SISTEM ABSENSI OTOMATIS MENGGUNAKAN PENGENALAN WAJAH DENGAN METODE NEURAL NETWORK

SISTEM ABSENSI OTOMATIS MENGGUNAKAN PENGENALAN WAJAH DENGAN METODE NEURAL NETWORK Naufan Harish K J, Zainatul Hamdi, Bagas Ditya Ag Computer Engineering Departement, Faculty Of Engineering, Bina Nusantara University Jl. K.H. Syahdan No. 9, Kemanggisan, Jakarta Barat 11480 Phone (62-21) 534 5830, 535 0660 Fax. (62-21) 530 0244 ([email protected]), ([email protected]), ([email protected])

Satrio Dewanto Lecture of Computer Engineering Departement, Faculty Of Engineering, Bina Nusantara University Jl. K.H. Syahdan No. 9, Kemanggisan, Jakarta Barat 11480 Phone (62-21) 534 5830, 535 0660 Fax. (62-21) 530 0244 ([email protected])

ABSTRCT Face recognition is a method to recognize and identify a face. There are many researches that have been developed by many people to build face recognition system, but it was only to find highest accuration to recognize the face. Goal of this research is presenting how face recognition system can be implemented and used in an automated attendance system for an accurate, effective and efficient attendance system. The method that used in this research is Mathematical Transform and Neural Network that implemented in feature extraction process using Principal Component Analysis (PCA) algorithm and in classification process using Backpropagation algorithm. The result in this research has been reached the accuration about 90% in real time. Based on the result of this research, the accuration in recognition process is depending on input condition, illumination, orientation and classification process. To maximize the performance of the system, need an algorithm that can be adapting with different input condition from training process and adapting with any environment. ( NH, ZH, BA). Keywords: Face recognition, Automated attendance system, Principal Component Analysis (PCA), Neural Network, Backpropagation. ABSTRAK Pengenalan wajah merupakan metode untuk mengidentifikasi dan mengenali sebuah objek wajah, banyak penelitian yang telah dilakukan untuk membangun sistem pengenalan wajah tersebut, namun rata-rata penelitian hanya untuk mendapatkan tingkat akurasi yang tinggi. Tujuan penelitian ini adalah untuk menunjukkan bagaimana sebuah sistem pengenalan wajah dapat diterapkan ke dalam sebuah sistem absesnsi otomatis sehingga dapat menghasilkan sistem absensi yang akurat, praktis dan efisien. Metode yang digunakan dalam penelitian ini adalah

Mathematical Transform dan Neural Network yang diimplementasikan pada proses ekstraksi fitur dengan algoritma Principal Component Analysis (PCA) yang nantinya akan menjadi input pada proses klasifikasi dengan metode Neural Network dengan algoritma Backpropagation. Hasil yang diperoleh dari penelitian ini baru mendapatkan tingkat keakurasian 90% dengan data real-time, dari penelitian ini dapat disimpulkan bahwa tingkat keakurasian pengenalan wajah bergantung kepada kondisi pengambilan citra input, keadaan pencahayaan, orientasi objek, dan proses klasifikasi. Agar penelitian ini maksimal diperlukan algoritma yang dapat beradaptasi dengan lingkungan dimana sistem ditempatkan, serta dapat beradaptasi dengan kondisi input yang berbeda dengan input pada proses latih. ( NH, ZH, BA). Kata kunci: Pengenalan Wajah, Sistem Absensi Otomatis, Principal Component Analysis (PCA), Neural Network, Backpropagation.

1. Pendahuluan 1.1 Latar Belakang Sistem pengenalan wajah telah lama menjadi topik penelian dalam bidang computer vision system, dimana tujan utama dari computer vision system tersebut adalah untuk dapat mengenali sebuah objek wajah yang menyerupai kemampuan yang dimiliki oleh manusia. Dalam beberapa tahun terakhir perkembangan Computer Vision terutama dalam bidang pengenalan wajah berkembang pesat, hal ini tidak terlepas dari pesatnya perkembangan komputer serta metodemetode dan algoritma yang mendukung dalam bidang tersebut, sehingga membuat proses perhitungan dan akurasi dalam sistem pengenalan wajah semakin baik, hal-hal 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 sehari-hari. Dalam penelitian ini kami mencoba menerapkan sistem pengenalan wajah kedalam sebuah sitem absensi sehingga didapatkan sistem absensi yang efektif.

1.2 Kajian Pustaka Banyak metode dan algoritma yang dapat digunakan dalam melakukan pengenalan wajah, seperti yang dilakukan oleh Steve Lawrance, C. Lee Giles, Ah Chung Tsoi, dan Andrew D. Back menggunakan Self-Organizing Map (SOM) dan Convolutional Neural Network [1], kemudian Kandla Arora menggunakan Principal Component Analysis (PCA) [2], pada pada penelitian ini peneliti mengekstraksi fitur yang ada pada citra wajah kemudian membandingkan nilai fitur pada proses training dengan nilai fitur dari citra input baru menggunakan Linear Discriminant Analysis(LDA), kemudian Neeraj, Rajesh dan Dr. Shwetank melakukan review penggunaan metode Principal Component Analysis (PCA) dalam pengenalan wajah [3]. kemudian Rites Vyas dan Gourav Garg menggunakan Feature Extraction dan Neuro-Fuzzy [4]), lalu Jawad Nagi, Syed Khaleel Ahmed dan Farrukh Nagi menggunakan Neural Network [5]. Rata-rata penelitian-penelitian yang dilakukan sebelumnya hanya untuk mendapatkan nilai akurasi pada proses pengenalan wajah saja, dan tidak mengimplementasikannya kedalam suatu sistem aplikasi. Namun dalam beberapa penelitian terakhir pengembangan sistem aplikasi yang berbasiskan pengenalan wajah mulai banyak dilakukan, baik dalam ruang lingkup sekuritas ataupun sistem aplikasi lain yang berbasikan pengenalan wajah, seperti Automated Attendance System Using Face Recognition [6] dan juga Automated Facial Recognition Attendance System [7]. Penelitian ini masih berlanjut sampai sekarang ini untuk mendapatkan nilai akurasi yang

tinggi dengan jumlah data yang masal dan dengan Cost Computation yang minim, serta untuk menghadirkan data yang real time pada proses penganalan wajah, sehingga data dapat ter-update terus-menerus dalam jangka waktu yang ditentukan.

1.3 Rumusan Masalah 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. 2. 3.

Menentukan komponen apa saja yang perlu diperhatikan dalam membuat sebuah sistem absensi otomatis, agar didapatkan sistem yang efektif dan efisien. Metode dan algoritma pengenalan wajah apa yang cocok digunakan dalam sistem absensi, agar mendapatkan akurasi yang baik? Menentukan komponen apa saja yang dapat mendukung dan menghambat dalam melakukan proses pengenalan wajah.

1.4 Tujuan Penelitian Berdasarkan hal-hal yang telah diulas dalam latar belakang penelitian, tujuan utama dari penelitian ini adalah menunjukkan bagaimana sebuah sistem pengenalan wajah dapat diterapkan ke dalam sebuah sistem absesnsi otomatis sehingga dapat menghasilkan sebuah sistem absensi yang akurat, praktis dan efisien. Dengan nilai akurasi yang baik pada proses pengenalan wajah diharapkan dapat meningkatkan hasil validitas dari sistem absensi tersebut, sehingga dapat mengurangi kecurangan-kecurangan yang dilakukan pada proses absensi. Dan dengan proses absensi yang mudah diharapkan dapat meningkatkan efektifitas dari proses absensi.

2. Metode Penelitian Dari uraian beberapa fokus masalah yang telah di jelaskan sebelumnya, 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. 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 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 [8]. 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 Knowledge-Based, Mathematical Transform, Neural networks, dan Metode campuran [9]. Dari beberapa literatur dan jurnal penelitian terdahulu tentang pengenalan wajah didapatkan bahwa rata-rata telah menghasilkan nilai akurasi yang baik, penelitianpenelitian 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. 3. Hal-hal yang perlu diperhatikan dalam melakukan proses pengenalan wajah atau rekognisi adalah proses pengambilan citra input, proses ekstraksi fitur, serta proses klasifikasi [3]. Dalam proses pengambilan citra input tersebut perlu diperhatikan dalam beberapa hal seperti faktor pencahayaan, penempatan kamera, orientasi, serta gangguan lain yang dapat mengghambat dalam 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 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 [10]. 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 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 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. 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. Penjelasan Cara Kerja Sistem Dari hasil perumusan perancangan sistem yang telah dijelaskan sebelumnya, 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:

Gambar 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. Penjelasan proses-proses yang digambarkan pada diagram blok di atas akan dijelaskan pada sub bab berikutnya.

3.1 Proses Input Data Dan informasi Proses ini merupakan proses awal dalam sistem absensi otomatis ini, dimana di dalamnya terdapat beberapa sub proses seperti proses input informasi mahasiswa dan penyimpananan informasi, serta proses pengambilan data dan proses latih untuk sistem pengenalan wajah. Data dalam sistem pengenalan wajah tersebut berupa citra wajah yang di ambil dari sebuah kamera digital. Sedangkan data informasi yang di ambil pada proses absensi adalah informasi mengenai data pribadi sisiwa. Proses-proses tersebut akan dijelaskan selanjutnya.

3.1.1 Proses Pengambilan Input Sistem Pengenalan Wajah 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. 2.

3.

4.

Proses inisialisasi kamera, pada proses ini kamera dipersiapkan dan diintegrasikan kedalam sistem agar dapat mengambil gambar sesuai dengan input yang di inginkan. 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. 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. 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.

3.1.2 Proses Latih 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 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: 1.

Proses Ekstraksi Fitur Proses Ekstraksi Fitur ini menggunakan Algoritma PCA, dimana 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 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:

Keterangan: M = merupakan vektor orthonormal = merupakan nilai eigen

X = merupakan vektor 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:

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: 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. 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 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 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:

3.1.3 Proses Pengambilan dan Penyimpanan Informasi Siswa Tahapan selanjutnya setelah proses latih adalah pengambilan dan 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. Proses pengambilan informasi tersebut dijadikan satu kedalam window proses input data, proses tersebut dilakukan oleh admin.

3.2 Proses Absensi Proses ini merupakan tahapan akhir dalam sistem absensi otomatis ini, dimana di dalamnya terdapat beberapa sub proses seperti proses pengenalan wajah dan juga proses pengolahan data hasil absensi. Proses-proses tersebut akan dijelaskan selanjutnya.

3.2.1 Proses Pengenalan Wajah Proses ini merupakan tahap akhir dalam proses pengenalan wajah secara umum proses di dalamnya merupakan simulasi jaringan hasil dari proses klasifikasi yang di hasilkan dari proses klasifikasi. Hasil proses klasifikasi tersebut berupa nilai kecocokan wajah dengan nilai error yang terkandung di dalamnya. Setelah didapatkan hasil simulasi tersebut proses selanjutnya adalah mengurangi nilai hasil dari proses simulasi dengan hasil dari proses ekstraksi fitur, maka akan didapatkan hanya nilai error saja. Nilai error tersebut kemudian dicari yang terkecil untuk mendapatkan nilai wajah yang terdapat pada database.

3.2.2 Proses Pengolahan Data Absensi Setelah didapatkan informasi dari objek absensi maka selanjutnya adalah proses pengolahan data absensi, pengolahan tersebut bertujuan untuk menghadirkan jumlah data kehadiran siswa yang telah melakukan absensi.

3.3 Penggambaran Sistem Secara Keseluruhan Secara keseluruhan sistem absensi pengenalan wajah tersebut dapat di gambarkan dengan diagram alir sebagai berikut:

Gambar 4 Diagram alir sistem secara keseluruhan

4. Implementasi Dan Evaluasi Hasil Sistem Implementasi yang dilakukan ditujukan untuk menguji sistem yang telah dirancang, sistem dikatakan berhasil secara sempurna jika seluluh objek absensi telah dapat dikenali seluruhnya tanpa ada salah pengenalan terhadap objek. Tahapan dalam melakukan proses ini di bagi menjadi 2 buah tahapan utama, pertama adalah proses dalam melakukan pelatihan dan penginputan data informasi mahasiswa, dan tahapan ke dua adalah proses absensi yang dilakukan oleh mahasiswa. Proses-proses yang dilakukan dalam implementasi sistem dijelaskan secara rinci sebagai berikut: • • • •

Koneksi Webcam dengan Laptop Mengecek apakah webcam sudah terhubung dengan Laptop yang digunakan. Buka program Matlab Membuka program yang digunakan pada skripsi ini. Menjalankan Proses Latih Proses latih dalam sistem ini adalah untuk melakukan proses penginputan informasi data objek absensi yang dilakukan oleh administrator Manjalankan Proses Absen Proses ini dilakukan oleh objek absesnsi dengan mendekatkan wajahnya ke depan kamera.

4.1 Hasil Hasil yang di dapat dari proses ini adalah sebagai berikut:

Gambar 5 Hasil dari proses absensi Untuk menguji keberhasilan sistem ini maka kami melakukan beberapa set pengujian sistem dengan menggunakan sampel wajah sebanyak delapan buah dengan beberapa cara pengambilan gambar. Sehingga didapatkan hasi sebagai berikut:

Tabel 1 Hasil keseluruhan Proses Absensi

4.2 Evaluasi Dari data pengambilan tersebut didapatkan bahwa tingkat keberhasilan melakukan absensi rata-rata adalah 90% hal ini dipengaruhi dari proses pengambilan data pada proses latih atau training dan juga proses dalam melakukan absensi. Hal ini saling berkaitan karena metode yang di gunakan untuk peng ekstrakan nilai fitur adalah permodelan matematika. Fator utama ketidak berhasilan dalam pengenalan wajah adalah dari orientasi dan juga kondisi pencahayan yang sangat jauh berbeda pada saat dilakukan proses latih. Maka untuk tahapan selanjutnya dalam meneruskan penelitian ini diperlukanlah suatu metode dalam pengkoreksian nilai error dalam melakukan preprocessing citra sebelum masuk ke tahapan ekstraksi fitur.

Metode ekstraksi fitur dengan PCA menghasilkan nilai cost computation yang cukup baik, namun dalam hal keakurasian belum cukup mendapatkan hasil yang baik. Seperti yang dijelaskan sebelumnya diperlukanlah metode pendukung dalam melakukan proses ekstraksi fitur PCA tersebut agar keakurasian dapat meningkat. Dalam hal proses latih dengan metode Neural Network Backpropagation memerlukan proses yang lama untuk jumlah data yang banyak, keakurasian meningkat jika diberikan input data matriks yang lebih besar, namun memerlukan waktu proses training yang lebih lama dibandingkan dengan matriks input yang kecil.

5. Simpulan Dan Saran Dari hasil penelitian ini didapatkan bahwa: 1. Tingkat keberhasilan sistem absensi pengenalan wajah ini memiliki tingkat akurasi 90% pada keadaan normal, sedangkan dengan keadaan yang kurang proporsional maka tingkat keberhasilan berkurang sekitar 20%. 2. Hasil pendeteksian wajah pada sistem ini bergantung dengan keadaan posisi dan orientasi objek wajah yang melakukan absensi, serta keadaan pencahayaan terhadap objek wajah. 3. Agar hasil penelitian ini maksimal maka diperlukan algoritma yang dapat beradaptasi dengan lingkungan dimana sistem ditempatkan, serta dapat beradaptasi dengan kondisi input wajah yang berbeda dengan input pada proses latih. Saran: Diharapkan kedepannya dapat ditemukan algoritma baru dalam pengenalan wajah agar dapat diterapkan ke dalam sistem ini sehingga dapat meningkatkan tingkat keberhasilan pengenalan wajah yang lebih baik, serta dapat mempercepat proses training yang dilakukan. Untuk pengembangan sistem ini kedepannya diharapkan dapat menghadirkan data jangka waktu keberadaan siswa di dalam kelas.

6. Referensi [1]

Steve Lawrance, C. Lee Giles, Ah Chung Tsoi, and Andrew D. Back . Face Recognition: A Convolutional Neural Network Approach. 1997 [2] Kandla Arora (2012). Real Time Application of Face Recognition Concept, International Journal of Soft Computing and Engineering (IJSCE) ISSN: 2231-2307, Volume-2, Issue-5, November 2012 [3] Neeraj Rajesh and Dr. Shwetank, Face Recognition Techniques: A Review, International Journal for Science and Emerging. 2013 [4] Reitesh Vyas dan Gourav Grag . Face Recognition Using Feature Extraction And NeuroFuzzy Techniques. International Journal of Electrinisc and Computer Science Engineering. 2012 [5] Jawad Nagi, Syed Khaleel Ahmed (2008). A MATLAB based Face Recognition System using Image Processing and Neural Networks, 4th International Colloquium on Signal Processing and its Applications, March 7-9, 2008, Kuala Lumpur, Malaysia. [6] Nirmalya Kar, Mirinal Kanti Debbarma, Ashim Saha, Dwijen Rudra Pal (2012). Study of Implementing Automated Attendance System Using Face Recognition Technique, International Journal of Computer and Communication Engineering, Vol.1,No. 2, 2012. [7] Mohammad Ahmed Nasser, Farouq Ibrahim Abu-Shamma, Base Emad Khalil, Automated Facial Recognition Attendance System. 2011 [8] Taufik M.H, Absensi Dan Sistem Akademik Elektronik, 2008. [9] Yongzhong Lu, Jingli Zhou, Shengsheng Yu, A Survey of Face Detection, Extraction, And Recognition. 2003. [10] Kuldip Vora , Shruti Yagnik. A Survey on Backpropagation Algorithms for Feedforward Neural Networks, International Journal Of Engineering Development And Research, 2013

7. Riwayat Penulis

Naufan Harish Kemara Jati Banyumas, 7 Agustus 1991, Menamatkan pendidikan S1 di Universitas Bina Nusantara

Zainatul Hamdi Batusangkar, 28 Oktober 1991 Menamatkan pendidikan S1 di Universitas Bina Nusantara

Bagas Ditya Anggaragita Nganjuk, 21 Juni 1991 Menamatkan pendidikan S1 di Universitas Bina Nusantara