BAB III ANALISIS SISTEM
3.1. Sistem Absensi Berbasis Webcam Sistem absensi berbasis webcam adalah sistem yang melakukan absensi anggota berdasarkan input citra hasil capture webcam. Sistem akan melakukan posting absen anggota perhari dan membandingkan hasil capture wajah anggota dengan database wajah yang telah di-input terlebih dahulu oleh seorang administrator (Admin). Proses-proses yang dilakukan dalam system absensi anggota ini adalah: a.
Proses pemasukan biodata anggota dengan file wajah hasil capture webcam.
b.
Proses absensi harian anggota dengan capture webcam dan hasil Capture dibandingkan dengan file wajah anggota.
1.
Model Analisa Komponen Sistem Sistem Absensi berbasis pengenalan wajah ini terdiri dari beberapa
komponen
yang dapat digambarkan dalam suatu model seperti pada Gambar
3.1.
31
32
Gambar 3.1 Model AnalisaKomponenSistem Keterangan: A.
Komponen Webcam, adalah perangkat keras masukan yang digunakan dalam system pengenalan wajah yang berfungsi: 1.
Untuk melengkapi data anggota dengan foto, dimana foto ini akan disimpan kedalam database untuk dicocokkan dengan citra wajah yang di-capture saat proses absensi.
2. A.
Untuk meng-capture citra wajah anggota pada saat absensi.
Komponen Citra Capture Wajah, adalah berfungsi untuk melakukan mekanis mepengambilan citra wajah dengan media webcam, baik untuk disimpan sebagai file citra wajah mau pun untuk citra wajah yang digunakan sebagai input pada saat absensi.
B.
Komponen Antar Muka Pengguna, adalah berfungsi sebagai perantara komunikasi
33
antar pengguna dengan sistem, baik untuk proses input data anggota maupun untuk proses absensi. C.
Sub system Pengenalan Wajah, adalah berfungsi untuk proses pengenalan wajah
D.
yang mencocokkan citra wajah yang di-capture pada saat absensi dengan citra wajah yang ada pada database.
E.
File Wajah, adalah citra wajah anggota yang digunakan untuk melengkapi data anggota (training) disimpan dalam file tersendiri dan terpisah dari database data anggota dan dapat direferensikan dengan menggunakan nama file yang ada.
2.
LangkahPengenalanWajah Langkah - langkah untuk proses pengenalan wajah dengan metode
Eigenface dapat dilihat pada Gambar 3.2.
Gambar 3.2 Langkah Proses UntukPengenalanWajah
34
Keterangan:
1.
Citra wajah di-capture dengan menggunakan webcam dan hasilnya adalah sebuah file citra dengan format .bmp.
2.
Citra wajah kemudian dinormalisasi dengan beberapa tahap: A.
Kualitas warna citra diturun kan menjadi grayscale.
B.
Mengubah ukuran citra menjadi 80 x 80 piksel.
3.
Menghitung eigenvalue dari citra wajah.
4.
Menghitun geigenvalue dari citra database menjadi eigenvector.
5.
Mencocokkan eigenvalue citra wajah dengan nilai eigenvector citra database A.
6.
3.
Dan mencari nilai yang paling mendekati.
Cari data anggota yang sesuai dengan nilai yang paling mendekati.
Perhitungan Eigenface Algoritma pengenalan wajah dimulai dengan membuat matriks kolom
dari wajah yang diinputke dalam database. Rata-rata vector citra (mean) dari matriks
kolom
dihitung
dengan
cara
membaginya
dengan
jumlah
banyaknyacitra yang disimpan di dalam database. Langkah pertama adalah dengan mengisi variabel S dengan seluruh citra wajah input:
35
Langkah pertama adalah dengan mengisi variabel S dengan seluruh citra wajah input: a.
Setiap citra ditranformasikan kedalam vector dengan ukuran N.
b.
Tentukan nilai tengah atau mean.
c.
Kemudian tentukan selisih antaracitra input dengan citra mean.
d.
Selanjutnya vector orthonomal M, yang menunjukkan distribusi data.
Contoh perhitungan eigenvalue 2 (dua) citra: a.
Penyusunan Flatvector matriks citra Seperti pada pembahasan sebelumnya telah dijelaskan langkahlangkah pengenalan Wajah dengan pendekatan eigenvalue dan eigenvector, representasikan semua matriks training menjadi matriks dengan bentuk n × 1 atau matriks linier seperti yang ditunjukkan berikut ini:
36
Dari keempat matriks training tersebut, diperoleh matriksn × 1 dari matriks A,Matriks B, matriks C dan matriks D sebagai berikut:
b.
Perhitungan rataan flatvector (mean) matriks citra Dari
flatvecto ryang diperoleh, jumlahkan seluruh baris
nyasehingga diperoleh Matriks berukuran 1 x (H x W). Setelah itu bagi matriks dengan jumlah citra (N) Yang dalam contoh adalah dua untuk mendapatkan rataan flatvector (mean) sebagai berikut:
37
Dari keempa tmatriks tersebut akan diperoleh matriks yang diperoleh dengan cara:
Jadi mean flatvector adalah = (4 4 4 4 4 4 4 4 4)
Nilai flatvector citra akan digunakan untuk menghitung nilai eigenface citra wajah untuk training (pembelajaran). c.
Perhitungan Nilai Eigenface Dengan memakai nilai mean citra di atas nilai eigenface untuk matriksflatvecto ryang sudah disusun tersebut dapat dihitung dengan mengurangi baris-baris pada matriks flatvector dengan nilai
38
mean flatvector. Jika diperoleh nilai negatif, maka ganti nilainya dengan nol. Perhitungan nilai eigenface adalah sebagai berikut:
Matriks x-1 sampai matriks x-4 digabung untuk mendapatkan matrik seigenface untuk pembelajaran (training) dalam proses pengenalan.
39
d.
Proses Identifikasi Untuk mengenali citrates (testface), langkah identifikasinya adalah hitung nilai eigenface untuk matrik stestface dengan cara sebelumnya untuk penentuan nilai eigenface dan flatvector citranya.
Jadi nilai eigen dari testface adalah 111101111 Nilai eigen (eigenvalue) dari testface digunakan untuk identifikasi dengan menentukan jarak terpendek dengan eigenface dari eigenvector training dengan cara menentukan nilai absolute dari pengurangan baris I pada matrik seigenface training citra dengan eigenface dari testface dan jumlahkan dengan elemen penyusun vector yang dihasilkan dari pengurangan dan didapat jarak d indeks I dan cari nilai d yang paling kecil.
40
Perhitungan jarak antara Citra Wajah-1 dengantestface:
Perhitungan jarak antara Citra wajah-2 dengantestface:
Perhitungan jarak antara Citra wajah-3dengantestface:
41
Perhitungan jarak antara Citra wajah-4dengantestface:
a. jarak citra-1 dengantestface= 8 b. Jarak citra-2 dengantestface= 8 c. jarak citra-3 dengantestface= 8 d. Jarak citra-4 dengantestface= 19 Dalam hasil perhitungan, diperoleh jarakcitra wajah-1, wajah-2 dan wajah-3 memiliki nilai yang terkecil (8).Citra yang paling mirip dengan testface adalah citrawajah wajah-1, wajah-2 dan wajah-3.Karena ada tiga wajah yang mirip, ambil citra yang pertama sebagai citra wajah yang paling mirip dengan citra testface seperti pada Gambar 3.3.
42
Gambar 3.3 Citra Wajah Yang Paling MiripDengan Citra Testface
4.
Konfigurasi PerangkatKeras Konfigurasi Perangkat keras Sistem Absensi Anggota dengan Algoritma
Eigenface Berbasis Webcam adalah sebuah personal komputer (micro computer) jenis notebook dengan prosesor Intel Dual Core dengan memori 1024 MB dan sebuahwebcam merk Itech dengan resolusi image 2 mega piksel dengan kabel data jenis USB (universal system bus) yang terhubung dengan PC seperti terlihat pada Gambar 3.4.
Gambar 3.4 Konfigurasi Perangkat Keras
43
Karakteristik Webcam
Karakteristik webcam yang digunakan sangat berpengaruh terhadap hasil yang diperoleh dalam proses perhitungan eigenvalue dari citra yang hendak dikenali. Salah satu syarat yang harus diperhatikan adalah resolusi image hasil capture wajah. Webcam yang digunakan adalah merk Itech dengan resolusi 2 mega pixel. Karakteristik webcam yang digunakan adalah sebagai berikut: a. Ukuran window capture : 640 x 480 piksel. b. Video mode
: 24 Bit true color.
c. Interface
: Port USB.
d. Transmission rate
: 320 x 240 30 F/s dan 640 x 480 30 F/s
e. Rasio Noise signal
: > 48 dB (30 F/s 220 LUX)
f. Dynamic range
: > 72 dB
g. Image vocus
: 5 cm to ∞
