PENGEMBANGAN SISTEM ABSENSI BERBASIS FACE RECOGNITION DENGAN METODE LDA Felix Hantoro Tan, Leonardus Indra Laksmana, Marcos H, Widodo Budiharto Universitas Bina Nusantara Jl. K H. Syahdan No. 9, Kelurahan Kemanggisan, Kecamatan Palmerah,Jakarta Barat 11480. Telp : +62.21 534 5830 - +62.21 535 0660 Fax : +62.21 530 0244 Email :
[email protected]
ABSTRAK
Tujuan penelitian ialah untuk mengembangkan system absensi dengan menggunakan face recognition. Metode penelitian yang dilakukan ialah metode analisis dan perancangan. Analisis dilakukan dengan pembuatan aplikasi face recognition dengan menggunakan metode LDA untuk mengekstraksi fitur dari wajah. Hasil yang dicapai ialah aplikasi face recognition dengan metode LDA dapat memperoleh hasil pengenalan wajah yang baik yaitu 95% tingkat keberhasilan dalam pengenalan wajah dengan citra wajah yang diuji sebanyak 40, jika dibandingkan dengan metode ekstraksi fitur yang populer sebelumnya seperti misalnya metode PCA. Berdasarkan hasil ekperimen, sistem absensi berbasis pengenalan wajah dengan metode LDA yang kami usulkan memperoleh hasil yang lebih baik dibandingkan dengan pengenalan wajah dengan metode ekstraksi fitur PCA. Kata Kunci : Sistem Absensi, Pengenalan Wajah, Ekstraksi Fitur, LDA.
The research objective is to develop a system using face recognition attendance. Research methodology is the method of analysis and design. The analysis is done by making an application of face recognition using LDA method for extracting features of the face. The results achieved by the application is face recognition by the LDA method can obtain excellent face recognition results that is 95% success rate in face recognition with the image of a face that was tested by 40, instead of the previously popular feature extraction methods such as PCA. Based on the experimental results, attendance system based on face recognition by the LDA method we propose to obtain better results compared with face recognition with PCA feature extraction method. Key Word : Attendance System, Face Recognition, Feature Extraction, LDA.
PENDAHULUAN Absensi adalah daftar administrasi ketidakhadiran seseorang pada suatu kegiatan. Daftar administrasi ini digunakan oleh perusahaan untuk mengetahui tingkat kehadiran para karyawannya. Absensi juga digunakan oleh sekolah dan universitas untuk mengontrol kehadiran para siswa. Sekarang ini sudah banyak metode absensi yang diterapkan. Ketika belum mendapat sentuhan teknologi komputer, absensi dilakukan dengan metode manual seperti tanda tangan atau memanggil nama. Sekarang, metode absensi sudah ada yang menggunakan komputer seperti menggunakan password atau kartu. Namun metode identifikasi konvensional tersebut dinilai tidak cukup handal, karena password atau kartu tersebut dapat digunakan oleh orang yang tidak memiliki kewenangan (Rahman & Wasista, 2010:1). Sistem absensi manual maupun sistem absensi yang otomatis namun masih sederhana masih memiliki kelemahan dapat dimanipulasi oleh orang –orang yang kurang bertanggung jawab. Tanda tangan seseorang dapat dipalsukan, sedangkan pemanggilan nama dapat diwakilkan oleh orang lain. Sebenarnya dengan penggunaan aplikasi fingerprint system untuk absensi, dapat meminimalkan tingkat kecurangan yang dapat dilakukan dalam sistem absensi. Namun, perlu digaris bawahi bahwa fingerprint system masih tidak bisa diaplikasikan secara sempurna apabila terdapat seseorang yang memiliki keterbatasan fisik. Dengan melihat adanya kelemahan yang ada pada fingerprint system yang tidak bisa digunakan apabila seseorang mempunyai keterbatasan fisik, dibutuhkan sebuah sistem yang dapat diaplikasikan kepada semua orang tanpa terkecuali, dan mengurangi tingkat kecurangan sebesar mungkin Maka dari itu, kami ingin mengajukan sistem absensi yang lebih baik dibandingkan dengan fingerprint system. Face Recognition dinilai dapat menguranagi kekurangan fingerprint system¸ karena kami berasumsi bahwa setiap manusia memiliki wajah sehingga kelemahan yang terdapat pada fingerprint system dapat diatasi. Salah satu teknik dalam membuat face recognition system terdapat bermacam-macam metode salah satu nya ialah metode Linear Discriminant Analysis(LDA). Penulisan ini dibatasi oleh beberapa ruang lingkup, yaitu: 1. Perancangan sistem dalam penulisan ini menggunakan bahasa C++. Perangkat lunak yang digunakan dalam pengembangan aplikasi ialah Microsoft Visual Studio 2010 dengan library OpenCV. 2. Data training yang digunakan adalah berupa citra wajah yang ditangkap dari beberapa sisi wajah. Ekspresi dan aksesoris yang menghalangi wajah dalam dibatasi. Ekspresi hanya dibatasi hanya pada pergerakan mulut dan mata, sedangkan aksesoris dibatasi hanya berupa kacamata. Dengan kata lain, citra wajah yang digunakan sebagai data training masing-masing memiliki keadaan yang sama. 3. Metode ekstraksi data citra wajah yang digunakan dalam penulisan ini adalah Linear Discriminant Analysis. 4. Untuk mendapatkan input citra wajah, peralatan yang digunakan adalah webcam. Tujuan penelitian adalah:
1. Untuk mengembangkan metode absensi berdasarkan teknologi pengenalan wajah. 2. Dapat menjadi acuan untuk membangun sistem keamanan berbasis pengenalan wajah. Adapun manfaat-manfaat yang dapat diperoleh adalah sebagai berikut: 1. Untuk mengatasi kelemahan absensi dengan menggunakan fingerprint system yang tidak dapat digunakan oleh manusia yang memiliki keterbatasan fisik. Sehingga sistem absensi dapat digunakan oleh semua manusia. 2. Mencegah penyalahgunaan sistem absensi yang sudah ada misalnya dengan tanda tangan dan tapping kartu identitas yang mudah dipalsukan dan digunakan oleh orang lain yang tidak bertanggung jawab.
COMPUTER VISION Computer Vision merupakan ilmu yang mempelajari bagaimana computer dapat mengenali obyek yang diamati (Fairhust, 1988:5). Computer Vision adalah kombinasi antara pengolahan citra dan pengenalan pola. Computer Vision bersama intelegensia semu (artificial intelligence) akan mampu menghasilkan sistem intelegen visual (visual intelligence system).
FACE RECOGNITION Pengenalan wajah adalah salah satu ilmu yang terdapat di dalam computer vision, di mana sebuah komputer dapat menganalisa suatu citra wajah yang terdapat di dalam sebuah gambar dan dapat menemukan identitas atau data diri dari citra wajah tersebut dengan membandingkan terhadap data-data citra wajah yang sudah disimpan sebelumnya di dalam database. Pada umumnya face recognition dilakukan dari sisi depan dengan pencahayaan yang merata ke seluruh wajah. Akan tetapi muncul beberapa permasalahan, seperti posisi wajah, skala atau jarak wajah, orientasi, umur, dan ekspresi wajah.
LINEAR DISCRIMINANT ANALYSIS (LDA) Pertama kali dikembangkan oleh ahli statistik Inggris, Sir Ronald Fisher Aylmer (RA Fisher) pada tahun 1936. Disebut juga Fisher Linear Diskriminan dalam kata lain dan metode klasik untuk ekstraksi fitur yang digunakan dalam face recognition. LDA digunakan secara luas untuk mengetahui kombinasi linear fitur sementara menjaga keterpisahan kelas. Analisis Diskriminan linier (LDA) sering menghasilkan model bahwa pendekatan akurasi (kadang-kadang melebihi) metode modern yang lebih kompleks. Analisis diskriminan dapat digunakan untuk klasifikasi. Dalam analisis statistik diskriminan linier, dalam kelas, antara kelas, dan campuran scatter matriks digunakan untuk merumuskan kriteria keterpisahan kelas. Algoritma metode fisherfaces atau LDA adalah sebagai berikut 1.
Misalkan X adalah vektor acak yang diambil dari kelas C
2.
Scatter matriks between (
dan within
dihitung sebagai (1) (2)
3.
Dimana
adalah mean dari seluruh gambar (3)
4.
Sedangkan
adalah mean dari kelas i
{1,...,C} (4)
5.
Kemudian dicari proyeksi W yang memaksimalkan kriteria pemisahan kelas (5)
6.
adalah nonsingular, proyeksi yang optimal dipilih sebagai Jika matriks dengan kolom orthonormal yang memaksimalkan rasio penentu antara matriks between class scatter yang diproyeksikan sampel dengan within class scatter yang diproyeksikan sampel. Dimana adalah genaralisasi eigenvector dari dan sesuai dengan m terbesar General Eigenvalue. Solusi masalah optimasi diberikan dengan menyelesaikan General Eigenvalue Problem (6)
7.
Masalah yang tersisa ialah pangkat memiliki banyak , dengan sampel N dan kelas C. Dalam pengenalan pola, sampel N selalu lebih kecil dari dimensi data masukan (jumlah pixel), yang menyebabkan matriks menjadi singular. Fisherfaces atau LDA dapat dilakukan pada data yang telah direduksi karena tidak singular lagi. Permasalahan optimasi dapat ditulis (7) (8)
8.
Transformasi matriks W yang memproyeksikan sampel ke dimensi ruang dinyatakan dengan (9)
Selain pada data set pelatihan, transformasi juga dilakukan pada data set pengujian.
METODE PENELITIAN Metode yang di gunakan dalam penulisan skripsi ini adalah a. Metode Analisis i. Studi pustaka Kegiatan yang sudah kami lakukan sebagai pengetahuan dasar meliputi: membaca literatur dan berbagai sumber, seperti jurnal, buku, dan artikel yang terkait dengan biometrics, face recognition, dan LDA. b. Metode Perancangan Model perancangan yang di pakai adalah model waterfall. Model ini melakukan pendekatan secara sekuential secara bertahap(menurun seperti air terjun), melalui rangkaian proses seperti rancang kebutuhan, rancangan desain, rancangan implementasi(pelaksanaan), rancangan verifikasi, rancangan pemeliharaan (Sommerville, 2004). Rangkaian proses yang akan dilakukan meliputi : i. Rancangan kebutuhan Kebutuhan dari program aplikasi ini adalah webcam, Webcam akan digunakan sebagai media untuk mengambil gambar wajah user. Gambar tersebut akan digunakan sebagai input dalam program untuk mengidentifikasikan apakah gambar wajah yang telah diambil tersebut termasuk ke dalam kelompok yang diinginkan(dalam hal ini mahasiswa) ii. Rancangan desain Membuat sebuah rancangan desain seperti user interface, dan Prosedur kerja dari aplikasi ini. User interface harus dirancang dengan user friendly agar pengguna
dapat mudah mempelajari dan menggunakan aplikasi ini. Membuat use-case diagram, class diagram dan activity diagram untuk merancang sistem. iii. Rancangan coding Coding aplikasi dengan bahasa C++ untuk Image Processing menggunakan library OpenCV. iv. Rancangan implementasi(testing) Melakukan pengujian pada coding yang telah dibuat dan memeriksa dan memperbaiki jika masih ada kesalahan pada coding v. Rancangan pemeliharaan Melakukan tindakan pemeliharaan pada aplikasi dengan cara memberikan update versi terbaru jika terdapat bug. Juga melakukan penambahan pada set pelatihan jika terdapat pengguna baru.
IMPLEMENTASI
Gambar 1 Tampilan awal ketika aplikasi dijalankan Tahap awal ketika aplikasi dijalankan melalui command prompt adalah muncul tampilan webcam dengan mendeteksi dan mengenali wajah pengguna. Pada Gambar 4.2 memperlihatkan bahwa wajah pengguna terdeteksi oleh kotak yang berwarna hijau pada tampilan webcam dan dikenali sebagai -1 yaitu maksudnya bukan siapapun yang terdaftar dalam database karena pengguna belum memasukkan citra wajah ke dalam database.
Gambar 2 Tampilan ketika diminta memasukkan nama
Setelah selesai memasukkan path yang tepat maka diikuti dengan menekan tombol enter pada keyboard lalu menekan huruf ‘n’ untuk memunculkan perintah “Masukkan nama” seperti pada Gambar 4.3 lalu pengguna diharuskan memasukkan nama yang diminta dan nama tersebut akan disimpan sebagai nama citra wajah yang dimasukkan nantinya. Setelah memasukkan nama maka pengguna diharuskan menekan tombol enter lagi.
Gambar 3 Tampilan setelah memasukkan nama oleh pengguna Setelah menekan tombol enter pada tahap sebelumnya maka citra wajah pengguna akan disimpan ke dalam database. Pada aplikasi ini, penyimpanan citra wajah dibatasi hanya lima citra. Lalu, muncul pemberitahuan bahwa citra wajah telah selesai disimpan dan pengguna diminta untuk menekan tombol ‘t’ pada keyboard untuk memulai training data. Adapun citra wajah yang menjadi data training dalam penelitian ini adalah sebagai berikut:
Tabel 1 Citra wajah yang menjadi data training Citra Wajah pada Set Latihan
Label
1
2
3
Nama
Felix
Leo
Marcos
Gambar 4 Tampilan prediksi label 1 dari aplikasi
Gambar 5 Tampilan prediksi label 2 dari aplikasi
Gambar 6 Tampilan prediksi label 3 dari aplikasi Pada gambar-gambar di atas menunjukkan bahwa langkah-langkah dalam menjalankan aplikasi dan mengenali citra wajah pengguna telah berhasil dan juga bisa membedakan antara pengguna yang satu dengan pengguna yang lainnya. Terbukti dari hasil prediksi yang berbeda-beda antar citra wajah pengguna. Pengujian metode LDA dilakukan dengan menggunakan 5 sampel citra wajah dari 20 subyek sebagai set pelatihan dan 1 citra wajah dari setiap subyek sebagai set pengujian. Sampel dari citra wajah didapat dari AT&T Face Databse. Setiap orang diberi label yang mewakili identitas subyek, berupa angka dari 0 hingga 19. Pada pengujian ini, sampel citra wajah yang digunakan dalam set pelatihan merupakan 5 citra wajah yang berbeda satu sama lain. Dimana perbedaan antara citra wajah satu dengan yang lain berupa perbedaan orientasi wajah, penggunaan atribut pada wajah(kacamata), dan ekspersi dari subyek. Untuk set pengujian, citra wajah yang digunakan dalam pengujian aplikasi ini merupakan citra wajah diluar dari set pelatihan.
Tabel 2 Hasil Evaluasi Testing Set Jumlah Citra Wajah Pada Testing Set 10
Waktu (detik)
Presentase Keberhasilan
6
100%
20
40,7
100%
40
81,2
95%
Dari Tabel 2 diperlihatkan bahwa semakin banyak citra wajah yang diuji, maka waktu yang diperlukan aplikasi dalam memproses pengenalan wajah akan semakin banyak. Dari Tabel 4.3 juga dapat diketahui bahwa semakin banyak jumlah citra wajah yang diuji maka presentase keberhasilan aplikasi dalam memproses pengenalan wajah akan mengalami penurunan. Sebagai catatan, pada penggunaan 40 citra wajah sebagai set pengujian, subyek yang diuji adalah sebanyak 20 subyek dengan masing-masing subyek menggunakan dua citra wajah yang berbeda untuk diuji pada set pengujian. Tabel 3 Hasil Evaluasi Training Set Jumlah Citra Wajah pada Training Set Waktu (detik) 50 6 100 40,7 200 274,5
Sedangkan Pada Tabel 3diperlihatkan bahwa jumlah citra wajah dalam set pelatihan juga mempengaruhi waktu yang diperlukan oleh aplikasi dalam memproses pengenalan wajah. Semakin banyak jumlah citra wajah pada set pelatihan, semakin banyak pula waktu yang dibutuhkan untuk menyelesaikan proses pengenalan wajah.
Gambar 7 Grafik Hasil Evaluasi Testing Set Berdasarkan Tabel 2 Berdasarkan Gambar 7 diketahui bahwa jumlah citra wajah set pengujian memberikan pengaruh yang konsisten terhadap pertambahan waktu yang dibutuhkan oleh aplikasi dalam memproses pengenalan wajah. Hal ini dapat diketahui karena berdasarkan Gambar 4.10, dimana perbedaan waktu antara setiap jumlah citra wajah set pengujian tidak menunjukan perbedaan waktu secara drastis.
Gambar 8 Grafik Hasil Evaluasi Training Set Berdasarkan Tabel 3 Dari Gambar 8 diketahui bahwa jumlah citra wajah set pelatiahan menghasilkan perbedaan waktu proses yang drastis. Hal ini diketahui karena masing-masing jumlah citra wajah memiliki perbedaan waktu proses yang cukup jauh antara satu dengan yang lain.
SIMPULAN DAN SARAN Dari hasil pelaksanaan tugas akhir ini, dapat diambil beberapa kesimpulan sebagai berikut: a) Penggunaan metode Linear Discriminant Analysis (LDA) sebagai metode yang digunakan dalam pembuatan face recognition system untuk sistem absensi telah terbukti lebih tinggi tingkat keberhasilannya, yang berdasarkan hasil evaluasi kami memiliki persentase keakuratan sebesar 95%, dibandingkan dengan metode Principal Component Analysis (PCA) sebesar 89,5%. b) Pembuatan aplikasi ini dapat diimplementasikan dengan sangat baik, karena tidak seperti sistem absensi yang menggunakan fingerprint system yang akan gagal jika terdapat keterbatasan fisik, sistem absensi ini tentu dapat diimplementasikan karena mendeteksi dan mengenali wajah seseorang, yang walaupun tidak sempurna karena cacat fisik, tetapi masih dapat diimplementasikan sesuai dengan harapan. Mengingat masih adanya ketidaksempurnaan yang masih ada dalam aplikasi ini serta demi kepentingan pengembangan aplikasi ini sendiri, maka dapat diberikan beberapa saran – saran yang mungkin dapat dipertimbangkan : a) Penggunaan label tiap kelas (orang) sebaiknya menggunakan ID dari orang. b) Pada saat face recognition dilakukan menggunakan webcam, sebaiknya tidak terlalu banyak gangguan di belakang pengguna (noise). c) Sebaiknya jarak wajah user ke kamera ±40 cm pada saat penyimpanan maupun saat pengenalan wajah. d) Pencahayaan saat penyimpanan dan pengenalan wajah sangatlah penting dalam kondisi cukup, tidak kurang dan juga tidak berlebih, karena dapat menyebabkan program tidak berjalan seperti semestinya.
REFERENSI Belhumeur, P. N. , Hespanha, J. P. , & Kriegman, D. J. (1997). Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7), 711-720. Fairhust, M. C. (1988). Computer Vision for Robotic Systems an Introduction. New Jersey: Prentice Hall. Rahman, M. A., Wasista, S. 2010. Sistem Pengenalan Wajah Menggunakan Webcam untuk Absensi dengan Metode Template Matching. 10-10-2012. www.eepis-its.edu/uploadta/downloadmk.php?id=949.
Sommerville, I. (2004). Software Engineering. (
edition). Boston: Addison-Wesley Longman, Inc.
RIWAYAT PENULIS Felix Hantoro Tan lahir di kota Bandar Lampung pada tanggal 24 Mei 1991. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Ilmu Komputer pada tahun 2013. Leonardus Indra Laksmana lahir di kota Bandar Lampung pada tanggal 15 Juni 1991. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Ilmu Komputer pada tahun 2013. Marcos H lahir di kota Bandar Lampung pada tanggal 10 Maret 1991. Penulis menamatkan pendidikan S1 di Universitas Bina Nusantara dalam bidang Ilmu Komputer pada tahun 2013.
