BAB III PERANCANGAN SISTEM
3.1
Definisi Masalah Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya perkembangan komputer serta metode-metode dan algoritma yang mendukung dalam bidang tersebut, sehingga membuat proses perhitungan dan akurasi dalam sistem pengenalan wajah semakin baik, halhal tersebut menjadikannya lebih reliable untuk dapat diterapkan kedalam sistem aplikasi penunjang. Sistem pengenalan wajah itu sendiri banyak diterapkan ke dalam sistem aplikasi yang berbasiskan pencocokan data biometrik, sebagai contoh sistem sekuritas pada bank, sistem absensi, sistem pembuatan Surat Izin Mengemudi (SIM), dan juga sistem lain yang membutuhkan pencocokan data biometrik. Pesatnya perkembangan sistem pengenalan wajah tersebut mendorong kami untuk melakukan penelitian penerapan sistem pengenalan wajah kedalam sebuah sistem aplikasi penunjang, sehingga dapat menghasilkan sistem aplikasi yang dapat mempermudah kegiatan yang di lakukan seharihari. Pada penelitian ini, kami mengangkat topik bagaimana sebuah sistem pengenalan wajah dapat di terapkan kedalam sebuah sistem absensi otomatis, sehingga dapat menghasilkan sebuah sistem absensi yang akurat, efektif dan efisien.
27
28 Fokus dalam penelitian ini adalah bagaimana menerapkan sebuah sistem pengenalan wajah kedalam sebuah sistem absensi otomatis sehingga dapat menghasilkan sistem absensi yang akurat, efektif dan efisien. Hal tersebut dapat dirincikan kedalam beberapa fokus masalah penelitian yang dijelaskan berikut ini: 1. Menentukan komponen apa saja yang perlu diperhatikan dalam membuat sebuah sistem absensi otomatis, agar didapatkan sistem yang efektif dan efisien. 2. Metode dan algoritma pengenalan wajah apa yang cocok digunakan dalam sistem absensi, agar mendapatkan akurasi yang baik? 3. Menentukan komponen apa saja yang dapat mendukung dan menghambat dalam melakukan proses pengenalan wajah. Dari uraian beberapa fokus masalah yang telah di sebutkan di atas, maka perlu dilakukan studi literatur dan studi perancangan guna melihat kekurangan dan kelebihan dari beberapa penelitian terkait yang telah dilakukan terdahulu, kemudian melakukan evaluasi hasil dari penelitian tersebut guna menjawab fokus permasalahan yang ada..
3.1.1 Pemaparan hasil Studi Literatur dan Studi Perancangan Dari beberapa literatur dan jurnal penelitian yang telah kami baca didapatkan bahwa: 1. Untuk membuat sebuah sistem absensi otomatis yang efektif dan dan efisien diperlukan sebuah sistem yang dapat terintegrasi
antara
proses
absensi
dengan
proses
29 penginputan data, hal tersebut dapat diterapkan dengan membuat sebuah sistem absensi yang teridiri dari Halaman login, Menu Absensi siswa, Form input data, dan yang terakhir adalah Halaman data base, Taufik M. H (2008:1). Hal lain yang perlu diperhatikan adalah kemudahan dalam melakukan proses absensi agar tidak memakan waktu yang lama. 2. Dalam melakukan proses pengenalan wajah ada beberapa metode yang dapat di gunakan, seperti metode KnowledgeBased, Mathematical Transform, Neural networks, dan Metode campuran, Yongzhong Lu, Jingli Zhou, dan Shengsheng YU (2003:15). Dari beberapa literatur dan jurnal penelitian terdahulu tentang pengenalan wajah didapatkan bahwa rata-rata telah menghasilkan nilai akurasi yang
baik,
penelitian-penelitian
tersebut
kebanyakan
menggunakan metode Mathematical Transform dengan menggunakan algoritma Principal Component Analysisi (PCA) dalam melakukan ekstraksi fitur dan Linear Discriminant Analysis (LDA) untuk melakukan proses klasifikasi. Metode dan algoritma ini banyak di gunakan karena proses pengaplikasiannya yang cukup mudah dengan nilai komputasi yang cukup cepat, serta tingkat akurasinya sudah cukup baik. Hal-hal tersebut memenuhi kriteria agar dapat diterapkan kedalam sistem absensi ini.
30 3. Hal-hal yang perlu diperhatikan dalam melakukan proses pengenalan wajah atau rekognisi adalah proses pengambilan citra input, proses ekstraksi fitur, serta proses klasifikasi, Neeraj, Rajesh dan Dr. Shwetank (2013:4). Dalam proses pengambilan citra input tersebut perlu diperhatikan dalam beberapa hal seperti faktor pencahayaan, penempatan kamera,
orientasi,
mengghambat
serta
dalam
gangguan lain yang dapat
proses
ekstraksi
fitur,
proses
pengambilan citra sampai dengan proses menghilangkan gangguan pada citra input dinamakan preprocessing image. Selanjutnya adalah proses ekstraksi fitur, dalam melakukan proses ekstraksi fitur terdapat beberapa metode yang dapat digunakan seperti halnya pada proses pengenalan wajah, hal-hal yang perlu diperhatikan pada proses ini adalah pemilihan fitur yang digunakan, proses penghitungan, serta hal-hal yang mengganggu proses ekstraksi fitur. Dan hal terakhir yang perlu diperhatikan adalah proses klasifikasi, rata-rata pada penelitian sebelumnya menggunakan proses ekstraksi fitur dengan PCA dan menggunakan LDA dalam proses klasifikasi. Dalam beberapa hal penggunaan PCA dan LDA cukup baik, namun kurang akurat jika proses pengenalan dilakukan dengan keadaan real-time. Hal ini dikarenakan
proses
klasifikasi
dengan
LDA
hanya
membandingkan hasil input baru dengan hasil dari PCA pada proses latih dengan menggunakan metode statistik
31 biasa. Oleh karena itu diperlukan metode lain dalam melakukan proses klasifikasi, dalam beberapa jurnal dan literatur yang telah kami baca, penggunaan metode Neural Network dalam melakukan proses klasifikasi objek dapat lebih akurat. Hal ini dikarenakan adanya proses latih dengan metode statistik yang dilakukan secara berulang, sehingga mendapatkan nilai error atau kesalahan yang lebih kecil dari pada menggunakan metode statistik biasa. Rata-rata jurnal dalam penelitian tersebut menggunakan algoritma Backpropagation algoritma ini dianggap paling baik dalam melakukan proses klasifikasi objek, Kuldip Vora, Shruti Yagnik, Mtech Scholar (2013:196) . Dari uraian hasil studi literatur dan studi perancangan di atas, maka perlu dilakukan evaluasi guna merumuskan hal-hal apa saja yang akan diterapkan kedalam sistem yang akan dibuat
3.1.2 Pemaparan hasil evaluasi Studi Literatur dan Studi Perancangan Hal-hal yang dirumuskan dalam merancang sistem dalam penelitian ini adalah sebagai berikut: 1. Membagi perancangan sistem kedalam dua buah fokus utama yaitu perancangan sistem absensi dan perancangan sistem pengenalan wajah. 2. Dalam merancang sistem absensi di dalamnya terdapat tiga buah proses utama yaitu proses penginputan data
32 informasi
mahasiswa,
proses
absensi,
dan
proses
pengolahan data absensi dimana untuk menerapkan proses-proses tersebut akan di implementasikan kedalam sebuah window aplikasi yang di dalamnya terdapat halaman login admin, menu absensi siswa, form input data, dan halaman data base. 3. Untuk mempermudah melakukan proses absensi maka kami menerapkan proses absensi dengan pengenalan wajah menggunakan kamera, kamera tersebut diatur agar dapat melakukan pengambilan citra secara otomatis, ketika terdeteksi adanya objek wajah, kemudian sistem melakukan proses pengenalan wajah. Proses pengambilan citra tersebut dilakukan secara real-time. 4. Dalam
melakukan
proses
pengenalan
wajah
kami
menerapkan metode Mathematical Transform dan Neural Network. Dimana dalam implementasinya menggunakan algoritma PCA dalam melakukan ekstraksi fitur dan menggunakan metode Neural Network dengan algoritma Backpropagation dalam melakukan proses klasifikasi dan rekognisi. 5. Di dalam proses pengenalan wajah tersebut kami membagi proses pengenalan wajah kedalam tiga buah proses utama, proses pengambilan input citra, proses latih dan juga proses pengenalan wajah.
33 Penjelasan secara keseluruhan mengenai sistem yang akan kami buat dijelaskan pada sub bab berikutnya yang berisikan perancangan sistem secara umum, diagram alur algoritma yang digunakan, serta penjelasan cara kerja sistem secara keseluruhan.
3.2
Perancangan Sistem Secara Umum Dari hasil perumusan perancangan sistem yang telah dijelaskan di atas, secara umum sistem ini terdiri dari dua buah sistem utama yaitu sistem absensi dan juga sistem pengenalan wajah. Di dalam sistem absensi tersebut terdiri dari beberapa tahapan, yaitu tahapan penginputan data informasi mahasiswa kemudian menyimpannya kedalam data base, tahapan absensi, serta pengolahan data absensi. Di dalam sistem pengenalan wajah terdapat beberapa tahapan, yaitu pengambilan input citra, proses latih atau training, dan pengenalan wajah. Dimana semua proses dalam sistem absensi dan sistem pengenalan wajah tersebut saling berkaitan dan diimplementasikan kedalam dua buah proses utama yaitu input data dan informasi serta proses absensi. Berikut penggambaran sistem secara umum dalam bentuk diagram blok:
34
Gambar 3.1 Diagram Blok sistem secara umum Proses-proses tersebut kemudian diimplementasikan kedalam sebuah wondow aplikasi yang terdiri dari halaman login admin, menu absensi siswa, form input data, dan halaman data base. Hal tersebut bertujuan untuk menghasilkan sistem yang efisien dan mudah dalam penggunaannya. Perancangan proses-proses yang digambarkan pada diagram blok di atas akan dijelaskan pada sub bab berikutnya.
3.3
Perancangan Sistem Pengenalan Wajah Seperti yang telah dibahas pada sub bab sebelumnya, sistem pengenalan
wajah
pada
sistem
absensi
ini
menggunakan
metode
Mathematical Transform dan juga Neural Network, dan di implementasikan kedalam dari tiga buah proses, yaitu proses pengambilan citra input, proses latih, kemudian yang terakhir adalah proses pengenalan wajah. Proses pengambilan citra input menggunakan kamera webcam yang kemudian
35 hasilnya akan diolah dalam Preprocessing citra guna mempermuda proses latih, dalam proses latih ini merupakan tahapan penting dalam melakukan proses pengenalan wajah dimana di dalamnya terdapat proses ekstraksi fitur dengan metode Mathematical Transform dan juga proses klasifikasi dengan metode Neural Network. Sedangkan proses pengenalan atau rekognisi itu sendiri merupakan tahapan akhir dari proses ini dimana sistem melakukan validasi dan pencocokan nilai input baru dengan hasil dari proses latih. Proses-proses tersebut digambarkan dengan diagram alir di bawah ini:
Gambar 3.2 Diagram alir sistem pengenalan wajah Proses-proses yang berkaitan dengan proses pengenalan wajah akan dijelaskan pada sub bab berikutnya yang berisikan penjelasan penggunaan metode yang digunakan pada proses ini beserta pengimplementasian algoritma dari metode yang dipakai dan diagram alur dari sub proses pada proses pengenalan wajah.
36
3.4
Perancangan Proses Pengambilan Citra Input Proses ini merupakan proses awal dalam melakukan proses pengenalan wajah, di dalamnya terdapat beberapa sub proses dan tahapan sebelum memasuki proses pelatihan. Di dalam proses ini pengambilan citra dilakukan dengan menggunakan kamera digital, input dari kamera digital tersebut terlebih dahulu dilakukan proses pegolahan guna mengurangi gangguan yang ada pada proses selanjutnya, penjabaran mengenai proses ini adalah sebagai berikut: 1. Proses inisialisasi kamera, pada proses ini kamera dipersiapkan dan diintegrasikan kedalam sistem agar dapat mengambil gambar sesuai dengan input yang di inginkan. Berikut contoh koding inisialisasi kamera dengan menggunakan matlab: camera = videoinput('winvideo', 1, 'RGB24_640x480'); set(camera,'ReturnedColorSpace','rgb'); start(camera);
Pada proses ini kamera diatur agar mengambil gambar dengan resolusi 640 x 480, serta dengan input citra berwarna (RGB). Selanjutnya adalah proses pengambilan citra atau capturing. capture = getsnapshot(camera);
Setelah didapatkan citra input lalu masuk ketahapan berikutnya. 2. Proses
pendeteksian
wajah,
pada
proses
ini
dilakukan
pendeteksian keberadaan wajah di dalam citra input yang telah di ambil,
citra
wajah
tersebut
kemudian
disegmentasi
atau
dipisahkan antara latar dengan citra wajah. Untuk mendapatkan citra wajah tersebut kami menggunakan algoritma pendeteksian wajah
dengan
metode Viola-Jones.
Algoritma
ini
sudah
terintegrasi secara langsung dengan program matlab yang kami
37 gunakan, contoh penggunaan algoritma ini akan dijelaskan selanjutnya. Pertama inisialisai pemanggilan library yang ada pada matlab, faceDetector = vision.CascadeObjectDetector ('ClassificationModel', 'FrontalFaceLBP', 'MinSize',[300 300],'MaxSize',[350 350]);
dalam proses ini kami membatasi nilai pendeteksian citra wajah dengan dimensi 300 sampai dengan 350, hal ini bertujuan mengurangi besarnya variasi dari objek wajah, tanpa mengurangi kemudahan melakukan absensi. Setelah diinisialisasi baru melakukan pendeteksian wajah dengan fungsi step, fungsi step ini melakukan konfolusi antara citra input dengan algoritma ViolaJones yang ada pada library Matlab, hasil konfolusi tersebut kemudian dimasukkan kedalam sebuah variable,
berikut cara
penggunaan nya: face
= step(faceDetector, capture);
Isi variable face ini merupakan koordinat letak wajah dalam citra input tersebut. Setelah didapatkan koordinat dari citra wajah tersebut dilakukan pemotongan citra input atau cropping image agar didapat citra yang berisi hanya citra wajah saja. faceImage = imcrop(capture,face);
Variable image ini berisikan citra input sesungguhnya dalam proses pengenalan wajah. 3. Setelah didapatkan input seseuai dengan yang diperlukan sistem, maka tahapan selanjutnya adalah melakukan grayscaling image tahapan ini bertujuan mengurangi besarnya nilai variasi yang ada dalam sebuah pixel citra wajah. Proses grayscaling image ini
38 adalah dengan menggabungkan bobot dari R, G dan B, berikut contoh perhitungan pencarian nilai RGB. 0.2989 * R + 0.5870 * G + 0.1140 * B
(3.1)
Di dalam matlab proses grayscaling image cukup dengan mengetikkan rgb2gray pada variable citra yang akan diubah, kemudian di simpan kedalam variable baru. gray_faceImage = rgb2gray(faceImage);
berikut disertakan contoh citra yang telah dilakukan grayscalingimage:
Gambar 3.3 Beberapa contoh Grayscale image 4. Setelah dilakukan grayscaling image tahapan selanjutnya adalah memperkecil resolusi dari citra input utama tersebut guna mengurangi dimensi piksel yang ada pada citra. Proses ini dinamakan resizing image, dalam proses ini citra diperkecil kedalam ukuran 30x30 pixel yang bertujuan untuk mengurangi beban perhitungan dalam melakukan proses latih. Berikut contoh penggunaannya di dalam program matlab: InputImage = imresize(faceImage,[30 30]);
Input inilah yang kemudian akan dimasukkan kedalam proses latih.
39 Proses-proses dalam melakukan pengambilan citra input tersebut digambarkan dengan diagram alir sebagai berikut:
Gambar 3.4 Diagram Alir pengambilan citra input
3.5
Perancangan Proses Latih (Training Process) Proses ini merupakan salah satu proses penting dalam melakukan proses pengenalan wajah, dimana di dalamnya terdapat dua buah proses utama yaitu proses ekstraksi fitur dan proses klasifikasi. Seperti yang telah dijelaskan
sebelumnya
proses
ekstraksi
fitur
menggunakan
metode
Mathematical Transform yang diimplementasikan dengan menggunakan algoritma Principal Component Analysis (PCA), hasil output dari proses ekstraksi fitur disimpan guna menjadi pembanding dalam proses pengenalan wajah. Kemudian dalam proses klasifikasi menggunakan metode Neural Network, algoritma yang digunakan dalam proses ini adalah Back propagation, dimana dalam penggunaan algoritma ini diperlukan input dan
40 target yang telah ditentukan. Output dari proses klasifikasi ini berupa jaringan syaraf kecerdasan sistem yang digunakan untuk mensimulasikan hasil pembelajaran untuk mengetahui nilai keccocokan wajah. Penjelasan secara keseluruhan dari proses ini adalah sebagai berikut: .
3.5.1 Proses Ekstraksi Fitur Algoritma Principal Component Analysis merupakan salah satu algoritma dalam ekstraksi fitur dengan metode Mathematical Transform,. Prinsip kerja utama dari algoritma PCA adalah menguraikan citra ke dalam satu set komponen utama matriks citra orthonormal yang juga dikenal sebagai eigen faces yang merupakan hasil korelasi dari eigen vector dan eigen value. Di dalam sebuah PCA terdapat beberapa tahapan perhitungan transformasi statistik matematika. Setelah didapatkan nilai input dari proses pengambilan input citra yang telah di jelaskan pada sub bab sebelumnya, tahapan pertama dalam algoritma ini adalah proses perhitungan nilai rata-rata dari keseluruhan citra input berukuran 30x30 tersebut dengan persamaan sebagai berikut:
Keterangan : = Nilai rata-rata citra input = Matrik Citra input
41 Proses selanjutnya adalah menghitung nilai perbedaan antara citra input dengan nilai rata-rata dari citra input, dengan persamaan matematika:
Dalam proses ini dilakukan normalisasi citra agar didapatkan nilai citra yang sama rata dari keseluruhan input citra. Tujuan dari proses ini adalah mengurangi nilai error dari keseluruhan citra input. Setelah itu dicari nilai matriks otrhonormal dengan persamaan:
M = merupakan vektor orthonormal X = merupakan vektor eigen = merupakan nilai eigen Matriks orthonormal ini lah yang merupakan nilai dari eigen face. Nilai eigen face dari tahap ini merupakan hasil dari keseluruhan informasi yang ada pada citra input. Oleh karena itu perlu dilakukan pemilihan nilai eigen face guna mendapatkan nilai eigen face yang dapat mencerminkan fitur dari sebuah wajah, dan merupakan komponen utama dari citra wajah tersebut. Pemilihan nilai eigen face tersebut didapat dari korelasi antara nilai eigen vector dan eigen value. Untuk mendapatkan nilai eigen vector da eigen value tersebut, terlebih dahulu perlu dicari nilai dari matriks kovarian dengan persamaan sebagai berikut:
42 Baru di dapatkan nilai eigen vector dan eigen value. Untuk menentukan berapa nilai eigen yang akan di ambil ditentukan dengan persamaan:
Pencarian nilai eigen vector dan eigen value ini bertujuan untuk mengetahui korelasi antara tiap nilai eigen yang telah didapat, proses ini dilihat dari aliran energi yang mengalir pada setiap nilai eigen tersebut yang kemudian digambarkan dengan nilai eigen vector sebagai penunjuk arah kemana aliran energi itu mengalir. Kemudian dilakukan seleksi untuk menghilangkan nilai eigen yang tidak memiliki hubungan dengan nilai eigen lain. Nilai eigen face ini masih dalam keadaan acak sehingga perlu dilakukan penyusunan, penyusunan ini diurutkan berdasarkan nilai eigen yang terbesar, dan juga berdasarkan aliran energi vektor-vektor yang searah dengan nilai eigen tersebut. Setelah proses ekstraksi fitur tersebut baru dilakukan proses utama yaitu proses latih dengan Neural Network. Berikut diagram alir proses ekstraksi fitur citra:
43
Gambar 3.5 Ekstraksi fitur wajah
3.5.2 Proses Klasifikasi Proses klasifikasi ini merupakan tahapan utama dalam proses latih yang bertujuan untuk memberikan kecerdasan pada sistem agar dapat membedakan antara wajah satu dengan yang lainnya. Metode yang digunakan adalah metode Neural Network dengan algoritma Feedforward Backpropagation. Pola Neural Network serupa dengan jaringan syaraf pada otak manusia. Komponen utama dari sebuah Neural Network terdiri dari neuron, fungsi aktivasi dan juga bobot. Neuron ini bertugas untuk mentransformasikan informasi yang di dapat melalui sambungan keluarannya atau output menuju neuronneuron lain, hubungan antara neuron ini yang kemudian dikenal dengan nama bobot.
44 Gambar3.6 Hubungan antara Neuron Bobot dan Fungsi aktivasi Pada
jaringan
syaraf,
neuron-neuron
tersebut
akan
dikumpulkan dalam lapisan-lapisan atau yang disebut dengan layer, pada jaringan yang memiliki layer lebih dari satu maka informasi yang diberikan akan dirambatkan dari layer satu ke layer lain, mulai dari layer input sampai dengan layer output melalui lapisan tersembunyi
(hidden
layer),
tergantung
dengan
algoritma
pelatihannya. Di dalam lgoritma Feedforward Backpropagation ini menggunakan jaringan multi layer dengan perambatan layer maju. Secara
umum
perancangan
algoritma
Feedforward
Backpropagation dalam sistem ini adalah sebagai berikut: 1.
Pemberian nilai input dan target.
2.
Dilakukan Backpropagation atau propagasi balik untuk mengecek nilai eror yang diperoleh dengan mengurangi hasil output dengan target yang di inginkan.
3.
Penyesuaian bobot koneksi untuk meminimalkan nilai eror, hal ini yang diulang terus-menerus pada tahapan pelatihan untuk meminimalkan eror sehingga didapatkan nilai bobot yang terbaik guna mencapai target yang di inginkan. Setelah ketiga tahapan tersebut selesai dilakukan maka training
telah selesai dilakukan, untuk penggunaannya hanya dengan memberikan nilai input baru saja kemudian melakukan simulasi jaringan yang telah dilatih guna mendapatkan nilai kecocokan dari
45 input citra wajah. Untuk melakukan proses training tersebut akan dijelaskan sebagai berikut: 1.
Inisialisasi bobot, pada tahapan ini dilakukan inisialisasi acak terhadap nilai bobot.
2.
Persiapan inputan, input yang dapat di proses dalam melakukan proses pelatihan ini berupa matriks satu dimensi. Input dalam pelatihan ini adalah nilai eigen face yang telah didapatkan dari proses ekstaksi fitur yang telah di jelaskan pada sub bab sebelumnya.
3.
Setiap unit masukan (zi, i = 1, ...,n) (tergantung banyaknya input yang dihasilkan dari proses ekstraksi fitur) menerima sinyal input ke seluruh layer.
4.
Setiap unit hidden layer (zj, i = 1, ...,p) menjumlahkan semua nilai eror yang dikeluarkan. Berikut persamaan yang diberikan:
Z_net j merupakan nilai error yang dihasilkan dari hidden layer. 5.
Kemudian dilakukan perhitungan semua output dari unit Yk (k = 1....m).
6.
Setelah itu baru lah masuk ke tahap Backpropagation, pada tahapan
ini
melakukan
pengecekan
mundur
dengan
46 menghitung faktor δ pada tiap unit output berdasarkan nilai error dari setiap output, Yk (k = 1....m)
δk merupakan nilai error yang dipakai dalam perubahan baobot pada layer di bawahnya, kemudian menghitung suku perubahan bobot wjk (yang akan dipakai untuk merubah bobot wjk) dengan learning rate α.
7.
Kemudian menghitung faktor δ pada setiap unit hidden layer berdasarkan nilai eror pada setiap unit hidden layer, Zj (j = 1....p)
Kemudian menghitung faktor δ pada hidden layer
Kemudian menghitung suku perubahan bobot vij
8.
Yang terakhir adalah perhitungan semua nila perubahan bobot yang didapat, perubahan bobot garis yang menuju ke unit output dengan persamaan:
perubahan bobot garis yang menuju ke unit hidden layer dengan persamaan:
47 Secara sederhana proses pelatihan Neural Network dapat di gambarkan dengan diagram alir sebagai berikut:
Gambar 3.7 Diagram Alir proses training
3.6
Perancangan proses penyimpanan data informasi mahasiswa Tahapan selanjutnya setelah proses latih adalah penyimpanan informasi dari objek absensi kedalam sebuah database, tujuan dari penyimpanan informasi adalah untuk mempermudah pada proses pengenalan dan proses utama absensi guna menghadirkan data informasi kehadiran siswa. Informasi data yang di ambil dalam proses ini bukan berupa data kompleks, namun informasi data yang hanya diperlukan dalam melakukan absensi seperti informasi Nama, Nim, dan Kelas karena sifat dari penerapan dari sistem kami yang berupa simulasi. Seluruh proses penyimpanan informasi tersebut dilakukan dalam satu buah window yang berbarengan dengan proses latih. Berikut diagram alir proses penyimpanan data ke dalam database:
48
Gambar 3.8 Diagram Alir proses penyimpanan ke dalam database
3.7
Perancangan Proses Pengenalan wajah Pada proses ini merupakan tahapan akhir dalam sistem yang kami buat, pada proses ini merupakan proses utama dalam melakukan absensi, tahapan dalam melakukan proses ini cukup sederhana, yang pertama adalah proses pengambilan citra wajah dengan kamera, kemudian citra input ini terlebih dahulu di lakukan preprocessing dan juga ekstraksi input citra, hasil ekstraksi citra input ini yang kemudian disimulsikan dengan menggunakan jaringan syaraf tiruan yang dihasilkan dari proses latih. Hasil dari simulasi tersebut berupa nilai kecocokan wajah beserta nilai error dari proses pengenalan, kemudian hasil dari proses simulasi tersebut dikurangi dengan hasil dari proses ekstraksi fitur pada proses latih untuk mendapatkan nilai
49 errornya saja, kemudian dicari nilai error terendah. Nilai error inilah yang kemudian dibandingkan untuk mendapatkan nilai wajah yang terdapat pada database. Hasil proses pengenalan wajah tersebut kemudian di proses untuk mencari informasi data siswa. Berikut penyajian diagram alir proses pengenalan wajah.
Gambar 3.9 Diagram Alir proses pengenalan wajah
