PENERAPAN FACE RECOGNITION UNTUK PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA MENGGUNAKAN METODE EIGENFACE DAN EUCLIDEAN DISTANCE SKRIPSI

Transkripsi

1 PENERAPAN FACE RECOGNITION UNTUK PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA MENGGUNAKAN METODE EIGENFACE DAN EUCLIDEAN DISTANCE SKRIPSI Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer Program Studi Teknik Informatika Oleh : Jonathan Darmawan Hartanto PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2017

2 THE APPLICATION OF FACE RECOGNITION FOR ATTAINMENT THE STUDENTS IDENTITIES OF SANATA DHARMA UNIVERSITY BY USING EIGENFACE AND EUCLIDEAN DISTANCE METHOD A THESIS Presented as Partial Fulfillment of the Requirements for the Degree of Sarjana Komputer in Department of Informatics Engineering Written by : Jonathan Darmawan Hartanto INFORMATICS ENGINEERING STUDY PROGRAM FACULTY OF SCIENCE AND TECHNOLOGY SANATA DHARMA UNIVERSITY YOGYAKARTA 2017 ii

3 HALAMAN PERSETUJUAN SKRIPSI PENERAPAN FACE RECOGNITION UNTUK PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA MENGGUNAKAN METODE EIGENFACE DAN EUCLIDEAN DISTANCE Oleh : Jonathan Darmawan Hartanto Telah Disetujui Oleh : Pembimbing Dr. Anastasia Rita Widiarti Tanggal : iii

4 HALAMAN PENGESAHAN SKRIPSI PENERAPAN FACE RECOGNITION UNTUK PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA MENGGUNAKAN METODE EIGENFACE DAN EUCLIDEAN DISTANCE Dipersiapkan dan disusun oleh : Jonathan Darmawan Hartanto NIM : Telah dipertahankan di depan Tim Penguji pada tanggal 12 Juni 2017 dan dinyatakan memenuhi syarat Susunan Panitia Penguji : Nama Lengkap Tanda Tangan Ketua : Eko Hari Parmadi, S.Si., M.Kom.... Sekretaris : Puspaningtyas Sanjoyo Adi, S.T., M.T.... Anggota : Dr. Anastasia Rita Widiarti... Yogyakarta, Fakultas Sains dan Teknologi Universitas Sanata Dharma Dekan iv (Sudi Mungkasi, Ph.D.)

5 HALAMAN PERSEMBAHAN Segala perkara dapat kutanggung di dalam Dia yang memberikan kekuatan kepadaku. Kerjakanlah bagianmu dengan maksimal, dan serahkanlah semuanya kepada Tuhan, Ia akan mengerjakan bagian-nya untukmu. Percaya saja di dalam Tuhan dan Janganlah bimbang. Bukan karna kekuatanku, melainkan karna penyertaan dan perlindungan Tuhan. God is good all the time. Kupersembahkan untuk : Tuhan Yesus Kristus Papaku Thomas Andry Agus dan Mamaku Ivoney Serta Keluarga Besarku v

6 PERNYATAAN KEASLIAN KARYA Saya menyatakan dengan sesungguhnya bahwa skripsi yang saya tulis ini tidak memuat karya atau bagian karya orang lain, kecuali yang telah disebutkan dalam kutipan dan daftar pustaka sebagaimana layaknya karya ilmiah. Yogyakarta, 15 Mei 2017 Penulis Jonathan Darmawan Hartanto vi

7 LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Yang bertanda tangan dibawah ini, saya mahasiswa Universitas Sanata Dharma : Nama : Jonathan Darmawan Hartanto NIM : Demi pengembangan ilmu pengetahuan, saya memberikan kepada Perpustakaan Universitas Sanata Dharma karya ilmiah yang berjudul : PENERAPAN FACE RECOGNITION UNTUK PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA MENGGUNAKAN METODE EIGENFACE DAN EUCLIDEAN DISTANCE Dengan demikian saya memberikan kepada Perpustakaan Universitas Sanata Dharma hak untuk menyimpan, mengalihkan dalam bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan secara terbatas, dan mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta izin dari saya maupun memberikan royalty kepada saya selama tetap mencantumkan nama saya sebagai penulis. Demikian pernyataan ini saya buat dengan sebenarnya. Yogyakarta, 15 Mei 2017 Yang menyatakan Jonathan Darmawan Hartanto vii

8 ABSTRAK Wajah merupakan bagian dari tubuh manusia yang sangat penting, karena dalam wajah manusia terdapat 4 indera. Wajah memberikan suatu pengetahuan atau informasi tentang identitas dari pemilik wajah tersebut. Dewasa ini, jumlah mahasiswa dalam setiap Universitas terus meningkat. Setiap Universitas perlu mempunyai data identitas dari seluruh mahasiswanya seperti nama lengkap dan nomor induk mahasiswa (NIM). Civitas akademika dalam suatu Universitas diharapkan untuk saling mengenal satu sama lain. Pengenalan identitas satu sama lain dalam suatu Universitas sangatlah penting, sehingga dapat terjalin hubungan yang baik dan terciptanya sistem yang baik dalam Universitas. Dalam penelitian ini akan dibagun sebuah sistem pengenalan wajah mahasiswa, sehingga antar civitas akademika dalam suatu Universitas dapat mengenal identitas mahasiswa satu sama lain melalui foto wajahnya. Sistem pengenalan wajah ini, dapat menjadi sebuah teknologi baru yang bermanfaat bagi Universitas kedepannya. Contohnya, sistem pengenalan wajah ini dapat digunakan sebagai sistem untuk presensi kuliah, sistem kegiatan Universitas, sistem kegiatan mahasiswa, dan lain-lain. Penelitian ini menerapkan metode Eigenface untuk pencarian ciri wajah mahasiswa, serta Euclidean Distance yang digunakan untuk mencari jarak atau kemiripan satu citra dengan yang lain berdasarkan nilai-nilai ciri. Pada penelitian ini, dilakukan beberapa pengujian menggunakan 3 data berbeda. Data pertama memiliki 11 citra wajah tiap mahasiswa sehingga totalnya 275 citra, Data kedua memiliki 450 citra, dengan tiap mahasiswanya memiliki 18 citra, Data ketiga yaitu data uji tunggal baru sebanyak 25 citra. Penelitian ini menggunakan 3-fold cross validation untuk pembagian data training dan testing. Pada pengujian menggunakan data pertama didapatkan hasil akurasi tertinggi sebesar 69 % pada kombinasi Set kedua. Pada pengujian menggunakan data kedua memperoleh akurasi tertinggi sebesar % dengan kombinasi Set kedua. Pada pengujian data baru tunggal memperoleh akurasi sebesar 28 %. Sehingga dapat disimpulkan bahwa, sistem dapat mengenali wajah mahasiswa dengan baik ketika menggunakan data kedua dan memperoleh akurasi sebesar %. viii

9 ABSTRACT Face is the important part of the human body, because in the human face there are four senses. Face gives a knowledge or information about identity of the owner. Today, the number of students in every University increase continuously. Every University requires data of all students identities such as full name and student ID number. An academic community in every University is expected to know each other. Identify each other in an University is very important, to build good relationship and good system in University. In this research, it will build a face recognition system of students, so academic community in an University can know each other students identities through the facial photo. This face recognition system can be a useful technology for the future of University. For example, this face recognition system can be used as a students attendance system, University activity system, students activity system, and much more. This study uses Eigenface method for feature extraction of students faces and Euclidean Distance to find distance or similarity of one image with other image based on features value. In this research, several tests were performed using three different data. The first data has 11 images for each student, so the first data has 275 images in total. The second data has 450 images, with each student has 18 images. The third data is new single data of 25 images. This research uses 3-fold cross validation for training and testing data distribution. In testing that uses first data, obtained the highest accuracy of 69 % in the second combination. In the test using second data obtained the highest accuracy of % with the second combination. In testing using new single data obtained highest accuracy of 28 %. So, it can be conclude that the system can recognize the students face well when using the second data and obtained % of accuracy. ix

10 KATA PENGANTAR Puji syukur dan terima kasih kepada Tuhan Yesus Kristus, yang telah menyertai, melindungi, dan senantiasa memberi kekuatan serta berkat dalam proses pengerjaan skripsi yang berjudul Penerapan Face Recognition untuk Pemerolehan Identitas Mahasiswa Universitas Sanata Dharma menggunakan metode Eigenface dan Euclidean Distance hingga selesai. Dalam menyelesaikan skripsi ini penulis mendapat bantuan, bimbingan, dan arahan dari berbagai pihak. Oleh karena itu penulis mengucapkan terima kasih banyak kepada : 1. Tuhan Yesus Kristus yang selalu menyertai dan memberi kekuatan dalam proses pengerjaan skripsi ini. 2. Kedua orangtuaku tercinta, Papa Thomas Andry Agus dan Mama Ivoney yang senantiasa memberikan kasih, perhatian, doa, semangat, dan menyediakan segala keperluan penulis dari awal perkuliahan hingga penyelesaian skripsi ini. 3. Keluarga besar serta adik-adikku tercinta, Agatha Graciela Intania, Benedictus Reynaldo Hartanto, Irene Jeanne Intania, Ferdinand Orlando Hartanto yang telah memberikan semangat, motivasi, serta dukungan doa selama ini. 4. Ibu Dr. Anastasia Rita Widiarti selaku Dosen Pembimbing saya yang telah meluangkan waktunya untuk memberikan arahan, bimbingan, dorongan, serta semangat dalam proses pengerjaan skripsi hingga selesai. 5. Dosen-dosen Teknik Informatika Universitas Sanata Dharma yang telah memberikan ilmu, motivasi, arahan, serta semangat selama penulis berkuliah hingga sekarang. 6. Teman-teman penulis mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2013, Fendi, Yeremia, Rusdi, Putra, Damian, Indra, Sonny, Arka, Medi, Martin, Enggal, Komang, Adit, Fanny, Ekky, Tanto, Vino, Chris, Baptista, Yosep, Hendra, Yosia, Tommy, Raymond, dan Andre, yang telah bersedia meluangkan waktunya menjadi responden dalam pengambilan foto atau pengumpulan data yang digunakan dalam penelitian. x

11 7. Biro-biro dalam Universitas Sanata Dharma, khususnya Biro Administrasi Perencanaan dan Sistem Informasi (BAPSI) yang telah bersedia memberikan data identitas mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan Sahabat-sahabat penulis, Tommy Nugraha Manoppo dan Andi Setianto yang memberikan semangat dan telah meluangkan waktu bersama penulis untuk mengerjakan skripsi bersama, bermain, berbagi, bercerita, dan belajar bersama selama ini. 9. Teman-teman seperjuangan penulis, Kautsar Rusydi R, Theodora Ratri Dewanti, Aloysius Tanto, Kasih Handoyo, Purbarini Sulysthian, serta mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2013 yang tidak dapat penulis sebutkan satu persatu. 10. Semua pihak yang telah membantu proses penyelesaian skripsi ini, yang tidak dapat penulis sebutkan satu persatu. Yogyakarta, 15 Mei 2017 Penulis Jonathan Darmawan Hartanto xi

12 DAFTAR ISI HALAMAN JUDUL... i HALAMAN JUDUL (ENGLISH)... ii HALAMAN PERSETUJUAN...iii HALAMAN PENGESAHAN... iv HALAMAN PERSEMBAHAN... v PERNYATAAN KEASLIAN KARYA... vi LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI... vii ABSTRAK... viii ABSTRACT... ix KATA PENGANTAR... x DAFTAR ISI... xii DAFTAR GAMBAR... xv DAFTAR TABEL... xvi BAB I : PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Penelitian Manfaat Penelitian Batasan Masalah Metodologi Penelitian Sistematika Penulisan... 7 BAB II : LANDASAN TEORI Pengenalan Wajah Metode Eigenface Proses Perhitungan Eigenface Contoh Perhitungan Eigenface Euclidean Distance Contoh Perhitungan Euclidean Distance Contoh Pengujian BAB III : METODOLOGI PENELITIAN Analisis Data Data xii

13 Metode Pengumpulan Data Pembagian Data Analisis Sistem Preprocessing Feature Extraction Pseudo-code Metode Eigenface Proses Pengujian Pseudo-code Pengujian Output Akurasi Desain User Interface Spesifikasi Software dan Hardware BAB IV : IMPLEMENTASI & ANALISIS HASIL Implementasi Pelatihan Data Data Awal Implementasi Preprocessing Implementasi Feature Extraction Implementasi Pengujian Data Hasil Pengujian Hasil Pengujian Data Pertama Hasil Pengujian Set Hasil Pengujian Set Hasil Pengujian Set Hasil Pengujian Data Kedua Hasil Pengujian Set Hasil Pengujian Set Hasil Pengujian Set Hasil Pengujian Data Baru Tunggal Analisis Hasil Pengujian Implementasi Perancangan Antarmuka Pengujian Benar atau Data Sesuai Pengujian Salah atau Data Tidak Sesuai Pengujian Semua Data Testing Pengujian Data Tidak Diketahui xiii

14 BAB V : KESIMPULAN & SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN xiv

15 DAFTAR GAMBAR Gambar 3.1. Gambaran umum alur kerja sistem Gambar 3.2. Desain User Interface Gambar 4.1. Beberapa data awal citra wajah mahasiswa Gambar 4.2. Proses Cropping citra wajah mahasiswa Gambar 4.3. Hasil Cropping citra wajah mahasiswa Gambar 4.4. Proses Perubahan ukuran dimensi citra wajah mahasiswa Gambar 4.5. Folder 3 SET Gambar 4.6. Isi folder SET Gambar 4.7. Isi folder Training dari SET Gambar 4.8. Isi folder Testing dari SET Gambar 4.9. Beberapa data citra wajah mahasiswa pertama Gambar Beberapa data training pada Set 1 data pertama Gambar Beberapa data testing pada Set 1 data pertama Gambar Beberapa data training pada Set 2 data pertama Gambar Beberapa data testing pada Set 2 data pertama Gambar Beberapa data training pada Set 3 data pertama Gambar Beberapa data testing pada Set 3 data pertama Gambar Beberapa data training pada Set 1 data kedua Gambar Beberapa data testing pada Set 1 data kedua Gambar Beberapa data training pada Set 2 data kedua Gambar Beberapa data testing pada Set 2 data kedua Gambar Beberapa data training pada Set 3 data kedua Gambar Beberapa data testing pada Set 3 data kedua Gambar Data baru tunggal 25 mahasiswa Gambar Tampilan User Interface Gambar Memasukkan citra sebagai Input Image Gambar Hasil pengenalan yang sesuai Gambar Hasil pengenalan yang tidak sesuai Gambar Proses awal pengujian semua data testing Gambar Aktivitas antarmuka selama proses pengujian semua data testing Gambar Aktivitas Command Window pada pengujian semua data testing Gambar Tampilan user interface setelah pengujian semua data testing Gambar Tampilan user interface pengujian data tidak diketahui xv

16 DAFTAR TABEL Tabel 2.1. Keterangan simbol-simbol variabel dalam algoritma Tabel 2.2. Hasil pengurutan nilai Eigenvalues dan Eigenvectors Tabel 2.3. Contoh Perhitungan Euclidean Distance Tabel 3.1. Data mahasiswa TI USD angkatan 2013 yang digunakan dalam penelitian Tabel 3.2. Pembagian data citra wajah tiap mahasiswa Tabel 3.3. Contoh Matriks Ω Tabel 3.4. Contoh perhitungan jarak Matriks Ω Tabel 3.5. Contoh pencarian jarak paling minimum Matriks Ω Tabel 3.6. Data mahasiswa TI USD angkatan 2013 yang digunakan beserta label file Tabel 3.7. Contoh penentuan label pada suatu indeks Tabel 3.8. Contoh perhitungan jarak 5 citra Tabel 4.1. Pembagian data training dan testing tiap mahasiswa Tabel 4.2. Pembagian data training dan testing pada data pertama Tabel 4.3. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold Tabel 4.4. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold Tabel 4.5. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold Tabel 4.6. Hasil Pengujian Set 2 pada data pertama dengan indeks threshold Tabel 4.7. Hasil Pengujian Set 2 pada data pertama dengan indeks threshold Tabel 4.8. Hasil Pengujian Set 2 pada data pertama dengan indeks threshold Tabel 4.9. Hasil Pengujian Set 3 pada data pertama dengan indeks threshold Tabel Hasil Pengujian Set 3 pada data pertama dengan indeks threshold Tabel Hasil Pengujian Set 3 pada data pertama dengan indeks threshold Tabel Hasil Pengujian pada data pertama Tabel Pembagian data training dan testing pada data kedua Tabel Hasil Pengujian Set 1 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 1 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 1 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 2 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 2 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 2 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 3 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 3 pada data kedua dengan indeks threshold Tabel Hasil Pengujian Set 3 pada data kedua dengan indeks threshold Tabel Hasil Pengujian pada data kedua Tabel Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold Tabel Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold Tabel Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold Tabel Hasil Pengujian pada data tunggal xvi

17 BAB I PENDAHULUAN 1.1. Latar Belakang Wajah manusia merupakan salah satu bagian dalam tubuh manusia yang sangat penting. Empat bagian dari panca indra manusia yaitu mata, telinga, lidah, dan hidung terdapat pada wajah manusia. Empat bagian tersebut memiliki peranan penting dalam keberlangsungan hidup manusia yaitu mata untuk melihat, telinga untuk mendengar, lidah untuk merasakan rasa, dan hidung sebagai indra penciuman. Empat indra tersebut ditambah dengan kulit merupakan alat manusia untuk dapat melakukan kegiatan dan menjalani hidup. Setiap manusia memiliki empat indra pada wajahnya dengan bentuk yang berbeda-beda antara satu manusia dengan manusia yang lain. Misalnya, bentuk mata, ukuran hidung, ukuran telinga, tekstur lidah, dan lain-lain. Wajah manusia yang terdiri dari empat indra tersebut merupakan suatu obyek pertama yang dilihat oleh manusia lain. Wajah manusia juga merupakan obyek yang berperan sebagai pengetahuan akan identitas diri dari manusia tersebut. Ketika manusia lain bertemu dengan manusia yang lain, obyek pertama yang akan mereka lihat dari lawannya adalah wajah. Dari wajah lawan yang manusia lihat tersebut, ia dapat mengidentifikasi identitas pribadi dari manusia lawan tersebut seperti misalnya nama, umur, tempat tanggal lahir, tempat tinggal, tempat berkuliah, jurusan, bahkan nomor telepon dan nama orang tua dari manusia tersebut. Setiap manusia memiliki wajah dengan bentuk dan struktur yang berbeda antar satu manusia dengan manusia yang lain. Dari teori tersebut muncullah suatu ilmu untuk mengenali wajah manusia (face recognition), yang dapat diaplikasikan dalam banyak bidang. Misalnya dalam bidang keamanan, dapat membantu mencari seorang penjahat menggunakan foto wajahnya, lalu pengenalan wajah juga dapat membantu perusahaan atau 1

18 2 perkantoran dalam mengurus presensi atau kehadiran pegawaipegawainya, dan masih banyak aplikasi pengenalan wajah pada bidangbidang yang lain. Dalam laporan ini akan membahas dan menjelaskan contoh pengaplikasian pengenalan wajah dalam bidang pendidikan. Pendidikan sekarang merupakan hal yang sangat penting dan wajib bagi setiap manusia untuk dijalaninya. Hampir setiap orang menjalani dan memasuki bangku sekolah bahkan sejak umur 5 tahun, dan sekarang jenjang pendidikan yang paling tinggi adalah tingkat Universitas. Banyak orang sangat menginginkan dan saling berebutan untuk memasuki jenjang pendidikan tingkat Universitas. Dengan banyaknya minat manusia untuk memasuki jenjang pendidikan maka pendaftaran untuk mahasiswa baru setiap Universitas selalu mempunyai jumlah yang cukup banyak. Berdasarkan data statistik terbaru dari Badan Pusat Statistik Indonesia tanggal 14 September 2016, menunjukkan bahwa jumlah mahasiswa yang terdapat di Indonesia adalah sebanyak untuk 53 Universitas Negeri dan untuk 625 Universitas Swasta. Sehingga dari data tersebut dapat disimpulkan terdapat 900 lebih mahasiswa di setiap Universitas yang ada di Indonesia. Berdasarkan data tersebut jumlah mahasiswa di tiap Universitas cukup banyak, dan setiap Universitas perlu untuk mempunyai data dari seluruh mahasiswanya seperti nama, nomor induk mahasiswa, tempat tanggal lahir, alamat, nomor handphone, nama orangtua, dan lain-lain. Kebutuhan akan identitas mahasiswa seperti nama lengkap dan nomor induk mahasiswa (NIM) sangat tinggi. Identitas mahasiswa tersebut sangat diperlukan untuk berbagai aktivitas mahasiswa seperti keperluan administrasi, akademis, kegiatan mahasiswa, dan lain-lain. Dengan menerapkan sistem face recognition, identitas mahasiswa dapat diperoleh secara cepat dan mudah dengan memproses foto wajah mahasiswa. Setiap civitas akademika yang ada dalam tiap Universitas diharapkan untuk saling mengenal satu sama lain, mulai dari dosen terhadap mahasiswa, mahasiswa

19 3 terhadap dosen, mahasiswa terhadap mahasiswa, karyawan terhadap mahasiswa, karyawan terhadap karyawan, dan lain-lain. Pengenalan identitas satu sama lain antar civitas akademika dalam suatu Universitas sangatlah penting, karena dengan mengenali identitas satu sama lain tersebut maka akan terjalin hubungan yang baik satu sama lain serta terciptanya sistem yang baik dalam Universitas. Maka dari itu peran pengenalan wajah (face recognition) sangatlah penting dalam membantu permasalahan tersebut, karena wajah merupakan obyek utama yang digunakan untuk mengetahui identitas seseorang. Dalam dokumen ini, akan dibahas bagaimana civitas akademika (dosen, mahasiswa, dan karyawan) Universitas Sanata Dharma dapat memperoleh identitas mahasiswa serta mengenal mahasiswa satu sama lain, khususnya para mahasiswa Teknik Informatika angkatan 2013 menggunakan pengenalan wajah (face recognition). Penelitian dalam bidang face recognition atau pengenalan wajah ini sudah banyak dilakukan oleh peneliti-peneliti sebelumnya dalam beberapa kasus. Contohnya yaitu seperti penelitian yang dilakukan oleh Slavković dan Jevtić (2012) dengan jumlah data training sebanyak 190 gambar dari 38 orang (setiap orang memiliki 5 gambar berbeda). Lalu, dilakukan testing menggunakan data gambar sebanyak 40 gambar dari beberapa individu (38 gambar yang dikenali dan 2 gambar yang tidak diketahui). Dari tes yang dilakukan didapatkan hasil atau tingkat akurasinya sebesar 97.5% menggunakan 190 jumlah komponen utama (principal components) dan perhitungan jarak Euclidean Distance. Contoh penelitian face recognition selanjutnya yaitu penelitian yang dilakukan oleh Linge dan Pawar (2014) menggunakan 165 gambar wajah dari Yale database menggunakan metode Neural Network dan PCA. Peneliti melakukan percobaan untuk memasukkan data testing berupa citra gambar pula sebagai input dan mengecek citra gambar orang tersebut apakah dikenali dan cocok dengan citra gambar orang pada data training yang sudah ada dalam database. Jika data testing (masukan) cocok dengan

20 4 data training (database) maka akan menampilkan citra gambar dari data training. Penelitian tersebut menghasilkan tingkat akurasi pengenalan sebesar 98.78%. Contoh penelitian face recognition selanjutnya yaitu penelitian yang dilakukan oleh Agarwal dkk. (2010) menggunakan 40 gambar wajah orang dengan 10 kondisi yang berbeda, sehingga totalnya adalah 400 gambar wajah dari database wajah Olivetti and Oracle Research Laboratory (ORL). Penelitian ini menggunakan metode Eigenfaces dan Artificial Neural Network, peneliti melakukan percobaan untuk memasukkan data testing berupa citra gambar pula sebagai input dan mengecek citra gambar orang tersebut apakah dikenali dan cocok dengan citra gambar orang pada data training yang sudah ada dalam database. Jika data testing (masukan) cocok dengan data training (database) maka akan menampilkan citra gambar dari data training. Penelitian tersebut menghasilkan tingkat akurasi pengenalan sebesar %. Dari ketiga penelitian tersebut, dapat disimpulkan bahwa penelitian pengenalan wajah (face recognition) sudah pernah dilakukan dan mendapatkan hasil atau tingkat akurasi yang tinggi, sehingga penelitian mengenai face recognition dapat dikembangkan dan dilanjutkan. Penelitian-penelitian face recognition sebelumnya mayoritas menggunakan metode Eigenface dalam memproses suatu data. Metode Eigenface merupakan metode yang sangat terkenal dan sering digunakan dalam penelitian-penelitian untuk pengenalan wajah. Metode Eigenface merupakan metode yang digunakan untuk mengurangi ruang dimensi data lalu mencari nilai Eigenvectors serta Eigenvalues sebagai karakteristik atau ciri suatu data. Kemudian karakteristik atau ciri tersebut menjadi data untuk training dan akan digunakan untuk mengenali data testing. Metode Eigenface memiliki beberapa kelebihan dalam penelitian pengenalan wajah dibandingkan dengan metode lain yaitu kesederhanaan algoritma, efisien, efektif, serta kecepatan dalam melakukan proses pengenalan wajah.

21 5 Penelitian pada dokumen ini adalah penelitian dalam bidang yang sama yaitu pengenalan wajah (face recognition), tetapi menggunakan beberapa hal yang berbeda dari penelitian-penelitian sebelumnya. Metode yang digunakan dalam penelitian ini adalah Eigenface dan Euclidean Distance untuk perhitungan jaraknya. Data yang digunakan adalah data citra foto wajah mahasiswa jurusan Teknik Informatika Universitas Sanata Dharma (TI USD) angkatan Lalu luaran dari penelitian ini yaitu akan menampilkan informasi atau identitas dari citra foto wajah mahasiswa tersebut Rumusan Masalah 1. Bagaimana metode Eigenface dan Euclidean Distance dapat melakukan pengenalan wajah mahasiswa serta menampilkan identitas mahasiswa? 2. Berapa tingkat keberhasilan atau akurasi yang dihasilkan dalam mengenali wajah menggunakan metode Eigenface dan Euclidean Distance? 1.3. Tujuan Penelitian 1. Menerapkan metode Eigenface untuk pencarian ciri dan Euclidean Distance untuk perhitungan jarak dengan baik sehingga dapat mengenali wajah mahasiswa dan mendapatkan identitas mahasiswa. 2. Mendapatkan tingkat keberhasilan atau akurasi pengenalan wajah menggunakan metode Eigenface dan Euclidean Distance Manfaat Penelitian 1. Mengenali suatu gambar foto wajah seseorang sebagai mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan 2013 atau bukan. 2. Memperoleh informasi identitas mahasiswa yaitu nama dan nomor induk mahasiswa (NIM), dari gambar foto wajah testing yang telah

22 6 dikenali sebagai seorang mahasiswa Teknik Informatika Universitas Sanata Dharma angkatan Menggunakan identitas (nama dan NIM) mahasiswa dari hasil testing sebagai inputan atau data masukan untuk keperluan Universitas atau kegiatan mahasiswa. 4. Menggunakan dan mengembangkan sistem pengenalan wajah mahasiswa ini sebagai sistem presensi mahasiswa dalam perkuliahan Batasan Masalah 1. Citra gambar foto wajah mahasiswa yang digunakan dalam sistem melalui proses cropping dengan rasio 1:1 (square) terlebih dahulu, agar fokus pada wajahnya saja dan tidak mempunyai latar belakang yang kompleks. Lalu citra ukuran dimensinya dirubah menjadi 200x Citra gambar foto wajah mahasiswa Universitas Sanata Dharma yang digunakan dalam sistem adalah citra gambar foto wajah 25 mahasiswa jurusan Teknik Informatika angkatan Metodologi Penelitian 1 Pengumpulan data training yaitu citra gambar foto wajah 25 mahasiswa TI USD angkatan 2013 dari hasil pengambilan gambar menggunakan kamera smartphone, serta identitas mahasiswa dari Biro Administrasi Perencanaan dan Sistem Informasi (BAPSI) Universitas Sanata Dharma. 2 Studi Pustaka metode atau algoritma Eigenface dan Euclidean Distance. 3 Analisis dan Perancangan Sistem yang terdiri dari analisis masalah, alur kerja sistem, desain sistem, pembangunan database untuk data training dan testing, perancangan sistem dengan membangun program berdasarkan algoritma yang digunakan, dan pembuatan alat uji dengan membangun user interface untuk menguji data testing.

23 7 4 Pengujian sistem menggunakan data testing serta alat uji yang telah dibuat. 5 Analisis hasil dari pengujian yang telah dilakukan Sistematika Penulisan BAB I Pendahuluan Bab ini akan menjelaskan mengenai latar belakang masalah yang akan dibahas dalam penelitian ini, rumusan masalah, tujuan penelitian, batasan masalah, manfaat penelitian, metode penelitian, serta sistematika penulisan laporan tugas akhir. BAB II Landasan Teori Bab ini berisi penjelasan singkat tentang metode atau algoritma yang digunakan dalam penelitian. BAB III Metodologi Penelitian Bab ini berisi langkah-langkah yang akan dilakukan dalam penelitian, metode pengumpulan data, metode pengolahan data, cara analisis data, metode pengujian, serta desain user interface alat uji penelitian yang akan dibagun. BAB IV Implementasi & Analisis Hasil Bab ini berisi proses impelementasi sistem dari preprocessing data sampai pengujian data dan hasil dari pengujian beserta analisisnya. BAB V Kesimpulan & Saran Bab ini berisi kesimpulan yang didapat dari penelitian yang dilakukan serta saran untuk penelitian-penelitan pengenalan wajah selanjutnya.

24 BAB II LANDASAN TEORI 2.1. Pengenalan Wajah Wajah merupakan bagian dari tubuh manusia yang sangat penting. Wajah manusia terdiri dari 4 indera yaitu mata, telinga, lidah, dan hidung. Wajah merupakan obyek pertama yang dilihat oleh manusia lain ketika dua atau lebih manusia bertemu. Wajah memberikan suatu pengetahuan atau informasi tentang identitas dari pemilik wajah tersebut. Tiap manusia memiliki wajah dengan bentuk dan struktur yang unik satu dengan yang lainnya. Empat indera yang terdapat pada wajah manusia juga memiliki keunikan antara satu manusia dengan manusia lainnya. Bentuk dan ukuran mata seseorang berbeda dengan bentuk dan ukuran mata seseorang yang lainnya. Begitu juga dengan ketiga indera yang lainnya yaitu telinga, lidah, dan hidung, masing-masing indera memiliki keunikan antara satu manusia dengan manusia yang lain. Sehingga dengan keunikan atau perbedaan wajah seseorang dan keempat indera di dalamnya, menjadikan wajah sebagai obyek yang mampu menjadi identitas seseorang atau obyek yang merupakan referensi utama dalam mengenali seseorang satu dengan yang lainnya. Berdasarkan teori tersebut, maka muncullah suatu ilmu atau penelitian untuk mengenali seseorang dengan wajah yang dimilikinya yaitu pengenalan wajah (face recognition). Dewasa ini, ilmu pengenalan wajah sangat ramai dibicarakan, diperbincangkan, dan bahkan diteliti, sehingga ilmu pengenalan wajah ini sekarang telah diterapkan ke dalam teknologi yang mampu memudahkan manusia dalam memcahkan suatu masalah atau membantu manusia menyelesaikan pekerjaannya. Teknologi pengenalan wajah ini sekarang telah membantu manusia dalam bidang keamanan, pendidikan, kesehatan, sosial, dan lain-lain. Dalam bidang keamanan contohnya seperti penggunaan teknologi pengenalan wajah untuk 8

25 9 pencarian seorang kriminal, pencocokan wajah seseorang untuk akses masuk suatu ruangan atau benda yang berharga, dan lain-lain. Dalam bidang pendidikan contohnya seperti penggunaan teknologi pengenalan wajah untuk pengenalan suatu tokoh sejarah atau pahlawan. Dalam bidang kesehatan contohnya seperti penggunaan teknologi pengenalan wajah untuk mendapatkan informasi catatan kesehatan seseorang dari wajahnya. Dalam bidang sosial contohnya seperti penggunaan teknologi pengenalan wajah untuk mendapatkan informasi seseorang sehingga seseorang dapat saling mengenal, misal dalam suatu Universitas, sehingga tercapai komunikasi dan kerjasama yang baik Metode Eigenface Metode Eigenface merupakan perkembangan dari metode atau pendekatan PCA (Principal Component Analysis) yang dikembangkan oleh Sirovich dan Kirby (1987) serta Turk dan Pentland (1991). PCA merupakan teknik yang digunakan untuk menyederhanakan suatu data, dengan cara mentransformasi data secara linier sehingga terbentuk sistem koordinat baru dengan varians maksimum. PCA merupakan metode yang cocok untuk face recognition (pengenalan wajah), karena PCA tidak mengkategorikan data wajah dengan perbedaan pada ukuran indera dalam wajah seperti ukuran hidung atau panjang alis mata. PCA mengkategorikan data wajah, dengan kumpulan data dari wajah seseorang yang dianalisis menggunakan PCA, untuk menentukan kumpulan variabel untuk varian dari wajah-wajah yang dikenal dengan istilah Eigenface (Balasuriya, 2000). Data gambar wajah yang dianalisis, direpresentasikan dalam suatu dimensi vector yang akan membentuk sebuah ruang dari gambar wajah (face space). Eigenvalues merupakan nilai ciri dari citra wajah yang bertipe skalar (nilai tunggal tanpa arah) yang didapat dari perhitungan dengan covariance matrix, Eigenvalues dominan merupakan nilai ciri yang memiliki nilai tertinggi sehingga membawa informasi penting dari citra dan menjadi representasi dari data citra.

26 10 Sedangkan Eigenvectors merupakan nilai ciri dari citra wajah yang bertipe vector (memiliki arah) dan nilai Eigenvectors didapatkan dari perhitungan algoritma menggunakan nilai Eigenvalues, sehingga Eigenvectors merupakan nilai yang berhubungan dengan nilai Eigenvalues. Nilai Eigenvalues dan Eigenvectors merupakan nilai karakteristik citra yang dapat membedakan satu citra dengan citra yang lain. Vektor-vektor yang merepresentasikan data gambar wajah pada face space merupakan Eigenvalues dan merupakan kumpulan dari Eigenvectors. Eigenface merupakan suatu metode yang sangat populer atau sering digunakan dalam penelitian-penelitian bidang pengenalan wajah. Eigenface merupakan suatu metode yang dapat diandalkan dalam penelitian-penelitian bidang pengenalan wajah, karena dapat menghasilkan akurasi yang tinggi, kecepatan pemrosesan, algoritma yang sederhana, dan lain-lain Proses Perhitungan Eigenface Apabila diketahui simbol variabel dalam Tabel 2.1, maka algoritma untuk menghitung Eigenface adalah sebagai berikut : Tabel 2.1. Keterangan simbol-simbol variabel dalam algoritma Simbol variabel Arti M Set kumpulan gambar N Ukuran dimensi citra (square) i Indeks nilai Γ i Ψ Φ i A Representasi tiap citra Average (rata-rata) Nilai tiap citra setelah dikurangi dengan nilai Average Matriks hasil penggabungan nilai-nilai C dari Φ i Matriks Kovarian

27 11 x i λ i I u i ω i Ω θ Eigenvectors Eigenvalues Matriks Identitas Matriks Eigenvectors sebanyak M Nilai bobot ciri tiap citra Matriks hasil penggabungan dari nilai bobot tiap citra ω i Threshold 1. Mentraining satu set kumpulan gambar (M) yang direpresentasikan dengan matriks berukuran N x N. Tiap gambar direpresentasikan dalam Γ 1, Γ 2 Γ M. Lalu ubah semua matriks Γ i berukuran dua dimensi menjadi satu dimensi N 2 x 1. Kemudian gabungkan hasilnya dalam satu matriks Γ. Γ = [Γ 1, Γ 2 Γ M ] (2.1) 2. Menghitung Average atau nilai rata-rata dari matriks Γ. Ψ = 1 Σ M i=1 M Γ i (2.2) 3. Melakukan pengurangan nilai matriks tiap gambar training pada matriks Γ (tipe data matriks Γ telah diubah ke double) dengan nilai matriks rata-rata. Φ i = Γ i Ψ (2.3) A = [Γ 1 Ψ, Γ 2 Ψ Γ M Ψ] (2.4) 4. Menghitung nilai Covariance Matrix. C = AA T (A = [Φ 1, Φ 2 Φ M size N 2 xn 2 ]) (2.5) Karena hasil dari perhitungan C = AA T menghasilkan dimensi yang besar, maka algoritma diubah menjadi C = A T A (2.6)

28 12 5. Menghitung nilai Eigenvalues dan Eigenvectors dari Covariance Matrix. A T A x i = λ i x i (2.7) det(a λi) = 0 (2.8) lalu persamaan dikalikan A A A T A x i = A λ i x i (2.9) A A T (A x i ) = λ i (A x i ) (2.10) 6. Mengurutkan nilai Eigenvalues dari yang terbesar ke terkecil lalu disertai nilai masing-masing Eigenvectors. 7. Menghitung nilai Eigenvectors sebanyak M (jumlah gambar training). u i = Ax i (2.11) u = Ax (2.12) 8. Memproyeksikan Γ ke dalam Eigenspace. ω i = u i T (Γ i Ψ) (2.13) Ω = (u T A) T (2.14) Ω 1 Ω Ω = [ 2 ] (2.15) Ω M 9. Menghitung nilai Threshold (θ). θ = indeks max ( Ω j Ω k 2 ) j, k = 1,2 M (2.16) indeks = nilai indeks threshold yang dimasukkan oleh user

29 Contoh Perhitungan Eigenface 1. Representasi gambar wajah training dengan matriks berukuran N x N dua dimensi diubah menjadi matriks berukuran N 2 x 1 satu dimensi. Misalnya terdapat 3 buah gambar wajah training berukuran 2x2 : 1 Gambar 1 (Γ 1 ) = [ ] [ 4 ] Gambar 2 (Γ 2 ) = [ ] [ 6 ] Gambar 3 (Γ 3 ) = [ ] [ 2 ] 7 4 Lalu hasil tersebut dimasukkan dalam satu matriks Γ, dengan tiap kolom pada matriks merupakan representasi dari 1 gambar wajah : Γ = [Γ 1, Γ 2 Γ M ] (2.1) Γ = [ ]

30 14 2. Menghitung Average atau nilai rata-rata dari matriks Γ Ψ = 1 Σ M i=1 M Γ i (2.2) Γ = [ ] Ψ 1 = Ψ 2 = Ψ 3 = Ψ 4 = = 10 3 = = 12 3 = 4 = 16 3 = = 18 3 = 6 Lalu hasil rata-rata tiap baris matriks Γ dimasukkan dalam satu matriks Ψ : Ψ = [ ] Melakukan pengurangan antara nilai matriks tiap gambar dengan nilai matriks Γ Φ i = Γ i Ψ (2.3) A = [Γ 1 Ψ, Γ 2 Ψ Γ M Ψ] (2.4) Φ 1 = [ ] [ ] = [ ]

31 Φ 2 = [ ] [ ] = [ ] Φ 3 = [ ] [ ] = [ ] Lalu hasil pengurangan tersebut digabungkan dalam satu matriks yaitu A : A = [ ] Menghitung Covariance Matrix dari matriks A C = A T A (2.6) C = [ ] x [ C = [ ] ]

32 16 5. Kemudian mencari Eigenvalues dan Eigenvectors dari matriks C. (Agar mempermudah perhitungan maka nilai matriks C dirubah) A T A x i = λ i x i (2.7) det(a λi) = 0 (2.8) C = [ ] λ 0 0 Det [ ] [ 0 λ 0] λ 1 λ 1 2 Det [ 0 4 λ 0 ] = λ (1 λ 4 λ 0 0 ) (1 0 ) + ( λ 1 4 λ 1 4 λ 1 1 ) = 0 (1 λ[(4 λ 2 ) 0]) (1[0 0]) + ( 2[0 (4 λ)]) = 0 (1 λ[(4 λ 2 )]) (0) + ( 2[ 4 + λ]) = 0 (1 λ[(4 λ 2 )]) + ([8 2λ]) = 0 (1 λ[(4 λ 2 )]) + (2[4 λ]) = 0 (4 λ[(1 λ)(4 λ)] + 2) = 0 (4 λ[(4 λ 4λ + λ 2 + 2)]) = 0 (4 λ[(λ 2 5λ + 6)]) = 0 (4 λ[(λ 3)(λ 2)]) = 0 (4 λ)(λ 3)(λ 2) = 0 λ 1 = 4 λ 2 = 3 λ 3 = 2

33 17 Dari matriks kovarian C, mendapatkan 3 nilai Eigenvalues λ yaitu 4, 3, dan 2. Nilai Eigenvalues tersebut digunakan untuk mencari nilai Eigenvectors yang berhubungan dengan tiap nilai Eigenvalues tersebut. Untuk λ 1 = 4 1 λ 1 2 x 1 [ 0 4 λ 0 ] [ x 2 ] = λ x 3 (1 4) 1 2 x 1 [ 0 (4 4) 0 ] [ x 2 ] = (4 4) x 3 x [ ] [ x 2 ] = x 3 Jika dikalikan maka akan menghasilkan persamaan : 3x 1 + x 2 + 2x 3 = 0 x 1 x 2 = 0 Karena x 1 = x 2 maka 3x 2 + x 2 + 2x 3 = 0 2x 2 + 2x 3 = 0 2x 3 = 2x 2 Jadi x 3 = x 2 & x 2 = x 2 Sehingga Eigenvectors yang didapat dari nilai Eigenvalues λ 1 = 4 adalah x 2 x 1 = [ x 2 ] x 2 1 x 1 = [ 1 ] 1

34 18 Untuk λ 2 = 3 1 λ 1 2 x 1 [ 0 4 λ 0 ] [ x 2 ] = λ x 3 (1 3) 1 2 x 1 [ 0 (4 3) 0 ] [ x 2 ] = (4 3) x 3 x [ ] [ x 2 ] = x 3 Jika dikalikan maka akan menghasilkan persamaan : 2x 1 + x 2 2x 3 = 0 x 2 = 0 x 1 x 2 + x 3 = 0 Karena x 2 = 0 maka 2x 1 2x 3 = 0 2x 1 = 2x 3 x 1 = x 3 x 1 + x 3 = 0 x 1 = x 3 Jadi x 1 = x 3 & x 3 = x 3 Sehingga Eigenvectors yang didapat dari nilai Eigenvalues λ 2 = 3 adalah x 3 x 2 = [ 0 ] x 3 1 x 2 = [ 0 ] 1

35 19 Untuk λ 3 = 2 1 λ 1 2 x 1 [ 0 4 λ 0 ] [ x 2 ] = λ x 3 (1 2) 1 2 x 1 [ 0 (4 2) 0 ] [ x 2 ] = (4 2) x 3 x [ ] [ x 2 ] = x 3 Jika dikalikan maka akan menghasilkan persamaan : x 1 + x 2 2x 3 = 0 2x 2 = 0 x 1 x 2 + 2x 3 = 0 Karena x 2 = 0 maka x 1 2x 3 = 0 2x 3 = x 1 x 3 = 1 2 x 1 x 1 + 2x 3 = 0 2x 3 = x 1 x 3 = 1 2 x 1 Jadi x 3 = 1 2 x 1 & x 1 = x 1 Sehingga Eigenvectors yang didapat dari nilai Eigenvalues λ 3 = 2 adalah x 1 0 x 3 = [ 1 ] 2 x x 3 = [ 1 ] 2

36 20 6. Kemudian mengurutkan nilai Eigenvalues dari yang terbesar ke terkecil lalu disertai nilai masing-masing Eigenvectors. Tabel 2.2. Hasil pengurutan nilai Eigenvalues dan Eigenvectors No Eigenvalues (λ) Eigenvectors (x) 1. λ 1 = 4 1 x 1 = [ 1 ] 1 2. λ 2 = 3 1 x 2 = [ 0 ] λ 3 = 2 x 3 = [ 1 ] 2 Kemudian nilai tiap Eigenvectors dimasukkan berdasarkan urutan dalam satu matriks yaitu x. Tiap kolomnya merupakan representasi nilai Eigenvectors yang berhubungan dari 1 nilai Eigenvalues x = [ ] 2

37 21 7. Menghitung nilai Eigenvectors sebanyak M (jumlah gambar) dari matriks A u i = Ax i (2.11) u 1 = [ u 2 = [ u 3 = [ u = [ ] ]. [ 1 ] = [ ] ]. [ 0 ] = [ ] ]. [ ] = [ ] Atau u = Ax (2.12) u = [ u = [ ] ]. [ ] 2 2

38 22 8. Memproyeksikan A ke dalam Eigenspace ω i = u i T (Γ i Ψ) (2.13) ω 1 ω 2 Ω = [ ] (2.14) ω M ω 1 = [ ] [ ] = [ ] [ ] = [ ] [ ] = ω 2 = [ ] [ ] = [ ] [ ] = [ ] [ ] =

39 ω 3 = [ ] [ ] = [ ] [ ] = [ ] [ ] = Ω = [ ] Atau Ω = (u T A) T (2.15) Ω = ( [ [ ] Ω = ([ ]) Kemudian nilai matriks W di-transpose agar sesuai dengan perhitungan algoritma atau tiap barisnya merepresentasikan bobot 1 wajah Ω = [ ] Nilai Ω inilah yang akan digunakan untuk mengklasifikasikan data testing dengan data training. ] ) T T

40 24 9. Menghitung nilai threshold (θ) Threshold merupakan batas atau jarak minimum yang harus dilewati oleh data testing, untuk membuktikan bahwa data testing merupakan data yang dikenali atau berada dalam database. Nilai threshold dihitung melalui perhitungan jarak tiap data training satu per satu menggunakan Euclidean Distance, kemudian nilai threshold diambil dari jarak yang paling besar atau maksimum dan telah dikalikan dengan nilai indeks yang di-inputkan user. Jika gambar wajah testing mempunyai nilai yang lebih besar dari batas atau jarak minimum yang sudah ditentukan, maka gambar wajah testing tersebut tidak dikenali atau tidak berada dalam database Ω = [ ] Ω 1,2 = ( ) 2 + ( ) 2 + ( ) 2 = Ω 1,3 = ( ) 2 + ( ) 2 + ( ) 2 = Ω 2,3 = ( ) 2 + ( ) 2 + ( ) 2 = (contoh jika nilai indeks threshold adalah 0.2) θ = 0.2 max ( Ω j Ω k 2 ) j, k = 1,2 M (2.16) θ = 0.2 ( ) θ =

41 Euclidean Distance Euclidean Distance merupakan suatu metode atau algoritma yang digunakan untuk membantu pengelompokkan suatu data dengan cara menghitung jarak suatu data dengan yang lainnya. Semakin kecil nilai jarak yang dihasilkan maka data tersebut dapat diklasifikasikan menjadi 1 kelompok. Metode atau algoritma Euclidean Distance dalam penelitian ini akan digunakan dalam bagian Recognition Steps (tahap pengenalan atau pengujian data testing terhadap data training). Cara Pengujian Data : 1. Mengambil set atau kumpulan gambar testing untuk pengenalan. Kemudian ubah matriks tiap gambar testing berukuran dua dimensi menjadi satu dimensi N 2 x Mengurangi nilai matriks gambar testing dengan nilai matriks rata-rata dari data training dengan rumus : A test = Γ test Ψ (2.17) 3. Memproyeksikan gambar testing dalam Eigenspace dengan rumus : Ω test = u T i (Γ test Ψ) (2.18) Ω test = u it (A test ) (2.19) Ω test = (u T. A test ) T (2.20) Ω test = [ω 1, ω 2 ω M ] (2.21) Kemudian mencari jarak antar vektor setiap gambar (Euclidean distance) dengan rumus : ε 2 k = Ω test Ω k 2 (k = [1,2 M] ) (2.22) 4. Jika nilai ε k lebih dari (>) nilai threshold (θ), maka gambar testing tersebut tidak ada dalam database atau tidak diketahui.

42 Contoh Perhitungan Euclidean Distance Tabel 2.3. Contoh Perhitungan Euclidean Distance 1 2 Euclidean Distance Var1 Var2 Orang Orang Orang Algoritma Euclidean Distance : d = v i=1 (p 1i p 2i ) 2 (2.23) Untuk menghitung jarak antara orang 1 dan 2, perhitungannya : d = (20 30) 2 + (80 44) 2 = Untuk menghitung jarak antara orang 1 dan 3, perhitungannya : d = (20 90) 2 + (80 40) 2 = Untuk menghitung jarak antara orang 2 dan 3, perhitungannya : d = (30 90) 2 + (44 40) 2 = 60.13

43 Contoh Pengujian 1. Mengambil suatu gambar testing untuk pengenalan. Kemudian ubah matriks tiap gambar testing berukuran dua dimensi menjadi satu dimensi N 2 x 1. Γ test = [ ] 2 3 Γ test = [ ] Mengurangi nilai matriks gambar testing dengan nilai matriks ratarata dari data training dengan rumus : A test = Γ test Ψ (2.17) A test = [ ] [ ] = [ ] Memproyeksikan gambar testing dalam Eigenspace dengan rumus : ω i = u T i (Γ test Ψ) (2.18) ω i = u T i (A test ) (2.19) Ω test = [ω 1, ω 2 ω M ] (2.21)

44 ω 1 = [ ] [ ] = ω 2 = [ ] [ ] = ω 3 = [ ] [ ] = Ω test = [ ] Atau Ω test = (u T. A test ) T (2.20) = ([ ] [ ]) = ([ ]) = [ ] T T Kemudian mencari jarak antar vektor setiap gambar (Euclidean distance) dengan rumus : ε 2 k = Ω test Ω k 2 (k = [1,2 M] ) (2.22) ε 1 = ( ) 2 + ( ) 2 + ( ) 2 = ε 2 = ( ) 2 + ( ) 2 + ( ) 2 = ε 3 = ( ) 2 + ( ) 2 + ( ) 2 =

45 29 4. Pengecekan dengan nilai threshold (θ) ε 1 = < θ = Dari perhitungan jarak antara bobot gambar testing dan gambar training jarak terdekatnya yaitu Kemudian karena nilai jarak tidak lebih dari nilai threshold, maka gambar testing dikenali sebagai seseorang dalam gambar pada database. Sehingga gambar testing ([ 2 2 ]) mirip dengan gambar training indeks ke-1 pada 3 4 database ([ ]).

46 BAB III METODOLOGI PENELITIAN 3.1. Analisis Data Data Data yang digunakan dalam penelitian ini adalah foto wajah dan identitas mahasiswa Universitas Sanata Dharma Program Studi Teknik Informatika angkatan 2013 berjumlah 25 orang. Foto wajah mahasiswa yang diambil berjumlah 18 foto wajah dengan ekspresi berbeda dari 25 mahasiswa, sehingga totalnya adalah 450. Foto wajah mahasiswa berformat *.jpg dan memiliki dimensi asli 2304x4096. Identitas setiap mahasiswa yang akan menjadi output dalam penelitian terdiri dari nama dan nomor induk mahasiswa (NIM). Tabel 3.1. Data mahasiswa TI USD angkatan 2013 yang digunakan dalam penelitian No. Nama Mahasiswa NIM 1. A Fendi Pratama Yeremia Yoga Pratama Kautsar Rusydi Rahmatullah Dwi Putra Prihandito Damian Arif Pradana Gabriel Indra Widi Tamtama Sonny Fernando K.Adji Widya Yoga Arkadia Angela Mediatrix Melly Martin Nugraha Yohanes Enggal Septianto

47 Ni Komang Asih Setiawati Gerardo Adhitya Nugroho Marcellina Fanny Kusuma Wardani Ekky Alfian Aloysius Tanto Wibowo Elvino Prayogo Yohanes Christian Brilliangga Baptista Yorangga Varani Yosep Kartika Dewandaru Hironimus Hendra Setiawan Yosia Adi Febrian Tommy Nugraha Manoppo Raymond Apriyogi Diki Putra Andre Fransisco Bayuputra Metode Pengumpulan Data Foto wajah mahasiswa didapat dari hasil pengambilan gambar menggunakan kamera smartphone yang memiliki resolusi 13MP dan menghasilkan gambar berdimensi 2304x4096. Wajah mahasiswa diambil dengan jarak pengambilan antara kamera dengan obyek sekitar 20-30cm. Wajah tiap mahasiswa diambil 18 kali dengan ekspresi berbeda dan dengan kondisi cahaya yang cukup terang. Ekspresi wajah mahasiswa yang diambil tidak ditentukan atau bebas, namun tidak melakukan banyak pergerakan pada kepala. Citra wajah mahasiswa diambil sebanyak 18 kali karena semakin banyak data yang digunakan khususnya untuk data training maka akan semakin tinggi tingkat akurasi yang dihasilkan. Kemudian dengan ekspresi wajah bebas tetapi tidak melakukan banyak pergerakan pada kepala, serta mengambil foto pada waktu pagi-sore hari atau dibawah lampu ruangan dapat meningkatkan tingkat akurasi. Perbandingan hasil uji akan diperjelas pada bab IV.

48 32 Identitas mahasiswa terdiri dari nama dan NIM yang didapat dari Biro Administrasi Perencanaan dan Sistem Informasi (BAPSI) Universitas Sanata Dharma Pembagian Data Setelah melakukan Cropping dan perubahan dimensi citra pada tahap Preprocessing, data citra wajah mahasiswa akan dibagi untuk data training dan data testing. Pembagian data training dan data testing ini menggunakan k-fold Cross Validation dengan k=3. Pembagian data citra wajah mahasiswa akan dibuat dalam 3 set (3 folder), yang setiap set-nya terdapat pembagian untuk data training dan data testing (1 folder untuk data training dan 1 folder untuk data testing). Setiap set mempunyai kombinasi berbeda untuk pembagian data training dan data testing. Dasar pembagian data citra wajah mahasiswa adalah 2/3 dari total data digunakan sebagai data training dan 1/3 total data digunakan sebagai data testing. Untuk tiap mahasiswa yang memiliki 18 citra wajah, maka pembagiannya adalah 12 buah citra digunakan untuk data training dan 6 buah citra digunakan untuk data testing. Total data citra wajah 25 mahasiswa sebanyak 450 buah. Sehingga data yang digunakan sebagai data training sebanyak 300 buah dan untuk data testing sebanyak 150 buah untuk setiap set-nya. Tabel 3.2. Pembagian data citra wajah tiap mahasiswa Data Training Data Testing Set (Citra wajah (Citra wajah mahasiswa ke-) mahasiswa ke-) Set Set & Set

49 33 Kombinasi pembagian tersebut digunakan agar tiap indeks data pernah digunakan sebagai data training dan data testing. Pembagian data dengan k-fold Cross Validation ini bertujuan untuk mencari set atau kombinasi pembagian untuk data training dan data testing yang menghasilkan akurasi pengenalan tertinggi Analisis Sistem Langkah-langkah dalam memproses data training dan menganalisis data testing : Data Testing Preprocessing Grayscalling Perubahan ukuran dimensi foto Cropping Data Training Foto Mahasiswa TI 2013 USD Preprocessing Grayscalling Feature Extraction Eigenspace Feature Extraction Processing Euclidean Distance Eigenspace Output Identitas Mahasiswa Eigenface Akurasi Perubahan ukuran dimensi foto Eigenvectors Eigenvalues Cropping Eigenface Gambar 3.1. Gambaran umum alur kerja sistem

50 Preprocessing Sebelum data citra wajah mahasiswa Universitas Sanata Dharma Program Studi Teknik Informatika angkatan 2013 diproses, data citra wajah akan melalui proses Cropping, perubahan ukuran dimensi citra, Grayscalling. Proses pemotongan (cropping) dan perubahan ukuran dimensi citra dilakukan, agar data citra wajah dapat diproses lebih baik sehingga menghasilkan hasil yang optimal dalam waktu yang singkat. Proses pemotongan (cropping) akan dilakukan menggunakan bantuan software untuk photo editing yaitu Adobe Photoshop. Data awal citra awal wajah mahasiswa sebanyak 450 buah akan dilakukan pemotongan dengan rasio 1:1 (square) menggunakan Adobe Photoshop. Data awal citra wajah mahasiswa hanya diambil pada bagian wajahnya saja (dari atas alis sampai bawah mulut), sehingga proses feature extraction lebih fokus pada bagian wajahnya saja tanpa bagian lain dan background foto yang kompleks. Proses perubahan ukuran dimensi citra akan dilakukan menggunakan software yaitu FotoSizer. Data awal citra wajah mahasiswa yang telah melalui proses pemotongan (cropping) selanjutnya akan masuk pada proses perubahan ukuran dimensi citra. Data awal citra wajah mahasiswa yang mula-mula berukuran 2304x4096, kemudian dilakukan pemotongan rasio 1:1 (square) sehingga menghasilkan ukuran dimensi citra NxN sesuai dengan besarnya seleksi wajah tiap citra. Lalu hasil dari pemotongan tersebut, ukuran dimensi semua citra akan dirubah menjadi 200x200. Setelah melalui proses cropping dan perubahan ukuran dimensi citra, data citra wajah mahasiswa akan melalui proses Pembagian Data terlebih dahulu. Lalu tiap citra akan melalui proses Grayscalling yaitu proses perubahan warna citra asli dari Red, Green, Blue (RGB) ke Grayscale (skala keabuan).

51 Feature Extraction Setelah melalui proses Preprocessing, proses selanjutnya adalah pencarian nilai-nilai ciri (Eigenvalues, Eigenvectors, Eigenspace) dari set data training menggunakan metode Eigenface. Prosesnya yaitu : 1. Mentraining satu set kumpulan gambar (M) yang direpresentasikan dengan matriks berukuran N x N. Tiap gambar direpresentasikan dalam Γ 1, Γ 2 Γ M. Lalu ubah semua matriks Γ i berukuran dua dimensi menjadi satu dimensi N 2 x 1. Kemudian gabungkan hasilnya dalam satu matriks Γ dengan tiap kolomnya merepresentasikan tiap citra wajah wajah mahasiswa. Dimensi matriks citra awal wajah mahasiswa yaitu 200x200 akan menjadi matriks berdimensi 40000x1 (untuk 1 citra wajah mahasiswa). Kemudian matriks citra wajah tiap mahasiswa digabungkan dalam satu matriks. Terdapat 25 mahasiswa dan tiap mahasiswa mempunyai 12 citra wajah sebagai data training, sehingga matriks hasil penggabungan semua citra wajah mahasiswa berdimensi 40000x Menghitung Average atau nilai rata-rata dari matriks Γ. Mencari nilai rata-rata dari matriks hasil penggabungan semua citra wajah mahasiswa berdimensi yang 40000x300. Perhitungan rataratanya yaitu menjumlahkan nilai tiap kolom pada tiap baris dan membagi dengan jumlah data yaitu 300. Sehingga akan menghasilkan matriks rata-rata berdimensi 40000x1.

52 36 3. Melakukan pengurangan nilai matriks tiap gambar training pada matriks Γ (tipe data matriks Γ telah diubah ke double) dengan nilai matriks rata-rata. Sebelum melakukan pengurangan, matriks hasil penggabungan semua citra wajah mahasiswa berdimensi 40000x300 tipe datanya diubah menjadi double. Lalu mengurangi nilai tiap kolom pada matriks dengan matriks rata-rata. Jadi nilai tiap citra wajah mahasiswa akan dikurangi dengan nilai matriks rata-rata. Pengurangan ini bertujuan untuk mendapatkan nilai tiap citra wajah mahasiswa yang merepresentasikan ciri pembedanya dan menghilangkan nilai umum atau yang dimiliki semua citra. Sehingga akan menghasilkan matriks baru (A) berdimensi 40000x Menghitung nilai Covariance Matrix. Mencari nilai kovarian dari perkalian matriks A yang telah ditranspose berdimensi 300x40000 dengan matriks A berdimensi 40000x300. Sehingga akan menghasilkan matriks nilai kovarian berdimensi 300x Menghitung nilai Eigenvalues dan Eigenvectors dari Covariance Matrix. Mencari nilai ciri yaitu Eigenvalues dan Eigenvectors dari matriks kovarian. Nilai Eigenvalues dan Eigenvectors merupakan nilai ciri yang dapat membedakan citra wajah satu mahasiswa dengan yang lain. Nilai Eigenvalues dan Eigenvectors sebanyak data citra wajah training. Sehingga akan menghasilkan matriks Eigenvalues berdimensi 300x300 dan Eigenvectors berdimensi 300x300.

53 37 6. Mengurutkan nilai Eigenvalues dari yang terbesar ke terkecil lalu disertai nilai masing-masing Eigenvectors. Mengurutkan nilai ciri yang mempunyai nilai terbesar ke terkecil, sehingga akan mengurutkan nilai ciri yang memiliki varian terbesar ke terkecil. 7. Menghitung nilai Eigenvectors sebanyak M (jumlah gambar training). Mengalikan matriks A berdimensi 40000x300 dengan matriks Eigenvectors berdimensi 300x300 sehingga akan menghasilkan matriks U berdimensi 40000x Memproyeksikan Γ ke dalam Eigenspace. Mengalikan matriks U yang telah di-transpose berdimensi 300x40000 dengan matriks A. Kemudian hasilnya akan di-transpose kembali, sehingga menghasilkan matriks W berdimensi 300x Menghitung nilai Threshold (θ). Mencari nilai batas atau jarak minimum untuk mengetahui bahwa citra yang di-uji terdapat dalam data training atau tidak. Perhitungannya dengan mencari jarak antar nilai tiap citra pada matriks W, kemudian dicari yang paling besar dan dikalikan nilai indeks threshold yang di-inputkan user.

54 38 Pseudo-code Metode Eigenface : start end Deklarasi set citra wajah training dengan matriks berukuran N x N for all citra wajah training Baca data citra Ubah skala warna dari RGB ke Grayscale Ubah matriks dua dimensi menjadi satu dimensi Gabungkan tiap matriks dalam suatu matriks Γ berukuran M x N endfor Cari nilai matriks rata-rata (Ψ) dari matriks Γ Ubah tipe data matriks Γ menjadi double for i=1:size(γ) Kurangi setiap kolom matriks Γ dengan matriks Ψ Gabungkan hasilnya kembali dalam satu matriks A endfor Hitung matriks kovarian dari matriks A Hitung nilai matriks ciri Eigenvalues (λ) dan Eigenvector (x) Urutkan nilai matriks ciri Eigenvalues (λ) dan Eigenvector (x) dari yang terbesar ke terkecil Hitung nilai matriks u dengan mengkalikan matriks A dengan matriks ciri x Hitung nilai matriks Ω dengan mengkalikan matriks u T dengan A lalu transpose hasilnya for i=1:size(ω, 1) for j=(i+1): size(ω, 1) Hitung jarak tiap kolom pada matriks Ω endfor endfor Hitung nilai threshold (θ) dari perkalian nilai indeksthreshold yang diinputkan user dengan nilai jarak terbesar pada kolom matriks Ω

55 Proses Pengujian Setelah melakukan proses Feature Extraction pada data training suatu set, proses selanjutnya yaitu melakukan pengujian data testing pada set tersebut. Sebelum melakukan pengujian, data testing juga harus melalui proses Preprocessing yaitu Cropping, perubahan ukuran dimensi citra dan Grayscalling. Kemudian setelah melalui proses Preprocessing, set data testing juga melalui proses Feature Extraction. Tetapi, untuk data testing pencarian ciri yang akan dibandingkan dengan data training menggunakan proses yang berbeda dengan data training. Proses pencarian ciri data testing yaitu : 1. Mengambil set atau kumpulan gambar testing untuk pengenalan. Kemudian ubah matriks tiap gambar testing berukuran dua dimensi menjadi satu dimensi N 2 x 1. Proses ini sama dengan proses pencarian ciri pada data training, yaitu semua citra wajah data testing dua dimensi diubah menjadi satu dimensi. Sehingga dari matriks berdimensi 200x200 akan menjadi matriks berdimensi 40000x1 (untuk 1 citra). 2. Mengurangi nilai matriks gambar testing dengan nilai matriks ratarata dari data training Proses ini juga sama dengan pencarian ciri pada data training yaitu matriks citra wajah data testing tipe datanya diubah menjadi double. Lalu mengurangi nilai tiap kolom pada matriks dengan matriks ratarata dari perhitungan data training. Sehingga akan menghasilkan matriks baru (A test ) berdimensi 40000x1 (untuk 1 citra). 3. Memproyeksikan gambar testing dalam Eigenspace Pada proses inilah, pencarian ciri pada data training dan data testing berbeda. Pencarian ciri atau komponen eigenface pada data testing melalui perkalian antara matriks U dari data training yang telah di-

56 40 transpose berdimensi 300x40000 dengan matriks A test. Kemudian hasilnya akan di-transpose kembali, sehingga menghasilkan matriks Ω test berdimensi 1x300 (untuk 1 citra). Perkalian tersebut bertujuan untuk memproyeksikan citra wajah data testing ke dalam Eigenspace, sehingga dapat dibandingkan atau dicari jarak antara citra wajah data testing dengan citra wajah data training. Untuk mengenali citra wajah data testing pada citra wajah data training, maka dilakukan pencarian jarak antara Ω test dengan Ω menggunakan Euclidean Distance. Pencarian jarak akan dilakukan dari satu per satu setiap baris atau tiap citra wajah training pada matriks Ω pada data training. Setiap hasil dari pengurangan Ω test dengan matriks Ω tiap baris akan dicatat dalam satu matriks. Lalu akan memberi nomor atau indeks pada tiap barisnya dari (banyaknya data training) sehingga dapat menunjukkan pada citra wajah training ke berapa memiliki jarak paling dekat. Kemudian akan diambil jarak yang paling minimum dari hasil pencarian jarak antara Ω test dengan Ω dengan mengurutkannya dari paling kecil ke besar. Hasil jarak paling kecil menunjukkan citra wajah testing sesuai atau mirip dengan citra pada indeks matriks Ω yang mempunyai jarak paling minimum atau berada pada baris pertama. Misalnya nilai Ω test adalah 25. Kemudian nilai Ω tiap citra pada data training (4 citra) : Tabel 3.3. Contoh Matriks Ω Matriks Ω

57 41 Langkah selanjutnya adalah mencari jarak citra wajah testing terhadap tiap citra atau baris pada matriks Ω dan memberi nomor atau indeks tiap barisnya. Tabel 3.4. Contoh perhitungan jarak Matriks Ω Indeks Jarak 1 (25 55) 2 = 30 2 (25 75) 2 = 50 3 (25 40) 2 = 15 4 (25 35) 2 = 10 Kemudian mencari jarak paling minimum dengan mengurutkan tabel tersebut berdasarkan kolom jarak secara ascending. Tabel 3.5. Contoh pencarian jarak paling minimum Matriks Ω Indeks Jarak Dari hasil perhitungan jarak tabel di-atas menunjukkan bahwa citra wajah testing mirip atau cocok dengan citra wajah training pada indeks atau urutan ke-4 pada set data training.

58 42 4. Pengecekan hasil perhitungan jarak dengan nilai threshold (θ). Setelah menemukan jarak paling dekat, langkah selanjutnya adalah melakukan pengecekan pada hasil perhitungan jarak paling minimum tersebut apakah telah memenuhi batas threshold. Jika hasil perhitungan jarak paling minimum melebihi nilai threshold maka citra data testing merupakan citra yang tidak diketahui atau tidak ada dalam data training. Namun jika hasil perhitungan jarak paling minimum kurang dari nilai threshold, maka citra data testing diketahui atau ada dalam data training. Sehingga akan masuk ke dalam proses selanjutnya, yaitu klasifikasi, untuk menunjukkan citra wajah testing tersebut sesuai atau cocok dengan citra wajah training yang mana. Lalu akan menampilkan informasi nama file citra, nama, dan nim mahasiswa yang sesuai dengan citra testing. Tabel 3.6. Data mahasiswa TI USD angkatan 2013 yang digunakan beserta label file No. Nama Mahasiswa NIM Label 1. A Fendi Pratama a 2. Yeremia Yoga Pratama b 3. Kautsar Rusydi Rahmatullah c 4. Dwi Putra Prihandito d 5. Damian Arif Pradana e 6. Gabriel Indra Widi Tamtama f 7. Sonny Fernando K.Adji g 8. Widya Yoga Arkadia h 9. Angela Mediatrix Melly i 10. Martin Nugraha j 11. Yohanes Enggal Septianto k

59 Ni Komang Asih Setiawati l 13. Gerardo Adhitya Nugroho m 14. Marcellina Fanny Kusuma Wardani n 15. Ekky Alfian o 16. Aloysius Tanto Wibowo p 17. Elvino Prayogo q 18. Yohanes Christian Brilliangga r 19. Baptista Yorangga Varani s 20. Yosep Kartika Dewandaru t 21. Hironimus Hendra Setiawan u 22. Yosia Adi Febrian v 23. Tommy Nugraha Manoppo w 24. Raymond Apriyogi Diki Putra x 25. Andre Fransisco Bayuputra y Label tersebut menunjukkan penamaan file citra tiap mahasiswa. Jadi misalnya A Fendi Pratama memiliki label a, maka nama 18 file citra dari A Fendi Pratama berawalan huruf a (a1-a18.jpg) begitu juga dengan mahasiswa lainnya.

60 44 Tabel 3.7. Contoh penentuan label pada suatu indeks Indeks Jarak Citra label a Citra label b Citra label c Cara untuk menentukan suatu indeks merupakan label apa adalah dengan melakukan pengecekan. Setiap mahasiswa atau label mempunyai citra data training sebanyak 12 (nobyek), sehingga 12 indeks mempunyai label yang sama. Jadi setiap 12 indeks akan mempunyai label yang berbeda. Proses pengecekannya : 1. Jika jarak terkecil terdapat pada indeks ke 12 (nobyek) maka citra wajah testing sesuai dengan citra wajah berlabel a, sehingga akan menampilkan identitas mahasiswa berlabel a. 2. Jika jarak terkecil terdapat pada indeks ke > 12 (nobyek) 24 (nobyek 2) maka citra wajah testing sesuai dengan citra wajah berlabel b, sehingga akan menampilkan identitas mahasiswa berlabel b. 3. Jika jarak terkecil terdapat pada indeks > 24 (nobyek 2) 36 (nobyek 3) maka citra wajah testing sesuai dengan citra wajah

61 45 berlabel c, sehingga akan menampilkan identitas mahasiswa berlabel c. 4. Jika jarak terkecil terdapat pada indeks > 36 (nobyek 3) 48 (nobyek 4) maka citra wajah testing sesuai dengan citra wajah berlabel d, sehingga akan menampilkan identitas mahasiswa berlabel d. 5. Jika jarak terkecil terdapat pada indeks > 48 (nobyek 4) 60 (nobyek 5) maka citra wajah testing sesuai dengan citra wajah berlabel e, sehingga akan menampilkan identitas mahasiswa berlabel e. 6. Jika jarak terkecil terdapat pada indeks > 60 (nobyek 5) 72 (nobyek 6) maka citra wajah testing sesuai dengan citra wajah berlabel f, sehingga akan menampilkan identitas mahasiswa berlabel f. 7. Jika jarak terkecil terdapat pada indeks > 72 (nobyek 6) 84 (nobyek 7) maka citra wajah testing sesuai dengan citra wajah berlabel g, sehingga akan menampilkan identitas mahasiswa berlabel g. 8. Jika jarak terkecil terdapat pada indeks > 84 (nobyek 7) 96 (nobyek 8) maka citra wajah testing sesuai dengan citra wajah berlabel h, sehingga akan menampilkan identitas mahasiswa berlabel h. 9. Jika jarak terkecil terdapat pada indeks > 96 (nobyek 8) 108 (nobyek 9) maka citra wajah testing sesuai dengan citra wajah berlabel i, sehingga akan menampilkan identitas mahasiswa berlabel i. 10. Jika jarak terkecil terdapat pada indeks > 108 (nobyek 9) 120 (nobyek 10) maka citra wajah testing sesuai dengan citra wajah berlabel j, sehingga akan menampilkan identitas mahasiswa berlabel j.

62 Jika jarak terkecil terdapat pada indeks > 120 (nobyek 10) 132 (nobyek 11) maka citra wajah testing sesuai dengan citra wajah berlabel k, sehingga akan menampilkan identitas mahasiswa berlabel k. 12. Jika jarak terkecil terdapat pada indeks > 132 (nobyek 11) 144 (nobyek 12) maka citra wajah testing sesuai dengan citra wajah berlabel l, sehingga akan menampilkan identitas mahasiswa berlabel l. 13. Jika jarak terkecil terdapat pada indeks > 144 (nobyek 12) 156 (nobyek 13) maka citra wajah testing sesuai dengan citra wajah berlabel m, sehingga akan menampilkan identitas mahasiswa berlabel m. 14. Jika jarak terkecil terdapat pada indeks > 156 (nobyek 13) 168 (nobyek 14) maka citra wajah testing sesuai dengan citra wajah berlabel n, sehingga akan menampilkan identitas mahasiswa berlabel n. 15. Jika jarak terkecil terdapat pada indeks > 168 (nobyek 14) 180 (nobyek 15) maka citra wajah testing sesuai dengan citra wajah berlabel o, sehingga akan menampilkan identitas mahasiswa berlabel o. 16. Jika jarak terkecil terdapat pada indeks > 180 (nobyek 15) 192 (nobyek 16) maka citra wajah testing sesuai dengan citra wajah berlabel p, sehingga akan menampilkan identitas mahasiswa berlabel p. 17. Jika jarak terkecil terdapat pada indeks > 192 (nobyek 16) 204 (nobyek 17) maka citra wajah testing sesuai dengan citra wajah berlabel q, sehingga akan menampilkan identitas mahasiswa berlabel q. 18. Jika jarak terkecil terdapat pada indeks > 204 (nobyek 17) 216 (nobyek 18) maka citra wajah testing sesuai dengan citra

63 47 wajah berlabel r, sehingga akan menampilkan identitas mahasiswa berlabel r. 19. Jika jarak terkecil terdapat pada indeks > 216 (nobyek 18) 228 (nobyek 19) maka citra wajah testing sesuai dengan citra wajah berlabel s, sehingga akan menampilkan identitas mahasiswa berlabel s. 20. Jika jarak terkecil terdapat pada indeks > 228 (nobyek 19) 240 (nobyek 20) maka citra wajah testing sesuai dengan citra wajah berlabel t, sehingga akan menampilkan identitas mahasiswa berlabel t. 21. Jika jarak terkecil terdapat pada indeks > 240 (nobyek 20) 252 (nobyek 21) maka citra wajah testing sesuai dengan citra wajah berlabel u, sehingga akan menampilkan identitas mahasiswa berlabel u. 22. Jika jarak terkecil terdapat pada indeks > 252 (nobyek 21) 264 (nobyek 22) maka citra wajah testing sesuai dengan citra wajah berlabel v, sehingga akan menampilkan identitas mahasiswa berlabel v. 23. Jika jarak terkecil terdapat pada indeks > 264 (nobyek 22) 276 (nobyek 23) maka citra wajah testing sesuai dengan citra wajah berlabel w, sehingga akan menampilkan identitas mahasiswa berlabel w. 24. Jika jarak terkecil terdapat pada indeks > 276 (nobyek 23) 288 (nobyek 24) maka citra wajah testing sesuai dengan citra wajah berlabel x, sehingga akan menampilkan identitas mahasiswa berlabel x. 25. Jika jarak terkecil terdapat pada indeks > 288 (nobyek 24) 300 (nobyek 25) maka citra wajah testing sesuai dengan citra wajah berlabel y, sehingga akan menampilkan identitas mahasiswa berlabel y.

64 48 Jadi, jika hasil perhitungan jarak seperti : Tabel 3.8. Contoh perhitungan jarak 5 citra Indeks Jarak Jarak terkecil merupakan baris pertama pada tabel setelah diurutkan. Sehingga, jarak terkecil citra testing dan citra training berada pada indeks ke-35. Karena indeks ke 35 merupakan rentang dari > maka citra wajah testing sesuai dengan citra wajah berlabel c, sehingga akan menampilkan identitas mahasiswa berlabel c.

65 49 Pseudo-code Pengujian : start Deklarasi citra wajah testing dengan matriks Γ test berukuran N x N for all citra wajah testing Baca data citra Ubah skala warna dari RGB ke Grayscale Ubah matriks dua dimensi menjadi satu dimensi endfor Ubah tipe data matriks Γ test menjadi double Kurangi matriks Γ test dengan matriks Ψ dari data training Proyeksikan citra testing yang telah dikurangi dengan rata-rata ke Eigenspace for i=1:size(ω, 1) Cari jarak antara nilai Ω citra testing dengan tiap citra training dengan Euclidean Distance Gabungkan tiap hasil perhitungan jarak dalam satu matriks endfor Buat indeks atau nomor urutan pada tiap baris matriks hasil perhitungan jarak Sort matriks hasil dari kecil ke besar Cari nilai jarak terkecil dari matriks hasil atau ambil pada baris pertama matriks hasil Pengecekan jarak terkecil dengan threshold if(jarak terkecil>threshold) Gambar tidak ditemukan/diketahui Identitas mahasiswa null else Masuk dalam proses klasifikasi untuk menampilkan informasi identitas mahasiswa end Output Setelah melalui proses preprocessing dan klasifikasi, output atau luaran yang akan ditampilkan adalah informasi berupa identitas dari mahasiswa yang terdeteksi. Jadi, ketika data testing suatu citra wajah mahasiswa cocok dengan data citra wajah mahasiswa dalam database maka akan menampilkan identitas dari mahasiswa yang memiliki citra wajah tersebut yaitu nama dan NIM.

66 Akurasi Ketika proses klasifikasi dilakukan terhadap semua citra pada set data testing, maka akan dilakukan perhitungan akurasi. Perhitungan akurasi dilakukan dengan mengecek hasil klasifikasi antara citra data training dan testing apakah memiliki label yang sama. Label yang sama menunjukkan data testing dan data training merupakan citra dari satu mahasiswa yang sama. Jika label pada data testing dan data training sesuai atau sama, maka pada testing indeks tersebut diberi nilai kebenaran 1, tetapi jika tidak maka akan diberi nilai 0. Akurasi = jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Setiap set atau kombinasi pembagian data training dan data testing akan melakukan proses yang sama. Kemudian akan dipilih salah satu set yang menghasilkan akurasi tertinggi, dan dijadikan sebagai indikator keakuratan pengenalan wajah serta digunakan untuk identifikasi data baru.

67 Desain User Interface PENERAPAN FACE RECOGNITION UNTUK PEMEROLEHAN IDENTITAS MAHASISWA UNIVERSITAS SANATA DHARMA MENGGUNAKAN METODE EIGENFACE DAN EUCLIDEAN DISTANCE Oleh: Nama : Jonathan Darmawan Hartanto NIM : Input Image Output Image Nama file Input Recognize Nama file Output Browse.. Tabel allhasil Testing all Keterangan Data Sesuai / Data Tidak Sesuai / Data Tidak Diketahui Nama Lengkap NIM AKURASI : % Gambar 3.2. Desain User Interface Pada aplikasi pengenalan wajah mahasiswa Teknik Informatika angkatan 2013 Universitas Sanata Dharma Yogyakarta, ditampilkan kotak Input Image untuk menampilkan data testing, tombol Browse, tombol Testing all untuk menguji semua data testing secara otomatis, tombol Recognize, Nama file Input, Nama File Output, Tabel allhasil jika user Testing all, kotak Output Image untuk menampilkan data training yang mirip dengan Input Image, lalu menampilkan luaran atau output yaitu penjelasan apakah Data Sesuai, Data Tidak Sesuai atau Data Tidak Diketahui, kemudian jika data testing cocok dengan data training cocok, maka sistem akan menampilkan informasi berupa identitas mahasiswa yang teridentifikasi yaitu Nama Lengkap dan NIM. Pada aplikasi user hanya memasukkan data testing yaitu berupa foto mahasiswa yang akan dikenali lalu tekan tombol Recognize.

68 Spesifikasi Software dan Hardware 1. Software a. Sistem Operasi : Windows 10 Pro 64-bit b. Bahasa Pemrograman : MATLAB versi R2014a ( ) c. Pemrosesan Citra : Adobe Photoshop CC versi Release Fotosizer Standard Edition versi Hardware a. Prosesor : Intel(R) Celeron(R) CPU 1.50GHz 1.50GHz b. Memori : 2.00 GB c. Hardisk : 500 GB d. Kamera : ASUS Zenfone 2 Laser ZE500KL 13 Megapixel

69 BAB IV IMPLEMENTASI & ANALISIS HASIL 4.1. Implementasi Pelatihan Data Data Awal Data citra wajah mahasiswa yang diambil menggunakan kamera smartphone, yang memiliki resolusi 13MP dengan jarak pengambilan gambar sekitar 20-30cm. Dimensi citra yang dihasilkan berukuran 2304x4096. a1.jpg a2.jpg a3.jpg a4.jpg a5.jpg a6.jpg a7.jpg a8.jpg a9.jpg a10.jpg a11.jpg a12.jpg a13.jpg a14.jpg a15.jpg a16.jpg a17.jpg a18.jpg Gambar 4.1. Sampel data awal citra wajah 1 mahasiswa Implementasi Preprocessing Tahap Preprocessing merupakan tahap awal dalam penelitian, yang bertujuan untuk memproses data citra wajah mahasiswa sehingga siap untuk masuk dalam tahap-tahap selanjutnya. Tahap Preprocessing pada penelitian ini terdiri dari Cropping citra, perubahan dimensi citra, Grayscalling. Tahap pertama pada Preprocessing adalah Cropping citra. Berdasarkan contoh sebagian citra awal wajah mahasiswa, citra masih belum fokus terhadap wajah dan masih terlihat bagian lain yang tidak diperlukan. Sehingga, citra awal wajah mahasiswa akan di-crop untuk mengambil bagian wajah dari mahasiswa dengan rasio 1:1 (square) menggunakan Adobe Photoshop. Tahap Cropping ini juga digunakan sistem untuk pendeteksian wajah secara manual. 53

70 54 Proses Cropping citra wajah mahasiswa : Gambar 4.2. Proses Cropping citra wajah mahasiswa Setiap data citra wajah mahasiswa akan melalui proses Cropping, sehingga data awal citra yang mula-mula berdimesi 2304x4096 akan menghasilkan dimensi citra NxN (1:1) sesuai dengan besarnya seleksi wajah tiap citra. Hasil Cropping citra wajah mahasiswa : a1.jpg a2.jpg a3.jpg a4.jpg a5.jpg a6.jpg a7.jpg b1.jpg b2.jpg b3.jpg b4.jpg b5.jpg b6.jpg b7.jpg c1.jpg c2.jpg c3.jpg c4.jpg c5.jpg c6.jpg c7.jpg d1.jpg d2.jpg d3.jpg d4.jpg d5.jpg d6.jpg d6.jpg Gambar 4.3. Hasil Cropping citra wajah mahasiswa

71 55 Setelah Cropping citra, langkah selanjutnya dalam Preprocessing adalah perubahan ukuran dimensi citra menjadi 200x200. Perubahan ukuran dimensi dilakukan menggunakan software Fotosizer. Gambar 4.4. Proses Perubahan ukuran dimensi citra wajah mahasiswa Setelah data citra wajah mahasiswa di-crop dan ukuran dimensi citra menjadi 200x200, langkah selanjutnya adalah Grayscalling. Namun sebelumnya data citra wajah mahasiswa akan dibagi dalam 3 set untuk pembagian data training dan testing. Tabel 4.1. Pembagian data training dan testing tiap mahasiswa Set Data Training (Citra wajah mahasiswa ke-) Data Testing (Citra wajah mahasiswa ke-) Set Set & Set

72 56 Implementasi pembagian data : Gambar 4.5. Folder 3 SET Gambar 4.6. Isi folder SET 1 Gambar 4.7. Isi folder Training dari SET 1

73 57 Gambar 4.8. Isi folder Testing dari SET 1 Setelah data citra wajah mahasiswa dibagi dalam 3 set, langkah selanjutnya adalah mencoba setiap set atau kombinasi pembagian data training dan data testing dalam Matlab. Satu per satu set akan diproses untuk mengetahui kombinasi pembagian atau set yang menghasilkan akurasi terbaik.

74 58 Tahap selanjutnya akan diproses pada Matlab, yaitu pertama membuat biodata mahasiswa TI USD angkatan 2013 yang digunakan dalam penelitian. biodata={'a FENDI PRATAMA',' '; 'YEREMIA YOGA PRATAMA',' '; 'KAUTSAR RUSYDI RAHMATULLAH',' '; 'DWI PUTRA PRIHANDITO',' '; 'DAMIAN ARIF PRADANA',' '; 'GABRIEL INDRA WIDI TAMTAMA',' '; 'SONNY FERNANDO K.ADJI',' '; 'WIDYA YOGA ARKADIA',' '; 'ANGELA MEDIATRIX MELLY',' '; 'MARTIN NUGRAHA',' '; 'YOHANES ENGGAL SEPTIANTO',' '; 'NI KOMANG ASIH SETIAWATI',' '; 'GERARDO ADHITYA NUGROHO',' '; 'MARCELLINA FANNY KUSUMA WARDANI',' '; 'EKKY ALFIAN',' '; 'ALOYSIUS TANTO WIBOWO',' '; 'ELVINO PRAYOGO',' '; 'YOHANES CHRISTIAN BRILLIANGGA',' '; 'BAPTISTA YORANGGA VARANI',' '; 'YOSEP KARTIKA DEWANDARU',' '; 'HIRONIMUS HENDRA SETIAWAN',' '; 'YOSIA ADI FEBRIAN',' '; 'TOMMY NUGRAHA MANOPPO',' '; 'RAYMOND APRIYOGI DIKI PUTRA',' '; 'ANDRE FRANSISCO BAYUPUTRA',' '}; Code tersebut digunakan untuk membuat cell berukuran 25x2 berisi informasi identitas mahasiswa yaitu (nama lengkap dan NIM). Setelah membuat biodata, langkah selanjutnya yaitu mengubah skala warna RGB citra ke grayscale (Grayscalling). files=dir('*.jpg'); %membaca semua file training berformat *.jpg n=length(files); nobyek=n/25; %menghitung banyaknya data training untuk 1 mahasiswa U=[]; for i=1:n temp=imread(files(i).name); temp=rgb2gray(temp); %Grayscalling citra training temp=reshape(temp,[],1); %mengubah citra 2 dimensi menjadi 1 dimensi eval(['facetrain' num2str(i) '=temp;']); U=[U,temp]; %menampung matriks semua citra training end

75 Implementasi Feature Extraction Feature Extraction dilakukan untuk mencari nilai-nilai ciri (Eigenface, Eigenvector, Eigenspace) dari data training suatu set menggunakan metode Eigenface. Prosesnya yaitu : 1. Mentraining satu set kumpulan gambar (M) yang direpresentasikan dengan matriks berukuran N x N. Tiap gambar direpresentasikan dalam Γ 1, Γ 2 Γ M. Lalu ubah semua matriks Γ i berukuran dua dimensi menjadi satu dimensi N 2 x 1. Kemudian gabungkan hasilnya dalam satu matriks Γ. Γ = [Γ 1, Γ 2 Γ M ] (2.1) files=dir('*.jpg'); %membaca semua file training berformat *.jpg n=length(files); nobyek=n/25; %menghitung banyaknya data training untuk 1 mahasiswa U=[]; for i=1:n temp=imread(files(i).name); temp=rgb2gray(temp); %Grayscalling citra training temp=reshape(temp,[],1); %mengubah citra 2 dimensi menjadi 1 dimensi eval(['facetrain' num2str(i) '=temp;']); U=[U,temp]; %menampung matriks semua citra training end 2. Menghitung Average atau nilai rata-rata dari matriks Γ. Ψ = 1 Σ M i=1 M Γ i (2.2) R=mean(U,2); 3. Melakukan pengurangan nilai matriks tiap gambar training pada matriks Γ (tipe data matriks Γ telah diubah ke double) dengan nilai matriks rata-rata. Φ i = Γ i Ψ (2.3) A = [Γ 1 Ψ, Γ 2 Ψ Γ M Ψ] (2.4)

76 60 MINRATA=[]; UD=double(U); %mengubah tipe data training menjadi double for i=1:n temp=ud(:,i)-r; MINRATA=[MINRATA, temp]; %menampung semua matriks citra training yang telah dikurangi ratarata end 4. Menghitung nilai Covariance Matrix. C = AA T (A = [Φ 1, Φ 2 Φ M size N 2 xn 2 ]) (2.5) Karena hasil dari perhitungan C = AA T menghasilkan dimensi yang besar, maka algoritma diubah menjadi C = A T A (2.6) C=MINRATA'*MINRATA; 5. Menghitung nilai Eigenvalues dan Eigenvectors dari Covariance Matrix. A T A x i = λ i x i (2.7) det(a λi) = 0 (2.8) lalu persamaan dikalikan A A A T A x i = A λ i x i (2.9) A A T (A x i ) = λ i (A x i ) (2.10) A x i = Eigenvectors λ i = Eigenvalues [EVEC,EVAL]=eig(C); %mencari nilai eigenvalues (EVAL) dan eigenvectors (EVEC) 6. Mengurutkan nilai Eigenvalues dari yang terbesar ke terkecil lalu disertai nilai masing-masing Eigenvectors. evaldiag=diag(eval); %mengambil nilai pada diagonal matriks [evaldiagsort,x]=sort(evaldiag,'descend'); matrikscirimax=evec(:,x); %mengambil nilai eigenvectors sesuai dengan indeks yang telah diurutkan

77 61 7. Menghitung nilai Eigenvectors sebanyak M (jumlah gambar training). u i = Ax i (2.11) u = Ax (2.12) Ui=MINRATA*matrikscirimax; 8. Memproyeksikan Γ ke dalam Eigenspace. Ω i = u i T (Γ i Ψ) (2.13) Ω = (u T A) T (2.14) Ω 1 Ω Ω = [ 2 ] (2.15) Ω M W=(Ui'*MINRATA)'; 9. Menghitung nilai Threshold (θ). θ = indeks max ( Ω j Ω k 2 ) j, k = 1,2 M (2.16) indeks = nilai indeks threshold yang dimasukkan oleh user threshold=[]; for i=1:size(w,1) for j=(i+1):size(w,1) temp7=sqrt(sum(power(w(i,:)-w(j,:),2),2)); %hitung jarak tiap baris pada matriks W dengan Euclidean Distance threshold=[threshold;temp7]; end end indeksthreshold=input('threshold : '); %meminta inputan dari user untuk nilai indeks threshold threshold=indeksthreshold*max(threshold);

78 Implementasi Pengujian Data Tahap selanjutnya setelah pelatihan data training adalah pengujian data testing pada set tersebut. Dalam pengujian data, data testing juga melalui proses Preprocessing yang sama dengan data training yaitu Cropping, perubahan ukuran dimensi citra dan Grayscalling. Pencarian ciri data testing yang akan dibandingkan dengan data training menggunakan proses yang berbeda. Proses pencarian ciri data testing yaitu : 1. Mengambil set atau kumpulan gambar testing untuk pengenalan. Kemudian ubah matriks tiap gambar testing berukuran dua dimensi menjadi satu dimensi N 2 x 1. filestest=dir('*.jpg'); %membaca semua file testing berformat *.jpg j=length(filestest); for i=1:j temp=imread(filestest(i).name); temp=rgb2gray(temp); %Grayscalling citra temp=reshape(temp,[],1); %mengubah citra 2 dimensi menjadi 1 dimensi eval(['' strtok(filestest(i).name,'.') '=temp;']); end 2. Mengurangi nilai matriks gambar testing dengan nilai matriks rata-rata dari data training dengan rumus : A test = Γ test Ψ (2.17) function [ matrikseuclid,label,nama,nim ] = testingauto( testingimg,r,ui,w,biodata,n,nobyek,files,threshold ) testingimg=double(testingimg); %mengubah tipe data testing menjadi double Qtest=testingimg-R; %mengurangi matriks citra testing dengan nilai matriks rata-rata dari data training

79 63 3. Memproyeksikan gambar testing dalam Eigenspace dengan rumus : Ω test = u i T (Γ test Ψ) (2.18) Ω test = u it (A test ) (2.19) Ω test = (u T. A test ) T (2.20) Ω test = [ω 1, ω 2 ω M ] (2.21) Wtest=(Ui'*Qtest)'; %memproyeksikan citra testing dalam eigenspace Kemudian mencari jarak antar vektor setiap gambar (Euclidean distance) dengan rumus : ε k 2 = Ω test Ω k 2 (k = [1,2 M] ) (2.22) matrikseuclid=[]; for i=1:n tempeuclid=sqrt(sum(power(wtest-w(i,:),2),2)); %mencari jarak citra testing dengan setiap citra training matrikseuclid=[matrikseuclid; tempeuclid]; end 4. Jika nilai ε k lebih dari (>) nilai threshold (θ), maka gambar testing tersebut tidak ada dalam database atau tidak diketahui. if(matrikseuclid(1,2)>threshold) label='gambar tidak diketahui'; nama='null'; nim='null'; disp(label); else [label,nama,nim]=klasifikasi(nobyek,matrikseuclid,biodata,files); end

80 Hasil Pengujian Hasil Pengujian Data Pertama a1.jpg a2.jpg a3.jpg a4.jpg a5.jpg a6.jpg b1.jpg b2.jpg b3.jpg b4.jpg b5.jpg b6.jpg c1.jpg c2.jpg c3.jpg c4.jpg c5.jpg c6.jpg Gambar 4.9. Beberapa data citra wajah mahasiswa pertama Pengujian pertama dilakukan menggunakan data training serta data testing pertama. Data pertama ini merupakan citra wajah 25 mahasiswa yang sama, namun berbeda dengan data kedua yang dijelaskan pada bab III. Karena data pertama ini didapatkan pada pencarian data pertama kali atau waktu yang berbeda dengan pengambilan data kedua. Pada data pertama setiap mahasiswa memiliki 11 citra wajah sehingga totalnya 275 buah. Pembagian data training dan testing pada data pertama : Tabel 4.2. Pembagian data training dan testing pada data pertama Set Data Training (Citra wajah mahasiswa ke-) Data Testing (Citra wajah mahasiswa ke-) Set Set & Set

81 Hasil Pengujian Set 1 Data training : Gambar Beberapa data training pada Set 1 data pertama Data testing : Gambar Beberapa data testing pada Set 1 data pertama Hasil : Indeks Threshold = 0.05 Tabel 4.3. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a10' 'Gambar tidak diketahui' 'a11' 'Gambar tidak diketahui' 'a9' 'Gambar tidak diketahui' 'b10' 'Gambar tidak diketahui' 'b11' 'Gambar tidak diketahui' 'b9' 'Gambar tidak diketahui' 'c10' 'Gambar tidak diketahui' 'c11' 'Gambar tidak diketahui' 'c9' 'Gambar tidak diketahui' 'd10' 'Gambar tidak diketahui' 'd11' 'Gambar tidak diketahui' 'd9' 'Gambar tidak diketahui'

82 66 13 'e10' 'Gambar tidak diketahui' 'e11' 'Gambar tidak diketahui' 'e9' 'Gambar tidak diketahui' 'f10' 'Gambar tidak diketahui' 'f11' 'Gambar tidak diketahui' 'f9' 'Gambar tidak diketahui' 'g10' 'Gambar tidak diketahui' 'g11' 'Gambar tidak diketahui' 'g9' 'Gambar tidak diketahui' 'h10' 'Gambar tidak diketahui' 'h11' 'Gambar tidak diketahui' 'h9' 'h1.jpg' 'i10' 'Gambar tidak diketahui' 'i11' 'i1.jpg' 'i9' 'Gambar tidak diketahui' 'j10' 'Gambar tidak diketahui' 'j11' 'Gambar tidak diketahui' 'j9' 'j7.jpg' 'k10' 'Gambar tidak diketahui' 'k11' 'Gambar tidak diketahui' 'k9' 'k8.jpg' 'l10' 'Gambar tidak diketahui' 'l11' 'Gambar tidak diketahui' 'l9' 'Gambar tidak diketahui' 'm10' 'Gambar tidak diketahui' 'm11' 'Gambar tidak diketahui' 'm9' 'Gambar tidak diketahui' 'n10' 'Gambar tidak diketahui' 'n11' 'Gambar tidak diketahui' 'n9' 'Gambar tidak diketahui' 'o10' 'Gambar tidak diketahui' 'o11' 'Gambar tidak diketahui' 'o9' 'Gambar tidak diketahui' 'p10' 'Gambar tidak diketahui' 'p11' 'Gambar tidak diketahui' 'p9' 'Gambar tidak diketahui' 'q10' 'q8.jpg'

83 67 50 'q11' 'Gambar tidak diketahui' 'q9' 'w1.jpg' 'r10' 'Gambar tidak diketahui' 'r11' 'Gambar tidak diketahui' 'r9' 'Gambar tidak diketahui' 's10' 's6.jpg' 's11' 'Gambar tidak diketahui' 's9' 's1.jpg' 't10' 't7.jpg' 't11' 'Gambar tidak diketahui' 't9' 'Gambar tidak diketahui' 'u10' 'Gambar tidak diketahui' 'u11' 'Gambar tidak diketahui' 'u9' 'Gambar tidak diketahui' 'v10' 'Gambar tidak diketahui' 'v11' 'v1.jpg' 'v9' 'Gambar tidak diketahui' 'w10' 'w7.jpg' 'w11' 'w7.jpg' 'w9' 'w3.jpg' 'x10' 'Gambar tidak diketahui' 'x11' 'Gambar tidak diketahui' 'x9' 'Gambar tidak diketahui' 'y10' 'Gambar tidak diketahui' 'y11' 'Gambar tidak diketahui' 'y9' 'Gambar tidak diketahui' Akurasi = Akurasi = 12 x Akurasi = 16 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

84 68 Indeks Threshold = 0.1 Tabel 4.4. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a10' 'h2.jpg' 'a11' 'h1.jpg' 'a9' 'Gambar tidak diketahui' 'b10' 'q2.jpg' 'b11' 'f1.jpg' 'b9' 'c6.jpg' 'c10' 'd4.jpg' 'c11' 'f7.jpg' 'c9' 'c6.jpg' 'd10' 'd4.jpg' 'd11' 'd2.jpg' 'd9' 'd1.jpg' 'e10' 'h7.jpg' 'e11' 'Gambar tidak diketahui' 'e9' 'e8.jpg' 'f10' 'f1.jpg' 'f11' 'd4.jpg' 'f9' 'Gambar tidak diketahui' 'g10' 'g1.jpg' 'g11' 'v8.jpg' 'g9' 'h1.jpg' 'h10' 'Gambar tidak diketahui' 'h11' 'Gambar tidak diketahui' 'h9' 'h1.jpg' 'i10' 'Gambar tidak diketahui' 'i11' 'i1.jpg' 'i9' 'i8.jpg' 'j10' 'Gambar tidak diketahui' 'j11' 'j8.jpg' 'j9' 'j7.jpg' 'k10' 'Gambar tidak diketahui' 'k11' 'k7.jpg' 'k9' 'k8.jpg' 'l10' 'l4.jpg'

85 69 35 'l11' 'Gambar tidak diketahui' 'l9' 'Gambar tidak diketahui' 'm10' 'm1.jpg' 'm11' 'Gambar tidak diketahui' 'm9' 'm8.jpg' 'n10' 'i8.jpg' 'n11' 'Gambar tidak diketahui' 'n9' 'y1.jpg' 'o10' 'o1.jpg' 'o11' 'Gambar tidak diketahui' 'o9' 'Gambar tidak diketahui' 'p10' 'h7.jpg' 'p11' 'Gambar tidak diketahui' 'p9' 'Gambar tidak diketahui' 'q10' 'q8.jpg' 'q11' 's3.jpg' 'q9' 'w1.jpg' 'r10' 'r8.jpg' 'r11' 's1.jpg' 'r9' 'r2.jpg' 's10' 's6.jpg' 's11' 'w1.jpg' 's9' 's1.jpg' 't10' 't7.jpg' 't11' 't4.jpg' 't9' 'r2.jpg' 'u10' 'Gambar tidak diketahui' 'u11' 'u7.jpg' 'u9' 'Gambar tidak diketahui' 'v10' 's5.jpg' 'v11' 'v1.jpg' 'v9' 'r1.jpg' 'w10' 'w7.jpg' 'w11' 'w7.jpg' 'w9' 'w3.jpg' 'x10' 'x8.jpg' 'x11' 'q8.jpg'

86 70 72 'x9' 'r7.jpg' 'y10' 'Gambar tidak diketahui' 'y11' 'q5.jpg' 'y9' 'y1.jpg' Akurasi = Akurasi = 32 x jumlah nilai kebenaran 1 jumlah data testing Akurasi = % x 100 (3.1) Indeks Threshold = 0.2 Tabel 4.5. Hasil Pengujian Set 1 pada data pertama dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a10' 'h2.jpg' 'a11' 'h1.jpg' 'a9' 'a2.jpg' 'b10' 'q2.jpg' 'b11' 'f1.jpg' 'b9' 'c6.jpg' 'c10' 'd4.jpg' 'c11' 'f7.jpg' 'c9' 'c6.jpg' 'd10' 'd4.jpg' 'd11' 'd2.jpg' 'd9' 'd1.jpg' 'e10' 'h7.jpg' 'e11' 'd4.jpg' 'e9' 'e8.jpg' 'f10' 'f1.jpg' 'f11' 'd4.jpg' 'f9' 'p2.jpg' 'g10' 'g1.jpg' 'g11' 'v8.jpg' 'g9' 'h1.jpg' 'h10' 'v2.jpg' 'h11' 'w2.jpg'

87 71 24 'h9' 'h1.jpg' 'i10' 'f2.jpg' 'i11' 'i1.jpg' 'i9' 'i8.jpg' 'j10' 'i2.jpg' 'j11' 'j8.jpg' 'j9' 'j7.jpg' 'k10' 'k3.jpg' 'k11' 'k7.jpg' 'k9' 'k8.jpg' 'l10' 'l4.jpg' 'l11' 'l8.jpg' 'l9' 'i3.jpg' 'm10' 'm1.jpg' 'm11' 'k2.jpg' 'm9' 'm8.jpg' 'n10' 'i8.jpg' 'n11' 'i8.jpg' 'n9' 'y1.jpg' 'o10' 'o1.jpg' 'o11' 'w1.jpg' 'o9' 'r8.jpg' 'p10' 'h7.jpg' 'p11' 'f5.jpg' 'p9' 'i2.jpg' 'q10' 'q8.jpg' 'q11' 's3.jpg' 'q9' 'w1.jpg' 'r10' 'r8.jpg' 'r11' 's1.jpg' 'r9' 'r2.jpg' 's10' 's6.jpg' 's11' 'w1.jpg' 's9' 's1.jpg' 't10' 't7.jpg' 't11' 't4.jpg' 't9' 'r2.jpg'

88 72 61 'u10' 'u2.jpg' 'u11' 'u7.jpg' 'u9' 'x8.jpg' 'v10' 's5.jpg' 'v11' 'v1.jpg' 'v9' 'r1.jpg' 'w10' 'w7.jpg' 'w11' 'w7.jpg' 'w9' 'w3.jpg' 'x10' 'x8.jpg' 'x11' 'q8.jpg' 'x9' 'r7.jpg' 'y10' 'q5.jpg' 'y11' 'q5.jpg' 'y9' 'y1.jpg' Akurasi = Akurasi = 36 x Akurasi = 48 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

89 Hasil Pengujian Set 2 Data training : Gambar Beberapa data training pada Set 2 data pertama Data testing : Gambar Beberapa data testing pada Set 2 data pertama Hasil : Indeks Threshold = 0.05 Tabel 4.6. Hasil Pengujian Set 2 pada data pertama dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a5' 'Gambar tidak diketahui' 'a6' 'a1.jpg' 'a7' 'Gambar tidak diketahui' 'a8' 'Gambar tidak diketahui' 'b5' 'Gambar tidak diketahui' 'b6' 'Gambar tidak diketahui' 'b7' 'b1.jpg' 'b8' 'Gambar tidak diketahui' 'c5' 'Gambar tidak diketahui' 'c6' 'c9.jpg'

90 74 11 'c7' 'Gambar tidak diketahui' 'c8' 'Gambar tidak diketahui' 'd5' 'Gambar tidak diketahui' 'd6' 'Gambar tidak diketahui' 'd7' 'Gambar tidak diketahui' 'd8' 'Gambar tidak diketahui' 'e5' 'Gambar tidak diketahui' 'e6' 'Gambar tidak diketahui' 'e7' 'Gambar tidak diketahui' 'e8' 'Gambar tidak diketahui' 'f5' 'Gambar tidak diketahui' 'f6' 'Gambar tidak diketahui' 'f7' 'Gambar tidak diketahui' 'f8' 'Gambar tidak diketahui' 'g5' 'Gambar tidak diketahui' 'g6' 'g1.jpg' 'g7' 'Gambar tidak diketahui' 'g8' 'Gambar tidak diketahui' 'h5' 'Gambar tidak diketahui' 'h6' 'Gambar tidak diketahui' 'h7' 'Gambar tidak diketahui' 'h8' 'Gambar tidak diketahui' 'i5' 'Gambar tidak diketahui' 'i6' 'Gambar tidak diketahui' 'i7' 'Gambar tidak diketahui' 'i8' 'Gambar tidak diketahui' 'j5' 'Gambar tidak diketahui' 'j6' 'j1.jpg' 'j7' 'j9.jpg' 'j8' 'j11.jpg' 'k5' 'Gambar tidak diketahui' 'k6' 'Gambar tidak diketahui' 'k7' 'Gambar tidak diketahui' 'k8' 'k9.jpg' 'l5' 'Gambar tidak diketahui' 'l6' 'Gambar tidak diketahui' 'l7' 'Gambar tidak diketahui'

91 75 48 'l8' 'Gambar tidak diketahui' 'm5' 'Gambar tidak diketahui' 'm6' 'Gambar tidak diketahui' 'm7' 'Gambar tidak diketahui' 'm8' 'm9.jpg' 'n5' 'Gambar tidak diketahui' 'n6' 'Gambar tidak diketahui' 'n7' 'Gambar tidak diketahui' 'n8' 'Gambar tidak diketahui' 'o5' 'Gambar tidak diketahui' 'o6' 'Gambar tidak diketahui' 'o7' 'Gambar tidak diketahui' 'o8' 'Gambar tidak diketahui' 'p5' 'Gambar tidak diketahui' 'p6' 'p1.jpg' 'p7' 'Gambar tidak diketahui' 'p8' 'Gambar tidak diketahui' 'q5' 'y11.jpg' 'q6' 'Gambar tidak diketahui' 'q7' 'q1.jpg' 'q8' 'q10.jpg' 'r5' 'Gambar tidak diketahui' 'r6' 'Gambar tidak diketahui' 'r7' 'Gambar tidak diketahui' 'r8' 'Gambar tidak diketahui' 's5' 'Gambar tidak diketahui' 's6' 's10.jpg' 's7' 's2.jpg' 's8' 's10.jpg' 't5' 'Gambar tidak diketahui' 't6' 't1.jpg' 't7' 't10.jpg' 't8' 't10.jpg' 'u5' 'Gambar tidak diketahui' 'u6' 'Gambar tidak diketahui' 'u7' 'Gambar tidak diketahui' 'u8' 'Gambar tidak diketahui'

92 76 85 'v5' 'Gambar tidak diketahui' 'v6' 'Gambar tidak diketahui' 'v7' 'w4.jpg' 'v8' 'v2.jpg' 'w5' 'Gambar tidak diketahui' 'w6' 'Gambar tidak diketahui' 'w7' 'w10.jpg' 'w8' 'w10.jpg' 'x5' 'Gambar tidak diketahui' 'x6' 'x1.jpg' 'x7' 'x1.jpg' 'x8' 'x1.jpg' 'y5' 'Gambar tidak diketahui' 'y6' 'y1.jpg' 'y7' 'y1.jpg' 'y8' 'y1.jpg' Akurasi = Akurasi = 27 x Akurasi = 27 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Indeks Threshold = 0.1 Tabel 4.7. Hasil Pengujian Set 2 pada data pertama dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a5' 'c9.jpg' 'a6' 'a1.jpg' 'a7' 'a1.jpg' 'a8' 'c9.jpg' 'b5' 'Gambar tidak diketahui' 'b6' 'b1.jpg' 'b7' 'b1.jpg' 'b8' 'b1.jpg' 'c5' 'Gambar tidak diketahui' 'c6' 'c9.jpg'

93 77 11 'c7' 'c9.jpg' 'c8' 'c9.jpg' 'd5' 'Gambar tidak diketahui' 'd6' 'd9.jpg' 'd7' 'd9.jpg' 'd8' 'd9.jpg' 'e5' 'y1.jpg' 'e6' 'e1.jpg' 'e7' 'e1.jpg' 'e8' 'e9.jpg' 'f5' 'p11.jpg' 'f6' 'c9.jpg' 'f7' 'b1.jpg' 'f8' 'd2.jpg' 'g5' 'Gambar tidak diketahui' 'g6' 'g1.jpg' 'g7' 'g1.jpg' 'g8' 'g1.jpg' 'h5' 'w2.jpg' 'h6' 'h4.jpg' 'h7' 'h9.jpg' 'h8' 'h4.jpg' 'i5' 'Gambar tidak diketahui' 'i6' 'i11.jpg' 'i7' 'i1.jpg' 'i8' 'i9.jpg' 'j5' 'Gambar tidak diketahui' 'j6' 'j1.jpg' 'j7' 'j9.jpg' 'j8' 'j11.jpg' 'k5' 'Gambar tidak diketahui' 'k6' 'k1.jpg' 'k7' 'k1.jpg' 'k8' 'k9.jpg' 'l5' 'Gambar tidak diketahui' 'l6' 'l1.jpg' 'l7' 'l1.jpg'

94 78 48 'l8' 'l11.jpg' 'm5' 'Gambar tidak diketahui' 'm6' 'm1.jpg' 'm7' 'm9.jpg' 'm8' 'm9.jpg' 'n5' 'Gambar tidak diketahui' 'n6' 'n1.jpg' 'n7' 'n1.jpg' 'n8' 'i9.jpg' 'o5' 'y9.jpg' 'o6' 'o1.jpg' 'o7' 'f10.jpg' 'o8' 'Gambar tidak diketahui' 'p5' 'Gambar tidak diketahui' 'p6' 'p1.jpg' 'p7' 'p1.jpg' 'p8' 'h9.jpg' 'q5' 'y11.jpg' 'q6' 'y11.jpg' 'q7' 'q1.jpg' 'q8' 'q10.jpg' 'r5' 'Gambar tidak diketahui' 'r6' 'r11.jpg' 'r7' 'q10.jpg' 'r8' 'r10.jpg' 's5' 'r11.jpg' 's6' 's10.jpg' 's7' 's2.jpg' 's8' 's10.jpg' 't5' 't10.jpg' 't6' 't1.jpg' 't7' 't10.jpg' 't8' 't10.jpg' 'u5' 'u1.jpg' 'u6' 'u11.jpg' 'u7' 'u11.jpg' 'u8' 'u11.jpg'

95 79 85 'v5' 'y11.jpg' 'v6' 'q4.jpg' 'v7' 'w4.jpg' 'v8' 'v2.jpg' 'w5' 'w11.jpg' 'w6' 'w3.jpg' 'w7' 'w10.jpg' 'w8' 'w10.jpg' 'x5' 'r11.jpg' 'x6' 'x1.jpg' 'x7' 'x1.jpg' 'x8' 'x1.jpg' 'y5' 'y1.jpg' 'y6' 'y1.jpg' 'y7' 'y1.jpg' 'y8' 'y1.jpg' Akurasi = Akurasi = 67 x Akurasi = 67 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Indeks Threshold = 0.2 Tabel 4.8. Hasil Pengujian Set 2 pada data pertama dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a5' 'c9.jpg' 'a6' 'a1.jpg' 'a7' 'a1.jpg' 'a8' 'c9.jpg' 'b5' 'c11.jpg' 'b6' 'b1.jpg' 'b7' 'b1.jpg' 'b8' 'b1.jpg' 'c5' 'r10.jpg' 'c6' 'c9.jpg'

96 80 11 'c7' 'c9.jpg' 'c8' 'c9.jpg' 'd5' 'l11.jpg' 'd6' 'd9.jpg' 'd7' 'd9.jpg' 'd8' 'd9.jpg' 'e5' 'y1.jpg' 'e6' 'e1.jpg' 'e7' 'e1.jpg' 'e8' 'e9.jpg' 'f5' 'p11.jpg' 'f6' 'c9.jpg' 'f7' 'b1.jpg' 'f8' 'd2.jpg' 'g5' 'e10.jpg' 'g6' 'g1.jpg' 'g7' 'g1.jpg' 'g8' 'g1.jpg' 'h5' 'w2.jpg' 'h6' 'h4.jpg' 'h7' 'h9.jpg' 'h8' 'h4.jpg' 'i5' 'y1.jpg' 'i6' 'i11.jpg' 'i7' 'i1.jpg' 'i8' 'i9.jpg' 'j5' 'd10.jpg' 'j6' 'j1.jpg' 'j7' 'j9.jpg' 'j8' 'j11.jpg' 'k5' 'c11.jpg' 'k6' 'k1.jpg' 'k7' 'k1.jpg' 'k8' 'k9.jpg' 'l5' 'l1.jpg' 'l6' 'l1.jpg' 'l7' 'l1.jpg'

97 81 48 'l8' 'l11.jpg' 'm5' 'k1.jpg' 'm6' 'm1.jpg' 'm7' 'm9.jpg' 'm8' 'm9.jpg' 'n5' 'i9.jpg' 'n6' 'n1.jpg' 'n7' 'n1.jpg' 'n8' 'i9.jpg' 'o5' 'y9.jpg' 'o6' 'o1.jpg' 'o7' 'f10.jpg' 'o8' 'c9.jpg' 'p5' 'p1.jpg' 'p6' 'p1.jpg' 'p7' 'p1.jpg' 'p8' 'h9.jpg' 'q5' 'y11.jpg' 'q6' 'y11.jpg' 'q7' 'q1.jpg' 'q8' 'q10.jpg' 'r5' 'x9.jpg' 'r6' 'r11.jpg' 'r7' 'q10.jpg' 'r8' 'r10.jpg' 's5' 'r11.jpg' 's6' 's10.jpg' 's7' 's2.jpg' 's8' 's10.jpg' 't5' 't10.jpg' 't6' 't1.jpg' 't7' 't10.jpg' 't8' 't10.jpg' 'u5' 'u1.jpg' 'u6' 'u11.jpg' 'u7' 'u11.jpg' 'u8' 'u11.jpg'

98 82 85 'v5' 'y11.jpg' 'v6' 'q4.jpg' 'v7' 'w4.jpg' 'v8' 'v2.jpg' 'w5' 'w11.jpg' 'w6' 'w3.jpg' 'w7' 'w10.jpg' 'w8' 'w10.jpg' 'x5' 'r11.jpg' 'x6' 'x1.jpg' 'x7' 'x1.jpg' 'x8' 'x1.jpg' 'y5' 'y1.jpg' 'y6' 'y1.jpg' 'y7' 'y1.jpg' 'y8' 'y1.jpg' Akurasi = Akurasi = 69 x Akurasi = 69 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

99 Hasil Pengujian Set 3 Data training : Gambar Beberapa data training pada Set 3 data pertama Data testing : Gambar Beberapa data testing pada Set 3 data pertama Hasil : Indeks Threshold = 0.05 Tabel 4.9. Hasil Pengujian Set 3 pada data pertama dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a1' 'a6.jpg' 'a2' 'Gambar tidak diketahui' 'a3' 'Gambar tidak diketahui' 'a4' 'Gambar tidak diketahui' 'b1' 'Gambar tidak diketahui' 'b2' 'Gambar tidak diketahui' 'b3' 'Gambar tidak diketahui' 'b4' 'Gambar tidak diketahui' 'c1' 'Gambar tidak diketahui' 'c2' 'Gambar tidak diketahui' 'c3' 'Gambar tidak diketahui'

100 84 12 'c4' 'Gambar tidak diketahui' 'd1' 'Gambar tidak diketahui' 'd2' 'Gambar tidak diketahui' 'd3' 'Gambar tidak diketahui' 'd4' 'Gambar tidak diketahui' 'e1' 'Gambar tidak diketahui' 'e2' 'Gambar tidak diketahui' 'e3' 'Gambar tidak diketahui' 'e4' 'Gambar tidak diketahui' 'f1' 'Gambar tidak diketahui' 'f2' 'Gambar tidak diketahui' 'f3' 'Gambar tidak diketahui' 'f4' 'Gambar tidak diketahui' 'g1' 'Gambar tidak diketahui' 'g2' 'Gambar tidak diketahui' 'g3' 'Gambar tidak diketahui' 'g4' 'Gambar tidak diketahui' 'h1' 'Gambar tidak diketahui' 'h2' 'Gambar tidak diketahui' 'h3' 'Gambar tidak diketahui' 'h4' 'Gambar tidak diketahui' 'i1' 'i11.jpg' 'i2' 'Gambar tidak diketahui' 'i3' 'Gambar tidak diketahui' 'i4' 'Gambar tidak diketahui' 'j1' 'Gambar tidak diketahui' 'j2' 'Gambar tidak diketahui' 'j3' 'Gambar tidak diketahui' 'j4' 'Gambar tidak diketahui' 'k1' 'Gambar tidak diketahui' 'k2' 'Gambar tidak diketahui' 'k3' 'Gambar tidak diketahui' 'k4' 'Gambar tidak diketahui' 'l1' 'Gambar tidak diketahui' 'l2' 'Gambar tidak diketahui' 'l3' 'Gambar tidak diketahui' 'l4' 'Gambar tidak diketahui'

101 85 49 'm1' 'Gambar tidak diketahui' 'm2' 'Gambar tidak diketahui' 'm3' 'Gambar tidak diketahui' 'm4' 'Gambar tidak diketahui' 'n1' 'Gambar tidak diketahui' 'n2' 'Gambar tidak diketahui' 'n3' 'Gambar tidak diketahui' 'n4' 'Gambar tidak diketahui' 'o1' 'Gambar tidak diketahui' 'o2' 'Gambar tidak diketahui' 'o3' 'Gambar tidak diketahui' 'o4' 'Gambar tidak diketahui' 'p1' 'Gambar tidak diketahui' 'p2' 'Gambar tidak diketahui' 'p3' 'Gambar tidak diketahui' 'p4' 'Gambar tidak diketahui' 'q1' 'q7.jpg' 'q2' 'Gambar tidak diketahui' 'q3' 'Gambar tidak diketahui' 'q4' 'Gambar tidak diketahui' 'r1' 'Gambar tidak diketahui' 'r2' 'Gambar tidak diketahui' 'r3' 'Gambar tidak diketahui' 'r4' 'Gambar tidak diketahui' 's1' 's9.jpg' 's2' 's7.jpg' 's3' 'Gambar tidak diketahui' 's4' 'Gambar tidak diketahui' 't1' 'Gambar tidak diketahui' 't2' 'Gambar tidak diketahui' 't3' 'Gambar tidak diketahui' 't4' 'Gambar tidak diketahui' 'u1' 'Gambar tidak diketahui' 'u2' 'Gambar tidak diketahui' 'u3' 'Gambar tidak diketahui' 'u4' 'Gambar tidak diketahui' 'v1' 'Gambar tidak diketahui'

102 86 86 'v2' 'v8.jpg' 'v3' 'Gambar tidak diketahui' 'v4' 'Gambar tidak diketahui' 'w1' 'Gambar tidak diketahui' 'w2' 'Gambar tidak diketahui' 'w3' 'Gambar tidak diketahui' 'w4' 'Gambar tidak diketahui' 'x1' 'Gambar tidak diketahui' 'x2' 'Gambar tidak diketahui' 'x3' 'Gambar tidak diketahui' 'x4' 'Gambar tidak diketahui' 'y1' 'y6.jpg' 'y2' 'Gambar tidak diketahui' 'y3' 'Gambar tidak diketahui' 'y4' 'Gambar tidak diketahui' Akurasi = Akurasi = 7 x Akurasi = 7 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Indeks Threshold = 0.1 Tabel Hasil Pengujian Set 3 pada data pertama dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a1' 'a6.jpg' 'a2' 'c10.jpg' 'a3' 'Gambar tidak diketahui' 'a4' 'e9.jpg' 'b1' 'b7.jpg' 'b2' 'Gambar tidak diketahui' 'b3' 'Gambar tidak diketahui' 'b4' 'Gambar tidak diketahui' 'c1' 'c6.jpg' 'c2' 'c10.jpg' 'c3' 'Gambar tidak diketahui'

103 87 12 'c4' 'Gambar tidak diketahui' 'd1' 'd9.jpg' 'd2' 'd11.jpg' 'd3' 'd11.jpg' 'd4' 'd10.jpg' 'e1' 'e6.jpg' 'e2' 't9.jpg' 'e3' 'x9.jpg' 'e4' 'Gambar tidak diketahui' 'f1' 'b11.jpg' 'f2' 'Gambar tidak diketahui' 'f3' 'Gambar tidak diketahui' 'f4' 'e9.jpg' 'g1' 'g10.jpg' 'g2' 't9.jpg' 'g3' 's7.jpg' 'g4' 'Gambar tidak diketahui' 'h1' 'h9.jpg' 'h2' 'r9.jpg' 'h3' 'w9.jpg' 'h4' 'h6.jpg' 'i1' 'i11.jpg' 'i2' 'Gambar tidak diketahui' 'i3' 'Gambar tidak diketahui' 'i4' 'e9.jpg' 'j1' 'j11.jpg' 'j2' 'Gambar tidak diketahui' 'j3' 'Gambar tidak diketahui' 'j4' 'Gambar tidak diketahui' 'k1' 'k7.jpg' 'k2' 'Gambar tidak diketahui' 'k3' 'Gambar tidak diketahui' 'k4' 'a8.jpg' 'l1' 'l7.jpg' 'l2' 'Gambar tidak diketahui' 'l3' 'Gambar tidak diketahui' 'l4' 'Gambar tidak diketahui'

104 88 49 'm1' 'm6.jpg' 'm2' 'Gambar tidak diketahui' 'm3' 'Gambar tidak diketahui' 'm4' 'Gambar tidak diketahui' 'n1' 'n6.jpg' 'n2' 'Gambar tidak diketahui' 'n3' 'Gambar tidak diketahui' 'n4' 'Gambar tidak diketahui' 'o1' 'o10.jpg' 'o2' 'Gambar tidak diketahui' 'o3' 'Gambar tidak diketahui' 'o4' 'Gambar tidak diketahui' 'p1' 'p6.jpg' 'p2' 'Gambar tidak diketahui' 'p3' 'Gambar tidak diketahui' 'p4' 'Gambar tidak diketahui' 'q1' 'q7.jpg' 'q2' 'w6.jpg' 'q3' 's7.jpg' 'q4' 'q9.jpg' 'r1' 'r11.jpg' 'r2' 'r9.jpg' 'r3' 'Gambar tidak diketahui' 'r4' 'Gambar tidak diketahui' 's1' 's9.jpg' 's2' 's7.jpg' 's3' 'q11.jpg' 's4' 'v7.jpg' 't1' 't10.jpg' 't2' 'q11.jpg' 't3' 'Gambar tidak diketahui' 't4' 't11.jpg' 'u1' 'u11.jpg' 'u2' 'Gambar tidak diketahui' 'u3' 'Gambar tidak diketahui' 'u4' 'u11.jpg' 'v1' 'v11.jpg'

105 89 86 'v2' 'v8.jpg' 'v3' 's7.jpg' 'v4' 'e9.jpg' 'w1' 'q9.jpg' 'w2' 'Gambar tidak diketahui' 'w3' 'w9.jpg' 'w4' 'v7.jpg' 'x1' 'x8.jpg' 'x2' 'Gambar tidak diketahui' 'x3' 's7.jpg' 'x4' 'r7.jpg' 'y1' 'y6.jpg' 'y2' 'Gambar tidak diketahui' 'y3' 'w9.jpg' 'y4' 's11.jpg' Akurasi = Akurasi = 35 x Akurasi = 35 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Indeks Threshold = 0.2 Tabel Hasil Pengujian Set 3 pada data pertama dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a1' 'a6.jpg' 'a2' 'c10.jpg' 'a3' 'v11.jpg' 'a4' 'e9.jpg' 'b1' 'b7.jpg' 'b2' 'h5.jpg' 'b3' 'v10.jpg' 'b4' 'e9.jpg' 'c1' 'c6.jpg' 'c2' 'c10.jpg' 'c3' 'v10.jpg'

106 90 12 'c4' 'q9.jpg' 'd1' 'd9.jpg' 'd2' 'd11.jpg' 'd3' 'd11.jpg' 'd4' 'd10.jpg' 'e1' 'e6.jpg' 'e2' 't9.jpg' 'e3' 'x9.jpg' 'e4' 'e9.jpg' 'f1' 'b11.jpg' 'f2' 'a10.jpg' 'f3' 'x9.jpg' 'f4' 'e9.jpg' 'g1' 'g10.jpg' 'g2' 't9.jpg' 'g3' 's7.jpg' 'g4' 'e10.jpg' 'h1' 'h9.jpg' 'h2' 'r9.jpg' 'h3' 'w9.jpg' 'h4' 'h6.jpg' 'i1' 'i11.jpg' 'i2' 'p9.jpg' 'i3' 'l9.jpg' 'i4' 'e9.jpg' 'j1' 'j11.jpg' 'j2' 'j10.jpg' 'j3' 's7.jpg' 'j4' 'Gambar tidak diketahui' 'k1' 'k7.jpg' 'k2' 'f9.jpg' 'k3' 'k10.jpg' 'k4' 'a8.jpg' 'l1' 'l7.jpg' 'l2' 'x9.jpg' 'l3' 'f9.jpg' 'l4' 'q9.jpg'

107 91 49 'm1' 'm6.jpg' 'm2' 'p9.jpg' 'm3' 'l9.jpg' 'm4' 'y8.jpg' 'n1' 'n6.jpg' 'n2' 'n6.jpg' 'n3' 'v5.jpg' 'n4' 's11.jpg' 'o1' 'o10.jpg' 'o2' 's7.jpg' 'o3' 'p9.jpg' 'o4' 'e9.jpg' 'p1' 'p6.jpg' 'p2' 'f9.jpg' 'p3' 'w9.jpg' 'p4' 'j9.jpg' 'q1' 'q7.jpg' 'q2' 'w6.jpg' 'q3' 's7.jpg' 'q4' 'q9.jpg' 'r1' 'r11.jpg' 'r2' 'r9.jpg' 'r3' 's7.jpg' 'r4' 'r7.jpg' 's1' 's9.jpg' 's2' 's7.jpg' 's3' 'q11.jpg' 's4' 'v7.jpg' 't1' 't10.jpg' 't2' 'q11.jpg' 't3' 'q7.jpg' 't4' 't11.jpg' 'u1' 'u11.jpg' 'u2' 'u10.jpg' 'u3' 's7.jpg' 'u4' 'u11.jpg' 'v1' 'v11.jpg'

108 92 86 'v2' 'v8.jpg' 'v3' 's7.jpg' 'v4' 'e9.jpg' 'w1' 'q9.jpg' 'w2' 'h5.jpg' 'w3' 'w9.jpg' 'w4' 'v7.jpg' 'x1' 'x8.jpg' 'x2' 'x10.jpg' 'x3' 's7.jpg' 'x4' 'r7.jpg' 'y1' 'y6.jpg' 'y2' 'r10.jpg' 'y3' 'w9.jpg' 'y4' 's11.jpg' Akurasi = Akurasi = 42 x Akurasi = 42 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Hasil pengujian pada data pertama : Tabel Hasil Pengujian pada data pertama Indeks Threshold Set Set 1 Set 2 Set % 27 % 7 % % 67 % 35 % % 69 % 42 %

109 Hasil Pengujian Data Kedua Pengujian kedua dilakukan menggunakan data training serta data testing kedua. Data kedua merupakan citra wajah 25 mahasiswa yang dijelaskan pada bab III. Pada data kedua tiap mahasiswa mempunyai 18 citra wajah sehingga total citra wajah mahasiswa data kedua sebanyak 450 buah. Pembagian data training dan testing pada data kedua : Tabel Pembagian data training dan testing pada data kedua Set Data Training (Citra wajah mahasiswa ke-) Data Testing (Citra wajah mahasiswa ke-) Set Set & Set

110 Hasil Pengujian Set 1 Data training : Gambar Beberapa data training pada Set 1 data kedua Data testing : Gambar Beberapa data testing pada Set 1 data kedua Hasil : Indeks Threshold = 0.05 Tabel Hasil Pengujian Set 1 pada data kedua dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a13' 'Gambar tidak diketahui' 'a14' 'Gambar tidak diketahui' 'a15' 'Gambar tidak diketahui' 'a16' 'Gambar tidak diketahui' 'a17' 'Gambar tidak diketahui' 'a18' 'Gambar tidak diketahui' 'b13' 'b11.jpg'

111 95 8 'b14' 'Gambar tidak diketahui' 'b15' 'b2.jpg' 'b16' 'Gambar tidak diketahui' 'b17' 'Gambar tidak diketahui' 'b18' 'b2.jpg' 'c13' 'Gambar tidak diketahui' 'c14' 'Gambar tidak diketahui' 'c15' 'Gambar tidak diketahui' 'c16' 'Gambar tidak diketahui' 'c17' 'Gambar tidak diketahui' 'c18' 'Gambar tidak diketahui' 'd13' 'Gambar tidak diketahui' 'd14' 'Gambar tidak diketahui' 'd15' 'Gambar tidak diketahui' 'd16' 'Gambar tidak diketahui' 'd17' 'Gambar tidak diketahui' 'd18' 'Gambar tidak diketahui' 'e13' 'e7.jpg' 'e14' 'e12.jpg' 'e15' 'e12.jpg' 'e16' 'e12.jpg' 'e17' 'e12.jpg' 'e18' 'Gambar tidak diketahui' 'f13' 'Gambar tidak diketahui' 'f14' 'Gambar tidak diketahui' 'f15' 'Gambar tidak diketahui' 'f16' 'Gambar tidak diketahui' 'f17' 'p5.jpg' 'f18' 'Gambar tidak diketahui' 'g13' 'g12.jpg' 'g14' 'Gambar tidak diketahui' 'g15' 'Gambar tidak diketahui' 'g16' 'Gambar tidak diketahui' 'g17' 'Gambar tidak diketahui' 'g18' 'Gambar tidak diketahui' 'h13' 'Gambar tidak diketahui' 'h14' 'Gambar tidak diketahui'

112 96 45 'h15' 'Gambar tidak diketahui' 'h16' 'Gambar tidak diketahui' 'h17' 'Gambar tidak diketahui' 'h18' 'Gambar tidak diketahui' 'i13' 'Gambar tidak diketahui' 'i14' 'Gambar tidak diketahui' 'i15' 'Gambar tidak diketahui' 'i16' 'Gambar tidak diketahui' 'i17' 'Gambar tidak diketahui' 'i18' 'Gambar tidak diketahui' 'j13' 'Gambar tidak diketahui' 'j14' 'Gambar tidak diketahui' 'j15' 'Gambar tidak diketahui' 'j16' 'j12.jpg' 'j17' 'Gambar tidak diketahui' 'j18' 'Gambar tidak diketahui' 'k13' 'k11.jpg' 'k14' 'k11.jpg' 'k15' 'k11.jpg' 'k16' 'Gambar tidak diketahui' 'k17' 'k7.jpg' 'k18' 'k4.jpg' 'l13' 'l1.jpg' 'l14' 'l1.jpg' 'l15' 'Gambar tidak diketahui' 'l16' 'l1.jpg' 'l17' 'Gambar tidak diketahui' 'l18' 'l12.jpg' 'm13' 'm4.jpg' 'm14' 'Gambar tidak diketahui' 'm15' 'Gambar tidak diketahui' 'm16' 'm4.jpg' 'm17' 'Gambar tidak diketahui' 'm18' 'Gambar tidak diketahui' 'n13' 'n8.jpg' 'n14' 'n5.jpg' 'n15' 'n5.jpg'

113 97 82 'n16' 'n5.jpg' 'n17' 'n6.jpg' 'n18' 'n6.jpg' 'o13' 'Gambar tidak diketahui' 'o14' 'Gambar tidak diketahui' 'o15' 'Gambar tidak diketahui' 'o16' 'o12.jpg' 'o17' 'o10.jpg' 'o18' 'Gambar tidak diketahui' 'p13' 'Gambar tidak diketahui' 'p14' 'Gambar tidak diketahui' 'p15' 'Gambar tidak diketahui' 'p16' 'Gambar tidak diketahui' 'p17' 'p6.jpg' 'p18' 'p12.jpg' 'q13' 'q7.jpg' 'q14' 'Gambar tidak diketahui' 'q15' 'q7.jpg' 'q16' 'Gambar tidak diketahui' 'q17' 'Gambar tidak diketahui' 'q18' 'q9.jpg' 'r13' 'Gambar tidak diketahui' 'r14' 'Gambar tidak diketahui' 'r15' 'Gambar tidak diketahui' 'r16' 'Gambar tidak diketahui' 'r17' 'Gambar tidak diketahui' 'r18' 'Gambar tidak diketahui' 's13' 's11.jpg' 's14' 'Gambar tidak diketahui' 's15' 's2.jpg' 's16' 'Gambar tidak diketahui' 's17' 'Gambar tidak diketahui' 's18' 'Gambar tidak diketahui' 't13' 'Gambar tidak diketahui' 't14' 't3.jpg' 't15' 't5.jpg' 't16' 'Gambar tidak diketahui'

114 't17' 't6.jpg' 't18' 'Gambar tidak diketahui' 'u13' 'Gambar tidak diketahui' 'u14' 'u9.jpg' 'u15' 'Gambar tidak diketahui' 'u16' 'Gambar tidak diketahui' 'u17' 'Gambar tidak diketahui' 'u18' 'Gambar tidak diketahui' 'v13' 'Gambar tidak diketahui' 'v14' 'Gambar tidak diketahui' 'v15' 'Gambar tidak diketahui' 'v16' 'Gambar tidak diketahui' 'v17' 'Gambar tidak diketahui' 'v18' 'Gambar tidak diketahui' 'w13' 'w5.jpg' 'w14' 'Gambar tidak diketahui' 'w15' 'Gambar tidak diketahui' 'w16' 'w5.jpg' 'w17' 'Gambar tidak diketahui' 'w18' 'Gambar tidak diketahui' 'x13' 'Gambar tidak diketahui' 'x14' 'Gambar tidak diketahui' 'x15' 'Gambar tidak diketahui' 'x16' 'Gambar tidak diketahui' 'x17' 'Gambar tidak diketahui' 'x18' 'Gambar tidak diketahui' 'y13' 'Gambar tidak diketahui' 'y14' 'Gambar tidak diketahui' 'y15' 'Gambar tidak diketahui' 'y16' 'Gambar tidak diketahui' 'y17' 'Gambar tidak diketahui' 'y18' 'Gambar tidak diketahui' Akurasi = Akurasi = 42 x Akurasi = 28 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

115 99 Indeks Threshold = 0.1 Tabel Hasil Pengujian Set 1 pada data kedua dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a13' 'a12.jpg' 'a14' 'n3.jpg' 'a15' 'a7.jpg' 'a16' 'a12.jpg' 'a17' 'a5.jpg' 'a18' 'n7.jpg' 'b13' 'b11.jpg' 'b14' 'b1.jpg' 'b15' 'b2.jpg' 'b16' 'p3.jpg' 'b17' 'b1.jpg' 'b18' 'b2.jpg' 'c13' 'h6.jpg' 'c14' 'h6.jpg' 'c15' 'h6.jpg' 'c16' 'Gambar tidak diketahui' 'c17' 'f5.jpg' 'c18' 'j8.jpg' 'd13' 'd10.jpg' 'd14' 'd6.jpg' 'd15' 'd11.jpg' 'd16' 'd6.jpg' 'd17' 'd3.jpg' 'd18' 'd6.jpg' 'e13' 'e7.jpg' 'e14' 'e12.jpg' 'e15' 'e12.jpg' 'e16' 'e12.jpg' 'e17' 'e12.jpg' 'e18' 'e1.jpg' 'f13' 'f10.jpg' 'f14' 'f2.jpg' 'f15' 'p5.jpg' 'f16' 'Gambar tidak diketahui'

116 'f17' 'p5.jpg' 'f18' 'Gambar tidak diketahui' 'g13' 'g12.jpg' 'g14' 'g5.jpg' 'g15' 'Gambar tidak diketahui' 'g16' 'g11.jpg' 'g17' 'g11.jpg' 'g18' 'g3.jpg' 'h13' 'b4.jpg' 'h14' 'Gambar tidak diketahui' 'h15' 'b4.jpg' 'h16' 'Gambar tidak diketahui' 'h17' 'Gambar tidak diketahui' 'h18' 'h6.jpg' 'i13' 'i1.jpg' 'i14' 'i11.jpg' 'i15' 'i10.jpg' 'i16' 'i2.jpg' 'i17' 'Gambar tidak diketahui' 'i18' 'Gambar tidak diketahui' 'j13' 'j8.jpg' 'j14' 'Gambar tidak diketahui' 'j15' 'j11.jpg' 'j16' 'j12.jpg' 'j17' 'j8.jpg' 'j18' 'j6.jpg' 'k13' 'k11.jpg' 'k14' 'k11.jpg' 'k15' 'k11.jpg' 'k16' 'k7.jpg' 'k17' 'k7.jpg' 'k18' 'k4.jpg' 'l13' 'l1.jpg' 'l14' 'l1.jpg' 'l15' 'l4.jpg' 'l16' 'l1.jpg' 'l17' 'l1.jpg'

117 'l18' 'l12.jpg' 'm13' 'm4.jpg' 'm14' 'm4.jpg' 'm15' 'm4.jpg' 'm16' 'm4.jpg' 'm17' 'm11.jpg' 'm18' 't11.jpg' 'n13' 'n8.jpg' 'n14' 'n5.jpg' 'n15' 'n5.jpg' 'n16' 'n5.jpg' 'n17' 'n6.jpg' 'n18' 'n6.jpg' 'o13' 'o12.jpg' 'o14' 'o12.jpg' 'o15' 'o5.jpg' 'o16' 'o12.jpg' 'o17' 'o10.jpg' 'o18' 'o4.jpg' 'p13' 'f12.jpg' 'p14' 'p12.jpg' 'p15' 'p6.jpg' 'p16' 'f9.jpg' 'p17' 'p6.jpg' 'p18' 'p12.jpg' 'q13' 'q7.jpg' 'q14' 'q12.jpg' 'q15' 'q7.jpg' 'q16' 'q7.jpg' 'q17' 'q10.jpg' 'q18' 'q9.jpg' 'r13' 'r4.jpg' 'r14' 'r1.jpg' 'r15' 'Gambar tidak diketahui' 'r16' 'Gambar tidak diketahui' 'r17' 'r2.jpg' 'r18' 'r10.jpg'

118 's13' 's11.jpg' 's14' 'Gambar tidak diketahui' 's15' 's2.jpg' 's16' 's11.jpg' 's17' 's3.jpg' 's18' 's8.jpg' 't13' 't3.jpg' 't14' 't3.jpg' 't15' 't5.jpg' 't16' 't3.jpg' 't17' 't6.jpg' 't18' 't2.jpg' 'u13' 'u9.jpg' 'u14' 'u9.jpg' 'u15' 'u12.jpg' 'u16' 'Gambar tidak diketahui' 'u17' 'Gambar tidak diketahui' 'u18' 'Gambar tidak diketahui' 'v13' 'v3.jpg' 'v14' 'v12.jpg' 'v15' 'v11.jpg' 'v16' 'v12.jpg' 'v17' 'n5.jpg' 'v18' 'f12.jpg' 'w13' 'w5.jpg' 'w14' 'w1.jpg' 'w15' 'w1.jpg' 'w16' 'w5.jpg' 'w17' 'w5.jpg' 'w18' 'w11.jpg' 'x13' 'x6.jpg' 'x14' 'x8.jpg' 'x15' 'x7.jpg' 'x16' 'x8.jpg' 'x17' 'x7.jpg' 'x18' 'x7.jpg' 'y13' 'y6.jpg'

119 'y14' 'Gambar tidak diketahui' 'y15' 'y6.jpg' 'y16' 'v6.jpg' 'y17' 'v10.jpg' 'y18' 'v5.jpg' Akurasi = Akurasi = 113 x jumlah nilai kebenaran 1 jumlah data testing Akurasi = % x 100 (3.1) Indeks Threshold = 0.2 Tabel Hasil Pengujian Set 1 pada data kedua dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a13' 'a12.jpg' 'a14' 'n3.jpg' 'a15' 'a7.jpg' 'a16' 'a12.jpg' 'a17' 'a5.jpg' 'a18' 'n7.jpg' 'b13' 'b11.jpg' 'b14' 'b1.jpg' 'b15' 'b2.jpg' 'b16' 'p3.jpg' 'b17' 'b1.jpg' 'b18' 'b2.jpg' 'c13' 'h6.jpg' 'c14' 'h6.jpg' 'c15' 'h6.jpg' 'c16' 'f4.jpg' 'c17' 'f5.jpg' 'c18' 'j8.jpg' 'd13' 'd10.jpg' 'd14' 'd6.jpg' 'd15' 'd11.jpg'

120 'd16' 'd6.jpg' 'd17' 'd3.jpg' 'd18' 'd6.jpg' 'e13' 'e7.jpg' 'e14' 'e12.jpg' 'e15' 'e12.jpg' 'e16' 'e12.jpg' 'e17' 'e12.jpg' 'e18' 'e1.jpg' 'f13' 'f10.jpg' 'f14' 'f2.jpg' 'f15' 'p5.jpg' 'f16' 'e9.jpg' 'f17' 'p5.jpg' 'f18' 'f5.jpg' 'g13' 'g12.jpg' 'g14' 'g5.jpg' 'g15' 'o11.jpg' 'g16' 'g11.jpg' 'g17' 'g11.jpg' 'g18' 'g3.jpg' 'h13' 'b4.jpg' 'h14' 'h6.jpg' 'h15' 'b4.jpg' 'h16' 'h12.jpg' 'h17' 'h11.jpg' 'h18' 'h6.jpg' 'i13' 'i1.jpg' 'i14' 'i11.jpg' 'i15' 'i10.jpg' 'i16' 'i2.jpg' 'i17' 'o9.jpg' 'i18' 'i4.jpg' 'j13' 'j8.jpg' 'j14' 'j4.jpg' 'j15' 'j11.jpg' 'j16' 'j12.jpg'

121 'j17' 'j8.jpg' 'j18' 'j6.jpg' 'k13' 'k11.jpg' 'k14' 'k11.jpg' 'k15' 'k11.jpg' 'k16' 'k7.jpg' 'k17' 'k7.jpg' 'k18' 'k4.jpg' 'l13' 'l1.jpg' 'l14' 'l1.jpg' 'l15' 'l4.jpg' 'l16' 'l1.jpg' 'l17' 'l1.jpg' 'l18' 'l12.jpg' 'm13' 'm4.jpg' 'm14' 'm4.jpg' 'm15' 'm4.jpg' 'm16' 'm4.jpg' 'm17' 'm11.jpg' 'm18' 't11.jpg' 'n13' 'n8.jpg' 'n14' 'n5.jpg' 'n15' 'n5.jpg' 'n16' 'n5.jpg' 'n17' 'n6.jpg' 'n18' 'n6.jpg' 'o13' 'o12.jpg' 'o14' 'o12.jpg' 'o15' 'o5.jpg' 'o16' 'o12.jpg' 'o17' 'o10.jpg' 'o18' 'o4.jpg' 'p13' 'f12.jpg' 'p14' 'p12.jpg' 'p15' 'p6.jpg' 'p16' 'f9.jpg' 'p17' 'p6.jpg'

122 'p18' 'p12.jpg' 'q13' 'q7.jpg' 'q14' 'q12.jpg' 'q15' 'q7.jpg' 'q16' 'q7.jpg' 'q17' 'q10.jpg' 'q18' 'q9.jpg' 'r13' 'r4.jpg' 'r14' 'r1.jpg' 'r15' 'r10.jpg' 'r16' 'h6.jpg' 'r17' 'r2.jpg' 'r18' 'r10.jpg' 's13' 's11.jpg' 's14' 's7.jpg' 's15' 's2.jpg' 's16' 's11.jpg' 's17' 's3.jpg' 's18' 's8.jpg' 't13' 't3.jpg' 't14' 't3.jpg' 't15' 't5.jpg' 't16' 't3.jpg' 't17' 't6.jpg' 't18' 't2.jpg' 'u13' 'u9.jpg' 'u14' 'u9.jpg' 'u15' 'u12.jpg' 'u16' 'u12.jpg' 'u17' 'i9.jpg' 'u18' 'u12.jpg' 'v13' 'v3.jpg' 'v14' 'v12.jpg' 'v15' 'v11.jpg' 'v16' 'v12.jpg' 'v17' 'n5.jpg' 'v18' 'f12.jpg'

123 'w13' 'w5.jpg' 'w14' 'w1.jpg' 'w15' 'w1.jpg' 'w16' 'w5.jpg' 'w17' 'w5.jpg' 'w18' 'w11.jpg' 'x13' 'x6.jpg' 'x14' 'x8.jpg' 'x15' 'x7.jpg' 'x16' 'x8.jpg' 'x17' 'x7.jpg' 'x18' 'x7.jpg' 'y13' 'y6.jpg' 'y14' 'v1.jpg' 'y15' 'y6.jpg' 'y16' 'v6.jpg' 'y17' 'v10.jpg' 'y18' 'v5.jpg' Akurasi = Akurasi = 123 x Akurasi = 82 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

124 Hasil Pengujian Set 2 Data training : Gambar Beberapa data training pada Set 2 data kedua Data testing : Gambar Beberapa data testing pada Set 2 data kedua Hasil : Indeks Threshold = 0.05 Tabel Hasil Pengujian Set 2 pada data kedua dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a10' 'Gambar tidak diketahui' 'a11' 'Gambar tidak diketahui' 'a12' 'Gambar tidak diketahui' 'a7' 'Gambar tidak diketahui' 'a8' 'Gambar tidak diketahui' 'a9' 'Gambar tidak diketahui' 'b10' 'Gambar tidak diketahui' 'b11' 'b13.jpg'

125 109 9 'b12' 'b13.jpg' 'b7' 'Gambar tidak diketahui' 'b8' 'b18.jpg' 'b9' 'b2.jpg' 'c10' 'Gambar tidak diketahui' 'c11' 'Gambar tidak diketahui' 'c12' 'Gambar tidak diketahui' 'c7' 'Gambar tidak diketahui' 'c8' 'Gambar tidak diketahui' 'c9' 'Gambar tidak diketahui' 'd10' 'd6.jpg' 'd11' 'Gambar tidak diketahui' 'd12' 'Gambar tidak diketahui' 'd7' 'Gambar tidak diketahui' 'd8' 'd6.jpg' 'd9' 'Gambar tidak diketahui' 'e10' 'Gambar tidak diketahui' 'e11' 'e5.jpg' 'e12' 'e15.jpg' 'e7' 'e13.jpg' 'e8' 'e13.jpg' 'e9' 'e2.jpg' 'f10' 'Gambar tidak diketahui' 'f11' 'Gambar tidak diketahui' 'f12' 'Gambar tidak diketahui' 'f7' 'Gambar tidak diketahui' 'f8' 'Gambar tidak diketahui' 'f9' 'Gambar tidak diketahui' 'g10' 'Gambar tidak diketahui' 'g11' 'g17.jpg' 'g12' 'g13.jpg' 'g7' 'Gambar tidak diketahui' 'g8' 'Gambar tidak diketahui' 'g9' 'g13.jpg' 'h10' 'Gambar tidak diketahui' 'h11' 'Gambar tidak diketahui' 'h12' 'Gambar tidak diketahui'

126 'h7' 'Gambar tidak diketahui' 'h8' 'Gambar tidak diketahui' 'h9' 'Gambar tidak diketahui' 'i10' 'Gambar tidak diketahui' 'i11' 'Gambar tidak diketahui' 'i12' 'Gambar tidak diketahui' 'i7' 'Gambar tidak diketahui' 'i8' 'Gambar tidak diketahui' 'i9' 'i5.jpg' 'j10' 'Gambar tidak diketahui' 'j11' 'Gambar tidak diketahui' 'j12' 'j16.jpg' 'j7' 'j6.jpg' 'j8' 'Gambar tidak diketahui' 'j9' 'Gambar tidak diketahui' 'k10' 'k6.jpg' 'k11' 'k13.jpg' 'k12' 'k13.jpg' 'k7' 'k6.jpg' 'k8' 'Gambar tidak diketahui' 'k9' 'k2.jpg' 'l10' 'Gambar tidak diketahui' 'l11' 'Gambar tidak diketahui' 'l12' 'l18.jpg' 'l7' 'Gambar tidak diketahui' 'l8' 'Gambar tidak diketahui' 'l9' 'Gambar tidak diketahui' 'm10' 'Gambar tidak diketahui' 'm11' 'm17.jpg' 'm12' 'Gambar tidak diketahui' 'm7' 'Gambar tidak diketahui' 'm8' 'Gambar tidak diketahui' 'm9' 'Gambar tidak diketahui' 'n10' 'Gambar tidak diketahui' 'n11' 'Gambar tidak diketahui' 'n12' 'Gambar tidak diketahui' 'n7' 'Gambar tidak diketahui'

127 'n8' 'n13.jpg' 'n9' 'Gambar tidak diketahui' 'o10' 'o17.jpg' 'o11' 'o17.jpg' 'o12' 'o16.jpg' 'o7' 'Gambar tidak diketahui' 'o8' 'o17.jpg' 'o9' 'Gambar tidak diketahui' 'p10' 'p4.jpg' 'p11' 'Gambar tidak diketahui' 'p12' 'p18.jpg' 'p7' 'Gambar tidak diketahui' 'p8' 'p6.jpg' 'p9' 'p5.jpg' 'q10' 'q18.jpg' 'q11' 'Gambar tidak diketahui' 'q12' 'Gambar tidak diketahui' 'q7' 'q15.jpg' 'q8' 'q15.jpg' 'q9' 'q15.jpg' 'r10' 'Gambar tidak diketahui' 'r11' 'Gambar tidak diketahui' 'r12' 'r5.jpg' 'r7' 'Gambar tidak diketahui' 'r8' 'Gambar tidak diketahui' 'r9' 'Gambar tidak diketahui' 's10' 'Gambar tidak diketahui' 's11' 's3.jpg' 's12' 'Gambar tidak diketahui' 's7' 'Gambar tidak diketahui' 's8' 'Gambar tidak diketahui' 's9' 's1.jpg' 't10' 't4.jpg' 't11' 't6.jpg' 't12' 'Gambar tidak diketahui' 't7' 't1.jpg' 't8' 't1.jpg'

128 't9' 't6.jpg' 'u10' 'Gambar tidak diketahui' 'u11' 'Gambar tidak diketahui' 'u12' 'Gambar tidak diketahui' 'u7' 'Gambar tidak diketahui' 'u8' 'u6.jpg' 'u9' 'u3.jpg' 'v10' 'Gambar tidak diketahui' 'v11' 'Gambar tidak diketahui' 'v12' 'Gambar tidak diketahui' 'v7' 'Gambar tidak diketahui' 'v8' 'Gambar tidak diketahui' 'v9' 'v3.jpg' 'w10' 'Gambar tidak diketahui' 'w11' 'Gambar tidak diketahui' 'w12' 'Gambar tidak diketahui' 'w7' 'Gambar tidak diketahui' 'w8' 'Gambar tidak diketahui' 'w9' 'Gambar tidak diketahui' 'x10' 'Gambar tidak diketahui' 'x11' 'Gambar tidak diketahui' 'x12' 'Gambar tidak diketahui' 'x7' 'Gambar tidak diketahui' 'x8' 'Gambar tidak diketahui' 'x9' 'Gambar tidak diketahui' 'y10' 'Gambar tidak diketahui' 'y11' 'Gambar tidak diketahui' 'y12' 'y6.jpg' 'y7' 'Gambar tidak diketahui' 'y8' 'Gambar tidak diketahui' 'y9' 'Gambar tidak diketahui' Akurasi = Akurasi = 49 x jumlah nilai kebenaran 1 jumlah data testing Akurasi = % x 100 (3.1)

129 113 Indeks Threshold = 0.1 Tabel Hasil Pengujian Set 2 pada data kedua dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a10' 'a4.jpg' 'a11' 'a2.jpg' 'a12' 'a16.jpg' 'a7' 'n13.jpg' 'a8' 'a1.jpg' 'a9' 'a6.jpg' 'b10' 'b13.jpg' 'b11' 'b13.jpg' 'b12' 'b13.jpg' 'b7' 'c1.jpg' 'b8' 'b18.jpg' 'b9' 'b2.jpg' 'c10' 'c1.jpg' 'c11' 'c6.jpg' 'c12' 'c18.jpg' 'c7' 'b14.jpg' 'c8' 'c1.jpg' 'c9' 'w16.jpg' 'd10' 'd6.jpg' 'd11' 'd15.jpg' 'd12' 'd14.jpg' 'd7' 'd16.jpg' 'd8' 'd6.jpg' 'd9' 'd5.jpg' 'e10' 'e6.jpg' 'e11' 'e5.jpg' 'e12' 'e15.jpg' 'e7' 'e13.jpg' 'e8' 'e13.jpg' 'e9' 'e2.jpg' 'f10' 'f13.jpg' 'f11' 'p13.jpg' 'f12' 'p13.jpg' 'f7' 'w6.jpg'

130 'f8' 'p17.jpg' 'f9' 'p17.jpg' 'g10' 'g2.jpg' 'g11' 'g17.jpg' 'g12' 'g13.jpg' 'g7' 'g6.jpg' 'g8' 'g5.jpg' 'g9' 'g13.jpg' 'h10' 'h4.jpg' 'h11' 'h18.jpg' 'h12' 'b5.jpg' 'h7' 'Gambar tidak diketahui' 'h8' 'Gambar tidak diketahui' 'h9' 'h4.jpg' 'i10' 'i5.jpg' 'i11' 'i5.jpg' 'i12' 'i5.jpg' 'i7' 'i5.jpg' 'i8' 'i1.jpg' 'i9' 'i5.jpg' 'j10' 'j16.jpg' 'j11' 'j16.jpg' 'j12' 'j16.jpg' 'j7' 'j6.jpg' 'j8' 'j13.jpg' 'j9' 'j17.jpg' 'k10' 'k6.jpg' 'k11' 'k13.jpg' 'k12' 'k13.jpg' 'k7' 'k6.jpg' 'k8' 'k16.jpg' 'k9' 'k2.jpg' 'l10' 'l5.jpg' 'l11' 'l16.jpg' 'l12' 'l18.jpg' 'l7' 'l18.jpg' 'l8' 'l18.jpg'

131 'l9' 'l18.jpg' 'm10' 'm17.jpg' 'm11' 'm17.jpg' 'm12' 'm16.jpg' 'm7' 'm3.jpg' 'm8' 'm17.jpg' 'm9' 'm17.jpg' 'n10' 'l6.jpg' 'n11' 'l6.jpg' 'n12' 'n13.jpg' 'n7' 'n13.jpg' 'n8' 'n13.jpg' 'n9' 'n13.jpg' 'o10' 'o17.jpg' 'o11' 'o17.jpg' 'o12' 'o16.jpg' 'o7' 'o6.jpg' 'o8' 'o17.jpg' 'o9' 'o18.jpg' 'p10' 'p4.jpg' 'p11' 'p5.jpg' 'p12' 'p18.jpg' 'p7' 'p5.jpg' 'p8' 'p6.jpg' 'p9' 'p5.jpg' 'q10' 'q18.jpg' 'q11' 'q13.jpg' 'q12' 'q14.jpg' 'q7' 'q15.jpg' 'q8' 'q15.jpg' 'q9' 'q15.jpg' 'r10' 'r18.jpg' 'r11' 'r5.jpg' 'r12' 'r5.jpg' 'r7' 'r5.jpg' 'r8' 'r6.jpg' 'r9' 'Gambar tidak diketahui'

132 's10' 'm1.jpg' 's11' 's3.jpg' 's12' 's18.jpg' 's7' 's13.jpg' 's8' 's18.jpg' 's9' 's1.jpg' 't10' 't4.jpg' 't11' 't6.jpg' 't12' 't16.jpg' 't7' 't1.jpg' 't8' 't1.jpg' 't9' 't6.jpg' 'u10' 'u13.jpg' 'u11' 'u13.jpg' 'u12' 'u15.jpg' 'u7' 'u2.jpg' 'u8' 'u6.jpg' 'u9' 'u3.jpg' 'v10' 'y17.jpg' 'v11' 'v15.jpg' 'v12' 'v14.jpg' 'v7' 'v2.jpg' 'v8' 'v16.jpg' 'v9' 'v3.jpg' 'w10' 'w17.jpg' 'w11' 'w18.jpg' 'w12' 'w16.jpg' 'w7' 'Gambar tidak diketahui' 'w8' 'w15.jpg' 'w9' 'w15.jpg' 'x10' 'Gambar tidak diketahui' 'x11' 'x16.jpg' 'x12' 'x1.jpg' 'x7' 'x18.jpg' 'x8' 'x16.jpg' 'x9' 'x5.jpg' 'y10' 'Gambar tidak diketahui'

133 'y11' 'y2.jpg' 'y12' 'y6.jpg' 'y7' 'y4.jpg' 'y8' 'Gambar tidak diketahui' 'y9' 'v6.jpg' Akurasi = Akurasi = 128 x jumlah nilai kebenaran 1 jumlah data testing Akurasi = % x 100 (3.1) Indeks Threshold = 0.2 Tabel Hasil Pengujian Set 2 pada data kedua dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a10' 'a4.jpg' 'a11' 'a2.jpg' 'a12' 'a16.jpg' 'a7' 'n13.jpg' 'a8' 'a1.jpg' 'a9' 'a6.jpg' 'b10' 'b13.jpg' 'b11' 'b13.jpg' 'b12' 'b13.jpg' 'b7' 'c1.jpg' 'b8' 'b18.jpg' 'b9' 'b2.jpg' 'c10' 'c1.jpg' 'c11' 'c6.jpg' 'c12' 'c18.jpg' 'c7' 'b14.jpg' 'c8' 'c1.jpg' 'c9' 'w16.jpg' 'd10' 'd6.jpg' 'd11' 'd15.jpg' 'd12' 'd14.jpg'

134 'd7' 'd16.jpg' 'd8' 'd6.jpg' 'd9' 'd5.jpg' 'e10' 'e6.jpg' 'e11' 'e5.jpg' 'e12' 'e15.jpg' 'e7' 'e13.jpg' 'e8' 'e13.jpg' 'e9' 'e2.jpg' 'f10' 'f13.jpg' 'f11' 'p13.jpg' 'f12' 'p13.jpg' 'f7' 'w6.jpg' 'f8' 'p17.jpg' 'f9' 'p17.jpg' 'g10' 'g2.jpg' 'g11' 'g17.jpg' 'g12' 'g13.jpg' 'g7' 'g6.jpg' 'g8' 'g5.jpg' 'g9' 'g13.jpg' 'h10' 'h4.jpg' 'h11' 'h18.jpg' 'h12' 'b5.jpg' 'h7' 'r14.jpg' 'h8' 'h4.jpg' 'h9' 'h4.jpg' 'i10' 'i5.jpg' 'i11' 'i5.jpg' 'i12' 'i5.jpg' 'i7' 'i5.jpg' 'i8' 'i1.jpg' 'i9' 'i5.jpg' 'j10' 'j16.jpg' 'j11' 'j16.jpg' 'j12' 'j16.jpg' 'j7' 'j6.jpg'

135 'j8' 'j13.jpg' 'j9' 'j17.jpg' 'k10' 'k6.jpg' 'k11' 'k13.jpg' 'k12' 'k13.jpg' 'k7' 'k6.jpg' 'k8' 'k16.jpg' 'k9' 'k2.jpg' 'l10' 'l5.jpg' 'l11' 'l16.jpg' 'l12' 'l18.jpg' 'l7' 'l18.jpg' 'l8' 'l18.jpg' 'l9' 'l18.jpg' 'm10' 'm17.jpg' 'm11' 'm17.jpg' 'm12' 'm16.jpg' 'm7' 'm3.jpg' 'm8' 'm17.jpg' 'm9' 'm17.jpg' 'n10' 'l6.jpg' 'n11' 'l6.jpg' 'n12' 'n13.jpg' 'n7' 'n13.jpg' 'n8' 'n13.jpg' 'n9' 'n13.jpg' 'o10' 'o17.jpg' 'o11' 'o17.jpg' 'o12' 'o16.jpg' 'o7' 'o6.jpg' 'o8' 'o17.jpg' 'o9' 'o18.jpg' 'p10' 'p4.jpg' 'p11' 'p5.jpg' 'p12' 'p18.jpg' 'p7' 'p5.jpg' 'p8' 'p6.jpg'

136 'p9' 'p5.jpg' 'q10' 'q18.jpg' 'q11' 'q13.jpg' 'q12' 'q14.jpg' 'q7' 'q15.jpg' 'q8' 'q15.jpg' 'q9' 'q15.jpg' 'r10' 'r18.jpg' 'r11' 'r5.jpg' 'r12' 'r5.jpg' 'r7' 'r5.jpg' 'r8' 'r6.jpg' 'r9' 'r2.jpg' 's10' 'm1.jpg' 's11' 's3.jpg' 's12' 's18.jpg' 's7' 's13.jpg' 's8' 's18.jpg' 's9' 's1.jpg' 't10' 't4.jpg' 't11' 't6.jpg' 't12' 't16.jpg' 't7' 't1.jpg' 't8' 't1.jpg' 't9' 't6.jpg' 'u10' 'u13.jpg' 'u11' 'u13.jpg' 'u12' 'u15.jpg' 'u7' 'u2.jpg' 'u8' 'u6.jpg' 'u9' 'u3.jpg' 'v10' 'y17.jpg' 'v11' 'v15.jpg' 'v12' 'v14.jpg' 'v7' 'v2.jpg' 'v8' 'v16.jpg' 'v9' 'v3.jpg'

137 'w10' 'w17.jpg' 'w11' 'w18.jpg' 'w12' 'w16.jpg' 'w7' 'v4.jpg' 'w8' 'w15.jpg' 'w9' 'w15.jpg' 'x10' 'x14.jpg' 'x11' 'x16.jpg' 'x12' 'x1.jpg' 'x7' 'x18.jpg' 'x8' 'x16.jpg' 'x9' 'x5.jpg' 'y10' 'k15.jpg' 'y11' 'y2.jpg' 'y12' 'y6.jpg' 'y7' 'y4.jpg' 'y8' 'v15.jpg' 'y9' 'v6.jpg' Akurasi = Akurasi = 131 x jumlah nilai kebenaran 1 jumlah data testing Akurasi = % x 100 (3.1)

138 Hasil Pengujian Set 3 Data training : Gambar Beberapa data training pada Set 3 data kedua Data testing : Gambar Beberapa data testing pada Set 3 data kedua Hasil : Indeks Threshold = 0.05 Tabel Hasil Pengujian Set 3 pada data kedua dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a1' 'Gambar tidak diketahui' 'a2' 'Gambar tidak diketahui' 'a3' 'Gambar tidak diketahui' 'a4' 'Gambar tidak diketahui' 'a5' 'Gambar tidak diketahui' 'a6' 'Gambar tidak diketahui'

139 123 7 'b1' 'Gambar tidak diketahui' 'b2' 'b18.jpg' 'b3' 'Gambar tidak diketahui' 'b4' 'Gambar tidak diketahui' 'b5' 'Gambar tidak diketahui' 'b6' 'Gambar tidak diketahui' 'c1' 'Gambar tidak diketahui' 'c2' 'Gambar tidak diketahui' 'c3' 'Gambar tidak diketahui' 'c4' 'Gambar tidak diketahui' 'c5' 'Gambar tidak diketahui' 'c6' 'Gambar tidak diketahui' 'd1' 'Gambar tidak diketahui' 'd2' 'Gambar tidak diketahui' 'd3' 'Gambar tidak diketahui' 'd4' 'Gambar tidak diketahui' 'd5' 'Gambar tidak diketahui' 'd6' 'd8.jpg' 'e1' 'e15.jpg' 'e2' 'Gambar tidak diketahui' 'e3' 'Gambar tidak diketahui' 'e4' 'e11.jpg' 'e5' 'e11.jpg' 'e6' 'e13.jpg' 'f1' 'Gambar tidak diketahui' 'f2' 'Gambar tidak diketahui' 'f3' 'Gambar tidak diketahui' 'f4' 'Gambar tidak diketahui' 'f5' 'Gambar tidak diketahui' 'f6' 'Gambar tidak diketahui' 'g1' 'Gambar tidak diketahui' 'g2' 'Gambar tidak diketahui' 'g3' 'Gambar tidak diketahui' 'g4' 'Gambar tidak diketahui' 'g5' 'Gambar tidak diketahui' 'g6' 'Gambar tidak diketahui' 'h1' 'Gambar tidak diketahui'

140 'h2' 'Gambar tidak diketahui' 'h3' 'Gambar tidak diketahui' 'h4' 'Gambar tidak diketahui' 'h5' 'Gambar tidak diketahui' 'h6' 'Gambar tidak diketahui' 'i1' 'Gambar tidak diketahui' 'i2' 'Gambar tidak diketahui' 'i3' 'Gambar tidak diketahui' 'i4' 'Gambar tidak diketahui' 'i5' 'i9.jpg' 'i6' 'Gambar tidak diketahui' 'j1' 'Gambar tidak diketahui' 'j2' 'Gambar tidak diketahui' 'j3' 'Gambar tidak diketahui' 'j4' 'Gambar tidak diketahui' 'j5' 'Gambar tidak diketahui' 'j6' 'j7.jpg' 'k1' 'k18.jpg' 'k2' 'k18.jpg' 'k3' 'Gambar tidak diketahui' 'k4' 'k18.jpg' 'k5' 'k13.jpg' 'k6' 'k7.jpg' 'l1' 'l13.jpg' 'l2' 'Gambar tidak diketahui' 'l3' 'Gambar tidak diketahui' 'l4' 'Gambar tidak diketahui' 'l5' 'Gambar tidak diketahui' 'l6' 'Gambar tidak diketahui' 'm1' 'Gambar tidak diketahui' 'm2' 'Gambar tidak diketahui' 'm3' 'Gambar tidak diketahui' 'm4' 'm13.jpg' 'm5' 'Gambar tidak diketahui' 'm6' 'Gambar tidak diketahui' 'n1' 'Gambar tidak diketahui' 'n2' 'Gambar tidak diketahui'

141 'n3' 'Gambar tidak diketahui' 'n4' 'Gambar tidak diketahui' 'n5' 'n14.jpg' 'n6' 'n18.jpg' 'o1' 'Gambar tidak diketahui' 'o2' 'Gambar tidak diketahui' 'o3' 'Gambar tidak diketahui' 'o4' 'Gambar tidak diketahui' 'o5' 'o10.jpg' 'o6' 'Gambar tidak diketahui' 'p1' 'Gambar tidak diketahui' 'p2' 'Gambar tidak diketahui' 'p3' 'Gambar tidak diketahui' 'p4' 'p10.jpg' 'p5' 'p9.jpg' 'p6' 'p8.jpg' 'q1' 'Gambar tidak diketahui' 'q2' 'Gambar tidak diketahui' 'q3' 'Gambar tidak diketahui' 'q4' 'Gambar tidak diketahui' 'q5' 'Gambar tidak diketahui' 'q6' 'Gambar tidak diketahui' 'r1' 'Gambar tidak diketahui' 'r2' 'Gambar tidak diketahui' 'r3' 'Gambar tidak diketahui' 'r4' 'Gambar tidak diketahui' 'r5' 'r12.jpg' 'r6' 'r12.jpg' 's1' 's9.jpg' 's2' 's15.jpg' 's3' 's11.jpg' 's4' 's15.jpg' 's5' 'Gambar tidak diketahui' 's6' 'Gambar tidak diketahui' 't1' 't8.jpg' 't2' 't10.jpg' 't3' 't15.jpg'

142 't4' 't10.jpg' 't5' 't8.jpg' 't6' 't9.jpg' 'u1' 'Gambar tidak diketahui' 'u2' 'Gambar tidak diketahui' 'u3' 'u9.jpg' 'u4' 'u14.jpg' 'u5' 'u14.jpg' 'u6' 'u8.jpg' 'v1' 'Gambar tidak diketahui' 'v2' 'Gambar tidak diketahui' 'v3' 'v9.jpg' 'v4' 'Gambar tidak diketahui' 'v5' 'Gambar tidak diketahui' 'v6' 'Gambar tidak diketahui' 'w1' 'Gambar tidak diketahui' 'w2' 'Gambar tidak diketahui' 'w3' 'Gambar tidak diketahui' 'w4' 'w16.jpg' 'w5' 'w16.jpg' 'w6' 'Gambar tidak diketahui' 'x1' 'Gambar tidak diketahui' 'x2' 'Gambar tidak diketahui' 'x3' 'Gambar tidak diketahui' 'x4' 'Gambar tidak diketahui' 'x5' 'Gambar tidak diketahui' 'x6' 'Gambar tidak diketahui' 'y1' 'Gambar tidak diketahui' 'y2' 'Gambar tidak diketahui' 'y3' 'Gambar tidak diketahui' 'y4' 'Gambar tidak diketahui' 'y5' 'Gambar tidak diketahui' 'y6' 'y12.jpg' Akurasi = jumlah nilai kebenaran 1 jumlah data testing Akurasi = 41 x 100 = % 150 x 100 (3.1)

143 127 Indeks Threshold = 0.1 Tabel Hasil Pengujian Set 3 pada data kedua dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a1' 'a8.jpg' 'a2' 'a8.jpg' 'a3' 'Gambar tidak diketahui' 'a4' 'a10.jpg' 'a5' 'a17.jpg' 'a6' 'a9.jpg' 'b1' 'b14.jpg' 'b2' 'b18.jpg' 'b3' 'Gambar tidak diketahui' 'b4' 'b12.jpg' 'b5' 'h12.jpg' 'b6' 'Gambar tidak diketahui' 'c1' 'c8.jpg' 'c2' 'c11.jpg' 'c3' 'p7.jpg' 'c4' 'Gambar tidak diketahui' 'c5' 'Gambar tidak diketahui' 'c6' 'j8.jpg' 'd1' 'd10.jpg' 'd2' 'd17.jpg' 'd3' 'd17.jpg' 'd4' 'd9.jpg' 'd5' 'd9.jpg' 'd6' 'd8.jpg' 'e1' 'e15.jpg' 'e2' 'e9.jpg' 'e3' 'e11.jpg' 'e4' 'e11.jpg' 'e5' 'e11.jpg' 'e6' 'e13.jpg' 'f1' 'f10.jpg' 'f2' 'p12.jpg' 'f3' 'f17.jpg' 'f4' 'f15.jpg'

144 'f5' 'f15.jpg' 'f6' 'Gambar tidak diketahui' 'g1' 'g13.jpg' 'g2' 'g10.jpg' 'g3' 'g11.jpg' 'g4' 'Gambar tidak diketahui' 'g5' 'g13.jpg' 'g6' 'g9.jpg' 'h1' 'r17.jpg' 'h2' 'j16.jpg' 'h3' 'j17.jpg' 'h4' 'h10.jpg' 'h5' 'r10.jpg' 'h6' 'c15.jpg' 'i1' 'i8.jpg' 'i2' 'i8.jpg' 'i3' 'i8.jpg' 'i4' 'i7.jpg' 'i5' 'i9.jpg' 'i6' 'i9.jpg' 'j1' 'j7.jpg' 'j2' 'j18.jpg' 'j3' 'Gambar tidak diketahui' 'j4' 'j14.jpg' 'j5' 'j18.jpg' 'j6' 'j7.jpg' 'k1' 'k18.jpg' 'k2' 'k18.jpg' 'k3' 'k18.jpg' 'k4' 'k18.jpg' 'k5' 'k13.jpg' 'k6' 'k7.jpg' 'l1' 'l13.jpg' 'l2' 'l15.jpg' 'l3' 'l15.jpg' 'l4' 'l15.jpg' 'l5' 'l10.jpg'

145 'l6' 'n10.jpg' 'm1' 's15.jpg' 'm2' 'm15.jpg' 'm3' 'm15.jpg' 'm4' 'm13.jpg' 'm5' 'm15.jpg' 'm6' 'm15.jpg' 'n1' 'n14.jpg' 'n2' 'n18.jpg' 'n3' 'n7.jpg' 'n4' 'n12.jpg' 'n5' 'n14.jpg' 'n6' 'n18.jpg' 'o1' 'o7.jpg' 'o2' 'o8.jpg' 'o3' 'o7.jpg' 'o4' 'o18.jpg' 'o5' 'o10.jpg' 'o6' 'o7.jpg' 'p1' 'f10.jpg' 'p2' 'f10.jpg' 'p3' 'p16.jpg' 'p4' 'p10.jpg' 'p5' 'p9.jpg' 'p6' 'p8.jpg' 'q1' 'w14.jpg' 'q2' 'q14.jpg' 'q3' 'q14.jpg' 'q4' 'q7.jpg' 'q5' 'q14.jpg' 'q6' 'q14.jpg' 'r1' 'r14.jpg' 'r2' 'r17.jpg' 'r3' 'r11.jpg' 'r4' 'r12.jpg' 'r5' 'r12.jpg' 'r6' 'r12.jpg'

146 's1' 's9.jpg' 's2' 's15.jpg' 's3' 's11.jpg' 's4' 's15.jpg' 's5' 's8.jpg' 's6' 's8.jpg' 't1' 't8.jpg' 't2' 't10.jpg' 't3' 't15.jpg' 't4' 't10.jpg' 't5' 't8.jpg' 't6' 't9.jpg' 'u1' 'u9.jpg' 'u2' 'u7.jpg' 'u3' 'u9.jpg' 'u4' 'u14.jpg' 'u5' 'u14.jpg' 'u6' 'u8.jpg' 'v1' 'v9.jpg' 'v2' 'v7.jpg' 'v3' 'v9.jpg' 'v4' 'Gambar tidak diketahui' 'v5' 'y18.jpg' 'v6' 'y16.jpg' 'w1' 'w13.jpg' 'w2' 'w10.jpg' 'w3' 'w9.jpg' 'w4' 'w16.jpg' 'w5' 'w16.jpg' 'w6' 'w10.jpg' 'x1' 'x9.jpg' 'x2' 'x8.jpg' 'x3' 'x8.jpg' 'x4' 'w16.jpg' 'x5' 'x9.jpg' 'x6' 'x8.jpg' 'y1' 'y12.jpg'

147 'y2' 'y12.jpg' 'y3' 'y7.jpg' 'y4' 'y7.jpg' 'y5' 'y7.jpg' 'y6' 'y12.jpg' Akurasi = Akurasi = 124 x jumlah nilai kebenaran 1 jumlah data testing Akurasi = % x 100 (3.1) Indeks Threshold = 0.2 Tabel Hasil Pengujian Set 3 pada data kedua dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a1' 'a8.jpg' 'a2' 'a8.jpg' 'a3' 'a9.jpg' 'a4' 'a10.jpg' 'a5' 'a17.jpg' 'a6' 'a9.jpg' 'b1' 'b14.jpg' 'b2' 'b18.jpg' 'b3' 'b17.jpg' 'b4' 'b12.jpg' 'b5' 'h12.jpg' 'b6' 'f11.jpg' 'c1' 'c8.jpg' 'c2' 'c11.jpg' 'c3' 'p7.jpg' 'c4' 'f10.jpg' 'c5' 'b7.jpg' 'c6' 'j8.jpg' 'd1' 'd10.jpg' 'd2' 'd17.jpg' 'd3' 'd17.jpg'

148 'd4' 'd9.jpg' 'd5' 'd9.jpg' 'd6' 'd8.jpg' 'e1' 'e15.jpg' 'e2' 'e9.jpg' 'e3' 'e11.jpg' 'e4' 'e11.jpg' 'e5' 'e11.jpg' 'e6' 'e13.jpg' 'f1' 'f10.jpg' 'f2' 'p12.jpg' 'f3' 'f17.jpg' 'f4' 'f15.jpg' 'f5' 'f15.jpg' 'f6' 'f15.jpg' 'g1' 'g13.jpg' 'g2' 'g10.jpg' 'g3' 'g11.jpg' 'g4' 'w8.jpg' 'g5' 'g13.jpg' 'g6' 'g9.jpg' 'h1' 'r17.jpg' 'h2' 'j16.jpg' 'h3' 'j17.jpg' 'h4' 'h10.jpg' 'h5' 'r10.jpg' 'h6' 'c15.jpg' 'i1' 'i8.jpg' 'i2' 'i8.jpg' 'i3' 'i8.jpg' 'i4' 'i7.jpg' 'i5' 'i9.jpg' 'i6' 'i9.jpg' 'j1' 'j7.jpg' 'j2' 'j18.jpg' 'j3' 'j15.jpg' 'j4' 'j14.jpg'

149 'j5' 'j18.jpg' 'j6' 'j7.jpg' 'k1' 'k18.jpg' 'k2' 'k18.jpg' 'k3' 'k18.jpg' 'k4' 'k18.jpg' 'k5' 'k13.jpg' 'k6' 'k7.jpg' 'l1' 'l13.jpg' 'l2' 'l15.jpg' 'l3' 'l15.jpg' 'l4' 'l15.jpg' 'l5' 'l10.jpg' 'l6' 'n10.jpg' 'm1' 's15.jpg' 'm2' 'm15.jpg' 'm3' 'm15.jpg' 'm4' 'm13.jpg' 'm5' 'm15.jpg' 'm6' 'm15.jpg' 'n1' 'n14.jpg' 'n2' 'n18.jpg' 'n3' 'n7.jpg' 'n4' 'n12.jpg' 'n5' 'n14.jpg' 'n6' 'n18.jpg' 'o1' 'o7.jpg' 'o2' 'o8.jpg' 'o3' 'o7.jpg' 'o4' 'o18.jpg' 'o5' 'o10.jpg' 'o6' 'o7.jpg' 'p1' 'f10.jpg' 'p2' 'f10.jpg' 'p3' 'p16.jpg' 'p4' 'p10.jpg' 'p5' 'p9.jpg'

150 'p6' 'p8.jpg' 'q1' 'w14.jpg' 'q2' 'q14.jpg' 'q3' 'q14.jpg' 'q4' 'q7.jpg' 'q5' 'q14.jpg' 'q6' 'q14.jpg' 'r1' 'r14.jpg' 'r2' 'r17.jpg' 'r3' 'r11.jpg' 'r4' 'r12.jpg' 'r5' 'r12.jpg' 'r6' 'r12.jpg' 's1' 's9.jpg' 's2' 's15.jpg' 's3' 's11.jpg' 's4' 's15.jpg' 's5' 's8.jpg' 's6' 's8.jpg' 't1' 't8.jpg' 't2' 't10.jpg' 't3' 't15.jpg' 't4' 't10.jpg' 't5' 't8.jpg' 't6' 't9.jpg' 'u1' 'u9.jpg' 'u2' 'u7.jpg' 'u3' 'u9.jpg' 'u4' 'u14.jpg' 'u5' 'u14.jpg' 'u6' 'u8.jpg' 'v1' 'v9.jpg' 'v2' 'v7.jpg' 'v3' 'v9.jpg' 'v4' 'v8.jpg' 'v5' 'y18.jpg' 'v6' 'y16.jpg'

151 'w1' 'w13.jpg' 'w2' 'w10.jpg' 'w3' 'w9.jpg' 'w4' 'w16.jpg' 'w5' 'w16.jpg' 'w6' 'w10.jpg' 'x1' 'x9.jpg' 'x2' 'x8.jpg' 'x3' 'x8.jpg' 'x4' 'w16.jpg' 'x5' 'x9.jpg' 'x6' 'x8.jpg' 'y1' 'y12.jpg' 'y2' 'y12.jpg' 'y3' 'y7.jpg' 'y4' 'y7.jpg' 'y5' 'y7.jpg' 'y6' 'y12.jpg' Akurasi = Akurasi = 129 x Akurasi = 86 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1) Hasil pengujian pada data kedua : Tabel Hasil Pengujian pada data kedua Indeks Threshold Set Set 1 Set 2 Set % % % % % % % % 86 %

152 Hasil Pengujian Data Baru Tunggal Pengujian ini dilakukan untuk memperoleh presentase kebenaran program menggunakan data tunggal yang benar-benar baru atau tidak termasuk dalam data set. Sehingga data baru tunggal ini merupakan data lain yang tidak ada dalam data testing suatu set. Pengujian ini dilakukan menggunakan set yang menghasilkan akurasi pengenalan tertinggi untuk mendapatkan data training yang baik. Dari pengujian-pengujian sebelumnya, set yang menghasilkan akurasi tertinggi adalah set kedua dari data kedua. Sehingga data testing pada set kedua data kedua diganti dengan data baru tunggal. Data testing baru tunggal ini diambil random dari data testing pada data pertama. Data baru tunggal 25 mahasiswa : Gambar Data baru tunggal 25 mahasiswa

153 137 Hasil : Indeks Threshold = 0.05 Tabel Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold 0.05 No Input Output Indeks Jarak Kebenaran 1 'a9' 'Gambar tidak diketahui' 'b11' 'Gambar tidak diketahui' 'c9' 'Gambar tidak diketahui' 'd9' 'Gambar tidak diketahui' 'e9' 'Gambar tidak diketahui' 'f7' 'Gambar tidak diketahui' 'g9' 'Gambar tidak diketahui' 'h9' 'Gambar tidak diketahui' 'i6' 'Gambar tidak diketahui' 'j1' 'Gambar tidak diketahui' 'k9' 'Gambar tidak diketahui' 'l11' 'Gambar tidak diketahui' 'm3' 'Gambar tidak diketahui' 'n10' 'Gambar tidak diketahui' 'o1' 'Gambar tidak diketahui' 'p10' 'Gambar tidak diketahui' 'q1' 'Gambar tidak diketahui' 'r11' 'Gambar tidak diketahui' 's10' 'Gambar tidak diketahui' 't11' 'Gambar tidak diketahui' 'u3' 'Gambar tidak diketahui' 'v10' 'Gambar tidak diketahui' 'w11' 'Gambar tidak diketahui' 'x11' 'Gambar tidak diketahui' 'y11' 'Gambar tidak diketahui' Akurasi = Akurasi = 0 x Akurasi = 0 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

154 138 Indeks Threshold = 0.1 Tabel Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold 0.1 No Input Output Indeks Jarak Kebenaran 1 'a9' 'Gambar tidak diketahui' 9 1.2E 'b11' 'x17.jpg' 'c9' 'a17.jpg' 'd9' 'Gambar tidak diketahui' E 'e9' 'x18.jpg' 'f7' 'f13.jpg' 'g9' 'f4.jpg' 'h9' 'p1.jpg' 'i6' 'Gambar tidak diketahui' E 'j1' 'Gambar tidak diketahui' E 'k9' 'Gambar tidak diketahui' 'l11' 'Gambar tidak diketahui' E 'm3' 'Gambar tidak diketahui' E 'n10' 'Gambar tidak diketahui' E 'o1' 'Gambar tidak diketahui' E 'p10' 'Gambar tidak diketahui' E 'q1' 'q17.jpg' 'r11' 'Gambar tidak diketahui' E 's10' 'Gambar tidak diketahui' E 't11' 'Gambar tidak diketahui' E 'u3' 'Gambar tidak diketahui' E 'v10' 'Gambar tidak diketahui' E 'w11' 'q3.jpg' 'x11' 'Gambar tidak diketahui' E 'y11' 'Gambar tidak diketahui' E+08 0 Akurasi = Akurasi = 2 x Akurasi = 8 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

155 139 Indeks Threshold = 0.2 Tabel Hasil Pengujian Set 2 pada data tunggal dengan indeks threshold 0.2 No Input Output Indeks Jarak Kebenaran 1 'a9' 'a3.jpg' 9 1.2E 'b11' 'x17.jpg' 'c9' 'a17.jpg' 'd9' 'p3.jpg' E 'e9' 'x18.jpg' 'f7' 'f13.jpg' 'g9' 'f4.jpg' 'h9' 'p1.jpg' 'i6' 'i2.jpg' E 'j1' 'j5.jpg' E 'k9' 'o3.jpg' 'l11' 'o18.jpg' E 'm3' 'Gambar tidak diketahui' E 'n10' 'i3.jpg' E 'o1' 'o16.jpg' E 'p10' 'h4.jpg' E 'q1' 'q17.jpg' 'r11' 'u6.jpg' E 's10' 'q6.jpg' E 't11' 'o15.jpg' E 'u3' 'u6.jpg' E 'v10' 'q17.jpg' E 'w11' 'q3.jpg' 'x11' 'q3.jpg' E 'y11' 'i2.jpg' E+08 0 Akurasi = Akurasi = 7 x Akurasi = 28 % jumlah nilai kebenaran 1 jumlah data testing x 100 (3.1)

156 140 Hasil pengujian pada data tunggal : Tabel Hasil Pengujian pada data tunggal Indeks Threshold Set % % % 4.4. Analisis Hasil Pengujian Sistem pengenalan wajah ini menggunakan threshold untuk membantu sistem dalam menyeleksi apakah data testing merupakan data yang berada dalam data training atau tidak, serta inputan data testing yang dimasukkan user benar. Sistem ini meminta user memasukkan indeks threshold, sehingga sistem akan menghitung nilai threshold berdasarkan indeks yang dimasukkan user. Pada penelitian ini akan dilakukan pengujian dengan indeks threshold bernilai 0.05, 0.1, dan 0.2. Penggunaan threshold memiliki kelebihan dan kekurangan. Kelebihan menggunakan threshold dalam sistem pengenalan wajah adalah jika nilai indeks threshold yang digunakan tepat, maka sistem dapat mengetahui apakah data testing yang dimasukkan user benar dan berada dalam database. Contohnya ketika user memasukkan gambar pemandangan dalam sistem, maka sistem tidak akan mengenali gambar tersebut sebagai mahasiswa TI USD Karena jika tidak menggunakan threshold, sistem akan tetap memunculkan luaran output citra data training yang memiliki jarak paling dekat dengan citra pemandangan tersebut menggunakan Euclidean Distance. Kekurangan menggunakan threshold dalam sistem pengenalan wajah ini adalah dapat mengurangi akurasi pengenalan dalam sistem. Jika nilai indeks threshold tidak ditentukan secara tepat, maka sistem akan membuat threshold yang tidak efisien. Karena inputan citra testing yang seharusnya dapat dikenali dan terdapat dalam database, masuk dalam

157 141 ambang batas atau melebihi nilai threshold sehingga sistem tidak dapat mengenali citra inputan tersebut. Sehingga mengakibatkan banyak false pada sistem dan mengurangi akurasi pengenalan sistem. Implementasi dalam penggunaan threshold dapat dilihat pada hasil pengujian yang digambarkan dalam tabel berikut : Hasil pengujian pada data pertama : Tabel Hasil Pengujian pada data pertama Indeks Threshold Set Set 1 Set 2 Set % 27 % 7 % % 67 % 35 % % 69 % 42 % Data pertama merupakan citra wajah 25 mahasiswa sebanyak 275 buah. Setiap mahasiswa memiliki 11 citra wajah dengan ekspresi yang berbeda. Sehingga pembagian data training dan data testing yaitu 8 buah citra untuk data training, 3 buah citra untuk data testing atau 7 buah citra untuk data training dan 4 buah citra untuk data testing. Berdasarkan tabel hasil pengujian pada data pertama, set yang menghasilkan akurasi pengenalan tertinggi adalah set 2 atau pembagian data training (citra ke-1-4 & citra ke-9-11) dan data testing (citra ke-5-8) dengan menggunakan indeks threshold sebesar 0.2 dan menghasilkan nilai akurasi sebesar 69 %.

158 142 Hasil pengujian pada data kedua : Tabel Hasil Pengujian pada data kedua Indeks Threshold Set Set 1 Set 2 Set % % % % % % % % 86 % Data kedua merupakan citra wajah 25 mahasiswa sebanyak 450 buah. Setiap mahasiswa memiliki 18 citra wajah dengan ekspresi yang berbeda. Sehingga pembagian data training dan data testing yaitu 12 buah citra untuk data training dan 6 buah citra untuk data testing. Berdasarkan tabel hasil pengujian pada data kedua, set yang menghasilkan akurasi tertinggi juga pada set ke-2 yaitu sebesar %. Dengan kombinasi pembagian antara citra training yaitu citra ke-1-6 & citra ke dan testing citra ke-7-12 menggunakan indeks threshold sebesar 0.2. Hasil Pengujian pada data tunggal : Tabel Hasil Pengujian pada data tunggal Indeks Threshold Set % % % Data tunggal merupakan citra wajah 25 mahasiswa sebanyak 25 buah yang tidak termasuk dalam dataset. Berdasarkan tabel hasil pengujian pada data tunggal, set yang menghasilkan akurasi tertinggi pada set ke-2 yaitu sebesar 28 % menggunakan indeks threshold 0.2.

159 143 Jika dibandingkan tabel hasil pengujian pada data pertama dan kedua, data kedua menghasilkan akurasi yang jauh lebih tinggi dibandingkan dengan data pertama. Hal ini dikarenakan jumlah data citra wajah mahasiswa yang digunakan pada data kedua, lebih banyak daripada data pertama. Data kedua memiliki 450 buah citra wajah 25 mahasiswa dengan tiap mahasiswanya memiliki 18 citra, sehingga 12 buah citra dapat digunakan untuk data training dan 6 buah citra untuk data testing. Sedangkan, data pertama hanya memiliki citra wajah 25 mahasiswa sebanyak 275 buah dengan tiap mahasiswanya memiliki 11 citra, sehingga hanya 6 atau 7 buah citra yang dapat digunakan untuk data training dan 3 buah citra untuk data testing. Sehingga program kurang mengenali atau membedakan satu wajah mahasiswa dengan yang lain, karena ciri-ciri yang didapatkan atau yang dapat merepresentasikan satu mahasiswa kurang banyak jumlahnya. Kemudian pada pengujian data tunggal, akurasi yang dihasilkan sangatlah kurang yaitu hanya 28 % atau hanya mendeteksi 7 benar dari 25 citra testing. Pengujian tersebut menggunakan set ke-2 dan citra training pada data kedua yang menghasilkan akurasi tertinggi pada penelitian ini. Namun, hasil akurasi pengenalan untuk data tunggal memang masih sangat kurang. Hal ini dapat disebabkan karena perbedaan waktu dan lokasi saat mengambil citra untuk data training dan data testing sehingga kondisi cahayanya berbeda. Hal ini juga dapat dikarenakan gaya atau ekspresi wajah yang digunakan dalam data training dan testing berbeda. Gaya atau ekspresi wajah yang menghasilkan banyak gerakan pada kepala, menghasilkan akurasi yang lebih rendah. (Turk & Pentland, 1991) Sistem mampu menghasilkan akurasi keberhasilan pengenalan rata-rata 95 % karena dipengaruhi oleh variasi cahaya, sistem mampu menghasilkan akurasi keberhasilan pengenalan rata-rata 85 % karena dipengaruhi oleh variasi pergerakan kepala, dan sistem mampu menghasilkan akurasi keberhasilan pengenalan rata-rata 64 % karena dipengaruhi oleh variasi ukuran citra.

160 Implementasi Perancangan Antarmuka Gambar Tampilan User Interface Gambar tersebut merupakan tampilan awal antarmuka user untuk sistem pengenalan wajah pada penelitian ini. Berdasarkan desain user interface yang telah dijelaskan pada bab ketiga, gambar diatas merupakan implementasi dari desain tersebut. Untuk memulai sistem pengenalan wajah mahasiswa, langkah pertama yang harus dilakukan yaitu mencari citra yang akan digunakan sebagai Input Image atau citra yang ingin dikenali melalui tombol Browse.

161 Pengujian Benar atau Data Sesuai Gambar Memasukkan citra sebagai Input Image Setelah memilih citra inputan, maka citra yang dipilih akan terbuka pada kotak Input Image. Langkah selanjutnya adalah klik tombol Recognize untuk melakukan proses pengenalan wajah. Gambar Hasil pengenalan yang sesuai

162 146 Setelah klik tombol Recognize, sistem akan melakukan proses pengenalan wajah dengan mencari ciri citra input dan menampilkan citra training yang sesuai atau memiliki jarak terpendek dengan citra input. Sistem juga akan menampilkan identitas mahasiswa yaitu Nama Lengkap dan NIM. Sistem ini hanya akan menampilkan 1 luaran citra training yang mempunyai jarak terdekat atau minimum dengan citra testing Pengujian Salah atau Data Tidak Sesuai Gambar Hasil pengenalan yang tidak sesuai Pengujian tersebut salah atau tidak sesuai karena citra output tidak sama dengan citra output atau satu mahasiswa dikenali sebagai mahasiswa lain. Hal tersebut dipengaruhi oleh faktor cahaya, pergerakan wajah, serta deteksi wajah yang kurang tepat karena sistem masih menggunakan cropping manual untuk mendeteksi bagian wajahnya. Jika deteksi wajah dilakukan secara otomatis maka kemungkinan besar, hasil seleksi akan tepat dan fokus hanya pada wajah dan dapat mengklasifikasikan dengan lebih baik.

163 Pengujian Semua Data Testing Gambar Proses awal pengujian semua data testing Untuk melakukan pengujian semua data testing sekaligus, maka user hanya klik tombol Testing all untuk memprosesnya. Gambar Aktivitas antarmuka selama proses pengujian semua data testing

164 148 Gambar Aktivitas Command Window pada pengujian semua data testing Ketika tombol Testing all di klik oleh user, maka sistem akan memproses pengenalan semua citra testing satu per satu secara berurutan. Gambar Tampilan user interface setelah pengujian semua data testing Setelah proses pengenalan wajah semua data testing selesai, maka user interface akan menampilkan tabel hasil pengujian semua data testing

165 149 dari matriks allhasil, dan menampilkan hasil akurasi pengenalan wajah mahasiswa Pengujian Data Tidak Diketahui Gambar Tampilan user interface pengujian data tidak diketahui Pengujian tersebut merupakan pengujian ketika user memasukkan citra input adalah citra wajah seseorang yang tidak ada dalam database, sehingga hasil perhitungan jarak dekatnya dengan citra training melebihi nilai threshold. Sehingga diketahui citra input merupakan citra wajah orang diluar database, dan akan menampilkan warna hitam pada kotak Output Image karena tidak diketahui.

166 BAB V KESIMPULAN & SARAN 5.1. Kesimpulan Berdasarkan hasil penelitian penerapan face recognition untuk memperoleh identitas mahasiswa Universitas Sanata Dharma menggunakan metode Eigenface dan Euclidean Distance, dapat disimpulkan bahwa : 1. Sistem mampu mengenali wajah dengan baik, menampilkan identitas mahasiswa secara tepat, dan menghasilkan akurasi tertinggi sebesar % ketika menggunakan indeks threshold sebesar Sistem menghasilkan akurasi pengenalan wajah tertinggi sebesar %, ketika menggunakan data kedua sebagai data penelitian serta Set 2 sebagai kombinasi pembagian data training dan data testing. 3. Semakin banyak jumlah data citra wajah yang digunakan dalam pengenalan wajah, semakin tinggi juga akurasi pengenalan yang dihasilkan. Karena jumlah data citra wajah yang digunakan dalam training lebih banyak. 4. Pengenalan wajah menggunakan metode ekstrasi ciri Eigenface mempunyai batasan pada variasi cahaya, variasi pergerakan kepala, serta variasi ukuran citra. 5. Pengenalan wajah menghasilkan akurasi yang tinggi ketika jumlah data citra wajah yang digunakan banyak, cahaya saat pengambilan gambar sama, wajah menghadap kamera atau tidak menghasilkan pergerakan kepala terlalu banyak, dan ukuran dimensi yang tepat. 6. Kesalahan dalam pengenalan wajah juga dipengaruhi karena deteksi wajah pada sistem masih menggunakan seleksi manual, sehingga hasilnya masih kurang fokus pada wajahnya saja. 150

167 Saran Beberapa saran yang dapat dilakukan untuk penelitian-penelitian pengenalan wajah selanjutnya : 1. Tahap cropping atau seleksi wajah dapat dilakukan dengan deteksi wajah (face detection), sehingga seleksi wajah dapat dilakukan secara otomatis dan pengenalan wajah dapat dilakukan dengan cepat. 2. Membangun sistem pengenalan wajah yang menghasilkan akurasi tinggi tanpa ada batasan terhadap cahaya, pergerakan kepala, background, atau ukuran dimensi citra. 3. Membangun sistem pengenalan wajah secara real-time sehingga dapat melakukan deteksi serta pengenalan wajah secara langsung melalui cctv atau webcam dan dapat digunakan untuk kepentingan sistem presensi, sistem keamanan. 4. Membangun sistem pengenalan wajah yang dapat mengklasifikasikan data citra wajah dengan baik, ketika data testing memiliki ukuran dimensi yang tidak sama dengan data training atau tidak memiliki batasan. 5. Membangun sistem pengenalan wajah yang dapat mengatasi atau membedakan bahwa data testing merupakan citra wajah atau bukan, menggunakan metode yang lebih baik tanpa threshold.

168 152 Daftar Pustaka Agarwal, M., Jain, N., Kumar, M., dan Agrawal, H Face Recognition Using Eigen Faces and Artificial Neural Network. International Journal of Computer Theory and Engineering, Vol. 2, No. 4, Balasuriya, S. L Frontal View Human Face Detection and Recognition. Department of Statistics and Computer Science University of Colombo Sri Lanka. Barrett, P Euclidean distance: raw, normalized, and double-scaled coefficients. The Technical Whitepaper Series. Kshirsagar, P. V., Baviskar, R. M., Gaikwad, E. M Face Recognition Using Eigenfaces. IEEE, /11. Linge, G. dan Pawar, M Neural Network Based Face Recognition Using PCA. Ganesh Linge et al, / (IJCSIT) International Journal of Computer Science and Information Technologies, Vol. 5 (3), Nichal, A., Jagtap, H., Ingale, S., Patil, N Face Recognition using PCA and Eigen Face Approach. International Journal Of Innovative Research In Electrical, Electronics, Instrumentation And Control Engineering. Vol 2, N0 5., pp: Paul, C. L. dan Sumam, A. A Face Recognition Using Principal Component Analysis Method. International Journal of Advanced Research in Computer Engineering & Technology (IJARCET) Volume 1, Issue 9. Slavković, M. dan Jevtić, D Face Recognition Using Eigenface Approach. SERBIAN JOURNAL OF ELECTRICAL ENGINEERING Vol. 9, No. 1, Sirovich, L., Kirby, M Low-dimensional procedure for the characterization of human faces. Journal of the Optical Society of America A, Vol. 4, page 519.

169 153 Turk, A. M., Pentland, P. A Face Recognition Using Eigenfaces. Vision and Modelling Group, The Media Laboratory Massachusetts Institute and Technolgy.

170 154 LAMPIRAN

171 155 A. Screenshot Data pertama :

172 156

173 157

174 158 Data kedua :

175 159

176 160

177 161

178 162 B. Source Code Training : biodatamhs.m biodata={'a FENDI PRATAMA',' '; 'YEREMIA YOGA PRATAMA',' '; 'KAUTSAR RUSYDI RAHMATULLAH',' '; 'DWI PUTRA PRIHANDITO',' '; 'DAMIAN ARIF PRADANA',' '; 'GABRIEL INDRA WIDI TAMTAMA',' '; 'SONNY FERNANDO K.ADJI',' '; 'WIDYA YOGA ARKADIA',' '; 'ANGELA MEDIATRIX MELLY',' '; 'MARTIN NUGRAHA',' '; 'YOHANES ENGGAL SEPTIANTO',' '; 'NI KOMANG ASIH SETIAWATI',' '; 'GERARDO ADHITYA NUGROHO',' '; 'MARCELLINA FANNY KUSUMA WARDANI',' '; 'EKKY ALFIAN',' '; 'ALOYSIUS TANTO WIBOWO',' '; 'ELVINO PRAYOGO',' '; 'YOHANES CHRISTIAN BRILLIANGGA',' '; 'BAPTISTA YORANGGA VARANI',' '; 'YOSEP KARTIKA DEWANDARU',' '; 'HIRONIMUS HENDRA SETIAWAN',' '; 'YOSIA ADI FEBRIAN',' '; 'TOMMY NUGRAHA MANOPPO',' '; 'RAYMOND APRIYOGI DIKI PUTRA',' '; 'ANDRE FRANSISCO BAYUPUTRA',' '};

179 163 preprosauto.m biodatamhs; files=dir('*.jpg'); %membaca semua file training berformat *.jpg n=length(files); nobyek=n/25; %menghitung banyaknya data training untuk 1 mahasiswa U=[]; for i=1:n temp=imread(files(i).name); temp=rgb2gray(temp); %Grayscalling citra training temp=reshape(temp,[],1); %mengubah citra 2 dimensi menjadi 1 dimensi eval(['facetrain' num2str(i) '=temp;']); U=[U,temp]; %menampung matriks semua citra training end R=mean(U,2); MINRATA=[]; UD=double(U); %mengubah tipe data training menjadi double for i=1:n temp=ud(:,i)-r; MINRATA=[MINRATA, temp]; %menampung semua matriks citra training yang telah dikurangi rata-rata end C=MINRATA'*MINRATA; [EVEC,EVAL]=eig(C); %mencari nilai eigenvalues (EVAL) dan eigenvectors (EVEC) evaldiag=diag(eval); %mengambil nilai pada diagonal matriks [evaldiagsort,x]=sort(evaldiag,'descend'); matrikscirimax=evec(:,x); %mengambil nilai eigenvectors sesuai dengan indeks yang telah diurutkan Ui=MINRATA*matrikscirimax; W=(Ui'*MINRATA)'; threshold=[]; for i=1:size(w,1) for j=(i+1):size(w,1) temp7=sqrt(sum(power(w(i,:)-w(j,:),2),2)); %hitung jarak tiap baris pada matriks W dengan Euclidean Distance threshold=[threshold;temp7]; end end indeksthreshold=input('threshold : '); %meminta inputan dari user untuk nilai indeks threshold threshold=indeksthreshold*max(threshold);

180 164 Testing : pretesting.m filestest=dir('*.jpg'); %membaca semua file testing berformat *.jpg j=length(filestest); for i=1:j temp=imread(filestest(i).name); temp=rgb2gray(temp); %Grayscalling citra temp=reshape(temp,[],1); %mengubah citra 2 dimensi menjadi 1 dimensi eval(['' strtok(filestest(i).name,'.') '=temp;']); end testingauto.m function [ matrikseuclid,label,nama,nim ] = testingauto( testingimg,r,ui,w,biodata,n,nobyek,files,threshold ) testingimg=double(testingimg); %mengubah tipe data testing menjadi double Qtest=testingimg-R; %mengurangi matriks citra testing dengan nilai matriks rata-rata dari data training Wtest=(Ui'*Qtest)'; %memproyeksikan citra testing dalam eigenspace matrikseuclid=[]; for i=1:n tempeuclid=sqrt(sum(power(wtest-w(i,:),2),2)); %mencari jarak citra testing dengan setiap citra training matrikseuclid=[matrikseuclid; tempeuclid]; end num=[]; for i=1:n num=[num; i]; end matrikseuclid=[num,matrikseuclid]; matrikseuclid=sortrows(matrikseuclid,2); matrikseuclid=matrikseuclid(1,:); if(matrikseuclid(1,2)>threshold) label='gambar tidak diketahui'; nama='null'; nim='null'; disp(label); else [label,nama,nim]=klasifikasi(nobyek,matrikseuclid,biodata,files) ; end end

181 165 klasifikasi.m function [ label,nama,nim ] = klasifikasi( nobyek,matrikseuclid,biodata,files ) label=files(matrikseuclid(1,1)).name if(matrikseuclid(1,1)<=nobyek) nama=[biodata(1,1)] nim=[biodata(1,2)] elseif(matrikseuclid(1,1)>nobyek&&matrikseuclid(1,1)<=nobyek*2) nama=[biodata(2,1)] nim=[biodata(2,2)] elseif(matrikseuclid(1,1)>nobyek*2&&matrikseuclid(1,1)<=nobyek*3 ) nama=[biodata(3,1)] nim=[biodata(3,2)] elseif(matrikseuclid(1,1)>nobyek*3&&matrikseuclid(1,1)<=nobyek*4 ) nama=[biodata(4,1)] nim=[biodata(4,2)] elseif(matrikseuclid(1,1)>nobyek*4&&matrikseuclid(1,1)<=nobyek*5 ) nama=[biodata(5,1)] nim=[biodata(5,2)] elseif(matrikseuclid(1,1)>nobyek*5&&matrikseuclid(1,1)<=nobyek*6 ) nama=[biodata(6,1)] nim=[biodata(6,2)] elseif(matrikseuclid(1,1)>nobyek*6&&matrikseuclid(1,1)<=nobyek*7 ) nama=[biodata(7,1)] nim=[biodata(7,2)] elseif(matrikseuclid(1,1)>nobyek*7&&matrikseuclid(1,1)<=nobyek*8 ) nama=[biodata(8,1)] nim=[biodata(8,2)] elseif(matrikseuclid(1,1)>nobyek*8&&matrikseuclid(1,1)<=nobyek*9 ) nama=[biodata(9,1)] nim=[biodata(9,2)] elseif(matrikseuclid(1,1)>nobyek*9&&matrikseuclid(1,1)<=nobyek*1 0) nama=[biodata(10,1)] nim=[biodata(10,2)] elseif(matrikseuclid(1,1)>nobyek*10&&matrikseuclid(1,1)<=nobyek* 11) nama=[biodata(11,1)] nim=[biodata(11,2)] elseif(matrikseuclid(1,1)>nobyek*11&&matrikseuclid(1,1)<=nobyek* 12) nama=[biodata(12,1)] nim=[biodata(12,2)] elseif(matrikseuclid(1,1)>nobyek*12&&matrikseuclid(1,1)<=nobyek* 13) nama=[biodata(13,1)] nim=[biodata(13,2)]

182 166 elseif(matrikseuclid(1,1)>nobyek*13&&matrikseuclid(1,1)<=nobyek* 14) nama=[biodata(14,1)] nim=[biodata(14,2)] elseif(matrikseuclid(1,1)>nobyek*14&&matrikseuclid(1,1)<=nobyek* 15) nama=[biodata(15,1)] nim=[biodata(15,2)] elseif(matrikseuclid(1,1)>nobyek*15&&matrikseuclid(1,1)<=nobyek* 16) nama=[biodata(16,1)] nim=[biodata(16,2)] elseif(matrikseuclid(1,1)>nobyek*16&&matrikseuclid(1,1)<=nobyek* 17) nama=[biodata(17,1)] nim=[biodata(17,2)] elseif(matrikseuclid(1,1)>nobyek*17&&matrikseuclid(1,1)<=nobyek* 18) nama=[biodata(18,1)] nim=[biodata(18,2)] elseif(matrikseuclid(1,1)>nobyek*18&&matrikseuclid(1,1)<=nobyek* 19) nama=[biodata(19,1)] nim=[biodata(19,2)] elseif(matrikseuclid(1,1)>nobyek*19&&matrikseuclid(1,1)<=nobyek* 20) nama=[biodata(20,1)] nim=[biodata(20,2)] elseif(matrikseuclid(1,1)>nobyek*20&&matrikseuclid(1,1)<=nobyek* 21) nama=[biodata(21,1)] nim=[biodata(21,2)] elseif(matrikseuclid(1,1)>nobyek*21&&matrikseuclid(1,1)<=nobyek* 22) nama=[biodata(22,1)] nim=[biodata(22,2)] elseif(matrikseuclid(1,1)>nobyek*22&&matrikseuclid(1,1)<=nobyek* 23) nama=[biodata(23,1)] nim=[biodata(23,2)] elseif(matrikseuclid(1,1)>nobyek*23&&matrikseuclid(1,1)<=nobyek* 24) nama=[biodata(24,1)] nim=[biodata(24,2)] elseif(matrikseuclid(1,1)>nobyek*24&&matrikseuclid(1,1)<=nobyek* 25) nama=[biodata(25,1)] nim=[biodata(25,2)] end end PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

183 167 testingall.m allmatrikseuclid=[]; hasilklasifikasi=[]; truematriks=[]; matrikskebenaran=[]; true=0; false=0; akurasi=0; alllabelresult={}; labelresult={}; for i=1:j %menguji semua citra testing a=strtok(filestest(i).name,'.'); %mengambil nama file test [matrikseuclid,label]=testingauto(eval(['' a]),r,ui,w,biodata,n,nobyek,files,threshold); allmatrikseuclid=[allmatrikseuclid;matrikseuclid]; alllabelresult{i}={a,label}; labelresult=alllabelresult{1,i} hasilklasifikasi=[hasilklasifikasi;labelresult]; if(a(1)==label(1)) %mengecek label citra training dan testing true=1; truematriks=[truematriks; true]; else true=0; truematriks=[truematriks; true]; end akurasi=sum(truematriks)/j*100; end hasilakurasi=['akurasi : ', num2str(akurasi), ' %']; disp(hasilakurasi); matrikskebenaran=[allmatrikseuclid,truematriks]; matrikskebenaran=num2cell(matrikskebenaran); allhasil=[hasilklasifikasi,matrikskebenaran];

184 168 User Interface : facerec.fig facerec.m function varargout = facerec(varargin) % FACEREC MATLAB code for facerec.fig % FACEREC, by itself, creates a new FACEREC or raises the existing % singleton*. % % H = FACEREC returns the handle to a new FACEREC or the handle to % the existing singleton*. % % FACEREC('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in FACEREC.M with the given input arguments. % % FACEREC('Property','Value',...) creates a new FACEREC or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before facerec_openingfcn gets called. An