PENGENALAN WAJAH MANUSIA DENGAN METODE FACE-ARG (ATTRIBUTED RELATIONAL GRAPH) Suci Siswina1, Yanti Farradillah Siahaan2, Nurjamiyah3 Jurusan Sistem Informasi Sekolah Tinggi Teknik Harapan Medan Jl. HM Jhoni No 70 Medan, Indonesia 1
[email protected],
[email protected],
[email protected] ABSTRAK Pengenalan wajah adalah salah satu sistem yang banyak dikembangkan di zaman dengan perkembangan teknologi yang sangat canggih saat ini. Pengembangan sistem pengenalan wajah memiliki peluang yang luas, karena aplikasinya dapat digunakan baik dalam bidang komersil maupun pemerintahan, salah satunya adalah dijadikan sistem absensi. Untuk mengimplementasikan aplikasi pengenalan wajah untuk absensi tersebut, diperlukan suatu metode pengenalan wajah yang dapat mengenali wajah dalam ekspresi dan kondisi apapun. Metode Face-ARG adalah salah satu metode dalam pengenalan wajah yang cukup baik dalam mengenali suatu wajah dalam berbagai kondisi yang berbeda, di mana setiap image wajah yang masuk akan direpresentasikan dalam bentuk vektor graph yang nantinya akan disesuaikan dengan vektor graph dari satu image lain yang dengan melihat tingkat kesesuaiannya. Aplikasi ini dibuat dengan menggunakan perangkat lunak Microsoft Visual Studio 2008 dan Microsoft Access 2007 sebagai perangkat lunak untuk database, dan menggunakan perancangan UML (Unified Modelling Languange). Hasil yang didapat adalah sistem dapat menghasilkan laporan absensi yang dicetak per bulan, sistem dapat mengenali wajah dengan baik, walaupun ada beberapa kondisi yang tidak dapat diidentifikasi oleh sistem dan pencahayaan mempengaruhi dalam proses pengidentikasian wajah. Kata Kunci : Face-ARG, Pengenalan Wajah, Aplikasi ABSTRACT Face recognition is one of the many systems that were developed in the days of the development of highly advanced technology today. Development of face recognition system has vast opportunities, because the application can be used both in the commercial and government, one of which is used as the attendance system. To implement a face recognition application for the absences, we need a method of face recognition that can recognize facial expressions and in any condition. Face-ARG method is one of the methods in the face recognition is good enough to recognize a face in a variety of different conditions, which every incoming face image will be represented in vector form graph which will be tailored to the vector graph from one image to another see the level of compliance. This application is created using the software Microsoft Visual Studio 2008 and Microsoft Access 2007 as the software for the database, and uses the design UML (Unified Modeling Language). The result is a system that can generate attendance reports are printed per month, the system can recognize faces well, although there are some conditions that can not be identified by the system and the lighting affects the face identification process. Keywords : Face-ARG, Face Recognition, Application 1. Pendahuluan Saat ini sistem pengenalan wajah telah banyak dikembangkan, para peneliti termotivasi untuk mengembangkan sistem pengenalan wajah karena peluang aplikasinya yang luas dalam bidang komersil maupun pemerintahan, seperti dijadikan sebagai sistem absensi dengan menggunakan wajah sebagai pengenalnya. Untuk mengimplementasikan aplikasi teknologi pengenalan wajah tersebut, diperlukan suatu metode pengenalan wajah yang memiliki akurasi tinggi dan efisien. Berbagai aplikasi yang menggunakan citra wajah sebagai sumber informasi telah banyak dihasilkan. Hal ini dikarenakan secara umum citra wajah dapat memberikan informasi
khusus berkaitan dengan identifikasi personal berbasis pengenalan wajah yang dapat dimanfaatkan dalam suatu sistem penggunaan elektronik. Secara umum sistem pengenalan wajah mempunyai beberapa tahapan yaitu pendeteksian wajah, ekstraksi wajah, dan pengenalan wajah. Pendeteksian wajah adalah tahap untuk menentukan dan memisahkan bagian dari suatu citra diam (still image) yang terdefinisi sebagai wajah, dan ekstraksi wajah merupakan pengambilan bagian dari fitur-fitur wajah, setelah ekstraksi maka masuk pada tahapan pengenalan wajah yaitu mengenali wajah dengan ciri dan karakteristik tertentu untuk mengetahui identitas. Berbagai metode telah diperkenalkan
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
1
oleh para peneliti mengenai cara untuk mengenali wajah dengan benar. Akan tetapi seiring dengan berjalannya waktu terdapat permasalahan mengenai penerapan metode pengenalan wajah yang tetap dapat mengenali suatu wajah, baik ketika dalam kondisi ekspresi wajah yang berbeda, tingkat cahaya yang berbeda, maupun ketika terdapat suatu penghalang yang menutupi sebagian wajah Salah satunya adalah metode Face-ARG (Attributed Relational Graph) yaitu salah satu metode dalam pengenalan wajah yang cukup baik dalam mengenali suatu wajah dalam berbagai kondisi yang berbeda, Bo-Gun Park. et al[2]. Di dalam metode ini suatu gambar wajah akan ditransformasikan menjadi struktur Attributed Relational Graph (ARG) yang terdiri dari himpunan node yang memiliki relasi bineri di dalamnya dengan melalui proses pencocokan gambar dari dua wajah dengan cara mentransformasikan suatu gambar wajah menjadi bentuk graph yang terdiri dari himpunan node dan edge yang saling berhubungan. Berdasarkan latar belakang di atas maka penulis mencoba mengangkat suatu sistem dengan judul “Pengenalan Wajah Manusia Dengan Menggunakan Metode Face ARG (Attributed Relational Graph)” yang berfungsi untuk mengenali wajah manusia. Tujuan penelitian adalah mengembangkan sistem yang mampu mengidentifikasi suatu subjek sesuai dengan citra wajah yang diberikan. Aplikasi diterapkan untuk pengenalan wajah seseorang dalam sistem absensi. 2. Landasan Teori 2.1 Pengertian Citra Menurut arti harfiah, citra (image) adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis. Citra merupakan fungsi menerus dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek kemudian objek memantulkan kembali sebagian dari berkas cahaya. Pantulan cahaya ini ditangkap oleh alat-alat optik, seperti mata pada manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan objek dalam bentuk citra dapat terekam, Rinaldi Munir[4]. Citra dapat didefinisikan sebagai fungsi intensitas cahaya dua dimensi f (x,y) dimana x dan y menunjukkan koordinat spasial, dan nilai f pada suatu titik (x,y) sebanding dengan tingkat kecerahan dari citra di titik tersebut, Rafael C. Gonzales[3]. 2.2 Sistem Biometrika Sebuah sistem
biometrik
pada
hakikatnya merupakan sebuah sistem pengenalan pola yang melakukan identifikasi personal dengan melakukan keotentikan dari karakteristik fisiologis (retina, iris, sidik jari, struktur wajah, pola mata, geometri telapak tangan) dan perilaku tertentu yang dimiliki seseorang. Secara logika sistem ini dibagi menjadi dua modul yaitu : modul pendaftaran dan modul identifikasi, Darma Putra[5]. Modul pendaftaran yang berfungsi untuk mengambil data dari individu dan menyimpannya ke dalam sistem. Untuk dapat digunakan dalam proses pencocokan, representasi digital tersebut diproses lebih lanjut untuk mendapatkan representasi yang cukup untuk mewakili yang disebut dengan template. Template ini kemdian dapat disimpan ke dalam database di dalam sistem biometrik atau pada kartu magnetik (smart card). Modul identifikasi berfungsi untuk mengidentfikasi individu pada titik akses. Pada saat pengoperasian, pemindahan biometrik menangkap karakteristik yang akan diidentifikasi dan diubah menjadi format digital, kemudian oleh extraction feature diproses menjadi representasi yang sama dengan template-nya dan kemudian dicocokkan untuk mendapatkan identitas, Putra Darma[5]. Karakteristik fisiologis manusia dapat dipakai sebagai identitas atau identitas personal, dalam karakteristik fisiologis manusia untuk biometrik harus memenuhi beberapa kriteria yaitu: unik, permanen, dan dapat diambil atau diukur secara kuantitatif dan nilai dari pengukuran tersebut dapat digunakan untuk kepentingan identifikasi. Beberapa karakteristik fisiologis untuk identifikasi personal antara lain yang sudah sering dipakai maupun dalam penyelidikan atau pengembangan lebih lanjut antara lain adalah: wajah, pola retina, hand geometri, iris mata, pola suara, tandatangan, dan sidik jari, Putra Darma[5]. 2.3 Pengenalan Pola Pola adalah entitas yang terdefinisi atau didefinikan melalui ciri-cirinya (feature). Ciriciri tersebut digunakan untuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi. Pola adalah komposit/gabungan dari ciri yann merupakan sifat dari sebuah objek, Hanif Al Fatta[1]. 2.4 Pengertian Wajah Wajah dapat diidentifikasikan secara otomatis dengan suatu sistem yang kompleks karena tampilan struktur wajah dapat berubahubah. Tampilan struktur wajah dapat dilihat dari
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
2
ekspresi wajah, gaya dan warna rambut, bulubulu diwajah, telinga, posisi kepala, dan lainlain yang dapat menghasilkan citra yang berbeda dengan citra yang diambil sebelumnya, Putra Darma[5]. 2.5 Pengenalan Wajah (Face Recognition) Secara umum sistem pengenalan citra wajah dibagi menjadi dua jenis, yaitu sistem feature-based dan sistem image-based. Pada sistem pertama digunakan ciri yang diekstraksi dari komponen citra wajah seperti mata, hidung, mulut, dan lain-lain yang kemudian dimodelkan secara geometris hubungan antara ciri-ciri tersebut. Sedangkan pada sistem kedua menggunakani informasi mentah dari piksel citra yang kemudian dipresentasikan dalam metode tertentu, misalnya seperti Principal Component Analysis (PCA) atau transformasi wavelet yang digunakan utnuk klasifikasi identitas citra, Hanif Al Fatta[1]. 2.6 Metode Face-ARG (Attributed Relational Graph) Metode Face-ARG adalah sebuah metode baru dalam proses pencocokan gambar dari dua wajah dengan tingkat keberhasilan lebih baik dibangdingkan dengan metode lainnya, Bo-Gun Park. et al[2]. Metode yang digunakannya adalah metode Face-ARG (Attributed Relational Graph) yang mentransformasikan gambar suatu wajah menjadi bentuk suatu graf yang terdiri dari himpunan node dan edge yang saling berhubungan. Suatu wajah yang telah ditransformasikan ke dalam bentuk ARG (Attributed Relational Graph) akan memiliki himpunan node-node dan relasi biner didalamnya. Menurut Bo Gun Park[2], metode Face-ARG (Attributed Relational Graph) dapat didefinisikan dalam bentuk Face – ARG : G = (V, R, F Dimana: V = {v1,…,vN} adalah himpunan node dari suatu graf. R = {rij|vi,vj ϵ V, i ≠ j} adalah himpunan relasi biner dari vektor-vektor yang terdapat dalam node. F = {Ri|i =1 , … ,N} himpunan dari relasi ruang vektor dari node. Relasi ruang vektor Ri ={rij|j = 1,…,N, j ≠ i}, untuk i = 1,…,N. Mereperesentasikan himpunan relasi vektor antara node vi dengan node-node lain di dalam V. Disimpulkan bahwa jika terdapat dua wajah yang sama maka relasi ruang vektor yang terdapat dalam bentuk ARG kedua wajah tersebut seharusnya juga sama, dengan membandingkan relasi ruang vektor dari dua gambar wajah maka akan dievaluasi tingkat
keamanan dari kedua gambar tersebut. Untuk mendeskripsikan objek secara invarian agar dapat melakukan proses RTS (Rotasi, Translasi, Skala) maka digunakan enam tipe ukuran yang berbeda: rij(1) = θ, rij (2) = θc, rij(3) = θm rij(4) = DR, rij (5) = mij,x, rij(6) = mij, dimana rij (1) adalah sudut antara dua segment garis vi dan vj, rij (2) adalah komplemen sudut dari sudut terkecil di dalam vektor, rij(3) adalah sudut antara titik tengah dari vi terhadap vj, rij (4) adalah rasio jarak ( distance radio/DR) yang dihitung dengan persamaan:
Dimana l(i) untuk i=1,2,…,6 Rij(5) dan rij(6) adalah koordinat dari titik tengah vektor mij, yang merupakan vektor dari dua titik tengah vi dan vj. Pola yang diberikan oleh Face-ARG berupa koordinatkoordinat yang diberikan pada wajah sehingga membentuk suatu graf yang nantinya akan dinyatakan dalam bentuk vektor baris. Dari graf yang dihasilkan akan diperoleh vektor jarak yang menyatakan hubungan antar node yang saling berkorespondensi dalam graf yang dihasilkan oleh masing-masing image. Sehingga dapat disimpulkan apabila suatu image masuk vektor graf yang dihasilkan juga harus sama dengan vektor yang dihasilkan oleh image yang sama yang disimpan dalam basis data, dengan cara membandingkan tingkat kesamaan antar graf yang dihasilkan oleh setiap image. Tingkat kesamaan antara du Face–ARG yaitu g1 dan g2 dengan pasangan node yang berkorespondensi sebanyak N dapat dihitung, dengan persamaan:
= Dimana D(Ri) adalah fungsi untuk menghitung perbedaan antara relasi ruang vektor RiG1 dan RiG1.p(rijG2-rijG1) adalah probabilitas error pada relasi ruang vektor dan ωi dan γij adalah faktor berat dari relasi biner antara fitur vi dan vj. Proses pencocokan yang paling baik dan efektif dari kedua wajah yang diuji kesamaannya dapat diidentifikasikan dengan menghitung nilai kesamaan tertinggi dari keduanya yang berada di atas nilai threshold. Nilai threshold tersebut didefinisikan sebagai batas pengenalan akhir dari kedua Face-ARG. Face – ID = arg GM€FDB max S(GGM↔GT) Maka rumus di atas akan menghasilkan nilai yang paling tinggi dari proses pencocokan antara nilai image yang diinput dengan image di database.
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
3
Gambar 3.1. Wajah pertama 2.7 UML (Unified Modelling Language) Pemodelan (modeling) adalah proses merancang piranti lunak sebelum melakukan pengkodean (coding). Model piranti lunak dapat dianalogikan seperti pembuatan blueprint pada pembangunan gedung. Membuat model dari sebuah sistem yang kompleks sangatlah penting karena kita tidak dapat memahami sistem semacam itu secara menyeluruh. Semakin komplek sebuah sistem, semakin penting pula penggunaan teknik pemodelan yang baik. Dengan menggunakan model, diharapkan pengembangan piranti lunak dapat memenuhi semua kebutuhan pengguna dengan lengkap dan tepat, termasuk faktor-faktor seperti scalability, robustness, security,dan sebagainya.Kesuksesan suatu pemodelan piranti lunak ditentukan oleh tiga unsur, yang kemudian terkenal dengan sebuan segitiga sukses (the triangle for success). Ketiga unsur tersebut adalah metode pemodelan (notation), proses (process) dan tool yang digunakan. Memahami notasi pemodelan tanpa mengetahui cara pemakaian yang sebenarnya (proses) akan membuat proyek gagal. Dan pemahaman terhadap metode pemodelan dan proses disempurnakan dengan penggunaan tool yang tepat,Yuni Sugiarti[6]. 3. Hasil dan Pembahasan 3.1 Analisis Sistem Pengenalan Wajah Analisis sebuah sistem perlu dilakukan untuk menjamin bahwa sistem yang dibuat sesuai dengan kebutuhan pemakai dan layak untuk dikembangkan. Tahapan analisis sistem dapat dirinci menjadi beberapa tahap guna mempermudah proses analisis secara keseluruhan. 3.2 Perhitungan Metode Face-ARG Pada bagian ini akan dijelaskan cara menghitung dengan menggunakan metode Face-ARG dengan membandingkan tiga wajah yang berbeda dengan dua wajah dari orang yang sama dan satu wajah dari orang yang berbeda yang dijadikan dalam bentuk graph kemudian ditentukan nilai koordinat yang digunakan untuk jarak antar koordinat piksel dari mata kanan, mata kiri, hidung, dan mulut. Untuk wajah pertama yang akan diuji terlihat pada Gambar 3.1 berikut.
Sumber : Data Diolah (2014)
Gambar di atas merupakan gambar sebelum dijadikan bentuk graph untuk selanjutnya akan ditentukan titik koordinat dari mata kiri, mata kanan, hidung, dan mulut dan dijadikan bentuk graph dan terdiri dari 10x10 piksel, seperti terlihat pada Gambar 3.2 berikut.
Sumber : Data Diolah (2014) Gambar 3.2. Wajah pertama sesudah ditentukan titik koordinat Untuk koordinat wajah pertama digambarkan pada Gambar 3.3 berikut.
Sumber : Data Diolah (2014) Gambar 3.3. Koordinat pertama Perhitungan untuk panjang vektor wajah pertama sebagai berikut: r= r1 = = 4,47 r2 = =2 r3 = = 4,47 r4 = =2 r5 = =2 r6 = =2 r7 = = 3,61 r8 = = 2,23 r9 = = 2,23 r10 = = 3,61 r11 = = 2,23 r12 = = 2,23 Untuk wajah kedua yang akan diuji terlihat pada Gambar 3.4 berikut.
Sumber : Data Diolah (2014) Gambar 3.4. Wajah kedua
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
4
Gambar di atas merupakan gambar sebelum dijadikan bentuk graph untuk selanjutnya akan ditentukan titik koordinat dari mata kiri, mata kanan, hidung, dan mulut dan dijadikan bentuk graph dan terdiri dari 10x10 piksel, seperti terlihat pada Gambar 3.5 berikut.
Gambar di atas merupakan gambar sebelum dijadikan bentuk graph untuk selanjutnya akan ditentukan titik koordinat dari mata kiri, mata kanan, hidung, dan mulut dan dijadikan bentuk graph dan terdiri dari 10x10 piksel, seperti terlihat pada Gambar 3.8 berikut.
Sumber : Data Diolah (2014) Gambar 3.5. Wajah kedua sesudah ditentukan titik koordinat
Sumber : Data Diolah (2014) Gambar 3.8. Wajah ketiga sesudah ditentukan titik koordinat
Untuk koordinat wajah digambarkan pada Gambar 3.6 berikut.
Untuk koordinat wajah digambarkan pada Gambar 3.9 berikut.
kedua
ketiga
Sumber : Data Diolah (2014) Gambar 3.6. Koordinat kedua
Sumber : Data Diolah (2014) Gambar 3.9. Koordinat ketiga
Perhitungan untuk panjang vektor wajah kedua sebagai berikut: r= r1 = = 4,12 r2 = =4 r3 = = 4,12 r4 = =2 r5 = =2 r6 = =2 r7 = = 4,24 r8 = = 3,16 r9 = = 3,16 r10 = = 4,24 r11 = = 2,23 r12 = = 2,23
Perhitungan untuk panjang vektor wajah ketiga sebagai berikut: r= r1 = = 4,47 r2 = =2 r3 = = 4,47 r4 = =2 r5 = =2 r6 = =2 r7 = = 3,61 r8 = = 2,23 r9 = = 2,23 r10 = = 3,61 r11 = = 2,23 r12 = = 2,23
Untuk wajah ketiga yang akan diuji sama dengan wajah pertama terlihat pada Gambar 3.7 berikut.
Proses pencocokan wajah pertama, kedua dan ketiga dengan dilakukan dengan proses pengurangan vektor jarak, dapat dihitung dengan rumus berikut. Diketahui : N = 7, nilai W1 – W7 ditentukan secara random atau acak antara 0 sampai 1. W1 = 0,32 W2 = 0,21 W3 = 0,46 W4 = 0,16 W5 = 0,34 W6 = 0,63 W7 = 0,52
Sumber : Data Diolah (2014) Gambar 3.7. Wajah ketiga
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
5
((3,61 – 4,24) * 0,79) * ((3,61 – 4,24) * 0,37)]) S(1) = 0,019293915
Nilai 1 – ditentukan secara random atau acak antara 0-1 untuk S(1) 1= 0,27 2= 0,06 3 = 0,48 4= 0,63 5 = 0,79 6 = 0,37 S(1) = (0,32 * [ ((4,47 – 4,12) * 0,27)* ((4,47 – 4,12) * 0,06) * ((4,47 – 4,12) * 0,48) * ((4,47 – 4,12) * 0,63) * ((4,47 – 4,12) * 0,79) * ((4,47 – 4,12) * 0,37)]) + (0,21 * [((2 – 4) * 0,27) * ((2 – 4) * 0,06) * ((2 – 4) * 0,48) * ((2 – 4) * 0,63) * ((2 – 4) * 0,79) * ((2 – 4) * 0,37)]) + (0,46 * [((4,47 – 4,12) * 0,27) * ((4,47 – 4,12) * 0,06) * ((4,47 – 4,12) * 0,48) * ((4,47 – 4,12) * 0,63) * ((4,47 – 4,12) * 0,79) * ((4,47 – 4,12) * 0,37)]) + (0,16 * [((2 – 2) * 0,27) * ((2 – 2) * 0,06) * ((2 – 2) * 0,48) * ((2 – 2) * 0,63) * ((2 – 2) * 0,79) * ((2 – 2) * 0,37)]) + (0,34 * [((2 – 2) * 0,27) * ((2 – 2) * 0,06) * ((2 – 2) * 0,48) * ((2 – 2) * 0,63) * ((2 – 2) * 0,79) * ((2 – 2) * 0,37)]) + (0,63 * [((2 – 2) * 0,27) * ((2 – 2) * 0,06) * ((2 – 2) * 0,48) * ((2 – 2) * 0,63) * ((2 – 2) * 0,79) * ((2 – 2) * 0,37)]) + (0,52 * [((3,61 – 4,24) * 0,27) * ((3,61 – 4,24) * 0,06) * ((3,61 – 4,24) * 0,48) * ((3,61 – 4,24) * 0,63) *
Nilai 1 – ditentukan secara random atau acak antara 0-1 untuk S(2) 1 = 0,87 2 = 0,67 3 = 0,70 4 = 0,82 5 = 0,75 6 = 0,78 S(2) = (0,32 * [ ((4,47 – 4,47) * 0,87) * ((4,47 – 4,47) * 0,67) * ((4,47 – 4,47) * 0,70) * ((4,47 – 4,47) * 0,82) * ((4,47 – 4,47) * 0,75) * ((4,47 – 4,47) * 0,78)]) + (0,21 * [((2 – 2) * 0,87) * ((2 – 2)) * 0,67) * ((2 – 2)) * 0,70) * ((2 – 2)) * 0,82) * ((2 – 2)) * 0,75) * ((2 – 2)) * 0,78)]) + (0,46 * [ ((4,47 – 4,47) * 0,87) * ((4,47 – 4,47) * 0,67) * ((4,47 – 4,47) * 0,70) * ((4,47 – 4,47) * 0,82) * ((4,47 – 4,47) * 0,75) * ((4,47 – 4,47) * 0,78)]) + (0,16 * [((2 – 2) * 0,87) * ((2 – 2)) * 0,67) * ((2 – 2)) * 0,70) * ((2 – 2)) * 0,82) * ((2 – 2)) * 0,75) * ((2 – 2)) * 0,78)]) + (0,34 * [((2 – 2) * 0,87) * ((2 – 2)) * 0,67) * ((2 – 2)) * 0,70) * ((2 – 2)) * 0,82) * ((2 – 2)) * 0,75) * ((2 – 2)) * 0,78)]) + (0,63 * [((2 – 2) * 0,87) * ((2 – 2)) * 0,67) * ((2 – 2)) * 0,70) * ((2 – 2)) * 0,82) * ((2 – 2)) * 0,75) * ((2 – 2)) * 0,78)]) + (0,52 * [((3,61 – 3,61) * 0,87) * ((3,61 – 3,61)) * 0,67) * ((3,61 – 3,61)) * 0,70) * ((3,61 – 3,61)) * 0,82) * ((3,61 – 3,61)) * 0,75) * ((3,61 – 3,61)) * 0,78)]) S(2) = 0
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
6
Dari hasil perhitungan di atas, maka dapat disimpulkan bahwa image pertama dan ketiga adalah orang yang sama, karena hasil dari perhitungan nilai S ≤ 0, hal ini dibuktikan dengan hasil dari perhitungan S(2)=0, dimana S(2) merupakan wajah ketiga.
act activ ity diagr...
mul ai
Buka Aplikasi
Buka Form Data Pegaw ai/ Input Waj ah
Tampilan Form Data Pegaw ai/Input Waj ah
3.3 Perancangan Sistem Tahap perancangan sistem digambarkan sebagai perancangan untuk membangun suatu sistem sehingga menghasilkan sistem yang lebih baik bagi user. Sistem yang dirancang akan diuraikan menjadi beberapa bagian yang dapat membentuk sistem tersebut menjadi satu komponen. Perancangan sistem merupakan bagian dari metodologi pembangunan suatu perangkat lunak yang dilakukan setelah melalui tahapan analisis. Perancangan bertujuan untuk memberikan gambaran secara terperinci dari sistem yang akan dibangun sebelum dilakukan pengkodean ke dalam suatu bahasa pemrograman. 3.3.1 Use Case Diagram Diagram use case ini menjelaskan mengenai langkah-langkah yang akan dilakukan seseorang dalam penggunaan atau melihat aplikasi yang dirancang oleh pengguna. Hal ini dilakukan untuk mencegah terjadinya aplikasi yang tidak sesuai dengan rancangan awal, seperti yang ditunjukkan pada Gambar 3.10 berikut. uc Use Case Mo...
Data Pegawai/ Input Wajah
Pegawai
Absensi/ Identifikasi Wajah
Sumber : Data Diolah (2014) Gambar 3.10. Use case diagram pengenalan wajah 3.3.2 Activity Diagram Activity diagram adalah teknik untuk menggambarkan logika procedural, proses bisnis, dan alur kerja. Dalam beberapa hal, diagram ini mirip dengan sebuah diagram alir, tetapi perbedaan prinsip antara diagram ini dengan notasi diagram alir adalah mendukung behavior parallel seperti yang ditunjukkan pada Gambar 3.11 berikut.
Input Identitas Pegaw ai
Aktifkan Webcam
Scan Gambar
Ambil Gambar
Tampilkan Gambar
Simpan
Identi tas Lengkap
Identi tas T i dak Lengkap
Tampilkan Pesan Kesalahan Tampilkan Data Waj ah pada DataGridView
Sel esai
Sumber : Data Diolah (2014) Gambar 3.11. Activity diagram pengenalan wajah 3.4 Implementasi Implementasi sistem dalah prosedur yang dilakukan untuk menyelesaikan rancangan sistem yang lebih disetujui, menguji sistem, menginstal serta memulai penggunaan sistem baru atau sistem telah diperbaiki. Dalam aplikasi pengenalan wajah ini mencakup spesifikasi kebutuhan perangkat keras (hardware) dan spesifikasi kebutuhan perangkat lunak (software). Implementasi antarmuka dibuat dengan software Visual Studio 2008.
3.4.1 Implementasi Form Menu Form ini merupakan form utama dari sistem, dimana pada form ini terdapat 4 button, yaitu button Data Pegawai, Absensi, Laporan Absensi, dan Keluar, seperti yang terlihat pada Gambar 3.12 berikut.
Sumber : Data Diolah (2014) Gambar 3.12. Tampilan form menu
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
7
3.4.2 Implementasi Form Data Pegawai Form ini merupakan form untuk menampilkan form pegawai yang digunakan untuk menginput identitas pegawai, seperti yang terlihat pada Gambar 3.13 berikut.
Sumber : Data Diolah (2014) Gambar 3.13. Tampilan form data pegawai 3.4.3 Implementasi Form Absensi (Face Recognition) Form ini merupakan form absensi dimana dalam form ini dilakukan pengidentifikasian wajah yaitu mencocokkan wajah yang telah diinput sebelumnya. Tampilan form dapat dilihat pada Gambar 3.14 berikut.
Sumber : Data Diolah (2014) Gambar 3.14 Tampilan form absensi (face recognition) 3.4.4
Implementasi Form Laporan Absensi Form ini merupakan form untuk menampilkan form laporan absensi, dimana laporan dapat dicetak berdasarkan bulan, tahun serta apakah akan dicetak untuk seluruh pegawai maupun per pegawai, seperti yang terlihat pada Gambar 3.15 berikut.
Sumber : Data Diolah (2014) Gambar 3.15. Tampilan form laporan absensi 4. Kesimpulan Dan Saran 4.1 Kesimpulan Setelah menyelesaikan pembuatan dan pengujian sistem pengenalan wajah ini, penulis membuat kesimpulan sebagai berikut: 1. Ada beberapa kondisi yang tidak dapat diidentifikasi oleh sistem, seperti apabila kedua mata ditutup dan wajah dtutup secara vertikal dan horizontal. 2. Sistem dapat mengenali wajah dengan baik apabila pencahayaannya cukup, semakin terang ruangan semakin cepat proses pengidentifikasian wajah. 3. Sistem dapat menghasilkan laporan absensi yang dapat dicetak per bulan. 4.2 Saran Penulis menyadari masih banyak kekurangan dalam sistem ini, oleh karena itu penulis ingin memberikan beberapa saran yang mungkin berguna untuk pengembangan sistem selanjutnya, yaitu: 1. Diharapkan sistem ini dapat dikembangkan lagi sehingga sistem dapat megenali wajah dalam kondisi apapun. 2. Diharapkan sistem dapat dikembangkan lagi menjadi sistem login keamanan dalam mengunci dan membuka data yang ingin kita lindungi melalui pengenalan wajah dengan menggunakan metode lain. 5. Daftar Pustaka [1.] Al-Fatta, Hanif, 2009, Rekayasa Sistem Pengenalan Wajah, penerbit Andi, Yogyakarta. [2.] Bo-Gun Park, et al, 2005, Face Recognition Using Face-ARG Matching, IEEE Transactions on Pattern Analysis. [3.] Gonzales, Rafael C, Woods, Richard E, 2002, Digital Image Processing, Second Edition, Prentice Hall, USA. [4.] Munir, Rinaldi, 2004, Pengolahan Citra Digital dengan Pendekatan Algoritmik, penerbit Informatika, Bandung. [5.] Putra, Darma, 2010, Sistem Biometrik, penerbit Andi, Yogyakarta. [6.] Sugiarti, Yuni, 2013, Analisis dan Perancangan UML (Unified Modelling Language) Generated VB 6, Edisi Pertama, Penerbit Graha Ilmu, Yogyakarta
Biltek Vol. 3, No. 019 Tahun 2014 – Sekolah Tinggi Teknik Harapan
8