Konferensi Nasional Ilmu Sosial & Teknologi (KNiST) Maret 2017, pp. 355~360
355
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN KARYAWAN MELALUI PENGENALAN CITRA WAJAH MENGGUNAKAN ALGORITMA EIGENFACE 1
Abdul Hamid , Sidhiq Mardianta
2
1
AMIK BSI Bogor e-mail:
[email protected] 2
STMIK Nusa Mandiri Jakarta e-mail:
[email protected]
Abstrak Kohonen adalah sistem pengenalan wajah pertama yang telah menunjukkan bahwa suatu jaringan syaraf yang sederhana dapat digunakan untuk melakukan pengenalan wajah dari suatu citra. wajah yang telah diluruskan dan dinormalisasi. Jaringan tersebut digunakan untuk melakukan perhitungan terhadap suatu gambaran wajah dengan memperkirakan vektorvektor eigen dari matriks autocorrelation suatu citra wajah, vektor-vektor eigen ini dikenal sebagai ’eigenfaces’. Kirby dan Sirovich (1989) memperkenalkan suatu manipulasi aljabar yang memudahkan untuk menghitung eigenfaces secara langsung, dan menunjukkan bahwa dibutuhkan kurang dari 100 baris kode untuk melakukan pelurusan secara akurat dan normalisasi citra wajah. Dalam penelitian pengenalan wajah ini menggunakan sebuah kamera untuk menangkap wajah seseorang kemudian dibandingkan dengan wajah yang sebelumnya telah disimpan di dalam database tertentu. Secara garis besar proses dari pengenalan wajah ini adalah scanner melakukan deteksi pada foto. Kemudian didapatkan sebuah nilai R,G,B. Dengan menggunakan pemrosesan awal, dilakukan crop, konversi RGB ke Grayscale. Setelah dilakukan proses Grayscale, dilakukan tahap pengolahan wajah dengan menggunakan metode eigenface. Didalam metode eigenface ini terdapat beberapa tahapan inti yaitu: mengubah wajah menjadi matrik, menghitung rataan FlatVector, (eigenface) menentukan nilai eigenface dan melakukan proses identifikasi wajah dengan mencari nilai eigenface yang mendekati. Keywords: eigenface, pengenalan wajah 1. Pendahuluan Proses berkembangnya perusahaan memerlukan tambahan sumber daya manusia, biasanya dengan merekrut karyawan baru, Rekrutmen merupakan proses penarikan, seleksi, penempatan, orientasi, dan induksi untuk mendapatkan karyawan yang efektif dan efisien serta membantu tercapainya tujuan perusahaan (Hasibuan, 2008). Dalam organisasi ataupun institusi yang bergerak dibidang pendidikan, loyalitas dan kedisiplinan dalam bekerja sangat di utamakan, sehingga tidak sedikit lembaga ataupun institusi mengalami gulung tikar, itu disebabkan karena kurangnya loyalitas dan kedisiplinan karyawannya kepada institusi. Dalam hal seleksi perusahaan memerlukan sistem seleksi yang dapat mengambil keputusan dengan benar agar mendapatkan SDM yang berkualitas, misalnya sistem
penunjang keputusan. Pada dasarnya pengambilan keputusan adalah pendekatan sistematis pada hakekat suatu masalah, pengumpulan fakta - fakta, penentuan yang matang dari alternative yang dihadapi, dan pengambilan tindakan yang menurut perhitungan merupakan tindakan yang paling tepat. Pembuat keputusan kerap kali dihadapkan pada kerumitan lingkup pengambilan keputusan dengan data yang begitu banyak untuk kepentingan itu, sebagian besar pembuat keputusan dengan mempertimbangkan resiko manfaat/biaya, dihadapkan pada suatu keharusan mengandalkan seperangkat sistem yang mampu memecahkan masalah secara efisien dan efektif, yang kemudian disebut Sistem Pendukung Keputusan (SPK). Sistem pendukung keputusan merupakan suatu sistem informasi yang ditujukan untuk
Diterima 30 Januari 2017; Revisi 20 Februari 2017; Disetujui 15 Maret, 2017
ISBN: 978-602-61242-0-3 membantu manajemen dalam memecahkan masalah yang dihadapinya (McLeod, 2001). Wajah adalah fokus utama dari perhatian dalam kehidupan sosial. Memainkan peran besar dalam menyampaikan identitas dan emosi. Pengenalan wajah bisa berlaku untuk berbagai masalah, seperti identifikasi pidana, sistem keamanan, gambar dan pemrosesan film dan interaksi komputer dengan manusia. Dalam bidang pengenalan wajah, sebagian besar pekerjaan yang telah dilakukan berfokus untuk mengidentifikasi ciri wajah secara spesifik dan mengetahui hubungan diantara ciri-ciri wajah. Beberapa ciri wajah yang sering diidentifikasi adalah mata, hidung, dan mulut. Dalam pengenalan wajah isu penting nya adalah ekstraksi semua informasi yang relevan pada wajah. Ekstraksi wajah merupakan pendekatan pemrosesan wajah yang memperoleh semua variasi informasi dalam sekumpulan wajah. Beberapa metode telah diajukan untuk melakukan ekstraksi ciri wajah diantaranya adalah eigenface salah satunya. Eigenface merupakan metode salah satu teknik yang digunakan untuk ekstraksi ciri pada wajah (Turk, 2005) Tujuan penelitian ini adalah untuk memberikan data pengenalan wajah calon karyawan yang telah dibandingkan dengan data citra wajah untuk mendapatkan karakteristik karyawan baru yang dapat dijadikan bahan untuk pengambilan keputusan penerimaan karyawan baru. pengenalan wajah bisa dilihat sebagai suatu cara untuk secara tepat mengenali citra dari sebuah wajah, dengan menggunakan datadata dari wajah yang telah lebih dahulu dikenal (Turk, 2005) 2. Metode Penelitian Penelitian dengan melakukan observasi di Sekolah Tinggi Kesehatan Indonesia Maju dibagian SDM yang menangani perekrutan karyawan, dengan mengikuti proses penerimaan karyawan baru. Studi Pustaka dilakukan untuk mencari dan mempelajari data-data dari buku-buku dan jurnal yang berkaitan atau membahas tentang sistem pendukung keputusan dan pengenalan wajah. Dalam penelitian ini berfokus pada pemecahan masalah pengenalan citra wajah sebagai pembanding citra wajah antara calon pelamar dengan karyawan yang sudah lama bekerja, sesuai dengan kriteria yang ditentukan oleh bagian sumber daya manusia, sehingga karyawan yang diterima
KNiST, 30 Maret 2017
sesuai dengan posisi jabatan yang sedang dibutuhkan. Dari data yang diperoleh dibuatkan aplikasi untuk pengenalan citra wajah calon karyawan baru. 3. Pembahasan 3.1. Sistem Pendukung Keputusan Sistem pendukung keputusan merupakan sistem berbasis komputer yang terdiri dari tiga komponen yang saling berinteraksi (Turban, 2005) : a. Sistem bahasa, mekanisme untuk memberikan komunikasi antara pengguna dan komponen sistem pendukung keputusan lain. b. Sistem pengetahuan, repositori pengetahuan domain masalah yang ada pada sistem pendukung keputusan atau sebagai data atau sebagai prosedur. c. Sistem pemrosesan masalah, hubungan antara dua komponen lainnya, terdiri dari satu atau lebih kapabilitas manipulasi masalah umum yang diperlukan untuk pengambilan keputusan. Karakteristik dari sistem pendukung keputusan (Nofriansyah, 2015), yaitu : a. Mendukung proses pengambilan keputusan organisasi atau perusahaan. b. Adanya interface manusia / mesin dimana manusia (user) tetap memegang kontrol proses pengambilan keputusan. c. Mendukung pengambilan keputusan untuk membahas masalah terstruktur, semi terstruktur serta mendukung beberapa keputusan yang saling berinteraksi. d. Memiliki kapasitas dialog untuk memperoleh informasi sesuai dengan kebutuhan. e. Memiliki subsistem yang terintegrasi sedemikian rupa sehingga dapat berfungsi sebagai kesatuan sistem. f. Memiliki dua komponen utama yaitu data dan model Proses pengambilan keputusan terdiri dari empat fase (Kosasi, 2002), yaitu: a. Penelusuran (Intelligence): tahap ini merupakan tahap pendefinisian masalah serta identifikasi informasi yang dibutuhkan yang berkaitan dengan persoalan yang dihadapi serta keputusan yang diambil. b. Perancangan (Design) : Tahap ini merupakan suatu proses untuk mempresentasikan model sistem yang dibangun berdasarkan pada asumsi yang telah ditetapkan. Dalam tahap ini,
356
ISBN: 978-602-61242-0-3 suatu model dari masalah dibuat, diuji dan divalidasi. c. Pemilihan (Choice) : Tahap ini merupakan suatu proses melakukan pengujian dan memilih keputusan terbaik berdasarkan kriteria tertentu yang telah ditentukan dan mengarah kepada tujuan yang dicapai. d. Implementasi (Implementation): Tahap ini merupakan tahap pelaksanaan dari keputusan yang telah diambil. Pada tahap ini perlu disusun serangkaian tindakan yang terencana sehingga hasil keputusan dapat dipantau dan disesuaikan apabila diperlukan perbaikan - perbaikan. 3.2. Pengenalan Wajah Pengenalan wajah diawali dari deteksi wajah, dimana komputer dapat mengetahui adanya wajah dan menemukan semua wajah yang ada dari sebuah atau video. Dari hasil deteksi wajah tersebut, selanjutnya dikembangkan agar dapat mengenali atau mengidentifikasi siapa yang memiliki wajah tersebut. Meskipun pengenalan wajah tidak seakurat metode pengenalan lain seperti sidik jari, hal ini tetap menarik perhatian besar banyak peneliti di dalam bidang komputer vision (Demirel & Eleyan, 2007). Pengenalan wajah ini umumnya digunakan di beberapa tempat yang memerlukan identifikasi wajah secara cepat, biasanya di tempat-tempat yang membutuhkan sekuritas tinggi dan digunakan oleh banyak orang seperti pada mesin ATM, imigrasi, bank, dan sebagainya. Hal ini dikarenakan tidak mungkin manusia dapat mengingat wajah setiap orang dan mengenali identitasnya secara tepat. Teknologi ini dapat digunakan untuk mempermudah identifikasi seseorang atau bahkan menghindari hal yang tidak diinginkan, seperti identifikasi atas orang yang dicari, identifikasi residivis, dan identifikasi yang dipalsukan. Dalam pengenalan wajah isu penting nya adalah ekstraksi semua informasi yang relevan pada wajah. Ekstraksi wajah merupakan pendekatan pemrosesan wajah yang memperoleh semua variasi informasi dalam sekumpulan wajah. Beberapa metode telah diajukan untuk melakukan ekstraksi ciri wajah diantaranya adalan eigenface salah satunya. Eigenface merupakan metode salah satu teknik yang digunakan untuk ekstraksi ciri pada wajah (Turk, 2005). Metode pengenalan wajah memakai dua prosedur (Marti, 2010), yaitu :
KNiST, 30 Maret 2017
a. Pengenalan kontur wajah dengan mengenali bentuk hidung, mata dan mulut dan bentuk korelasi diantara keduanya. Karakteristik organ tersebut kemudian dinyatakan dalam bentuk vektor b. Analisis komponen yang prinsipil, berdasarkan informasi dari konsep ini, mencari perhitungan model terbaik yang menjelaskan bentuk wajah dengan mengutip informasi yang paling relevan yang terkandung di dalam wajah tersebut. Ada enam fungsi utama dalam sistem pengenalan wajah (Kshirsagar, 2011), yaitu : a. Modul Akuisisi, ini adalah entri poin dalam proses pengenalan wajah, user memberikan gambar wajah sebagai input pada sistem pengenalan wajah di modul ini. b. Modul pra-pengolahan, dalam modul ini gambar dinormalisasi dan ditingkatkan untuk meningkatkan sistem pengenalan. Berikut tahapan implementasi pada modul pra-pengolahan: 1) Normalisasi ukuran citra 2) Perataan histogram 3) Filter median 4) Filter high-pass 5) Penghapusan background 6) Normalisasi translasi dan rotasi 7) Normalisasi illuminate c. Modul ekstraksi fitur, Setelah prapengolahan citra wajah yang sudah dinormalisasi diberikan sebagai input untuk modul ekstraksi fitur untuk menemukan fitur utama yang akan digunakan untuk klasifikasi. Modul menyusun vektor fitur yang cukup baik untuk mewakili citra wajah.. d. Modul Klasifikasi, dengan bantuan pola klasifikasi, ekstrak fitur dari citra wajah dibandingkan dengan data wajah dalam basis data, wajah kemudian diklasifikasikan sebagai diketahui atau tidak diketahui. e. Set Training, data set citra yang digunakan selama tahap pembelajaran dari proses pengenalan wajah f. Database Wajah, Jika wajah diakui sebagai “tidak diketahui”, gambar wajah kemudian dapat ditambahkan ke database untuk perbandingan lebih lanjut. Dalam makalah ini metode eigenfaces dijelaskan dan kemudian itu menunjukkan bahwa fitur vektor yang diperoleh dari eigenfaces dapat digunakan untuk klasifikasi.
357
ISBN: 978-602-61242-0-3 Euclidean distance adalah salah satu metode yang dapat digunakan untuk melakukan klasifikasi citra wajah yang baru (tidak diketahui) kesalah satu citra wajah yang telah diketahui. Nilai bobot antara dua vector I dan j yang di hitung dengan menggunakan Euclidean distance menunjukan ukuran kesamaan antara citra I dan j (Pissarenko, 2002) Perhitungan Euclidean distance dilakukan menurut rumus berikut: 2
|| x – ve || √ |xi – yi|
3.3. Rancangan Aplikasi Berikut diagram alir pengenalan citra wajah :
3) Normalisasi, Pada tahap ini foto yang ada dalam aplikasi di normalisasi dan di kalkulasi nilai eigennya 4) Pencocokan Citra, Pada tahap ini foto yang sudah di crop di input untuk dilakukan proses pencocokan dengan citra wajah, dengan menghitung nilai eigen value. 5) Keluaran Data, Dalam tahap ini nilai eigen yang sudah di kalkulasikan akan di tampilkan beserta dengan foto pembandingnya dengan hasil presentase. Semua citra yang diproses adalah matriks nxn, direpresentasikan menjadi vector n2 x 1 dimensi Contohnya, dalam penelitian ini semua citra wajah disimpan dalam ukuran 100x100 pixel. Data citra tersebut akan dipresentasikan menjadi sebuah vektor berdimensi 10000 atau sebuah titik di dalam ruang berdimensi 10000. Untuk setiap citra yang mewakili wajah digambarkan sebagai sebuah matriks100 x 100.
Matrix Ii berisikan informasi setiap pixel di dalam citra wajah berukuran 100 x100. Informasi pixel tersebut telah dikonversi ke dalam nilai intensitas cahaya (grayscale). Matriks Ii kemudian dikonversi menjadi sebuah titik di dalam ruang berdimensi 10000.
Gambar 1. Diagram Alir Pengenalan Citra Wajah Proses pengenalan wajah manusia dari sisi aplikasi terdiri dari beberapa tahap. Tahap pertama dimulai dengan pengambilan gambar (scanner). setelah itu gambar diproses untuk menghasilkan database wajah. Penjelasan dari tiap-tiap tahapan proses adalah sebagai berikut : 1) Pengambilan Data, Pada tahap ini foto calon karyawan diinput melalui scanner. 2) Perubahan Citra, Pada tahap ini foto di crop dan diubah menjadi grayscale sesuai ukuran
KNiST, 30 Maret 2017
Gambar 2. Citra Average Face Nilai-nilai vector Eigen pada langkah sebelumnya jika dikonversi menjadi matriks n x n (dalam penulisan ini 100 x100) akan menghasilkan citra seperti wajah jika ditampilkan sebagai citra digital. Oleh karena itu, nilai vector Eigen ini disebut juga Eigenface.
358
ISBN: 978-602-61242-0-3
Gambar 3. Citra Eigenface Hasil normalisasi pada langkah pertama diproyeksikan kedalam ruang Eigen (kumpulan dari vektor-vektor Eigen) dan dihitung bobotnya. Setelah data bobot didapat, perlu dilakukan proses klasifikasi untuk melakukan perhitungan jarak. perhitungan jarak dilakukan dengan menggunakan Euclidean Distance. Kemudian dicari nilai terkecil dari kumpulan jarak data citra wajah masukan dengan data training yang telah disimpan sebelumnya. Pencarian nilai kemiripan dari citra pembanding dengan citra pelamar dengan perhitungan rumus sebagai berikut: Nilai Kemiripan = (ssx * 2 / jNN) * 100 Dimana ssx adalah nilai kemiripan citra pelamar yang terdekat dari citra pembandingnya yang akan di tampilkan dalam bentuk persentase. Use Case Diagram Berikut diagram use case pengenalan citra wajah :
Gambar 5. Diagram Sequence Aplikasi Tampilan Aplikasi Berikut user interface aplikasi pengenalan citra wajah :
Gambar 4. Diagram Use Case Pengenalan Citra Wajah Sequence Diagram Berikut diagram sequence aplikasi :
Gambar 6. User Interface Aplikasi Pengenalan Citra Wajah 4. Simpulan Aplikasi pengenalan citra wajah dapat digunakan sebagai dasar pengambilan keputusan dalam penerimaan karyawan baru, dengan output berupa daftar persentase kemiripan citra wajah dengan
KNiST, 30 Maret 2017
359
ISBN: 978-602-61242-0-3 citra training yang ada dalam basis data, calon karyawan yang memiliki persentase kemiripan lebih besar, akan lebih dipertimbangkan untuk kandidat karyawan baru. Untuk hasil yang lebih baik perlu adanya pengembangan dari sisi proses normalisasi (alignment wajah) dan pengambilan secara realtime dengan metode yang lebih baik. Referensi Demirel, A., & Eleyan, H. (2007). Pca and lda based neural networks for human face recognition (pp. 93106). INTECH Open Access Publisher. Hasibuan, M. S. (2008). Manajemen Sumber Daya Manusia. Jakarta: Bumi Aksara. Kosasi,
S. (2002). Sistem Penunjang Keputusan (Decision Support System) . Pontianak: Sekolah Tinggi Manajemen Informatika dan Komputer.
Kshirsagar, V. P. (2011). Face recognition using Eigenfaces. In Computer Research and Development
KNiST, 30 Maret 2017
(ICCRD). 3rd International Conference on (pp. 302-306). IEEE. Marti, N. W. (2010). Pemanfaatan GUI dalam pengembangan perangkat lunak pengenalan citra wajah manusia menggunakan metode eigenfaces. Seminar Nasional Aplikasi Teknologi Informasi (pp. G11-G16). Yogyakarta: UII. McLeod, R. &. (2001). Management information systems. Jakarta: Erlangga Offset. Nofriansyah, D. (2015). Konsep Data Mining VS Sistem Pendukung Keputusan. Deepublish. Pissarenko, D. (2002). Eigenface-based facial recognition. . December 1st. Turban, E. A. (2005). Decision Support Systems and Intelligent Systems 7”„Edition. Pearson Prentice Hall. Turk, M. (2005). Eigenface And Beyond. Face Processing: Advanced Modeling and Methods, 55-86.
360
