BAB IV IMPLEMENTASI & EVALUASI Pada bab ini akan dibahas cara implementasi sistem absensi otomatis yang telah kami buat, cara implementasi sistem ini dengan melakukan simulasi absensi yang dilakukan di dalam sebuah ruangan dengan pencahayaan lampu yang ada pada ruangan. Proses dalam menjalankan sistem ini dilakukan dengan menggunakan sebuah komputer jinjing atau laptop dan program matlab, proses pengambilan citra dengan menggunakan kamera webcam. 4.1 Spesifikasi Sistem Menggunakan 1 unit webcam Logitech HD 1080p Menggunakan software Matlab Sistem operasi yang digunakan pada Laptop adalah Windows 7 4.2 Prosedur Operasional Langkah-langkah yang dilakukan dalam pengoperasian sistem kami. Koneksi Webcam dengan Laptop Mengecek apakah webcam sudah terhubung dengan Laptop yang digunakan. Buka program Matlab Membuka program yang digunakan pada skripsi ini. 50
51 Menjalankan Proses Input Data Proses input data dalam sistem ini adalah untuk melakukan proses input informasi data objek absensi dan juga proses latih yang dilakukan oleh administrator. Manjalankan Proses Proses ini dilakukan oleh objek absesnsi dengan mendekatkan wajahnya ke depan kamera. 4.3 Implementasi Implementasi yang dilakukan ditujukan untuk menguji sistem yang telah dirancang, sistem dikatakan berhasil secara sempurna jika seluluh objek absensi telah dapat dikenali seluruhnya tanpa ada salah pengenalan terhadap objek. Tahapan dalam melakukan proses ini di bagi menjadi dua buah tahapan utama, pertama adalah proses input data, dimana di dalamnya terdapat proses pelatihan dan penginputan data informasi mahasiswa, selanjutnya adalah proses absensi yang dilakukan oleh mahasiswa yang dilanjutkan dengan verifikasi oleh dosen. 4.3.1 Proses Input Data Dalam tahapan ini kami membuat sebuah form login untuk administrator dalam melakukan proses latih. Form ini bertujuan untuk validasi dalam pelaksanaan proses latih. Form login ini berada dalam sebuah halaman utama untuk mengakses menu menu utama dalam Sistem kami, berikut screenshoot dari window utama program kami:
52 1. Halaman pembuka Gambar 4.1 Halaman pembuka sebelum admin melakukan login 2. Halaman login Gambar 4.2 Halaman Form Login Pada halaman ini admin melakukan login dengan id dan password yang telah di tentukan.
53 3. Halaman Utama Gambar 4.3 Halaman Utama Pada halaman ini terdapat menu-menu utama pada sistem kami 4. Halaman Proses Input Data Gambar 4.3 Halaman input data Pada halaman ini admin memasukkan informasi data dari siswa yang, kemudian akan di proses dalam penyimpanan kedalam database. Pada tahapan ini juga terdapat proses ekstraksi fitur di dalamnya, output hasil ekstraksi fitur dalam proses ini berupa data
54.mat yang berisikan informasi fitur wajah yang akan digunakan pada proses latih dengan neural network. Data hasil ektraksi fitur tersebut kemudian disimpan guna keperluan proses latih dan proses pengenalan. 5. Proses Latih Proses Latih dalam sistem ini menggunakan fasilitas yang telah disediakan oleh Matlab, yaitu Toolbox neural network. Toolbox ini berfungsi sebagai simulator dalam proses pelatihan jaringan syaraf tiruan. Pada penggunaan nya dalam program kami dengan meng-klik tombol train pada halaman input data. Berikut gambar Toolbox Matlab: Gambar 4.4 Toolbox Neural Network Pada toolbox ini admin memasukkan nilai input dari proses ekstraksi fitur yang telah dilakukan sebelumnya kemudian memasukkan target yang telah ditentukan sebelumnya, setelah input dan target telah dimasukkan tahapan selanjutnya adalah proses training. Berikut proses Training yang di jalankan:
55 Gambar 4.5 Proses training Toolbox Neural Network 4.3.2 Proses Pada proses ini objek absen yang bersangkutan melakukan absensi dengan mendekatkan wajahnya ke depan kamera, sehingga sistem dapat mendeteksi keberadaan wajah lalu melakukan proses pengenalan wajah. Dalam proses ini kami membuat sebuah halaman absen berupa jendela yang berisikan tampilan citra yang di tangkap oleh kamera.
56 Gambar 4.6 Proses si Setelah objek melakukan absen maka akan muncul hasil setelah melakukan absensi berupa Nama, dan NIM siswa berikut dengan waktu melakukan absensi. Setelah melakukan absensi tahapan selanjutnya adalah verifikasi yang dilakukan oleh dosen. Berikut tampilan halaman verifikasi: Gambar 4.7 Proses verifikasi oleh dosen
57 4.4 Analisa Hasil Percobaan Setelah mengimplementasikan sistem kami yang telah kami buat maka berikut hasil yang di dapat setelah melakukan sepuluh kali absensi dengan jumlah Objek absen delapan orang. No Nama ke 1 ke 2 ke 3 ke 4 ke 5 1 Naufan Naufan Naufan Naufan Naufan Naufan 2 Hamdi Hamdi Hamdi Hamdi Hamdi Hamdi 3 Bagas Bagas - Bagas Bagas - 4 Yansen Yansen Yansen Yansen Yansen Yansen 5 Brian Brian Brian - Brian Brian 6 Yudha Naufan Yudha Yudha Yudha Yudha 7 Dwi - Dwi Dwi Dwi Dwi 8 Alfred Alfred Alfred Alfred Alfred Alfred Tabel 4.1 Hasil si yang dilakukan tahap 1-5 No Nama ke 6 ke 7 ke 8 ke 9 ke 10 1 Naufan Naufan - Naufan Naufan Naufan 2 Hamdi Hamdi Hamdi Hamdi Hamdi Hamdi 3 Bagas Bagas Bagas Bagas Bagas - 4 Yansen Yansen Yansen Yansen Yansen Yansen 5 Brian Brian Brian - Brian Brian 6 Yudha Naufan Yudha Yudha Yudha Yudha 7 Dwi Dwi Dwi Dwi Dwi Dwi 8 Alfred Alfred Alfred Alfred - Alfred Tabel 4.2 Hasil si yang dilakukan tahap 6-10 Tabel di atas merupakan hasil dari proses absensi yang dilakukan proses tersebut dilakukan di dalam ruangan dengan kondisi pencahayaan lampu yang ada dalam ruangan tersebut.
Hasil keseluruhan dari proses absensi dapat di lihat dari tabel berikut 58 ini: No Nama Total keberhasilan melakukan absensi Total Kesalahan Dalam si Persentase keberhasilan 1 Naufan 9 1 90% 2 Hamdi 10-100% 3 Bagas 6 3 60% 4 Yansen 10-100% 5 Brian 8 3 80% 6 Yudha 10-100% 7 Dwi 9 1 90% 8 Alfred 9 1 90% Tabel 4.3 Hasil Keseluruhan absensi Dari data pengambilan tersebut didapatkan bahwa tingkat keberhasilan melakukan absensi rata-rata adalah 90% hal ini dipengaruhi dari proses pengambilan data pada proses latih atau training dan juga proses dalam melakukan absensi. Hal ini saling berkaitan karena metode yang di gunakan untuk peng ekstrakan nilai fitur adalah permodelan matematika. Fator utama ketidak berhasilan dalam pengenalan wajah adalah dari orientasi dan juga kondisi pencahayan yang sangat jauh berbeda dengan kondisi pada saat dilakukan proses latih. Maka untuk tahapan selanjutnya dalam meneruskan penelitian ini diperlukanlah suatu metode dalam pengkoreksian nilai error dalam melakukan preprocessing citra sebelum masuk ke tahapan ekstraksi fitur. Metode ekstraksi fitur dengan PCA menghasilkan nilai cost computation yang cukup baik, namun dalam hal keakurasian belum cukup mendapatkan hasil yang baik. Seperti yang dijelaskan sebelumnya
59 diperlukanlah metode pendukung dalam melakukan proses ekstraksi fitur PCA tersebut agar keakurasian dapat meningkat. Dalam hal proses training dengan metode Neural Network Backpropagation memerlukan proses yang lama untuk jumlah data yang banyak, keakurasian meningkat jika diberikan input data matriks yang lebih besar, namun memerlukan waktu proses training yang lebih lama dibandingkan dengan matriks input yang kecil. Pada sistem yang telah di buat semakin banyak data yang diambil pada proses pelatihan maka nilai akurasi akan semakin meningkat namun akan menambah jangka waktu dalam melakukan proses latih.