Penerapan Teknik Pengenalan Wajah Berbasis Fitur Local Binary Pattern pada Robot Pengantar Makanan

1

Penerapan Teknik Pengenalan Wajah Berbasis Fitur Local Binary Pattern pada Robot Pengantar Makanan Mohamad Deddy Turiyanto, Djoko Purwanto, Rudy Dikairono Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Kejawan Gebang, Surabaya 60111 E-mail: [email protected] Abstrak— Teknik pengenalan wajah telah banyak digunakan dan dimanfaatkan diberbagai bidang dengan algoritmanya yang beraneka ragam. Tugas akhir ini menerapkan algoritma teknik biometrik pengenalan wajah berbasis fitur LBP (Local Binary Pattern) pada sebuah robot untuk mengantarkan makanan. Teknik pengenalan wajah berbasis fitur LBP ini adalah teknik yang lazim dipakai pada teknik pengenalan pola. Sedangkan robot yang digunakan sebagai media pengantar makanan adalah suatu mesin beroda yang arah geraknya dipandu oleh suatu kurva lintasan berupa garis hitam. Robot pengantar makanan ini dilengkapi dengan sebuah kamera wireless yang digunakan sebagai media untuk menangkap citra wajah pelanggan. Proses pengenalan wajah dilakukan pada saat robot sedang berjalan mengantarkan makanan, dimana kamera wireless pada robot tersebut mengirimkan data citra yang ditangkap ke laptop operator untuk diproses dan dikenali. Ketika citra wajah yang dikirim oleh kamera pada robot sudah dikenali, maka laptop operator akan mengirimkan perintah pada mikrokontroler yang berada pada robot tersebut agar berhenti bergerak, yang artinya adalah robot berhenti didepan pemesan makanan. Dari hasil pengujian sistem, perbandingan histogram antara citra wajah dan citra pembanding memiliki toleransi error sebesar 1 %, error tersebut ditinjau dari tingkat korelasi histogram antara kedua citra dimana ketika hasil korelasi bernilai 1 menandakan bahwa kedua histogram memiliki tingkat kolerasi paling tinggi, yang artinya kedua gambar yang dibandingkan adalah sama. Jadi sistem yang sudah dirancang mampu mengenali wajah pelanggan apabila citra wajah pembanding yang ditangkap oleh kamera saat itu memiliki tingkat korelasi sebesar 99% terhadap histogram citra wajah referensi yang sudah diambil sebelumnya.

Kata kunci : Pengenalan wajah, LBP, robot

A

I. PENDAHULUAN

da banyak hal yang dapat dilakukan seorang pengusaha untuk meningkatkan kemajuan usahanya. Meningkatkan daya tarik konsumen merupakan hal yang sangat penting untuk diperhatikan. Salah satu upaya mewujudkan hal tersebut adalah dengan memanfaatkan teknologi yang berkembang saat ini. Salah satu bidang usaha yang daya saingnya ketat adalah pada bidang usaha kuliner. Pada kedai makan, kualitas pelayanan sangat menentukan terhadap daya tarik pelanggan. Permasalahan yang sering terjadi pada beberapa kedai makanan adalah lambatnya dalam penyajian makanan dan sering terjadinya kesalahan dalam penyajian makanan terhadap pemesan, maka dari itu dibutuhkan suatu mekanisme penyaji yang baik dimana pelayanan makanan disamping harus cepat tapi dia

juga tepat. Untuk meningkatkan kecepatan dan ketapatan penyajian makanan tersebut maka penulis akan menerapkan teknologi biometrik pengenalan wajah yang akan digunakan pada sebuah robot pengantar makananan. Pengenalan wajah atau face recognition merupakan salah satu teknologi biometrik yang telah banyak diaplikasikan dalam sistem keamanan selain pengenalan retina mata, pengenalan sidik jari dan iris mata. Dalam implementasinya, pengenalan wajah seseorang menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah sebelumnya yang telah disimpan di dalam database tertentu. Teknologi pengenalan wajah ini nantinya akan digunakan pada sebuah robot pengantar makanan, dimana robot yang dimaksud adalah robot pengikut garis. Robot pengikut garis itu sendiri adalah sebuah mesin beroda yang arah geraknya dipandu oleh sebuah garis yang berbentuk pola tertentu dan mengikuti lintasan atau kurva yang sudah ditentukan dengan bantuan sensor untuk mendeteksi garis tersebut. Adapun garis yang dimaksud adalah garis berwarna hitam diatas permukaan berwarna putih yang nantinya dideteksi oleh sensor warna yang berada dibagian bawah robot. II. TEORI PENUNJANG A. Pengolahan Citra (Image Processing) Pengolahan citra adalah salah satu teknologi yang dapat memanipuasi dan mencari informasi-informasi penting pada suatu objek dua dimensi yang nantinya akan diproses lebih lanjut, supaya dapat bermanfaat untuk bidang tertentu sesuai dengan apa yang diinginkan. Manfaat Image Processing ini banyak digunakan pada dunia industri, selain membantu meringankan pekerjaan manusia, ia juga mampu menghasilkan akurasi yang tepat dan cepat. Hal ini tentu akan mengurangi adanya produk cacat yang mengkin terjadi ketika manusia menanganinya. Dengan adanya teknik image processing proses industri akan lebih efektif dan efisien. Manfaat dari kegunaan image processing pada dunia industri adalah Measuring (mengukur), Counting (menghitung) dan Decoding (kode). Adapun motode yang menjadi bagian dari image processing yang digunakan pada tugas akhir ini antara lain.  Gray-scale Gray-scale (abu-abu) merupakan citra satu kanal yang mempunyai nilai kuantitas dengan rentang 0 sampai 255. Gambar satu kanal ini biasanya didapat dari hasil konversi gambar tiga kanal yaitu gambar RGB (kanal Read, kanal Green dan kanal Blue). Biasanya, teknik ini merupakan

2 langkah yang pertama kali dilakukan dalam image processing yang bertujuan untuk mempermudah perhitungan.

Gambar 4 Struktur wajah manusia

Dengan demikian maka setiap gambar yang menyerupai struktur gambar seperti Gambar 4 diatas akan terdeteksi sebagai wajah manusia. Untuk lebih jelasnya, perhatikan gambar 5 berikut ini. Gambar 1 Konversi RGB (3 kanal) ke Gray-scale (1 kanal)

1) Thresholding Sesuai dengan namanya, thresholding (dalam kajian pengolahan gambar) adalah metode yang menerapkan nilai ambang batas tertentu dalam suatu rentang kuantisasi data gambar. Sebagai contoh, gambar satu kanal dengan level kuantisasi (umumnya dengan rentang 0-255). Dari rentang data yang ada, terdapat nilai batas yang jika terlampaui akan diarahkan ke dalam kuantitas 255/0 atau jika tidak tercapai diarahkan kedalam kuantitas 0/255.

Gambar 2 Hasil thresholding

B. Deteksi Wajah (Face Detection) Face detection merupakan tahap awal yang perlu dilakukan dalam pengenalan wajah (Face Recognition). Maksudnya adalah dengan face detection maka kita akan mengetahui mana yang merupakan wajah manusia dan mana yang bukan, sehingga nantinya akan mempermudah untuk diproses lebih lanjut ketahap pengenalan wajah. Face detection itu sendiri adalah suatu algoritma yang dipakai untuk mengetahui apakah dalam suatu gambar terdapat komponenkomponen wajah manusia pada umumnya seperti dagu, mulut, hidung, dahi, dan kedua mata dengan posisi dan jarak tertentu. Berikut gambar ilustrasi dari bagian wajah manusia.

Gambar 3 Ilustrasi bagian-bagian dari struktur wajah manusia

Gambar 3 mempresentasikan setiap komponen yang ada pada wajah manusia pada umumnya, dan apabila digabung menjadi satu gambar maka akan terbentuk menjadi satu wajah manusia.

Gambar 5 Contoh wajah manusia

1) Deteksi Wajah dengan Metode Haar-Cascade Dengan OpenCV kita dapat mendeteksi wajah pada sebuah gambar yaitu dengan menggunakan tipe face detector yang disebut dengan Haar-cascade classifier. Ketika terdapat sebuah gambar (dapat diperoleh dari kamera atau file internal) face detector ini akan men-scanning setiap lokasi gambar tersebut dan mengklasifikasikannya sebagai wajah atau bukan wajah. Klasifikasi ini menggunakan sebuah permisalan yang tetap, misalnya dalam skala 70x40 piksel maka classifier ini mencari lokasi gambar setiap 70x40 piksel pada gambar yang ditinjau. Apabila wajah pada gambar yang ditinjau tersebut lebih besar atau lebih kecil dari skala piksel yang ditetapkan maka classifier akan terus-menerus jalan beberapakali untuk mencari wajah. Untuk menjalankan program face detector ini pada OpenCV kita harus mendeklarasikan atau memberitahukan letak daripada classifier yang akan digunakan. Salah satu file XML yang biasa digunakan adalah “haarcascade_frontalface_default.xml”. C. Pengenalan Wajah (Face Recognition) Sistem pengenalan wajah merupakan salah satu pengenalan pola (Pattern recognition). Selain dapat digunakan pada berbagai macam aplikasi, sistem biometrik yang satu ini juga memiliki kelebihan jika dibandingkan dengan sistem biometrik yang lain seperti sidik jari dan retina mata, sebab ketika mengidentifikasi wajah seseorang, teknologi ini tidak perlu menyentuh orang tersebut, malainkan cukup dengan hanya mengambil gambar wajah dari jarak jauh dan identifakasi tidak perlu berinteraksi dengan orang tersebut. Dalam penerapannya proses pengenalan wajah dipengaruhi oleh dua faktor variabilitas, yaitu variabilitas intra-personal dan extra-personal. Maksud dari variabilitas extra-personal adalah variasi yang dipengaruhi atau ditimbulkan pada wajah yang berbeda. Sedangkan intra-personal adalah variasi ditimbulkan karena proses pengenalan wajah dilakukan pada wajah yang sama seperti variasi pencahayaan, variasi aksesoris, variasi ekspresi. Struktur sistem pengenalan wajah terbagi menjadi 2 prosedur, yaitu prosedur registrasi dan prosedur pengenalan pada sistem pengenalan wajah. Pada prosedur pertama akan dilakukan pembentukan model atau template dari beberapa

3 citra training atau citra wajah pengguna yang kemudian template-template ini disimpan dalam database 1. Registrasi Ektraksi fitur

Database

supaya mendapatkan fitur vektor dari wajah. Teknik ini banyak digunakan dalam membandingkan gambar karena tingkat ke detailan dan koreksi yang didapat sangat efektif. Dalam sistem pengenalan wajah, histogram ini merupakan metode penyesuaian kontras menggunakan histogram dari gambar wajah.

2. Pengenalan Ektraksi fitur

Matching

Database

Gambar 6 Diagram fungsional sistem pengenalan wajah.

D. Local Binary Pattern (LBP) Local binary pattern pertama kali diperkenalkan oleh Ojala et al, didefinisikan sebagai ukuran tekstur gray-scale yang invarian. disebut invarian karena hampir tidak terpengaruh oleh pencahayaan yang berbeda. Hal ini merupakan salah satu kelebihan dari LBPn karena sifatnya yang invarian terhadap perubahan fotometri dari objek yang sama. Kelebihan lainnya adalah LBP ampuh untuk mendiskripsikan suatu tekstur, mempunyai daya pembeda yang akurat, dan juga mempunyai toleransi terhadap perubahan gray-scale yang monotonic. Istilah biner dari LBP dimaksudkan sebagai representasi dari intensitas piksel tetangga terhadap piksel yang sedang diproses. Sederhananya, LBP adalah sebuah kode biner yang mempresentasikan pola tekstur lokal. Kalkulasi dari LBP itu sendiri adalah membandingkan nilai intensitas piksel tengah dengan intensitas piksel sekelilingnya (piksel tetangga).

Gambar 8 Histogram

E. Robot Pengikut Garis Robot pengikut garis adalah robot beroda yang arah geraknya mengikuti suatu garis sebagai lintasan untuk dilalui, dengan bantuan sensor untuk mendeteksi garis tersebut. Lintasan garis tersebut ada yang menyebutnya dengan line tracer. Garis yang dimaksud adalah garis berwarna hitam diatas permukaan berwarna putih atau sebaliknya. Adapun sensor untuk mendeteksi garis yang digunakan pada robot ini adalah sensor photodiode dengan bantuan LED untuk pencahayaannya. Untuk lebih jelasnya perhatikan pada penjelasan berikut ini. Berikut diagram blok dari robot pengikut garis menggunakan mikrokontroler. Motor Kanan Sensor garis

Mikrokontroler

Driver Motor Motor Kiri

Gambar 9 Diagram blok robot pengikut gari dengan menggunakan mikrokontroler

III. PERANCANGAN SISTEM Tugas Akhir ini memanfaatkan teknologi biometrik pengenalan wajah untuk pelayanan dalam mengantarkan makanan pada sebuah kedai makan. Sistem pengenalan wajah ini digunakan untuk mengenali wajah pelanggan pada saat mengantarkan makanan yang dipesan. Berikut ini akan dipaparkan bagaimana ilustrasi skenario pelayanan. A. Skenario Pelayanan

Gambar 7 Proses kalkulasi piksel LBP

Nilai desimal dari 8 bit yang dihasilkan (LBP code) dapat dinyatakan dalam persamaan berikut : Dan fungsi s(x) didefinisakan sebagai berikut : Dimana : P = jumlah piksel tetangga yang digunakan R = Radius antara piksel pusat dan piksel tetangga E. Histogram Setelah melakukan proses ekstraksi piksel menggunakan LBP, maka menghasilkan suatu nilai matrik baru yang selanjutnya akan di konversi kesuatu histogram

Gambar 10 Skenario pelayanan pada kedai makan

4 Pelanggan yang baru datang pertama-tama harus ketempat pemasanan terlebih dahulu untuk memesan makanan, bagian ini melakukan pengambilan informasi pelanggan yaitu mengambil wajah pelanggan sekaligus mencatat pesanannya. Kemudian pelanggan menuju ke bagian kasir untuk konfirmasi dan membayar biaya makanan. Setelah itu pelanggan menunggu di tempat makan yang sudah disediakan (Urutan proses pelanggan bisa dilihat pada panah berwarna biru pada gambar 10). Setelah mendapatkan informasi data pelanggan, operator pada bagian pemesanan akan mengirimkan data pelanggan tersebut ke operator pada bagian home robot, sedangkan bagian kasir menyampaikan pesanan pelanggan pada chef. Setelah makanan selesai dimasak, chef akan memberikan masakannya tersebut kepada operator pada bagian home robot (Urutan proses karyawan bisa dilihat pada panah berwarna merah pada gambar 10). Bagian Home Robot ini bertindak sebagai operator untuk mengoperasikan robot pengantar makanan. Dimana ketika mendapatkan makanan dari chef bagian ini akan melakukan menyimpanan makanan pada robot sesuai dengan data yang sudah diperoleh dari bagian pemesanan tadi. Dengan kata lain sebelum robot dijalankan untuk mengantarkan pesanan pelanggan, bagian ini akan melakukan penyesuaian terlebih dahulu antara makanan yang akan dibawa oleh robot dengan wajah pemesannya yang kemudian wajah pemesan tersebut dijadikan sebagai gambar referensi untuk dikenali pada saat itu. B. Perancangan Software Perangkat lunak yang dirancang pada tugas akhir ini terdiri dari dua bagian yaitu perangkat lunak mikrokontroler dan perangkat lunak pada PC/Laptop. 1) Perancangan Software pada PC Sitem perancangan pada PC tedapat dua bagian yaitu bagian registrasi pemesanan dan bagian penyajian makanan. Bagian registrasi pemesanan bertindak untuk melakukan pengambilan data pelanggan yang memesan makanan, yaitu berupa citra wajah dan nama makanan yang dipesan, yang kemudian data tersebut disimpan kedalam database. Proses komputer yang akan dilakukan adalah deteksi wajah, cropping dan resize citra wajah. Kemudian akan dilanjutkan pada bagian yang kedua yaitu bagian penyajian makanan. Pada bagian ini akan dilakukan proses pengenalan wajah yang digunakan pada saat robot mengantarkan makanan terhadap pelanggan. Melalui robot pengantar makanan, komputer pada bagian homerobot melakukan proses identifikasi wajah pelanggan dengan cara membandingkan histogram antara dua gambar. Maksudnya adalah gambar referensi yang sudah ditentukan sebelumnya akan di konversi kedalam bentuk histogram terlebih dahulu yang kemudian dibandingkan dengan histogram citra wajah yang sedang ditangkap oleh kamera. Setelah robot sukses mengantarkan makanan terhadap pelanggan dengan tepat, maka robot akan segera kembali ke home untuk mengantarkan makanan pemesan berikutnya. Citra referensi selalu disesuaikan dengan makanan pemesan. 2) Perancangan software mikrokontroler Mikrokontroler yang digunakan pada tugas akhir ini adalah ATmega32 yang diprogram menggunakan compiler codevision AVR dengan bahasa C. Seperti yang sudah dibahas

pada penjelasan sebelumnya bahwa mikrokontroler menerima input dari sensor pendeteksi garis berupa tegangan yang bervariasi. Informasi tegangan tersebut harus dikonversi kedalam bentuk biner yang kemudian ditegaskan dengan cara menentukan ambang batas tegangan berapakah besar tegangan untuk logic 0 dan 1. Proses konversi ini dilakukan oleh ADC internal pada mikrokontroler atmega32. Setelah mikrokontroler dapat membaca sensor garis melalui ADC, maka data tersebut akan diproses untuk mengendalikan motor supaya mengikuti garis lintasan. Selain mengendalikan arah pergerakan motor, mikrokontroler juga mengatur kecepatan motor yaitu dengan cara memberikan sinyal PWM pada input driver motor. C. Perancangan Hardware Perancangan hardware pada tugas akhir ini adalah, sebuah robot line follower yang digunakan sebagai pengantar makanan. Robot tersebut berupa robot beroda berbentuk meja yang dilengkapi dengan sebuah kamera wireless. IV. PENGUJIAN A. Pegujian registrasi pemesanan Pengujian yang dilakukan pada bagian ini adalah pengujian untuk mengambil dan menyimpan data pelanggan yang memesan makanan. Data pelanggan berupa citra wajah dan nama makanan yang dipesan. Setelah mendapatkan data gambar dari kamera, maka pengujian akan dilanjutkan ke tahap preprocessing yaitu pendeteksian citra wajah, cropping, dan resize.

Gambar 12 Deteksi wajah

Citra wajah yang terdeteksi kemudian dicrop sekaligus di resize. Cropping ini dimaksudkan untuk menghilangkan bagian-bagian yang tidak penting, sehingga keluaran yang dihasilkan dari proses cropping ini berupa citra wajah saja. Preprocessing berikutnya adalah resize, bertujuan untuk mengatur ulang ukuran citra wajah supaya tetap konsisten walaupun wajah yang terdeteksi berada pada jarak yang dekat ataupun pada jarak yang jauh terhadap kamrera. Hasil dari proses cropping dan resize dapat dilihat pada gambar berikut.

Gambar 13 Hasil risize dan cropping citra wajah pada jarak dekat

Gambar 14 Hasil risize dan cropping citra wajah pada jarak sedang

5

Gambar 15 Hasil risize dan cropping citra wajah pada jarak jauh.

Setelah mendapatkan data citra wajah pelanggan, maka proses berikutnya adalah mencatat nama makanan yang dipesan oleh pelanggan. Berikut adalah pengujian untuk mencatat pesanan pelanggan.

 Pengenalan wajah Berdasarkan hasil pengujian pada gambar 18 dan 19, terdapat dua citra wajah berbeda yang akan dibandingkan dengan citra wajah referensi, terlihat bahwa tingkat ke cocokan histogram yang dimiliki gambar referensi menyerupai histogram yang dimiliki oleh gambar 19 B. Hasil dari proses ini bisa dilihat pada gambar 20 berikut.

Gambar 16 Pengujian penulisan nama makanan yang dipesan oleh pelanggan

D. Pengujian Penyajian Makanan Penyajian makanan dilakukan oleh operator pada bagian homerobot. Pada bagian homerobot inilah semua proses penyajian makanan akan dilakukan dimulai dari penempatan makanan pada robot sampai pengidentifikasian wajah pelanggan untuk dikenali 1) Pengujian pengenalan wajah Pengujan pengenalan wajah dilakukan dengan cara mengekstraksi citra wajah yang sudah di normalisasi sebelumnya dengan proses local binary pattern.

Gambar 17 Hasil pengujian ekstraksi fitur LBP

Setelah melakukan proses LBP pada citra wajah maka selanjutkan akan di konversi kedalam bentuk histogram untuk dibandingkan sebagai proses pengenalan wajah. Berikut merupakan prosedur dan hasil dari pengujian pencocokan histogram antara citra wajah.  Menentukan gambar referensi yang akan dibandingkan

Gambar 20 hasil pengujian pengenalan wajah pelanggan

Pengujian pengenalan wajah diatas menunjukkan bahwa gambar sebelah kiri pada gambar 20 bukan pemesan makanan yang sedang dibawa oleh robot, sedangkan pada gambar bagian kanan merupakan pelanggan yang memesan makanan yang sedang dibawa oleh robot. Berikut ini merupakan pengujian sistem pengenalan wajah yang menunjukkan kualitas dari penggunaan fitur local binary pattern. Pengujian dilakukan dengan membandingkan histogram dari gambar referensi dengan histogram citra wajah yang sedang ditangkap oleh kamera. Perbandingan tersebut dilihat dari tingkat korelasi antara kedua histogram, dimana ketika hasil korelasi bernilai 1 menandakan bahwa kedua histogram memiliki tingkat kolerasi yang tinggi artinya kedua gambar adalah sama atau dikenali. Tabel 1 Pengujian pengenalan wajah terhadap citra wajah yang berbeda

Gambar 18 Histogram dari gambar referensi

 Citra wajah yang sedang ditangkap oleh kamera pada robot ketika berjalan mengantarkan makanan.

Pelanggan (A)

Pelanggan (B) Gambar 19 Histogram dari gambar yang akan dikenali

Dari hasil pengujian yang dipaparkan pada tabel 1, untuk citra wajah referensi yang pertama terlihat bahwa tingkat korelasi histogram pada kelima citra wajah pembanding dari

6 wajah ke-1 sampai wajah ke-5 paling tinggi adalah 98 % terhadap histogram citra referensi. Sedangkan pada citra wajah ke-6 tingkat korelasi mencapai 99%. Hal ini menunjukkan bahwa gambar referensi lebih cocok terhadap citra wajah ke-6 karena kedua citra tersebut memang merupakan citra wajah yang sama. Begitupun juga untuk citra wajah referensi yang kedua, terlihat bahwa tingkat korelasi pada wajah pembanding dari wajah ke-1 sampai wajah ke-4 paling tinggi adalah 97% terhadap histogram citra referensi. Sedangkan untuk citra wajah ke-5 tingkat korelasinya sebesar 99%. Kemudian pengujian dilanjutkan dengan pengujian terhadap pengaruh sudut pencahayaan yang berbeda-beda. Tabel 2 Pengujian pengenalan wajah terhadap sudut pencahayaan yang berbeda.

Dari hasil pengujian yang ditampilkan pada tabel 2 terlihat bahwa tingkat korelasi histogram yang paling tinggi terdapat pada citra wajah ke-1, ke-2 dan ke-4, yaitu sebesar 99 %, hal ini terjadi karena pemberian sudut cahaya pada ketiga citra wajah pembanding tersebut tidak terlalu berbeda dengan sudut pencahayaan pada citra wajah referensi. Sedangkan pada citra wajah ke-3 dan ke-5 memiliki tingkat korelasi histogram yang lebih rendah yaitu sebesar 89 % untuk citra wajah ke-3 dan 91 % untuk citra wajah ke-5, hal ini terjadi karena pemberian sudut cahaya pada kedua citra wajah pembanding tersebut sangat berbeda terhadap sudut pencahayaan pada citra wajah referensi. Dengan demikian dapat disimpulkan bahwa pemberian sudut cahaya yang berbeda antara citra wajah referensi dengan wajah pembanding dapat menurunkan tingkat korelasi histogramnya. Sehingga kondisi ini akan mengganggu terhadap proses pengenalan wajah. Dari hasil dua pengujian pada tabel 1 dan 2 dapat didefinisikan bahwa citra wajah pembanding akan dikenali apabila memiliki tingkat korelasi histogram sebesar 99% terhadap histogram citra wajah referensi. E. Pengujian Hardware Pada saat proses pengenalan wajah sedang berlangsung, robot pengantar makanan akan terus bergerak mengikuti garis lintasan. Robot akan berhenti ketika komputer sudah menemukan atau mengenali pelanggan pemesan makanan yang sedang dibawa oleh robot. Hal tersebut dilakukan dengan cara komunikasi antara komputer dengan mikrokontroler yang berada pada robot. Komunikasi dilakukan dengan cara mengirim data dari komputer ke mikrokontroler menggunakan media bluetooth. Berikut merupakan pengujian robot pengantar makanan untuk mengajikan pesanan terhadap pelanggan.

Tabel 3 Pengujian robot ketika membawa makanan untuk disajikan kepada pelanggan

Pengujian ke 1 2 3 4 5 6 7 8 9 10

Hasil Berhasil Gagal Gagal Berhasil Berhasil Berhasil Gagal Berhasil Berhasil Berhasil

Pengujian yang dipaparkan pada tabel 3, dilakukan ketika robot mengantarkan makanan kepada pemesan makanan. Terlihat bahwa dari 10 kali pengujian, terdapat tujuh kali berhasil dan tiga kali gagal. Kegagalan tersebut disebabkan oleh beberapa hal, yaitu pengaruh dari perbedaan sudut pencahayaan yang terlalu siginfikan terhadap citra referensi, dan karena terlambatnya proses transmisi citra dari kamera wireless robot kepada komputer, sehingga pada saat melewati wajah pelanggan, kamera tidak mampu menangkap atau mendeteksi citra wajah pelanggan yang dilewatinya. Sehingga dapat disimpulkan bahwa dari 10 kali percobaan yang di tampilkan pada tabel 3, perancangan sistem secara keseluruhan memiliki tingkat keberhasilan sebesar 70%. V. KESIMPULAN Pengenalan wajah ditinjau dari tingkat korelasi histogram antara citra wajah pembanding yang ditangkap oleh kamera pada saat itu dengan citra wajah referensi yang diambil sebelumnya. Sistem pengenalan wajah yang dirancang memiliki toleransi error sebesar 1 %, sehingga sistem mampu mengenali wajah pelanggan apabila kedua citra wajah tersebut memiliki tingkat korelasi histogram sebesar 99%. Untuk pengiriman data gambar dari kamera wireless ke PC masih terdapat delay yang cukup besar yaitu 2450 ms. Hal ini disebabkan oleh bandwidth dan traffict dari jaringan yang kurang baik. Sehingga menyebabkan proses pengenalan wajah menjadi lambat dan robot penyaji makanan tidak tepat berhenti didepan pemesan. DAFTAR PUSTAKA [1] __________,”Face Detection and Recognition (Theory and Practice)”. , April 2014 [2] __________,”How Face Detection Works” , Mei 2014 [3] Wahyudi, Eko . Kusuma, Hendra dan Wirawan, ”Perbandingan Unjuk Kerja Pengenalan Wajah Berbasis Fitur Local Binary Pattern dengan Algoritma PCA dan Chi Square”, Seminar on Intelligent Technology and Its applications, mei 2011 [4] Rodriguez, Yann ,” Face Detection and Verification using Local Binary Patterns”. , 2006 [5] Maturana, Danil. Mery, Domingo dan Soto, Alvaro, ”Face Recognition with Local Binary Patterns, Spatial Pyramid Histograms and Naive Bayes Nearest Neighbor classification”. Departamento de Ciencias de la Computaci´on Pontificia Universidad Cat´olica Santiago, Chile, 2008 [6] __________, ” Histogram Comparison”. , Maret 2014