorientai objek. Visual Basic merupakan salah satu software untuk membuat program yang cukup sederhana tetapi banyak cakupan yang dapat dikerjakan, karena visual basic dapat mengakses banyak software seperti Excel, Access dan sebagainya. Visual Basic lebih sederhana dari pemrograman yang lain. Kesederhanaan visual basic terletak pada kemudahan membuat


36

bahasa pemrograman dan bentuk tampilan yang dikehendaki. Visual Basic ini merupakan pengembangan bahasa basic yang diterapkan pada program yang berbasis windows. Visual Basic 6.0 adalah salah satu development tools untuk membangun aplikasi dalam lingkungan windows. Dalam pengembangan aplikasi, visual basic menggunakan pendekatan visual untuk merancang user interface atau tampilan dalam bentuk form, sedangkan untuk kodingnya menggunakan bahasa basic yang cenderung mudah dipelajari. Visual basic telah menjadi tools yang terkenal bagi para pemula maupun developer. Visual basic 6.0 merupakan perkembangan dari versi sebelumnya dengan beberapa penambahan komponen yang sedang tren saat ini, seperti kemampuan pemrograman internet dengan DHTML (Dynamic HyperText Mark Language), dan beberapa penambahan fitur database dan multimedia yang semakin baik. Hingga saat ini dapat dikatakan bahwa Visual Basic 6.0 masih merupakan pilihan utama di dalam membuat program aplikasi yang ada di pasar perangkat lunak nasional. Hal ini disebabkan oleh kemudahan dalam melakukan proses development dari aplikasi yang dibuat. Secara umum ada beberapa manfaat yang diperoleh dari pemakaian program Microsoft Visual Basic, diantaranya: Dipakai dalam membuat program aplikasi bebasis windows a. Dipakai dalam membuat obyek-obyek pembantu program, seperti fasilitas Help, kontrol ActiveX, aplikasi internet, dan sebagainya. b. Digunakan untuk menguji program (Debugging) dan menghasilkan program akhir EXE yang bersifat Executable, atau dapat langsung dijalankan. (Subari & Yuswanto, 2008). Banyak fasilitas baru yang ditwarkan oleh Microsoft Visual Basic 6.0, diantaranya penambahan koleksi fungsi, fasilitas Native Code, penambahan interface baru, dan lain-lain.


37

Selain menyediakan tipe data sendiri yang berupa argumen atau property dan metode publik. Microsoft Visual basic 6.0 juga bisa menghasilkan array dari suatu fungsi atau properti suatu prosedur (Subari & Yuswanto, 2008). Perkembangan visual basic sangat pesat dikarenakan pemakaiannya yang mudah dan juga dikarenakan banyaknya fasilitas-fasilitas yang disediakan visual basic. Perkembangan yang pesat dapat dilihat dari sejarah perkembangan visual basic tersebut. Berikut ini akan menjelaskan point-point penting sejarah perkembangan bahasa pemrograman visual basic, yaitu : a. Visual Basic pertama kali dikeluarkan pada tahun 1991 yaitu program visual basic untuk DOS dan unutk Windows. b. Pada tahun 1993 visual basic 3.0 diliris. c. Pada akhir tahun 1994 visual basic 4.0 dengan tambahan untuk mendukung aplikasi 32 bit. d. Pada akhir tahun 1998 visual basic 6.0 diliris. e. Pada tahun 2002, versi terbaru dari visual basic diliris yaitu versi visual basic.Net. 2.5.6 Komponen Microsoft Visual Basic 6.0 Komponen pemrograman visual basic mengandung semua sarana yang anda butuhkan untuk membangun program-program yang hebat untuk windows dengan cepat dan efisien. Baris menu menyediakan akses kepada sebagian besar perintah yang mengendalikan komponen Microsoft visual basic ini. Menu dan perintah sama fungsinya seperti pada program-program berbasis windows lainnya, dan anda mengaksesnya menggunakan keyboard atau mouse. Di bawah baris menu terdapat toolbar yaitu sekumpulan tombol yang berfungsi sebagai tombol cepat untuk menjalankan perintah dan mengendalikan komponen


38

Microsoft visual basic. Sarana ini yang ada pada visual basic adalah : Toolbox, Jendela Project Container, Jendela Form, Jendela Project, Jendela Propertis dan Jendela Form Layout. Pada gambar 1 dibawah ini akan diperlihatkan gambar dari komponen Microsoft visual basic 6.0 yaitu :

Gambar 2.38 Komponen Microsoft Visual Basic Keterangan : Toolbox

5. Jendela Project Container

2. Baris Menu 6. Jendela Form 3. Toolbar

7. Project

4. Jendela Dalam komponen Microsoft visual basic 6.0 tidak terlepas dari penggunaan komponen program. Ada beberapa istilah dan komponen pada visual basic 6.0 yang digunakan untuk membuat suatu program aplikasi. Komponen-kompoen yang akan dibahas ini hanya dasar-dasarnya saja dan yang hanya bersifat umum. a. Project


39

Project adalah file pusat yang mengelola dan mencatat seluruh file-file yang dibutuhkan untuk membentuk suatu aplikasi. Project disimpan dalam file yang berakhiran VBP. Bila ingin membuat program aplikasi, maka terdapat jendela project yang berisi semua file yang dibutuhkan untuk menjalankan program aplikasi visual basic 6.0 yang dibuat. Pada saat dibuat program aplikasi baru, jendela project otomatis berisi form 1. Pada jendela project terdapat tiga icon view code, view object, dan Toogle Folders. Icon View Code dipakai untuk menampilkan jendela editor kode program. Icon View Object dipakai untuk menampilkan jendela form dan icon Toogle Folsder digunakan untuk mengubah-ubah tampilan folder pada jendela project explorer.

Gambar 2.39 Jendela Project b. Form Form adalah suatu objek yang dipakai sebagai tempat bekerja program aplikasi. Form berbentuk jendela dan dapat dibayangkan sebagai kertas atau meja kerja yang dilukiskan atau diletakkan ke dalam objek-objek lain. Pada saat membuat suatu program aplikasi (proyek) baru, akan otomatis tersedia satu form dan disebut form1. Nantinya dalam suatu proyek, anda dapat menggunakan lebih dari satu form. Biasanya pada saat mendesain form, terdapat garis titik-titik yang disebut grid. Grid sangat berguna untuk membantu pengaturan tata letak objek yang dimasukkan dalam form.


40

Gambar 2.40 Jendela Form c. Toolbox Toolbox adalah kotak alat yang berisi icon-icon untuk memasukkan objek tertentu ke dalam jendela form anda dapat memodifikasikan toolbox, misalnya menambah komponen icon dengan cara memilih menu project-component.

Gambar 2.41 Jendela Toolbox Adapun secara garis besar fungsi dari masing-masing kontrol tersebut adalah sebagai berikut


41

a. Pointer merupakan suatu icon yang digunakan ketika memilih kontrol yang sudah berada pada form b. Label adalah kontrol yang digunakan untuk menampilkan teks yang tidak dapat diperbaiki. c. Frame adalah kontrol yang digunakan sebagai kontainer bagi kontrol lainnya. d. CheckBox digunakan untuk pilihan yang isinya bernilai yes atau no, true atau false. e. ComboBox merupakan kombinasi dari TextBox dan suatu ListBox dimana pemasukan data dapat dilakukan dengan pengetikan maupun pemilihan. Hscrollbar atau Vscrollbar digunakan untuk membentuk scroolbar berdiri sendiri. a. Timer digunakan untuk proses background yang diaktifkan berdasarkan interval waktu tertentu. Ini merupakan kontrol non visual. b. DriveListBox, DirListBox, dan FileListBox sering digunakan untuk membentuk dialog box yang berkaitan dengan file. c. Shape dan Line digunakan untuk menampilkan bentuk seperti garis, persegi, bulatan dan oval. d. Image berfungsi menyerupai image box, tetapi tidak dapat digunakan sebagai kontainer bagi kontrol lainnya. Bahwa kontrol image menggunakan resource yang lebih kecil dibandingkan dengan PictureBox. e. OLE dapat digunakan sebagai tempat bagi program eksternal seperti Microsoft Excel, Microsoft Word dan lain-lain. f. Picturebox adalah kontrol yang digunakan untuk menampilkan image dengan format BMP, DIB, ICO (icon), CUR (Cursor), WMF (Metafile), GIF, JPEG. g. TextBox adalah kontrol yang mengandung string yang dapat dipakai oleh pemakai, dapat berupa satu baris tunggal atau banyak baris.


42

h. CommandButton merupakan kontrol yang hampir ditemukan pada setiap form dan digunakan untuk membangkitkan event proses tertentu ketika pemakai melakukan klik padanya. i.

OptionButton sering digunakan lebih dari satu sebagai pilihan terhadap beberapa option yang hanya dapat dipilih satu.

j.

ListBox mengandung sejumlah item dan pemakai dapat memilih lebih dari satu.

k. Data digunakan untuk menampilkan database pada suatu form. f. Properties adalah jendela yang mengandung semua informasi mengenai objek yang terdapat pada aplikasi visual basic. Setiap objek memilih objek properties yang berbeda, bergantung dari jenis objek tersebut, tetapi ada juga yang memilih properties umum yang sama. Misalnya warna, ukuran dan sebagainya.

Gambar 2.42 Jendela Properties 2.5.7 Definisi Database Secara sederhana Database dapat diungkapkan sebagai suatu pengorganisasian data dengan bantuan komputer yang memungkinkan data dapat diakses dengan mudah dan cepat. Dalam hal ini, pengertian akses dapat mencakup pemerolehan data maupun pemanipulasian data, seperti menambah dan menghapus data dan hubungan antar data dapat ditunjukan dengan adanya field/kolom kunci dari tiap file/tabel yang ada. Dalam satu file atau table


43

terdapat record-record yang sejenis, sama besar, sama bentuk, yang merupakan satu kumpulan entitas yang seragam. 2.5.8 Microsoft Office Access Microsoft Access (atau Microsoft Office Access) adalah sebuah program aplikasi basis data komputer relasional yang ditujukan untuk kalangan rumahan dan perusahaan kecil hingga menengah. Aplikasi ini merupakan anggota dari beberapa aplikasi Microsoft Office, selain tentunya Microsoft Word, Microsoft Excel, dan Microsoft PowerPoint. Aplikasi ini menggunakan mesin basis data Microsoft Jet Database Engine, dan juga menggunakan tampilan grafis yang intuitif sehingga memudahkan pengguna. Microsoft Access dapat menggunakan data yang disimpan di dalam format Microsoft Access, Microsoft Jet Database Engine, Microsoft SQL Server, Oracle Database, atau semua kontainer basis data yang mendukung standar ODBC. Para pengguna/programmer yang mahir dapat menggunakannya untuk mengembangkan perangkat lunak aplikasi yang kompleks, sementara para programmer yang kurang mahir dapat menggunakannya untuk mengembangkan perangkat lunak aplikasi yang sederhana. Access juga mendukung teknikteknik. Pemrograman berorientasi objek, tetapi tidak dapat digolongkan ke dalam perangkat bantu pemrograman berorientasi objek. Microsoft merilis Microsoft Access 1.0 pada bulan November 1992 dan dilanjutkan dengan merilis versi 2.0 pada tahun 1993. Microsoft menentukan spesifikasi minimum untuk menjalankan Microsoft Access 2.0 adalah sebuah komputer dengan sistem operasi Microsoft Windows 3.0, RAM berkapasitas 4 megabyte (6 megabyte lebih disarankan) dan ruangan kosong hard disk yang dibutuhkan 8 megabyte (14 megabyte lebih disarankan). Versi 2.0 dari Microsoft Access ini datang dengan tujuh buah disket floppy 3½ inci berukuran 1.44 megabyte.Nama kode (codename) yang digunakan oleh Access pertama kali adalah Cirrus


44

yang dikembangkan sebelum Microsoft mengembangkan Microsoft Visual Basic, sementara mesin pembuat form antarmuka yang digunakannya dinamakan dengan Ruby. 2.5.9 Crystal Report Crystal Report adalah perangkat lunak yang khusus digunakan untuk membuat laporan dan dapat digunakan oleh bahasa pemrograman lain dengan cara menghubungkan ke duanya (linkage). Crystal Report merupakan program khusus untuk membuat laporan yang terpisah dengan program Microsoft Visual Basic 6.0 tetapi keduanya dapat dihubungkan. Mencetak dengan Crystal Report hasilnya lebih baik dan lebih mudah. Hal ini karena pada Crystal Report banyak tersedia objek-objek maupun komponen yang mudah digunakan. Crystal Report juga dapat dihubungkan dengan basis data (database). Proses Merancang atau Mendisain Laporan dengan menggunakan database Ms Access. 1Merancang Laporan Buka crystal report dengan cara: - klik Start All program - Crystak Report Tools Crystal Report, maka akan tampil jendela dialog sebagai berikut:

Gambar 2.43 Form Menu Crystal Report


45

Pada Crystal Report Gallery Pilih:

Gambar 2.44 Form Galery menu Standart

Gambar 2.45 Form Pilih DataBase Pilih Find database File pada Data Explorer

Gambar 2.46 Form Proses Mencari Data


46

Gambar 2.47 Form data Yang Sudah Disimpan Klik Add, maka akan tampil sebagai berikut, lalu pillih Next:

Gambar 2.48 Form Database Yang Sudah Di Export

Gambar 2.49 Form Standart Export


47

Pilih Add All>> untuk memilih semua data

Gambar 2.50 Form Untuk Memasukkan Database Pilih Finish jika tidak ada pengaturan lain. Maka akan tampil desain report sebagai berikut:

Gambar 2.51 Form Design Laporan / Hasil Laporan


BAB III METODOLOGI PENELITIAN

3.1

Dasar Analisis Sistem Sebelum sistem dikembangkan perlu dilakukan analisis sistem untuk menjamin

bahwa sistem yang dibuat sesuai dengan kebutuhan pemakai dan layak untuk dikembangkan. Tahapan analis sistem dapat dirinci menjadi beberapa tahap guna mempermudah proses analisis secara keseluruhan. Tahapan-tahapan ini sangat penting untuk menjamin keberhasilan dalam mengembangkan sistem secara keseluruhan. Studi kasus yang dipakai untuk sistem ini adalah perusahan sofware house dimana jumlah karyawan yang sedikit menjadi uji coba dalam pembuatan sistem ini. Dimana terdapat beberapa job dish seperti Ketua Tima, Wakil Tim, Staff Jaringan, Staff Sofware, Staff Hadware, dan HRD. Sistem ini sebelumnya sudah dirancang oleh (Hanif Al Fatta, 2006) tetapi ada perbaikan pada sistem yang sudah ada dan akan lebih di perbaiki agar nantinya pada saat memulai rancangan akan menjadi program yang lebih baik (pada saat coding tidak dimulai dari awal). 3.2

Analisis Sistem Untuk menjamin bahwa sistem presensi yang dibangun sesuai dengan kebutuhan dari

objek penelitian maka akan dilakukan analisis terhadap sistem presensi yang sudah ada pada perusahaan swasta pada umumnya. Dari hasil analisis sering kali kita menjumpai masalah sebagai berikut: a) Sistem presensi yang digunakan saat ini menggunakan barcode sebagai media input yang dibaca dengan barcode reader yang sudah terpasang pada mesin komputer. Barcode sendiri dicetak pada kartu pegawai dan pegawai tinggal melakukan proses scanning pada kartu pegawai tersebut ketika akan melakukan presensi. b) Jika ada pegawai lupa membawa kartu pegawai maka pegawai tidak bisa melakukan proses presensi walaupun pegawai itu hadir. c) Kartu pegawai bisa juga dititipkan ke pegawai lain sehingga jika ada pegawai yang bersangkutan tidak hadir maka tidak dapat diproses kehadirannya pada mesin presensi.


49

d) Sistem presensi yang digunakan saat ini menggunakan barcode sebagai media input yang dibaca dengan barcode reader yang sudah terpasang pada mesin komputer. Barcode sendiri dicetak pada kartu pegawai dan pegawai tinggal melakukan proses scanning pada kartu pegawai tersebut ketika akan melakukan presensi. e) Jika ada pegawai lupa membawa kartu pegawai maka pegawai tidak bisa melakukan proses presensi walaupun pegawai itu hadir. f) Kartu pegawai bisa juga dititipkan ke pegawai lain sehingga jika ada pegawai yang bersangkutan tidak hadir maka tidak dapat diproses kehadirannya pada mesin presensi. g) Pegawai juga bisa menitipkan kartunya pada pegawai yang hadir tepat waktu sehingga pada saat pegawai yang bersangkutan terlambat datang, presensi tetap dapat dicatat oleh mesin pada saat itu juga. Adapun aturan presensi yang diberlakukan untuk proses presensi pegawai pada perusahaan swasta pada umumnya adalah sebagai berikut: a) Presensi yang disimpan hanya presensi dalam bentuk foto/image pegawai yang bersangkutan. b) Presensi tidak dapat diwakilkan pada saat melakukan proses absensi. c) Sistem tidak dapat melakukan proses presensi jika terdapat foto yang sama atau foto kembar dengan pegawai lainnya. Untuk mengakomodasikan masalah tadi maka dapat disusun sistem presensi yang menggunakan masukkan berupa citra

mata pegawai, sehingga diharapkan dapat

menghasilkan suatu presensi dengan kemampuan sebagai berikut: a) Masukkan dari sistem presensi adalah citra mata pegawai yang dihasilkan dari proses penangkapan mata dengan menggunakan webcamera pada saat presensi dilakukan. b) Karena proses masukkan yang digunakan adalah mata maka tidak mungkin presensi dilakukan oleh pegawai lain. Kasus pegawai yang masuk tetapi tidak bisa presensi karena kartu pegawai tertinggal bisa dicegah.


50

c) Pada proses presensi ini sudah disiapkan masukan data dari gambar atau foto yang sudah diambil sebelumnya. 3.3 Analisis Komponen Sistem Sistem presensi bwrbasis pengenalan mata manusia ini terdiri dari beberapa komponen yang dapat digambarkan dalam suatu model seperti tampak pada gambar berikut ini:

Web Camera/File Gambar

Penangkapan Citra Mata

File Citra Mata

Antar Muka Pengguna

Sub-Sistem Pengenalan Mata

Basis Data

Gambar 3.1 Hubungan Antar Sub Sistem Keterangan : Komponen Webcam : Peranti masukan yang digunakan dalam sistem presensi ini adalah webcam. Webcam digunakan untuk dua hal yaitu : a) Digunakan untuk melengkapi data pegawai dengan foto, dimana foto ini akan disimpan ke dalam database, yang nantinya akan dicocokan dengan citra mata yang sudah diambil sebelumnya. b) Digunakan pada saat proses mengambil foto citra mata pegawai untuk proses presensi yang kemudian foto disimpan kedalam hardisk komputer. Komponen image capturing : Komponen ini berfungsi sebagai proses pengambilan data citra mata dengan media webcam, dengan maksud agar pencocokan data citra saat akan mengambil foto. Komponen Antarmuka : Komponen ini berfungsi sebagai perantara komunikasi antara user dengan sistem presensi mata, baik itu untuk proses input data pegawai, dan proses presensi pegawai. Subsistem Pengenalan Mata : Pengenalan mata dilakukan dengan mencocokan data citra mata yang akan di-capture pada saat presensi dengan citra mata yang telah ada


51

sebelumnya di dalam database sistem. Adapun langkah-langkah dalam proses pencocokan citra mata dapat dilihat pada Gambar 3.2 berikut ini. EigenValue EigenVector Database Citra Mata

Kalkulasi EigenVecto

Proses Matching

Cari Nilai Pada Vector Yang Paling Mendekati EigenValue Citra Input

Gambar 3.2 Langkah-langkah Proses Identifikasi Citra Mata Keterangan : a) Pada proses pertama citra mata akan di-capture menggunakan webcamera. Hasil dari pengambilan gambar atau foto berupa format .bmp. b) Proses kedua citra mata akan dinormalisasikan ke beberapa tahapan proses. Yaitu citra akan diturunkan kualitas warnanya menjadi grayscale. Dan ukuran dari pengambilan citra mata juga disesuaikan menjadi ukuran 80 x 80 piksel. c) Pada proses ketiga yaitu setelah citra mata yang sudah ternormalisasi maka langkah selanjutnya menghitung nilai eigen dari citra mata itu. Misalnya hasil dari citra mata bernilai X. d) Pada proses keempat melibatkan data pegawai yang terdapat beberapa macam citra mata. Dari macam-macam citra ini masing-masing akan dikalkulasi nilai eigen-nya dan dikumpulkan ke dalam vector yang bernama eigenvector. Contoh didalam citra terdapat nilai (X1,X2,X3,...Xn). e) Proses kelima yaitu matching dimana akan dilakukan suatu pencocokan nilai x dengan nilai-nilai pada eigenvectordan mencari nilai yang paling mendekati. f) Proses keenam yaitu jika sudah ada nilai yang paling mendekati maka cari data citra pegawai yang berkorespondensi dengan nilai tadi.


52

File mata : Citra mata pegawai yang digunakan untuk melengkapi data-data pegawai (trainning faces) disimpan dalam bentuk file, yang terpisah dari database data pegawai, tetapi file mata ini bisa di temukan dengan menggunakan nama file mata yang sudah ada. Komponen Basis Data : Komponen ini berfungsi untuk menyimpan data-data yang dibutuhkan untuk sistem presensi pegawai. Berikut adalah gambar 3.3 Diagram Alir Normalisasi.

Start

Input Foto Mata

Ubah Foto Menjadi Grayscale 80 x 80

Data Foto Sementara

Komparasi Foto ?

T

Keluar Data Absen Pegawai Sebelumnya

Y Keluar Nama Pegawai Yang Sesuai

End

Gambar 3.3 Diagram Alir Normalisasi


53

Dari gambar diatas dapat dijelaskan pada saat memulai, sistem melakukan proses ambil foto atau image. Selanjutnya foto yang mempunyai format .bmp akan diubah menjadi grayscale 80 x 80 yang kemudian disimpan kedalam hardisk komputer. Jika sudah maka proses selanjutnya foto atau image akan dikomparasi (Perbandingan foto), jika sesuai maka foto akan diproses sesuai data pegawai dan jika tidak maka foto akan menampilkan data absen pegawai sebelumnya. Berikut ini adalah gambar 3.4 Flowchart Trainning Data.


54

3.4 Pengertian Eigenface Prinsip dasar dari pengenalan mata adalah dengan mengutip informasi unik mata tersebut kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan.Dalam metode eigenface, decoding dilakukan dengan menghitung eigenvector lalu kemudian direpresentasikan dalam sebuahmatriks yang berukuran besar. Eigenvector juga dinyatakan sebagai karakteristik mata olehkarena itu metode ini disebut dengan eigenface. Setiap mata yang dapat direpresentasikan dalam kombinasi linear eigenface. Metode eigenface pertama kali dikembangkan oleh MatthewTurkdan Alex Pentland dariVision and Modeling Group, The Media Laboratory, Massachusetts Institute of Technologypada tahun 1987. Metode ini disempurnakanlagi oleh Turk dan Pentland pada tahun 1991. Prinsip dasar dari metode eigenface adalahbagaimana caranya untuk mengekstrakinformasi yang relevan dari sebuah citra mata lalu mengubahnya kedalam satu set kode yang paling efisien, dan membandingkan kode mataini dengan database berisi beragam wajah yang telah dikodekan secara serupa [9]. 3.4.1Algoritma Eigenface Algoritma pengenalan mata dengan membuat matrik kolom dari wajah yang diinput ke dalam database. Rata –rata vector citra (mean) dari matriks Kolom dihitung dengan cara membaginya dengan jumlah banyaknya citra yang Disimpan di dalam database. 3.4.2 Penyusun Flatvector Matriks Citra Langkah pertama adalah menyusun seluruh

training

tunggal. Misalnya image yang kita simpan berukuran H x W

image

menjadi 1 Matrix

piksel dan Jumlahnya N

buah, maka memiliki flatvectordengan dimensi N x (H x W). Representasikan semua matrik training menjadi matrik dengan bentuk N x 1 atau Matriks linier seperti yang ditunjukan berikut ini :

a

b

c a b

x

y

c x

y

z

z Gambar 3.5 Skema Matriks Mata


55

Misalnya didalam training image terdapat tiga image terdapat tiga image Ukuran 3x3 piksel maka kita akan mempunyai eigenvector ukuran 2 x 9. Contoh dibawah ini menggunakan empat Telinga

citra yang telah di ubah menjadi

matrix,

lalu

matrix

tersebut di ubah ke dalam bentuk rataan flatvector. Citra 1 -> 10 10 10 10 10 10 10 10 10

[ 10 10 10 10 10 10 10 10 10 ]

Citra 2 -> 2 2 2

[2 2 2 2 2 2 2 2 2]

2 2 2

2 2 2

Citra 3 -> 11 11 11 11 11 11 11 11 11

[ 11 11 11 11 11 11 11 11 11 ]

Citra 4 -> 9 9 9

[9 9 9 9 9 9 9 9 9]

9 9 9

9 9 9

Gambar 3.6 Skema Flatvector Mata 3.4.3 Hitung Rataan Flatvector Dari Flatvector yang diperoleh, jumlahkan seluruh barisnya sehingga matix berukuran 1 x (HxW) .

C1 + C2 + C3 + C4 =

10 2 11 9

10 10 10 10 10 10 10 10 2 2 2 2 2 2 2 2 11 11 11 11 11 11 11 11 9 9 9 9 9 9 9 9 +

C1 + C2 + C3 + C4 = [ 32 32 32 32 32 32 32 32 32 ]

Gambar 3.7 Skema Rataan FlatVektor

setelah itu bagi matrik tadi dibagi dengan jumlah image N untuk mendapatkan Rataan flatvector.


56

[ 32 32 32 32 32 32 32 32 32 ] 4

=[8 8 8 8 8 8 8 8 8]

Gambar 3.8 Skema Hasil Pembagian FlatVektor Nilai flatvector citra digunakan untuk menghitung nilai eigenface citra mata untuk training image. Tentukan nilai eigenface dengan memakai rataan flatvector citra di atas nilai eigenface untuk matriks flatvector yang sudah disusun tersebut dapat dihutung nilai eigenfacenya. Caranya dengan mengurangi baris – baris pada matrik flatvector dengan rataan flatvactor. Jika didapatkan nilai dibawah nol / nilai minus ( - ), maka nilainya diganti dengan 0 C1=

10 10 10 10 10 10 10 10 10 8 8 8 8 8 8 8 8 8 2 2 2 2 2 2 2 2 2

222222222 C2 = 8 8 8 8 8 8 8 8 8000000000

C3 =

11 11 11 11 11 11 11 11 11 8 8 8 8 8 8 8 8 8 3 3 3 3 3 3 3 3 3

999999999 C4= 8 8 8 8 8 8 8 8 8 111111111

Gambar 3.9 Skema Nilai Citra Test Proses Indentifikasi untuk mengenali citra test (testface), langkah identifikasi adalah hitung nilai eigenface untuk matriks testface dengan cara sebelumnya untuk penentuan nilai eigen face dan flatvector citranya. 9 9 9 Ctes-> 9 7 9 9 7 9

(9 9 9 9 7 9 9 7 9)

9 9 9 9 7 9 9 7 9 8 8 8 8 8 8 8 8 8 1 1 1 1 0 1 1 1 1 Nilai eigen dari testface = ( 1 1 1 1 0 1 1 0 1 )

Gambar 3.10 Skema Penentuan Nilai Eigenface dan FlatVektor

Nilai eigen ( eigenvalue ) dari testface di gunakan untuk identifikasi dengan menentu

kan jarak terpendek dengan eigenface dari eigenvector training dengan cara menentukan


57

nilai absolute dari pengurangan baris | pada matrik eigenface training citra dengan eigenface dari testface dan jumlahkan dengan elemen penyusun vector yang dihasilkan dari pengurangan dan di dapat jarak “d” indeks “i” dan cari nilai “ d” yang paling kecil. Setelah nilai eigenface untuk testface di peroleh maka kita bias melakukan identif ikasi dengan menentukan jarak terpendek dengan eigenface dari eigenvector training ima ge. Pertama tentukan nilai absolute dari pengurangan baris pada matrix eigenface training image dengan eigenface dari testface, kemudian jumlahkan dalam elemen – elemen penyusun vector yang di hasilkan dari pengurangan tadi dan ditemukan jarak indeks. Lakukan untuk smua baris cari nilai yang paling kecil.

Nilai Eigenface

C1 = ( 2 2 2 2 2 2 2 2 2 ) 222222222 C1 = 1 1 1 1 0 1 1 0 1 111121121

-

C1 = 1+1+1+1+2+1+1+2+1= 11 Nilai Eigenface

C2 = ( 0 0 0 0 0 0 0 0 0 ) 000000000 C2 = 1 1 1 1 0 1 1 0 1 -1 -1 -1 -10-1-1 0 -1

C2 = 1+1+1+1+0+1+1+0+1= 7 Nilai Eigenface C3 = ( 3 3 3 3 3 3 3 3 3) 33333333 3 C3 = 1 1 1 1 0 1 1 0 1 2 2 2 222222 C3 = 2+2+2+2+3+2+2+3+2= 20 Nilai Eigenface C3 = ( 1 1 1 1 1 1 1 1 1) 111111111 C3 = 1 1 1 1 1 1 1 1 1 000000000 C3 = 0+0+0+0+1+0+0 + 1+0=2

Gambar 3.11 Skema Menentukan Nilai Terkecil


58

Dari hasil perhitungan, diperoleh jarak citra telinga empat memiliki nilai yang terkecil yaitu dua. Karena jarak eigenface satu dengan testface yang

paling kecil maka hasil

identifikasi menyimpulkan bahwa testface lebih mirip dengan face empat dari pada face satu , face dua , dan face tiga. 3.5 Proses DataBase Grayscale

Gambar 3.12 Proses Citra Piksel Menjadi Grayscale Didalam

data

citra

database

table

ini

proses

pemasukkan

angka-angka

orang,baris,kolom, citra gambar , titik koordinate YYY dan titik koordinate XXX

fungsi untuk menentukan nilai citra piksel menjadi citragrayscale


kode

59

Gambar 3.13 Program Koordinate Piksel Menjadi Grayscale Fungsi program ini menjelaskan coordinate piksel awal Dalam baris dan kolom citra yang akan di jadikan nilai piksel atau citra gambar menjadi citra keabu-abuan ( Grayscale )


60

3.6 Proses Database Eigen

Gambar 3.14 Tampilan Database Nilai – Nilai Eigen


61

Gambar 3.15 Program Menentukan Nilai Eigen

Fungsi di dalam program ini adalahambil nilai Mean dalam database setelah nilai mean Di ambil lalu ambil nilai eigenface dan kode orang, dalam Perintah program “ReDim” digunakan untuk mendefinisi ulang jumlah elemen pada Array dengan atau tanpa mempertahankan data array sebelumnya jumlah baris dan jumlah kolom kemudian nilai eigenface akan di Transpose setelah eigenface sudah di transpose selanjutnya pengenalan citra test dalam eigenface agar nilai dalam test ini dapat di training


62

Gambar 3.16 Citra Tes Terhadap Traning

Fungsi program ini untuk mengambil data kode orang dari database nilai citra eigenface tes dan eigentraning adalah 1000000 citra awal, maka nilaicitra awal akan di bandingkan antara eigenface dengan eigentraining setelah dibandingkan nilai akhir dikurangi eigenface dan eigentraining nilai akhir lebih kecil dari nilai awal kemudian nilai awal = nilai akhir ( N = N )N ini adalah nilai data training dibandingkan kembali dengan nilai awal( = ) nilai awal jadi nilai yang paling mendekati atau nilai paling

kecil adalah nilai awal yang akan

diambiluntuk pencocokannya.


BAB IV HASIL DAN PEMBAHASAN

4.1

IMPLEMENTASI SISTEM

Program aplikasisistem aplikasi scan kontur mata ini terdapat beberapa perangkat untuk mendukung kinerja sistem ini, yaitu: 1. Hadware : •

Laptop dengan spesifikasi Intel Core 2 Duo 2,26 Ghz, RAM 1,87 GB

•

Harddisk 320GB, VGA Onboard Intel 128MB.

2. Sofware : • Windows XP Profesional edition Service Pack 3 • Visual Basic 6.0 • Crystal Ryport 8.5 • Microsoft Accsess 2003 – 2007 4.1.1 Tampilan Mensetting DataBase ( ODBC )

Gambar 4.1Tampilan Menu Untukmensetting

database

(

ODBC

)

klik

Menu

->pilih


Control

panel

64

Gambar 4.2Tampilan Control Panel

Dalamtampilan control panel iniPilih ->klik -> Data Sources ( ODBC )

Gambar 4.3 Tampilan Sub-Menu ODBC Setelahklik data sources pilih -> Add ->klik Microsoft Access Driver ( *.mdb,*.accdb ) ->klik -> Finish


65

Gambar 4.4 Tampilan Setup ODBC Tampilan Setup OdbcKlik -> data source Name :isinamaodbcabsenmata -> Klik Select mencari database yang akan di setup

Gambar 4.5 Menu mencari Database Nama


66

Klik Drives -> d: ->pilihSkripsi saya klik ->pilih database name Absen.mdb ->klik Ok -> finish

Gambar 4.6 Tampilan Berhasil MenSetting 4.1.2 Tampilan Sistem Deteksi Scan Kontur Mata Gambar dibawah ini merupakan tampilan awal pada saat aplikasi dipanggil :

Gambar 4.7 Tampilan Awal Sistem Scan Kontur Mata Pada tampilan awal sistem scan kontur mata ini, terdapat dua menu yaitu File dan Operation. Menu File merupakan serangkaian huruf yang didalamnya


67

terdapat sebuah menu exit. Menu Exit sendiri berfungsi untuk keluar dari program. Sedangkan pada menu Operation di gunakan pada saat akan memproses sebuah data atau foto citra. Menu Operation sendiri terdapat dua macam menu pilihan yaitu input dan output. Untuk menu input digunakan sebagai proses pengambilan data dan foto citra. Sedangkan menu output digunakan untuk laporan dari hasil data dan foto citra tersebut. 4.1.3 Halaman Utama Menu Input Halaman ini berfungsi untuk mengkases semua sub-menu dalam program ini.

Gambar 4.8 Halaman Utama Menu Input Halaman ini terdapat dua bagian menu yaitu Data dan Foto/Absensi. Menu ini berfungsi untuk menginput data karyawan/pegawai. Dimana ada beberapa tahapan dalam pengambilan data karyawan/pegawai. Terlebih dahulu memasukkan kode, nama, dan nip masing-masing karyawan/pegawai. Sehingga dapat di tentukan tombol-tombol untuk halaman menu utama input pada sistem absensi mata ini. 4.1.4 Halaman Utama Menu Input Data Pada halaman ini berfungsi untuk mengakses sebuah data pegawai/karyawan berupa kode, nama pegawai/karyawan, dan nip.


68

Gambar 4.9 Halaman Menu Input Data Pada halaman menu input data ini digunakan untuk proses penyimpanan kode, nama pegawai/karyawan, dan nip ke dalam sistem database. Sehingga dapat mempermudah pegawai/karyawan dalam melakukan absensi. Adapun cara penggunaan menu input data yaitu masukkan terlebih dahulu kode, nama pegawai/karyawan, dan nip yang telah disediakan. Setelah itu tekan tombol simpan agar data yang telah diisi dapat langsung tersimpan kedalam database. Untuk menghapus data yang salah/valid dengan tombol hapus. Untuk menambahkan data yang lain dengan tombol tambah. 4.15

Halaman Utama Menu Input foto/absensi

Gambar 4.10 Halaman Menu Input Foto/absensi


69

Pada halaman menu input terdapat beberapa fungsi tombol yang digunakan untuk mengambil, mengolah, dan memproses sebuah hasil foto/citra ke dalam sebuah kode yang dapat dikenali oleh sebuah sistem absensi ini. Berikut fungsi tombol adalah sebagai berikut: a) Proses training data grid kode data orang : merupakan sebuah data grid dimana untuk menyimpan sebuah data yaitu kode orang, nama, dan nip. Proses penyimpanan data ini berasal dari sebuah form halaman utama menu input data. b) Proses training data grid citra : merupakan sebuah data grid dimana untuk menyimpan dan menampilkan sebuah proses input data citra dari proses pengolahan data trainning citra . c) Proses testing/absensi pengenalan data citra : merupakan sebuah pengenalan data citra dimana berfungsi untuk mencocokan nilai dari sebuah citra yang terkecil. Sehingga di peroleh sebuah data pencocokan. 4.1.6 Halaman utama menu Input pencarian data gambar

4.11 Halaman Utama Menu Input Pencarian Data Gambar Pada halaman utama menu pencarian gambar ini untuk mempermudah dalam proses pencocokan nilai citra yaitu dengan menggunakan browse. Setelah data yang sudah masuk proses selanjutnya adalah mencocokan kembali foto dengan identitas yang sudah tersimpan agar absensi yang masuk lebih akurat dengan data sudah masuk dan kesimpan maka untuk mencocokan kembalidengan nilai-nilai matrik.


70

4.1.7 Halaman utama menu input proses data gambar/foto menjadi grayscale

4.12 Halaman Utama Menu Input Proses Data Menjadi Grayscale Untuk halaman utama menu input pencarian data gambar ini selanjutnya adalah setelah data di ambil melalui webcam maka proses input data citra akan mengubah gambar menjadi grayscale. Dengan menentukan nilaikeabu - abuanya agar bias memprosesnilai – nilaimatriknya. 4.1.8 Halaman utama menu input proses menentukan nilai matrik

4.13 Halaman Menu Input Proses Nilai Matrik Di dalam form diatas proses training absensipegawai, mula–mula pegawaimengambil data citra terlebih dahulu ke webcam kemudian data citra tampil dalam citra gambar. Setelah proses mengambil foto/gambar selesai maka selanjutnya adalah menekan tombol proses input data citra untuk menentukan grayscale. Kemudian tekan tombol proses pengolahan data


71

training citra sehingga akan muncul angka berwarna hijau yaitu nilai matirk dan eigenface dari tip-tipa data yang diambil. 4.1.9 Halaman utama menu input pencocokan/pengenalan data citra

4.14 Halaman Menu Input Pencocokan/Pengenalan Data Citra Pada halaman utama menu input pencocokan/pengenalan data citra ini adalah cari gamabar/foto ke dalam tombol browse setelah itu cocokan kode dari kode yang telah di buat sebelumnya. Setelah itu tekan tombol pengenalan data citra maka hasil dari pencocokan akan di ketahui oleh sistem absensi mata ini. 4.1.10 Halaman utama menu output

Gambar 4.15 Halaman Menu Output Crystal Report


72

Pada halaman menu output terdapat beberapa fungsi tombol yang digunakan untuk hasil sebuah akhir dari proses pengambilan foto ke dalam sebuah citra yaitu crystal report. Prosean ini menampilkan sedikitnya 4 bagian yaitu nama, tanggal, jam masuk dan jam pulang. 4.2

Uji coba nilai ke akurasian data

Perbandingan nilai keakurasian dari sample uji coba

Jumlah keseluruhan nilai akurasi

: : :

Salah Salah salah benar

: : : : : :

benar benar benar salah benar

:

benar

:

benar

: :

benar

:

salah

salah

Salah : ∑ nilai akurasi dari hasil uji coba=Jmlh data benar/jmlh keseluruhan data*100= 53,3%

Gambar 4.16 Uji Coba Keakurasian Data 4.3

Cara Kerja Sistem Informasi Sistem ini bekerja seperti halnya dengan proses absensi pada umumnya dimana masih

membutuhkan petugas operator untuk memantau apakah benar mata dari orang yang melakukan absensi ini sesuai dengan prosedur yang telah ditetapkan sistem. Pertama-tama karyawan atau pegawai datang ke kantor, ketika ke kantor petugas absensi memanggil karyawan atau pegawai kemudian petugas absensi login ke sistem lalu petugas operator melakukan sebuah operasi absensi dengan karyawan atau pegawai yang sudah siap untuk


73

diambil gambarnya, jika nama dan foto sesuai maka absensi sudah berhasil. Berikut merupakan diagram alur sebuah sistem absensi pengenalan mata. 4.4

Kebutuhan Perangkat Keras Sistem absensi karyawan atau pegawai ini sudah dirancang menggunakan media input

yaitu berupa webcam, tetapi jika dilihat dari segi harga harga webcam terlihat murah daripada alat biometrik dan merupakan media capture murah saat ini dengan fungsionalitas yang mempuni. Hadware webcame yang digunakan untuk sebuah aplikasi ini, saya menggunakan webcam dari laptop Toshiba C600 dengan spesifikasi prosesor 2,26GHZ, memory 2 GB dan kamera webcam 0,3 Megapixel, karena driver kamera ini mudah dicari dan bisa diimplementasikan dengan mudah meskipun resolusi kamera ini sangat kecil. Untuk resolusinya sendiri menggunakan 160 x 120 piksel karena lebih cepat untuk merubah ukuran menjadi 80 x 80 piksel. Driver webcam harus sudah terinstal terlebih dahulu supaya kamera dapat terdeteksi saat sistem memulai log in. Dan printer sudah terinstal di dalam laptop supaya pada saat melakukan sebuah perintah print data report dan langsung mencetak laporannya. 4.5

Kebutuhan Perangkat Lunak Perangkat lunak yang digunakan untuk sebuah absensi ini adalah program dapat

dengan sendiri OS Windows XP Professional Service Pack 3. Alasan mengapa memakai OS ini adalah karena dengan menggunakan seri yang terbaru maka kinerja sistem akan lebih cepat di bandingkan dengan seri yang lama. Untuk bahasa pemrogramannya yang digunakan yaitu Microsoft Visual Basic 6.0. Seiring dengan penggunaan bahasa pemrogramannya ini tentunya database yang dipakai adalah Microsoft Acces 2007, dikarenakan data pada karyawan atau pegawai tidak terlalu banyak mengambil suatu sample yaitu 10 orang. 4.6

Cara Kerja Algoritma Eigenface Data pegawai/karyawan yang dimasukkan akan disimpan kedalam sebuah tabel

pegawai/karyawan, dan terdapat 2 buah metode untu mendapatkan citra dari seseorang yaitu dengan foto langsung atau menggunakan browse dari foto/gambar yang telah ada. Foto pegawai/karyawan akan disimpan dalam sebuah folder images dengan format *JPG dengan ukuran 80x80 piksel. Berikut algoritmanya yang akan diterapkan pada program ini : a) Pada sebuah sistem absensi pegawai/karyawan terdapat sebuah form halaman utnuk menyimpan data dengan asumsi kode, nama, dan nip. Untuk memaksimalkan sebuah


74

data maka diperlukan database guna menyimpan nama-nama pegawai/karyawan. Berikut kode halaman untuk menyimpan data-data pegawai/karyawan : Private Sub dgdata_Click() txtkode.Text = dgdata.Columns(0).Text txtnama.Text = dgdata.Columns(1).Text txtnip.Text = dgdata.Columns(2).Text End Sub

Gambar 4.17 Kode Penyimpanan Data Pegawai / Karyawan b) Citra mata akan di ambil foto/gambar nya dengan menggunakan webcam, hasil dari citra mata ini berformat warna RGB, dengan resolusi yang sesuai dengan aturan kamera. Semua gambar harus dinormalisasi menajdi 80x80 piksel agar seragam. Jika resolusi kamera tidak memenuhi sarat maka hasil tidak maksimal. c) Berikut kode sumber untuk proses pengambilan oleh webcam :

Gambar 4.18 Kode Sumber Cropping Image Setelah dihasilkan gambar dengan ukuran 80 x 80 piksel maka gambar RGB tadi diubah kedalam format grayscale (8bit), dengan tujuan agar mempunyai matriks yang


75

berkorespondensi dengan 1 image saja. Adapun kode sumber untuk dapat merubah RGB menjadi grayscale :

Gambar 4.19 Proses RGB Program ini menjelaskan tentang proses perhitungan citra warna menjadi RGB ( Red , Green , Blue )

Gambar 4.20 Proses Grayscale Program ini menjelaskan tentang perhitungan citra gambar menjadi Grayscale ( warna abu-abu )


76

Gambar 4.21 Fungsi Menyimpan Data Kode Orang Dalam fungsi source code ini untuk penyimpanan data pegawai/karyawan proses data yang harus di input adalah kode orang ( NIP) dan Nama pegawai/karyawan setelah proses data input selesai langsung simpan.

Gambar 4.22 Pencocokan Data Citra Fungsi program ini adalah pencocokan data citra gambar

Gambar 4.23 Pencocokan Kode Orang


77

Gambar 4.24 Pengenalan Citra Test Terhadap Training

Gambar 4.25 Citra gambar Test Terhadap Training Di dalam fungsi program ini menghitung nilai yang paling mendekati dengan nilai citra tersebut, maka pengenalan citra test ini yang diambil adalah nilai paling kecil dan paling mendekati dengan citra gambar.


78

Gambar 4.26 Proses Browse Berfungsi untuk merubah format image menjadi *JPG


BAB V KESIMPULAN & SARAN

5.1 Kesimpulan Dari uraian pada bab-bab sebelumnya maka dapat di tarik kesimpulan Tentang perancangan, pembuatan dan uji coba aplikasi sebagai berikut : a . Dalam Pembuatan sistem aplikasi absensi ini dapat ditarik sebuah kesimpulan yaitu dengan adanya sistem absensi berbasis scanning secara langsung dapat mempermudah dalam suatu absensi di sebuah lembaga instansi-instansi terkait dan dapat mempersingkat waktu pelaksanaan sehingga pada saat pegawai/karyawan melakukan kecurangan dengan kata lain tidak masuk kerja (membolos) maka yang bersangkutan tidak dapa melakukan absensi secara langsung, maka pegawai/karyawan akan ditindak tegas oleh masing-masing instansi terkait. b. Didalam perkembangan dunia yang serba canggih dan modern ini, penulis mencoba membuat dan mengikuti perkembangan tekhnologi yaitu dengan membuat sistem aplikasi scanning kontur mata. Metode yang dihunakan tidak jauh berbeda dengan yang lain yaitu menggunakan eigenface. Eigenface sendiri merupakan sekumpulan citra digital dari sebuah gambar/foto yang diambil pada saat kondisi pencahayaan,bentuk, dan sample yang sama kemudian gambar/foto tersebut dinormalisasikan dan diproses pada resolusi yang sama (misal m x n), kemudian citra tersebut diperlukan sebagai vector dimensi m x n dimana komponenya diambil dari nilai piksel dari citra tersebut. c.

Proses untuk menentukan hasil dari scanning kontur mata ini terlebih pada

nilai pada setiap bagian citra mata yang telah tersimpan. Jadi pada saat citra yang diperoleh harus memiliki nilai eigenvaluenya 100, sedangkan untuk mendapatkan gambar/foto yang sesuai dari mata nya adalah 90 maka hasil dari nilai yang paling mendekati yaitu 100. Nilai ini lah yang merupakan output hasil scanning mata.Proses yang dilakukan untuk penentuan hasil scanning mata. Hasil dari proses ini menggunaka algoritma eigenface dengan kata lain algoritma ini sangat teruji dikarenakan banyak variabel-variabel yang menjadi bobot dalam melakukan suatu proses pencitraan.


80

d. Dari data uji coba keseluruhan memiliki nilai akurasi sebesar 53,3%. Dikarenakan pada saat dibandingkan dengan sample gambar/foto satu dengan yang lain memiliki tingkat kesalahan pada saat melakukan testing data citra, sehingga scanning tersebut akan mengalami kesalahan disaat sistem absensi membaca nilai dari kode masing-masinggambar/foto. 5.2

Saran Dalam hal tekhnologi, tidak sedikit orang banyak melakukan suatu perubahan-

perubahan demi meraih masa depan aplikasi scanning mata dapat mendeteksi berbagai macam dan jenis penyakit sehingga dalam penerapnya akan sangat membantu dimasyarakat sekitar. Adapun algoritma lain yang menjadi pendukung yaitu algoritma fisherface, dimana dalam proses penerjaannya sangat akurat karena sample citra yang tinggi sehingga mendapatkan suatu nilai akurasi yang maksimal. Dan jika perlu ditambahkan sensor agar lebih detail dan akurat dalam proses pengrjaannya.yang diinginkannya. Dengan kata lain sistem aplikasi yang telah saya buat dimasa yang akan datang harus ada perkembangan misal sistem aplikasi scanning kontur mata dilengkapi dengan suatu aksi yaitu dengan ada nya sms gateway pada sistem aplikasi tersebut.


81


81

Daftar Pustaka

1. Maltoni e Al, (2003). “Handbook Of Finger Print Recognition”. Spinger Verlag, New York. 2. Munir, (2006). “Pengolahan Citra Digital Dengan Pendekatan Algoritmik”. Edisi Pratama”, Informatika Bandung. 3. Gonzales and Woods, (1992). “Digital Image Processing”. Third Edition, New York. 4. Darma Putra IKG, (2009). “Sistem Biometrik Konsep Dasar, Teknik Analisa Citra”. Informatika Bandung. 5. Karmilasari, (2008).“Sistem Pengenalan Iris Mata dengan Metode Morgologi dan Pengkodean Potongan Iris”. Universitas Gunadarma. 6. Ford Adrian, (2008).“Aplikasi Pengolahan Citra Digital untuk Identifikasi Biometrik Sidik Jari dengan metode Eigenface”. Universitas Gajah Mada. 7. Daugman J, (2002). “How Iris Recognition Works”. New York. 8. Wayman (2000). “Identifikasi Citra Telapak Tangan Memanfaatkan Ahli Ragam Gelombang Singkat”. Informatika Bandung. 9. Syarifuddin Madenda, (2005). “Pengenalan Biometrik Pada Iris Mata”. Universitas Gunadarma. 10. Sitorus Syahriol, (2006). “Sistem Pengenalan Wajah dengan Penerapan Algoritma Genetika pada Optimasi Basis Eigenface dan Proyeksi Fisherface”. Universitas Indonesia. 11. Al Fatta Hanif, (2009). “Sistem Pengenalan Wajah Dengan Metode Eigenfaces dan Jaringan Saraf Tiruan (JST)”. Universitas Indonesia. 12. Duda dan Hart dalam Al Fatta Hanif, (2009). “Konsep Pengembangan Sistem Basis Data”. Edisi pertama, Informatika,Bandung. 13. Schalkoff dalam All Fatta Hanif, (2009). ” Face Detection in an Image Sequence Based on Eyes Feature Extraction”. Seminar on Electrical Power, Electronics, Communication, Control and Informatics (EECCIS), Proceedings Volume 2, Universitas Brawijaya, Malang.


82

14. Prasetyo, Eri, dan Isna Rahmatun,( 2006).“Deteksi Wajah Pada Citra Diam dengan menggunakan Seleksi Warna Kulit dan Ekstraksi Fitu Mata”. The 7th Seminar on Intelligent Technology and Its Applications (SITIA), Proceedings Volume 1. ITS Surabaya. 15. Layman dalam Al Fatta Hanif, (2009).” Sistem Pengenalan Ekspresi Wajah Secara Real Time”.Politeknik Elektronika Negeri Surabaya, Surabaya. 16. Raymond Mcleod, (2001). ” Teknik Pengolahan Citra Digital menggunakan VB”. Yogyakarta. 2005. 17. Abdul Kadir, (2003). ”Konsep Dan Tuntunan Praktis Basis Data”. Yogyakarta. 18. Tata Sutabri, (2005). ” Software Engineering A practitioner’s Approach Sixth Edition”. Yogyakarta. 19. Subari & Yuswanto, (2008). ”Analisis Dan Perancangan Sistem Informasi Dengan Metodologi Berorientasi Objek”. Informatika, Bandung.


BAB II TINJAUAN PUSTAKA

Recommend Documents