BAB 3 ANALISIS DAN PERANCANGAN SISTEM

Transkripsi

1 BAB 3 ANALISIS DAN PERANCANGAN SISTEM 3.1 Analisis Sistem Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian komponennya dengan tujuan mengidentifikasikan dan mengevaluasi permasalahan, kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan Analisis Masalah Sistem absensi memiliki peran penting dalam kehidupan sehari-hari terutama di lingkup kerja seperti perkantoran, pabrik, rumah sakit, sekolah, universitas, dan tempat lain yang membutuhkan absensi. Dalam kegiatan belajar mengajar di dalam suatu perguruan tinggi, tentu saja memiliki mahasiswa/i yang harus dicatat kehadirannya setiap hari. Namun terkadang, absensi memiliki beberapa kekurangan sehingga menjadi rentan terhadap kecurangan. Hal ini mengakibatkan informasi dari data absensi tidak akurat dan diragukan validitasnya. Masalah yang akan diselesaikan menggunakan sistem ini adalah terdeteksinya wajah mahasiswa/i S1 ilmu komputer angkatan 2013 sebagai kunci yang akan menjadi validasi identitas dalam absen. Analisis masalah ini secara spesifik diilustrasikan pada gambar 3.1 yang dirancang dalam bentuk diagram Ishikawa.

2 20 Dosen dan mahasiswa bertindak sebagai user User Pendataan absensi memakan waktu dan tenaga Sering terjadi kecurangan dalam absen mahasiswa Sering Titip Absen Teknologi Wajah diidentifikasi dan dicari validasi namanya Memakai wajah sebgai kunci absen Sistem Absensi Wajah Material Metode Gambar 3.1 Diagram Ishikawa Analisis Kebutuhan Sistem Analisis kebutuhan sistem meliputi analisis kebutuhan fungsional sistem dan analisis kebutuhan non-fungsional sistem. 1. Kebutuhan funsional sistem Kebutuhan fungsional yang harus dimiliki oleh sistem absensi berbasis pengenalan wajah adalah : 1. Sistem dapat mendeteksi masukan berupa foto yang berformat *.bmp. 2. Sistem dapat melakukan proses training untuk setiap masukan sehingga dapat menghasilkan suatu bobot matriks untuk semua masukan. 3. Sistem dapat mengenali wajah seseorang (masukan yang diuji) yang diambil melalui kamera webcam. 4. Sistem menghasilkan keluaran berupa rekapitulasi data absensi mahasiswa. 2. Kebutuhan non-fungsional sistem Kebutuhan non-fungsional yang dimiliki oleh sistem adalah : 1. Interface sistem mudah dipahami oleh user (pengguna). 2. Tampilan hanya satu form untuk memudahkan user dalam mendata absen.

3 Analisis Pemodelan Sistem Secara umum, sistem absensi berbasis identifikasi wajah ini terdiri dari 2 proses, yaitu proses pelatihan inputan dan proses pengujian inputan. Pemodelan kedua proses tersebut akan digambarkan melalui UML (Unified Modelling Language) yang mencakup use case diagram, activity diagran, dan sequence diagram. UML merupakan satu kumpulan pemodelan yang digunakan untuk menentukan atau menggambarkan sebuah sistem software yang terkait dengan objek. Usecase diagram adalah diagram yang menggambarkan aktor, use case dan relasinya sebagai suatu urutan tindakan yang memberikan nilai terukur untuk aktor. Activity diagram menggambarkan aktifitas-aktifitas, objek, state, transisi state dan event. Dengan kata lain, diagram ini menggambarkan alur aktivitas dari sebuah sistem. Sequence diagram menjelaskan interaksi objek yang disusun berdasarkan urutan waktu. Secara mudahnya sequence diagram adalah gambaran tahap demi tahap, termasuk kronologi (urutan) perubahan secara logis dari sistem. Naratif Use Case menguraikan use case yang terdapat pada diagram use case. Didalam Naratif use case ini akan diberikan uraian nama, aktor yang berhubungan dengan use case tersebut, tujuan use case, deskripsi global tentang use case, pra-kondisi yang harus terpenuhi dan pasca kondisi yang diharapkan setelah berjalannya fungsional use case. Pembuatan use case diagram dapat dimulai dengan menjawab pertanyaan berikut : 1. Siapa yang menggunakan sistem? Jawaban : user 2. Siapa yang diperlukan untuk melaksanakan fungsi pada sistem? Jawaban : Mahasiswa dan Dosen 3. Apa saja yang dapat dilakukan user pada sistem? Jawaban : melakukan pelatihan inputan dengan metode LVQ, pengujian inputan melalui kamera webcam, dan absensi

4 22 Gambar 3.2. Use case Diagram Sistem Absensi Wajah Naratif Use Case Sistem Berikut ini merupakan tabel dokumen naratif use case yang dapat dilihat pada tabel 3.1, tabel 3.2, tabel 3.3, tabel 3.4, tabel 3.5, tabel 3.6, table 3.7 dan tabel 3.8. Tabel 3.1 Dokumentasi Naratif Use Case Aktifkan dan Scan Wajah memakai Kamera Nama Use Case Actor Description Pre-Condition Typical course of Event Alternate course Post Condition Aktifkan dan Scan Wajah memakai Kamera Mahasiswa Use case ini menangkap citra wajah dari kamera Sistem menerima inputan dari kamera. Kegiatan Pengguna 1. Menekan tombol open and detect face 4. Menekan tombol add face Sistem telah melakukan proses pengujian wajah Respon Sistem 2. Menangkap citra wajah mahasiswa 3. Membuka File Excel untuk diabsen 5. mengambil wajah yang dideteksi. 6. menampilkan hasil wajah yang dideteksi 7. menyimpan wajah yang dideteksi

5 23 Tabel 3.2 Dokumentasi Naratif Use Case Pengujian Inputan Nama Use Case Actor Description Pre-Condition Typical course of Event Alternate course Post Condition Pengujian Inputan Mahasiswa Use case ini melakukan proses pengujian ada citra yang diinput dari kamera secara real-time Sistem menerima inputan dari kamera. Kegiatan Pengguna 1. Menekan tombol recognize face 5. Menekan tombol add face Sistem telah mendapat nama yang cocok dari citra wajah yang diuji Respon Sistem 2. Menangkap citra wajah mahasiswa 3. merubah ke bentuk grayscale, threshold dan binerisasi. 4. melakukan pengujian pencocokan dengan gambar pada library 6. mengambil wajah yang dideteksi. 7. menampilkan hasil wajah yang dideteksi 8. menyimpan wajah yang dideteksi Tabel 3.3 Dokumentasi Naratif Use Case Deteksi Wajah Nama Use Case Actor Description Pre-Condition Typical course of Event Alternate course Post Condition Deteksi Wajah Mahasiswa Use case ini menampilkan nama dari citra wajah yang telah diuji melalui kamera Sistem menampilkan nama wajah yang sudah diuji dari kamera. Kegiatan Pengguna 1. Menekan tombol open and detect face 3. Menekan tombol recognize face Sistem menampilkan nama dari citra wajah yang telah diuji melalui kamera Respon Sistem 2. menampilkan nama dari citra wajah yang telah diuji melalui kamera dengan menekan tombol recognize face 4. mengambil wajah yang dideteksi. 5. menampilkan hasil wajah yang dideteksi

6 24 Tabel 3.4 Dokumentasi Naratif Use Case Daftar Wajah Nama Use Case Actor Description Pre-Condition Typical course of Event Alternate course Post Condition Daftar Wajah Mahasiswa Use case ini mengambil dan mendaftarkan wajah baru ke dalam library sistem. Sistem mengambil wajah baru dari kamera Kegiatan Pengguna 1. Menekan tombol add face 4. Menekan Tombol recognize face Sistem menampilkan wajah yang diambil dari kamera Respon Sistem 2. mengambil wajah yang dideteksi. 3. menampilkan hasil wajah yang dideteksi dengan menekan tombol recognize face 4. menyimpan wajah yang dideteksi 5. Menampilkan wajah yang terdeteksi Tabel 3.5 Dokumentasi Naratif Use Case Pelatihan Inputan Nama Use Case Actor Description Pre-Condition Typical course of Event Alternatecourse Post Condition Pelatihan Inputan Mahasiswa Use case ini mengambil citra wajah dari library dan memulai proses pelatihan yang akan dijadikan sebagai acuan pengenalan dari wajah yang diuji Sistem mengakses gambar yang ada di library untuk menjadi gambar acuan sebagai pengenalan wajah Kegiatan Pengguna 1. Menekan tombol recognize face 6. Menekan tombol recognize face Sistem menampilkan nama dari wajah yang terdeteksi Respon Sistem 2. mengambil wajah yang dideteksi dari library. 3. menghasilkan pola wajah. 4. menyimpan pola wajah 5. Menampilkan nama dari wajah yang terdeteksi 7. Menampilkan nama dari wajah yang terdeteksi

7 25 Tabel 3.6 Dokumentasi Naratif Use Case Catat sebagai absen Nama Use Case Actor Description Pre-Condition Typical course of Event Alternatecourse Post Condition Catat sebagai absen Mahasiswa Use case ini mencatat nama dan tanggal dari hasil uji Sistem mengambil nama dan tanggal dari hasil uji lalu dicatat pada dokumen Kegiatan Pengguna 1. Menekan tombol Record to Absen 5. Menekan tombol open and detect face Sistem menyimpan nama, waktu dan tanggal pada dokumen Respon Sistem 2. mengambil hasil uji berupa nama. 3. mengambil tanggal dan waktu dari sistem komputer. 4. menyimpan nama dan tanggal sebagai bukti absensi. 6. menampilkan nama dari citra wajah yang telah diuji melalui kamera dengan menekan tombol recognize face Data Tersimpan Gambar 3.3. Activity Diagram Sistem Absensi Wajah

8 26 Gambar 3.4. Sequence Diagram Sistem Absensi Wajah Flowchart Sistem Flowchart sistem secara umum Mulai Scan Wajah dengan Kamera Tahap Preprocessing dengan grayscale, thresholding dan binerisasi Pengenalan pola wajah dari kamera Klik tombol untuk menyimpan data Selesai Gambar 3.5. Flowchart sistem secara umum

9 Flowchart Pengujian Algoritma Learning Vector Quantization (LVQ) Berikut ini merupakan flowchart Pelatihan pada metode Learning Vector Quantization (LVQ) Gambar 3.6. Flowchart Pelatihan Sistem Absensi Wajah

10 Screen Shot Coding Pengujian Learning Vector Quantization (LVQ) Berikut ini merupakan Screen Shot Coding pengujian pada Learning Vector Quantization (LVQ) Gambar 3.7. Screen Shot Coding Pengujian Sistem Absensi Wajah

11 Perancangan Database Database Management System yang akan digunakan pada sistem absensi akan dibangun pada Microsoft Office Excel. Microsoft Office Excel dipercaya lebih mudah dalam mendata dan lebih efektif tanpa harus membuka koneksi jaringan local menggunakan aplikasi tertentu untuk menyimpan data kedalam database. Struktur database yang akan digunakan dapat dilihat pada Tabel 3.7. berikut ini. Tabel 3.7. Tabel Database Excel sistem absen Absen Field 1. Date 2. Time In 3. Student s Name 4. NIM 5. Address 4. Present 5. Not Present Type Date Time String String String Integer Integer Dapat dilihat pada tabel diatas menjelaskan bahwa pada tabel Absen memiliki beberapa field yaitu date, time in, student s name, present dan not present dengan berbeda tipe datanya. Pada field Date akan tersimpan data berupa tanggal yang akan diambil langsung dari komputer. Field Time In akan menyimpan data berupa waktu yang sedang berjalan dari komputer pengguna. Student s name adalah field yang berisi nama dari mahasiswa yang absen menggunakan wajah melalui sistem. Field NIM dan address adalah keterangan yang harus diisi berupa NIM dan alamat mahasiswa. Field Present dan not present adalah keterangan berapa mahasiswa yang sudah hadir dan belum hadir didalam kelas, field ini akan berisi angka yang menunjukan jumlah mahasiswa baik hadir maupun yang belum hadir.

12 Arsitektur Umum Sistem Arsitektur umum sistem adalah skema perancangan sistem yang menggambarkan alur sistem secara keseluruhan. Arsitektur umum sistem menjadi pedoman untuk pembuatan pemodelan sistem. Arsitektur umum sistem dapat dilihat pada gambar 3.8. Gambar 3.8. Arsitektur Umum Sistem Absensi Wajah Dari gambar arsitektur umum sistem diatas dapat dilihat bahwa wajah akan ditangkap menggunakan kamera secara real-time dan kemudian akan diproses ke tahap preprocessing(grayscale, threshold) hingga menghasilkan citra biner yang bernilai 1 dan 0. Selanjutnya citra biner tersebut akan di cari kecocokan dengan database citra yang tersimpan sebelumnya menggunakan algoritma Learning Vector Quantization. Dari proses tersebut akan menghasilkan nama yang kemudian akan di catat ke dalam Microsoft Office Excel.

13 Perancangan Antarmuka Sistem ini dirancang dalam 3 form yaitu form utama, form absen, form tentang From Utama Halaman utama adalah halaman yang muncul pertama kali saat sistem dijalankan. Halaman ini memiliki 2 menu, yaitu menu absen dan menu tentang. Tampilan rancangan form cover dapat dilihat pada gambar Gambar 3.9 Rancangan Form Utama Keterangan : 1. Menu strip Absen Menu ini menghubungkan form utama dengan form absen 2. Menu strip tentang Menu ini menghubungkan form utama dengan form tentang 3. Label Label ini berisi keterangan dan detail tentang skripsi, nama, nim dan jurusan. 4. Picturebox Picturebox yang berisi gambar USU

14 Gambar 3.10 Rancangan Form Absen Keterangan : 1. Menu strip Absen Menu ini menghubungkan form absen dengan form utama 2. Menu strip tentang Menu ini menghubungkan form absen dengan form tentang 3. ImageBox ImageBox berisi tampilan kamera dan gambar yang diambil dari kamera berbentuk grayscale 4. Label Label ini berisi keterangan dari setiap group box dan keterangan pengisian nama, nim dan alamat. 5. TextBox TextBox sebagai media input nama, nim, alamat untuk biodata dari suatu wajah yang akan didaftarkan 6. GroupBox Groupbox berisi beberapa komponen yaitu imagebox, label dan button 7. Button Open and Detect Face Button berfungsi untuk membuka kamera dan mendeteksi posisi wajah. 8. Button Add Face Button berfungsi untuk memberi event untuk menyimpan gambar wajah yang terdeteksi jika belum pernah tersimpan atau terdaftar di library sistem.

15 33 9. Button Record to Absen Button ini berfungsi memberi event untuk menyimpan data nama dan tanggal kehadiran dari setiap mahasiswa yang terdaftar di library sistem. 10. Button Recognize Face Button ini berfungsi memberi event untuk mempelajari pola dan mencari kecocokan wajah dari input wajah yang diambil Gambar 3.11 Rancangan Form Tentang Keterangan : 1. Menu strip Utama Menu ini menghubungkan form tentang dengan form utama 2. Menu strip Absen Menu ini menghubungkan form tentang dengan form absen 3. PictureBox PictureBox berfungsi untuk menampilkan foto penulis 4. Label Label berisi tentang informasi penulis berupa nama, nim, jurusan, fakultas dan universitas.

16 BAB 4 IMPLEMENTASI DAN PENGUJIAN Pada tahap ini dilakukan pembuatan sistem sesuai dengan analisis dan perancangan dan kemudian melakukan pengujian sistem. 4.1 Implementasi Sistem Sistem dibangun dengan bahasa pemrograman C# dengan.net sebagai library untuk menyajikan Graphical User Interface terhadap user. Program ini terdiri 3 form tampilan yaitu form utama, form Absen, form About Form Utama Tampilan utama atau home merupakan tampilan yang pertama kali muncul apabila sistem dibuka. Pada tampilan ini, terdapat 2 button yang memiliki fungsi masingmasing pada sistem. Tampilan utama dapat dilihat pada Gambar 4.1. Gambar 4.1 Form utama

17 Form Absen Tampilan absen ini berfungsi sebagai mengambil citra wajah dari kamera sekaligus mendeteksi nama dari wajah yang diambil. Jika wajah sudah terdeteksi, akan dilakukan pencatatan ke dokumen. Untuk tampilan absen dapat dilihat pada Gambar 4.2. Gambar 4.2 Form Absen Form Tentang Tampilan tentang merupakan tampilan yang berisi info singkat dari penulis. Tampilan tentang dapat dilihat pada Gambar 4.5. Gambar 4.3 Form Tentang

18 Proses grayscale, thresholding dan binerisasi Sistem ini dibangun dengan menggunakan Microsoft Visual Studio Masukan yang digunakan adalah foto yang berformat *.bmp dengan ukuran 100 x 100 piksel. Agar dapat diolah komputer, maka gambar harus diubah dengan proses binerisasi. Pertama kali yang harus dilakukan adalah mengambil nilai RGB kemudian lakukan proses grayscale seperti gambar 4.4 Gambar 4.4. Contoh citra Grayscale Nilai Grayscale pada gambar 4.5 dapat diperoleh menggunakan rumus : dengan keterangan : I = nilai piksel pada citra grayscale R = nilai bit red pada citra RGB G = nilai bit green pada citra RGB B = nilai bit blue pada citra RGB Setelah memproses nilai RGB menjadi nilai grayscale, nilai grayscale akan diubah menjadi bentuk biner dengan menggunakan threshold sebesar 50. Citra biner dapat dilihat pada gambar 4.5. Gambar 4.5 Contoh citra threshold

19 37 Dari citra threshold diatas didapat binerisasi seperti dibawah ini Gambar 4.6 Hasil Binerisasi Ketentuan dan Parameter Pengujian Sistem ini menggunakan beberapa ketentuan-ketentuan yang akan menjadi parameter berjalannya proses sistem ini sehingga didapat beberapa hasil yang dapat dijadikan bahan acuan. 1. Maksimal Epoch yang dipakai sebesar Posisi wajah untuk setiap orang ada 5 yaitu menghadap sedikit ke kiri, kanan, atas, bawah dan tegak menghadap kamera. 3. Setiap orang akan di record sebanyak 5 wajah. 4. Gambar yang akan diambil sebesar 100 x 100 piksel. 5. Sistem akan mendeteksi wajah yang lebih dari 1, akan tetapi tetap di proses wajah yang paling dekat dengan kamera sebagai citra inputan yang akan diuji. 6. Gambar yang diambil langsung diubah ke grayscale dan threshold tanpa menampilkan hasil grayscale ke layar hasil gambar yang terambil. 7. Gambar yang disimpan untuk menjadi gambar acuan adalah gambar yang diambil dan langsung diubah ke grayscale dan threshold. 8. Nilai ambang Threshold adalah sebesar Spesifikasi Komputer yaitu Intel Core i3, RAM 4GB, Kamera VGA, Windows 10.

20 Hasil Pengujian Sistem Sistem harus memiliki gambar acuan yang terdapat pada library agar dapat menjadi gambar acuan atau Data Set gambar yang dilatih. Cara menambahkan wajah seperti berikut : 1. Pada sistem terdapat Group Box Training yang berguna untuk menambahkan wajah jika terdapat mahasiswa baru atau wajah masih belum pernah terdaftar. 2. Isi kolom Name, NIM, dan Address untuk biodata diri dari wajah yang didaftarkan. 3. Jika sudah mengisi, tekan tombol Add Face maka sistem akan mengambil citra yang akan diubah ke greyscale dan threshold dan muncul pesan yang berisi jika wajah telah tersimpan di library. Gambar 4.7. Proses deteksi wajah dan pendaftaran wajah

21 39 Setiap orang memiliki 5 wajah sampel yang tersimpan di database dan diambil langsung melalui kamera webcam. Hasil pengujian dapat dilihat pada Tabel 4.1, Tabel 4.2, Tabel 4.3, Tabel Hasil pengujian dengan webcam sampel rudy Tabel 4.1. Hasil pengujian dengan webcam sampel rudy Input(X) Target (Y) rudy rudy

22 40 rudy rudy rudy

23 Hasil pengujian dengan webcam sampel hafiz Tabel 4.2. Hasil pengujian dengan webcam sampel hafiz Input(X) Target (Y) hafiz hafiz

24 42 hafiz hafiz hafiz

25 Hasil pengujian dengan webcam sampel Cut Amalia Saffiera Tabel 4.3. Hasil pengujian dengan webcam sampel Cut Amalia Saffiera Input(X) Target (Y) Cut Amalia Saffiera Cut Amalia Saffiera

26 44 Cut Amalia Saffiera Cut Amalia Saffiera Cut Amalia Saffiera

27 Hasil pengujian dengan webcam sampel chyntia Tabel 4.4. Hasil pengujian dengan webcam sampel chyntia Input(X) Target (Y) chyntia chyntia

28 46 chyntia chyntia chyntia

29 Foto Pemakaian Sistem Absensi di Kelas. Gambar 4.8. Foto Pemakaian Sistem Absensi di Kelas.

30 Screen Shot Coding Pengambilan Wajah Real Time Gambar 4.9. Screen Shot Coding Pengambilan Wajah Real Time

31 Langkah-langkah Algoritma Learning Vector Quantization (LVQ) 1. Menentukan pola input dan pola output Dalam sistem ini, variabel x dan w digunakan menjadi pola input. Pola input yang digunakan adalah nilai bipolar yang ada pada Gambar 4.7. Pola output atau target yang digunakan adalah : Pola inputan yang di ambil melalui kamera dapat dilihat pada gambar 4.7 Gambar Citra Inputan yang tertangkap Kamera Pola output yang diharapkan Gambar Output yg diharapkan agar sesuai target

32 50 2. Menghitung jarak terdekat Euclidean antar bobot (Cj) Untuk menghitung jarak terdekat Euclidean antara bobot inputan dan mencari target digunakan rumus : dimana : Cj = jarak Euclidean x = input dari suatu citra w = bobot dari gambar acuan Cj = (x i + w i ) 2 untuk perhitungan mencari jarak terdekat dilakukan citra inputan pada semua sampel wajah yang tersimpan sebelumnya sebagai gambar acuan. 3. Pencarian bobot baru (Wj baru) Setelah mendapat jarak terdekat, akan dicari bobot yang menjadi bobot baru. Setelah bobot tersebut telah didapat, maka akan disimpan untuk menjadi bobot acuan di perhitungan berikutnya. Pencarian bobot baru memakai rumus : w ij (baru) = w ij (lama)+ α*x ij -w ij (lama) dimana : w = bobot dari gambar acuan x = input dari suatu citra i = banyak bobot j = banyak piksel citra inputan α = learning rate atau kemampuan cepat belajar

33 Pencarian Kecocokan Wajah Pada Percobaan pencarian nilai minimum, diberikan 10 gambar acuan yang akan menjadi target kelas. Berikut adalah tabel wajah yang akan menjadi target pengujian dari gambar uji. Tabel 4.5. Tabel Gambar yang menjadi Target. hafiz Agustin chyntia Mangasa Lily dhiwa Cut Amalia Tia Morigia rudy Saffiera Rahmadianti Simanjuntak Gambar threshold yang akan diproses pada gambar acuan.

34 52 Tabel 4.6 Tabel Binerisasi Input Vektor No Input Vektor Kelas (T) Epoh ke-1 Data input: Bobot ke-1 = (1-0) 2 + (1-0) 2 + (1-0) 2... ( 1-0) 2 + (1-1) 2 + (1-1) 2 = Bobot ke-2 = (1-0) 2 + (1-0) 2 + (1-0) 2... ( 1-0) 2 + (1-0) 2 + (1-0) 2 = Bobot ke-3 = (1-1) 2 + (1-1) 2 + (1-1) 2... ( 1-0) 2 + (1-0) 2 + (1-0) 2 = Bobot ke-4 = (1-0) 2 + (1-0) 2 + (1-0) 2... ( 1-0) 2 + (1-0) 2 + (1-0) 2 = Bobot ke-5 = (1-1) 2 + (1-1) 2 + (1-1) 2... ( 1-0) 2 + (1-0) 2 + (1-0) 2 = Bobot ke-6 = (1-1) 2 + (1-1) 2 + (1-1) 2... ( 1-1) 2 + (1-1) 2 + (1-1) 2 = Bobot ke-7 = (1-1) 2 + (1-1) 2 + (1-1) 2... ( 1-0) 2 + (1-0) 2 + (1-0) 2 = Bobot ke-8 = (1-1) 2 + (1-1) 2 + (1-0) 2... ( 1-1) 2 + (1-1) 2 + (1-1) 2 = Bobot ke-9 = (1-1) 2 + (1-1) 2 + (1-1) 2... ( 1-1) 2 + (1-1) 2 + (1-1) 2 = Bobot ke-10 = (1-1) 2 + (1-1) 2 + (1-1) 2... (1-1) 2 + (1-1) 2 + (1-1) 2 =

35 53 Jarak terkecil pada bobot ke-1 Target data ke-1=1 Bobot ke-1 baru: W11(baru) = w11(lama)+ α*x11-w11(lama) = 1+0,05*(1-1) = 1 W12(baru) = w12(lama)+ α*x12-w12(lama) = 1+0,05*(1-1) = 1 W13(baru) = w13(lama)+ α*x13-w13(lama) = 1+0,05*(1-1) = 1 W14(baru) = w14(lama)+ α*x14-w14(lama) = 1+0,05*(1-1) = 1... W19997(baru)=w19997(lama)+ α*x19997-w19997(lama) = 1+0,05*(1-1) = 1 W19998(baru)=w19998(lama)+ α*x19998-w19998(lama) = 1+0,05*(1-1) = 1 W19999(baru)=w19999(lama)+ α*x19999-w19999(lama) = 1+0,05*(1-1) = 1 W110000(baru)=w110000(lama)+ α*x w110000(lama) = 1+0,05*(1-1) = 1 Sehingga W1 = ( ) Perhitungan berikutnya akan dilakukan seperti diatas yaitu menghitung jarak terdekat dari setiap bobot yang lama maupun telah diubah. Perhitungan tersebut akan dijalankan sebanyak Epoch maksimum yaitu 20. Hasil akhir akan dihitung melalui jarak terdekat, jika nilai yang paling kecil, maka termasuk ke kategori target yang mendekati tersebut. Gambar 4.13 Perubahan Bobot pada Kelas target 1

36 54 Setelah melakukan pengambilan citra melalui kamera webcam, threshold yang dihasilkan akan segera diproses dan didapat nilai minimum seperti tabel dibawah ini : Tabel 4.7 Tabel Nilai Minimum yang dihasilkan No. Kelas 1 hafiz 2 Agustin 3 chyntia 4 Mangasa 5 Lily 6 dhiwa Amalia 7 Saffiera Tia 8 Rahmadianti Morigia 9 Simanjuntak 10 rudy Nilai Minimum Pada gambar diatas didapat citra threshold yang menjadi gambar uji. Gambar uji akan di proses dengan gambar acuan sebanyak 10 sampel. Dapat dilihat proses mencari nilai terdekat dan perubahan bobot mengacu pada tabel nomor 10 dimana target bernama rudy dan proses sesuai target yang diinginkan.

37 Kalkulasi Hasil Pengujian Dari hasil percobaan kecocokan wajah di dapat beberapa kecocokan dan ketidakcocokan terhadap target yang diharapkan. Untuk hasil kecocokan wajah dapat dilihat pada tabel Tabel Rangkuman Hasil Pengujian Pengujian ke Nama Nama yang Taget Keterangan Mahasiswa dikenal rudy rudy rudy Sesuai rudy rudy rudy Sesuai 1 rudy rudy rudy Sesuai rudy rudy rudy Sesuai rudy mangasa rudy Tidak Sesuai hafiz hafiz hafiz Sesuai hafiz dhiwa hafiz Tidak Sesuai 2 hafiz hafiz hafiz Sesuai hafiz hafiz hafiz Sesuai hafiz hafiz hafiz Sesuai 3 Cut Amalia Cut Amalia Cut Amalia Sesuai Saffiera Saffiera Saffiera Cut Amalia Lily Cut Amalia Tidak Sesuai Saffiera Saffiera Cut Amalia Cut Amalia Cut Amalia Sesuai Saffiera Saffiera Saffiera Cut Amalia Lily Cut Amalia Tidak Sesuai Saffiera Saffiera Cut Amalia Saffiera Cut Amalia Saffiera Cut Amalia Saffiera Sesuai chyntia chyntia chyntia Sesuai chyntia hafiz chyntia Tidak Sesuai 4 chyntia chyntia chyntia Sesuai chyntia chyntia chyntia Sesuai chyntia chyntia chyntia Sesuai

38 Analisis kecocokan wajah Dari hasil pengujian terhadap 20 citra yang telah diuji maka perhitungan akurasi yang didapat diperoleh dari rumus persentase adalah : jumlah citra yang benar dikenal Persentase akurasi = x 100% jumlah total citra Persentase akurasi = x 100% = 75% Dapat disimpulkan bahwa untuk ke 20 citra dimana 15 citra diantaranya adalah citra dapat dikenali dengan benar menggunakan metode Learning Vector Quantization. Tentunya hasil dapat berubah sesuai dengan intensitas cahaya yang berubah-ubah dan beberapa parameter juga Database Absen Excel Hasil absen dari wajah yang terdeteksi akan disimpan di Microsoft Office Excel. Pencatatan absen akan menyimpan tanggal, waktu masuk, nama, jumlah hadir dan tidak hadir. Database absen dapat dilihat pada gambar 4.6. Manfaat memakai sistem absensi wajah bisa kita kaji melalui segi efisiensi waktu juga. Pada sistem absen secara manual biasa memakan waktu sekitar 30 detik untuk satu kali tandatangan kehadiran. Sehingga memakan waktu dalam mendata diri. Dengan menggunakan absensi wajah rata-rata kemampuan satu orang untuk absen yaitu 2 detik. Perbandingan waktu : Absen manual pada 1 orang memerlukan 30 detik Absen wajah pada 1 orang hanya memerlukan 2 detik Dari ketentuan diatas bisa ditarik perbandingan : Absen Wajah : Absen Manual 2 : 30 Dari hasil perbandingan terdapat selisih antara absen manual dengan absen wajah yaitu sekitar 2 : 30 atau 1 : 15 untuk satu kali absen. Dengan kata lain dengan absensi wajah lebih efisien dan menghemat 14 mahasiswa dalam waktu yang bersamaan. Selisih waktu : ( Waktu x Jumlah Mahasiswa ) / 60

39 57 Tabel 4.9 Tabel Selisih Waktu Antara Absen Manual Dan Sistem Komputer Jumlah Absen Selisih Mahasiswa Manual Sistem Waktu x 30 / 60 = 10 Menit 20 x 02 / 60= 0,7 Menit 9,3 Menit x 30 / 60 = 20 Menit 40 x 02 / 60= 1,3 Menit 18,7 Menit x 30 / 60 = 30 Menit 60 x 02 / 60= 2 Menit 28 Menit x 30 / 60= 40 Menit 80 x 02 / 60 = 2,6 Menit 37,4 Menit Tabel Selisih Waktu Manual Sistem Gambar Grafik Selisih Waktu antara Manual dan Sistem Komputer Gambar Tampilan Database kehadiran pada Excel

40 BAB 5 KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan pembahasan dan hasil dari penelitian, maka diperoleh beberapa kesimpulan sebagai berikut: 1. Algoritma learning vector quantization berfungsi untuk mencari nilai minimum antara gambar yang diuji dengan gambar acuan yang terdapat di database sistem. 2. Intensitas cahaya sangat menentukan pola dan kecocokan wajah yang akan di deteksi. 3. Maksimal Epoch sebesar 20 dan threshold adalah 50 didapat akurasi ketepatan pengenalan pola wajah sebanyak 75% melalui 20 sampel dan 15 yang sesuai target. 4. Sistem dapat mendeteksi lebih dari satu wajah akan tetapi hanya dapat mendeteksi satu wajah untuk di ambil wajah gambar uji. Yang terdeteksi dan dapat diuji hanya wajah yang paling dekat dengan kamera. 5.2 Saran Adapun saran-saran yang dapat dipertimbangkan untuk mengembangkan penelitian ini lebih lanjut adalah sebagai berikut: 1. Karena dalam penelitian ini penulis memakai algoritma learning vector quantization, sebaiknya dikombinasikan dengan algoritma SOM Kohonen sehingga mendapatkan hasil yang lebih cepat dan akurat dalam mencari kecocokan wajah. 2. Untuk pencatatan dan pengujian wajah, sebaiknya diambil pada lokasi yang sama untuk menghindari adanya intensitas cahaya yang tidak sesuai. 3. Sistem dapat bekerja lebih real-time atau mendeteksi nama secara otomatis ketika wajah terdeteksi tanpa di tekan tombol untuk memberi event pencari kecocokan wajah.