5.1.5 Pengenalan Multi Citra Wajah ... V-7 5.2 Impelentasi Aplikasi Sistem Absensi Berbasi Pengenalan Wajah V-10 5.3 Rekapitulasi Pengujian Aplikasi ... V-13
BAB V KESIMPULAN DAN SARAN
5.1. Kesimpulan ... VI-1 5.2. Saran ... VI-2
DAFTAR PUSTAKA LAMPIRAN
iv
DAFTAR TABEL
Halaman Tabel 2.1 Hasil Deteksi Pengenalan Wajah Kairos ... II-11 Tabel 2.2 Perbandingan Kairos dan OpenCV ... II-12 Tabel 3.1 Spesifikasi Masing-masing Kamera ... III-12 Tabel 4.1 Kairos Error Message ... III-6 Tabel 4.2 Keluaran Pada Proses Pengenalan Wajah ... IV-8 Tabel 4.3 Keluaran Pada Proses Latih Wajah ... IV-9 Tabel 5.1 Sampel Citra Wajah dan Bukan Wajah ... V-1 Tabel 5.2 Hasil Pengujian Citra Wajah dan Bukan Wajah ... V-2 Tabel 5.3 Sampel Citra Wajah Terdaftar dan Tidak Terdaftar ... V-3 Tabel 5.4 Hasil Latih Citra Wajah Terdaftar ... V-4 Tabel 5.5 Hasil Pengenalan Citra Wajah Terdaftar dan
Tidak Terdaftar ... V-4 Tabel 5.6 Sampel Citra Wajah Identik Sama ... V-5 Tabel 5.7 Hasil Latih Citra Wajah Identik Sama ... V-5 Tabel 5.8 Hasil Pengenalan Citra Wajah Identik Sama ... V-6 Tabel 5.9 Sampel Citra Menggunakan Aksesoris ... V-6 Tabel 5.10 Hasil Latih Citra Menggunakan Aksesoris ... V-7 Tabel 5.11 Hasil Pengenalan Citra Menggunakan Aksesoris ... V-7 Tabel 5.12 Sampel Pengenalan Multi Citra Wajah ... V-8 Tabel 5.13 Hasil Latih Pengenalan Multi Citra Wajah ... V-8 Tabel 5.14 Hasil Pengenalan Pengenalan Multi Citra Wajah ... V-9 Tabel 5.15 Sampel Citra Wajah Karyawan ... V-9 Tabel 5.16 Hasil Latih Karyawan ... V-10 Tabel 5.17 Hasil Presensi Karyawan ... V-13 Tabel 5.18 Gaji Mingguan 21 – 26 Agustus 2017 ... V-14 Tabel 5.19 Rekapitulasi Pengujian ... V-14 Tabel 5.20 Analisa Lanjutan ... V-15
v
DAFTAR GAMBAR
Halaman
Gambar 2.1 Proses Face Tracking ... II-3 Gambar 2.2 Proses Tahapan Pelatihan Wajah dan Pengenalan
Wajah ... II-4 Gambar 2.3 Flowchart Algoritma Eigenface ... II-5 Gambar 2.4 Skema Matriks Wajah ... II-6 Gambar 2.5 Penyusunan Matriks Flatvector ... II-6 Gambar 2.6 Penentuan Rataan Flatvector ... II-7 Gambar 2.7 Perhitungan Nilai Eigenface Untuk Training ... II-7 Gambar 2.8 Perhitungan Nilai Eigenface Untuk Testface ... II-8 Gambar 2.9 Proses Identifikasi Dengan Input Image Testface ... II-8 Gambar 2.10 Feature Point Detection ... II-9 Gambar 2.11 Sistem Kerja Kairos ... II-9 Gambar 2.12 Verifikasi Wajah ... II-10 Gambar 2.13 Citra Wajah Yang Diuji dan Hasil Yang Masih
Berupa Skrip ... II-11 Gambar 3.1 Flowchart Penelitian ... III-1 Gambar 3.2 Blok Diagram Sistem ... III-2 Gambar 3.3 Desain Aplikasi Deteksi Dan Pengenalan Wajah ... III-3 Gambar 3.4 Blok Diagram Sistem ... III-3 Gambar 3.5 Sitemap Aplikasi ... III-4 Gambar 3.6 Flowchart Absensi ... III-6 Gambar 3.7 Desain Halaman Absen ... III-7 Gambar 3.8 Desain Pengaturan ... III-7 Gambar 3.9 Desain Unduh Data ... III-8 Gambar 3.10 Rekap Data Karyawan Dalam Format File xlsx ... III-8 Gambar 3.11 Desain Lihat Data Absen Karyawan ... III-9 Gambar 3.12 Flowchart Latih ... III-10
vi
Gambar 3.13 Desain Fitur Latih ... III-11 Gambar 3.14 Entity Relationship Diagram ... III-11 Gambar 4.1 Terdeteksi ... IV-2 Gambar 4.2 Dikenali ... IV-3 Gambar 4.3 Tidak Terdeteksi ... IV-4 Gambar 4.4 Gambar Format Tabel Hasil Pengujian ... IV-4 Gambar 4.5 Terdeteksi ... IV-4 Gambar 4.6 Tidak Terdeteksi ... IV-5 Gambar 4.7 Terlalu Banyak Wajah ... IV-5 Gambar 4.8 Gambar Format Tabel Hasil Pengujian ... IV-6 Gambar 4.9 Tidak Ada Koneksi Internet ... IV-7 Gambar 4.10 Pengenalan Wajah Pada Implementasi Sistem ... IV-7 Gambar 4.11 Latih Wajah Pada Implementasi Sistem ... IV-8 Gambar 4.12 Gambar Format Tabel Hasil Pengujian ... IV-9 Gambar 5.1 Pengaturan ... V-11 Gambar 5.2 Data Karyawan Dalam Format Tabel ... V-11 Gambar 5.3 Unduh Data Presensi Karaywan ... V-11 Gambar 5.4 Verifikasi Pengunduhan ... V-12 Gambar 5.5 Data Karyawan Dalam Format File Xlsx ... V-12
vii
DAFTAR ISTILAH
ISTILAH PENGERTIAN
Citra : Gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinu menjadi gambar diskrit melalui proses sampling.
Gambar : Sesuatu yang dapat mewakilkan suatu objek nyatanya serta memiliki karakter warna maupun bentuk yang sesuai dengan aslinya
Sistem Absensi
: Sistem yang berisi informasi lengkap mengenai kehadiran dan ketidakhadiran seorang karyawan
Identifier : Tanda pengenal atau identitas dari seseorang
Xlsx : Sebuah ekstensi file untuk program microsoft excel, microsoft excel sendiri merupakan sebuah program untuk mengolah angka
2 Dimensi (2D)
: bentuk dari benda yang memiliki panjang dan lebar. Istilah ini biasanya digunakan dalam bidang seni, animasi, komputer dan matematika.
Video : Teknologi untuk menangkap, merekam, memproses, mentransmisikan dan menata ulang gambar bergerak. Biasanya menggunakan film seluloid, sinyal elektronik, atau media digital
Machine Learning
: Disebut juga pembelajaran mesin adalah proses komputer untuk belajar dari data
Ekspresi : Ungkapan perasaan manusia. Blok
Diagram
: Diagram dari sebuah sistem , di mana bagian utama atau fungsi yang diwakili oleh blok dihubungkan dengan garis, yang menunjukkan hubungan dari blok.
Desain : Perencanaan dalam pembuatan sebuah Program
Webcam : Periferal berupa kamera yang dikendalikan oleh sebuah komputer atau oleh jaringan komputer.
Basis Web
: Setiap program yang diakses melalui koneksi jaringan menggunakan HTTP
viii
DAFTAR SINGKATAN
SINGKATAN PENGERTIAN
XLSX : Extensible Stylesheet Language
PHP : Personal Home Page, Hypertext Preprocessor SQL : Structured Query Language
PCA : Principle Component Analysis API : Application Programming Interface HTML : HyperText Markup Language
ID : Identifier
PC : Personal Computer
DBMS : Database Management System
ix
DAFTAR LAMPIRAN
1 Profil Perusahaan 2 API Kairos
3 Kode Sumber Program 4 Dokumentasi
5 Jurnal 6 Biodata
I-1
BAB I PENDAHULUAN
1.1 Latar Belakang
Pengenalan wajah adalah teknologi komputer untuk menentukan lokasi wajah, ukuran wajah, deteksi fitur wajah dan pengabaian citra latar, selanjutnya dilakukan identifikasi citra wajah[1]. Pengenalan wajah melibatkan banyak variabel, misalnya citra sumber, citra hasil pengolahan citra, citra hasil ekstraksi dan data profil seseorang[1]. Dibutuhkan juga alat pengindera berupa sensor kamera dan metode untuk menentukan apakah citra yang ditangkap oleh webcam tergolong wajah manusia atau bukan, sekaligus untuk menentukan informasi profil yang sesuai dengan citra wajah yang dimaksud.
Pengenalan wajah telah dikembangkan untuk banyak aplikasi keamanan, aplikasi absensi dan aplikasi pendataan penduduk[1]. Penggunaan wajah sebagai identifier mempunyai banyak manfaat, terutama kepraktisannya karena memerlukan sebuah gambar untuk identifikasi[1].
CV. Karya Mitra Utama merupakan salah satu perusahaan yang bergerak pada bidang perindustrian seperti machining, electroplating, heat treatment, supplier, consultant management dan general trading. Sebagai perusahaan yang cukup besar dan memiliki banyak karyawan, pada sistem absensi CV. Karya Mitra Utama masih menggunakan mesin absensi kartu.
Mesin mesin absensi kartu tersebut yang bernama amano GX500 masih berjalan sampai saat ini, namun alat tersebut memiliki banyak kekurangan, Seperti sistem penggajian perminggu yang harus dilakukan dengan menyalin jam-jam masuk dari kartu dan mengolahya didalam microsoft excel hal ini tentu memakan waktu yang lumayan lama dan rawan human error. Selain banyak karyawan yang terpaksa menunggu pada setiap hari gajian, seringkali gaji yang didapatkan tidak sesuai dengan jam bekerja karyawan.
Maka solusi dari permasalahan tersebut adalah dengan melaksanakan penelitian yang bertujuan untuk menghasilkan sistem absensi yang lebih baik dan handal, sistem absensi yang akan dibuat adalah sistem absensi
I-2
pengenalan wajah yang menggunakan metode feature-based dan pustaka perangkat lunak kairos. Selain membuat sistem absensi wajah penelitian ini juga bertujuan menguji seberapa akurat sistem pengenalan wajah yang menggunakan metode feature-based dan pustaka perangkat lunak kairos, serta menguji sistem pengolahan data yang akan dibuat menggunakan bahasa pemograman PHP dan database MySQL, sehingga output yang diberikan oleh aplikasi berupa file microsoft excel (xlsx) untuk keperluan pembuatan laporan dan struk gaji.
1.2 Perumusan Masalah
Berdasarkan latar belakang maka didapatkan perumusan masalah, yaitu: 1. Bagaimana membuat aplikasi pengenalan wajah sebagai identifikasi untuk
sistem absensi dan menggantikan absensi berbasis kartu.
2. Bagaimana membuat sistem absensi pengenalan wajah menggunakan menggunakan metode eigenface, bahasa pemograman PHP, database MySQL dan pustaka perangkat lunak kairos.
3. Bagaimana mementukan nilai akurasi sistem pengenalan wajah yang dibuat menggunakan metode eigenface, serta bagaimana aplikasi dapat mempercepat proses pengolahan data absensi karyawan
1.3 Pembatasan Masalah
Berikut beberapa pembatasan masalah pada sistem absensi pengenalan wajah menggunakan metode eigenface, yaitu :
1. Aplikasi sistem absensi berbasis pengenalan wajah dibuat untuk menggantikan sistem absensi kartu.
2. Aplikasi dibuat menggunakan metode eigenface, bahasa pemograman PHP, sistem manajemen database MySQL dan pustaka perangkat lunak kairos.
3. Aplikasi dibuat untuk menguji seberapa besar nilai akurasi pengenalan wajah metode eigenface, serta untuk mempercepat proses pengolahan data absensi karyawan.
I-3
1.4 Tujuan
Tujuan dalam pembuatan sistem absensi pengenalan wajah menggunakan metode eigenface adalah:
1. Membuat sistem absensi berbasis pengenalan wajah sebagai pengganti sistem absensi berbasis kartu.
2. Merancang dan membuat aplikasi sistem absensi berbasis pengenalan wajah menggunakan metode eigenface, bahasa pemograman PHP, sistem manajemen database MySQL dan pustaka perangkat lunak kairos 3. Melaksanakan pengujian untuk mengetahui seberapa besar nilai akurasi sistem absensi berbasis pengenalan wajah dan membuat sistem aplikasi yang dapat mempercepat proses pengolahan data absensi karyawan.
1.5 Kegunaan
Dengan dilaksanakannya penelitian ini diharapkan sistem absensi pengenalan wajah dapat menjadi sistem absensi pengganti yang lebih baik dari mesin kartu.
1.6 Sistematika Penulisan
Sistematika penulisan ini membagi penyajian tulisan menjadi enam bab, masing-masing bab meliputi;
BAB I PENDAHULUAN
Membahas latar belakang, perumusan masalah, pembatasan masalah, tujuan, kegunaan serta sistematika penulisan laporan.
BAB II LANDASAN TEORI
Berisi referensi, materi maupun teori dasar mengenai pengolahan citra, pengenalan wajah, deteksi wajah, metode eigenface, pustaka perangkat lunak kairos dan hal lainya yang menyangkut dengan penelitian yang akan dilaksanakan
BAB III METODOLOGI PENELITIAN
Membahas metode yang digunakan pada penelitian seperti alur penelitian, analisa aplikasi, analisa pembuatan aplikasi, rancangan database. Pada bab ini juga akan dibahas perangkat keras maupun
I-4
perangkat lunak yang dibutuhkan serta metode pengujian dan implementasi aplikasi
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA
Membahas metode yang digunakan dalam melaksanakan pengumpulan dan pengolahan data untuk pengujian akurasi maupun implementasi aplikasi
BAB V ANALISIS DAN PEMBAHASAN
Berisi analisis dan pembahasan dari hasil penelitian dari pengujian akurasi seperti pengujian aplikasi pengenalan wajah pada citra wajah dan bukan wajah. Pada bab ini juga terdapat analisis dan pembahasan dari implementasi aplikasi yang hasil akhirnya berupa gaji mingguan karyawan. BAB VI PENUTUP
Membahas kesimpulan dari hasil penelitian, saran untuk meningkatkan akurasi dan kecepatan aplikasi serta saran pengembangan aplikasi ini selanjutnya.
II-1 BAB II
LANDASAN TEORI
2.1 Visi Komputer
Visi komputer (Computer Vision) merupakan ilmu yang mempelajari tentang bagaimana komputer dapat mengamati dan mengobservasi suatu benda tertentu. Hal ini bertujuan untuk meniru visualisasi yang dapat dilakukan oleh manusia sehingga dapat dilakukan oleh komputer, yang dalam aplikasinya dapat dilakukan pemrosesan lebih lanjut[9]. Visi komputer terbagi menjadi 2 bidang ilmu, yaitu :
1. Pengolahan Citra
Pengolahan Citra (image Processing)merupakan salah satu ilmu yang mempelajari tentang teknik perbaikan kualitas citra yang kurang baik menjadi citra yang lebih baik dan diterima sebagi citra yang mudah dikenali[3].
2. Pengenalan pola
Pengenalan pola (Pattern recognition) merupakan pengidentifikasian objek berdasarkan proses pengelompokkan data numerik dan simbolik (termasuk citra), yang dilakukan secara otomatis oleh komputer[3] .
Pola adalah suatu bentuk dimana masing-masing pola memiliki ciri-cirinya. Ciri-ciri tersebut digunakan utuk membedakan suatu pola dengan pola yang lainnya. Ciri yang baik adalah ciri yang memiliki daya pembeda yang tinggi, sehingga pengelompokkan pola berdasarkan ciri yang dimiliki dapat dilakukan dengan keakuratan yang tinggi[6].
2.2 Citra
Data atau informasi tidak hanya disajikan dalam bentuk teks saja, akan tetapi dapat berupa sebuah gambar (citra), audio (bunyi, suara, musik), dan video. Macam-macam data atau informasi tersebut sering disebut multimedia. Citra sendiri adalah gambar pada bidang dwiwarna (dua dimensi), ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dwiwarna. Sumber
II-2
cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut. Pantulan cahaya ini ditangkap oleh alat optik, misalnya mata pada manusia, kamera, pemindai (scanner) dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam[3].
Citra merupakan salah satu komponen multimedia yang memiliki peranan penting sebagai informasi visual. Citra memiliki karakteristik yang tidak dimiliki oleh data teks, yaitu citra kaya dengan informasi[1]. Pengolahan citra secara digital dimulai pada awal tahun 1921, yaitu pertama kalinya sebuah foto berhasil di transmisikan secara digital melalui kabel laut dari kota New York ke kota London dengan memakan waktu kurang dari 3 jam yang biasanya pengiriman suatu foto saat itu membutuhkan waktu sekitar satu minggu. Selanjutnya pada tahun 1960 tercatat perkembangan pesat dikarenakan munculnya teknologi komputer yang sanggup memenuhi suatu kecepatan proses dan kapasitas memori yang dibutuhkan oleh berbagai algoritma pengolahan citra[3].
2.3 Sistem Deteksi Wajah
Deteksi wajah merupakan salah satu teknologi biometrik, yang digunakan oleh perangkat lunak untuk mendektesi keberadaan wajah manusia sekaligus menghiraukan objek lain seperti pohon, bangunan dan tubuh manusia dalam sebuah citra[1].
Proses pendeteksian wajah adalah proses mensegmentasi area wajah dengan latar belakang dari suatu masukan citra. Proses ini bekerja dengan cara memeriksa citra yang dimasukan, apakah memiliki citra wajah atau tidak, jika memiliki citra wajah, maka akan dilakukan pemisahan dengan cara memotong citra wajah dari latar belakang citra yang dimasukan[10].
Untuk masukan berbentuk video, proses yang dilakukan adalah proses face tracking. Secara umum, proses face tracking dan proses pendeteksian wajah mempunyai fungsi yang sama. Perbedaannya terletak pada proses pendeteksiannya saja, jika pada masukan berbentuk citra, sistem berjalan
offline sehingga dapat menggunakan proses pendeteksian wajah, sedangkan pada masukan video, sistem berjalan secara online atau real-time yang
II-3
membutuhkan pendeteksian secara langsung maka proses yang digunakan adalah proses face tracking[11]. Proses face tracking dapat dilihat pada gambar 2.1.
Gambar 2.1. Proses Face Tracking
Dalam deteksi wajah ada empat istilah yang sering dipakai antara lain[9]:
1. True positive = Wajah terdeteksi benar sebagai wajah 2. True Negative = Wajah terdeteksi benar sebagai bukan wajah 3. False positive = Wajah tidak terdeteksi sebagai wajah
4. False negative = Bukan wajah terdeteksi wajah
2.4 Sistem Pengenalan Wajah
Pengenalan wajah adalah teknologi biometrik untuk menentukan lokasi wajah, ukuran wajah, deteksi fitur wajah dan pengabaian citra latar, selanjutnya dilakukan identifikasi citra wajah[1]. Prinsip dasar dari pengenalan wajah adalah dengan mengutip informasi unik wajah tersebut, kemudian di-encode dan dibandingkan dengan hasil decode yang sebelumnya dilakukan[7].
Sistem pengenalan wajah digunakan untuk membangunan identitas. dengan tujuan utama yaitu mengidentifikasi sebuah wajah dalam citra dan mencocokannya dengan citra yang ada di dalam database[1]. Secara umum cara kerjanya adalah dengan mengkonversikan foto, sketsa, dan citra video menjadi serangkaian angka kemudian membandingkannya dengan rangkaian angka lain yang mewakili wajah-wajah yang sudah dikenal[2].
II-4
Secara umum, meskipun didasari dengan metode-metode yang berbeda proses pengenalan wajah terdiri dari dua proses utama yaitu, proses pelatihan citra dan proses pengenalan citra. Kedua proses ini memiliki tahapan-tahapan yang hampir sama, perbedaannya terletak pada hasil ekstraksi fiturnya[10]. Untuk lebih jelasnya, pada Gambar 2.2 ditunjukan diagram blok sistem pelatihan dan pengenalan citra wajah secara umum.
(a)
(b)
Gambar 2.2. Proses Tahapan (a) Pelatihan Wajah (b) Pengenalan Wajah[10]
Pertama akan ditentukan lokasi wajah pada citra atau video (deteksi wajah), selanjutnya citra bukan wajah akan dibuang atau diabaikan, kemudian fitur pada wajah di ekstraksi menjadi vektor, langkah selanjutnya untuk pelatihan wajah vektor fitur akan disimpan, sedangkan untuk pengenalan wajah vektor fitur akan dicocokan dengan fitur yang ada dalam database.
Secara umum, teknik dan metode dalam pengenalan wajah dapat dikelompokan ke dalam tiga pendekatan berdasarkan data yang dibutuhkannya[1], yaitu:
1. Pendekatan holistik. Pada pendekatan holistik, seluruh bagian atau ciri-ciri global wajah digunakan sebagai data masukan untuk pengenalan wajah. Contoh: eigenface, fisherface, nearest feature line (NFL), dan
II-5
2. Pendekatan feature-based. Pada pendekatan feature-based, wajah terbagi berdasarkan ciri-ciri lokal wajah seperti hidung, mulut, mata, dan lainnya yang kemudian digunakan sebagai data masukan. Contoh : Hidden Markov Model, Kairos dan Dynamic Link Architecture.
2.5 Algoritma Eigenface
Kata eigenface sebenarnya berasal dari bahasa Jerman “eigenwert” dimana “eigen” artinya karakteristik dan “wert” artinya nilai[5]. Eigenface sendiri merupakan salah satu algoritma pengenalan pola wajah yang berdasarkan pada Principle Component Analysis (PCA).
Dalam metode eigenface, decoding dilakukan dengan menghitung
eigenvector kemudian direpresentasikan dalam sebuah matriks yang berukuran besar. Eigenvector juga dinyatakan sebagai karakteristik wajah oleh karena itu metode ini disebut dengan eigenface[5].
Untuk menghasilkan eigenface, sekumpulan besar citra digital dari wajah manusia diambil pada kondisi pencahayaan yang sama, dinormalisasi dan kemudian diolah pada resolusi yang sama (misalnya m x n), dan kemudian diperlakukan sebagai vektor dimensi mn di mana komponennya diambil dari nilai dari pikselnya[1]. Flowchat dari algoritma eigenface dapat dilihat pada gambar 2.3.
II-6
Adapun algoritma selengkapnya adalah sebagai berikut: 1. Penyusunan Flat Vector
Langkah pertama adalah menyusun seluruh training image rnenjadi 1 matriks tunggal. Misalkan citra berukuran H × W piksel dan jumlahnya N buah, maka flatvector yang dihasilkan berdimensi N × (H × W). Selanjutnya representasikan semua matriks training menjadi matriks dengan bentuk N × 1 atau matriks linier. Untuk lebih jelasnya dapat dilihat pada gambar 2.4.
Gambar 2.4. Skema Matriks Wajah
Sebagai contoh untuk training image yang didalamnya terdapat 2 citra wajah dengan ukuran 3 × 3 piksel maka eigenvector akan memiliki ukuran 2 × 9 ( 2 × 3 × 3 ). dua buah citra wajah yang telah diubah menjadi matriks, kemudian diubah kedalam bentuk rataan flatvector.
Untuk lebih jelasnya dapat dilihat pada gambar 2.5.
Gambar 2.5. Penyusunan Flatvector[1]
2. Penghitungan Rataan FlatVector
Dari flatvector yang diperoleh, jumlahkan seluruh barisnnya sehingga memperoleh matriks berukuran 1 x (H x W). Setelah itu mastriks tersebut dibagi dengan jumlah image N untuk mendapatkan rataan flatvector. Nilai flatvector citra akan digunakan untuk menghitung nilai eigenface citra wajah (training image). Untuk lebih jelasnya dapat dilihat pada gambar 2.6
II-7
Gambar 2.6. Penentuan Rataan Flatvector[1]
3. Tentukan nilai eigenface
Dengan menggunakan rataan flatvector citra yang telah didapatkan, nilai eigenface untuk matriks flatvector yang sudah disusun tersebut dapat dihitung nilai eigenface-nya. Caranya dengan mengurangi baris-baris pada matriks flatvector dengan rataan flatvector. Jika didapatkan nilai dibawah nol, maka nilainya diganti dengan nol. Untuk lebih jelasnya dapat dilihat pada gambar 2.7
Gambar 2.7. Perhitungan Nilai Eigenface Untuk Training[1]
4. Proses Identifikasi
Untuk mengenali citra tes (testface), langkah identifikasinya adalah menghitung nilai eigenface untuk matriks testface dengan cara sebelumnya untuk menentukan nilai eigenface dan flatvector citranya[7]. Untuk lebih jelasnya dapat dilihat pada gambar 2.8.
II-8
Gambar 2.8. Perhitungan Nilai Eigenface Untuk Testface[7]
Setelah nilai eigenface untuk testface diperoleh maka proses identifikasi dapat diliakukan dengan menentukan jarak terpendek antara
eigenface dan eigenvector training image. Pertama tentukan nilai
absolut dari pengurangan baris pada matriks eigenface training image
dengan eigenface dari testface, kemudian jumlahkan elemen-elemen penyusun vector yang dihasilkan dari pengurangan tadi untuk menghasilkan jarak indeks, lakukan untuk semua baris kemudian, cari nilai yang terkecil. Untuk lebih jelasnya dapat dilihat pada gambar 2.9.
II-9
Dari hasil perhitungan, diperoleh jarak citra face 2 memiliki nilai yang terkecil yaitu satu, maka hasil identifikasi menyimpulkan bahwa
testface lebih mirip dengan face dua dari pada face satu.
2.6 Algoritma Kairos
Kairos adalah perusahaan yang bergerak pada bidang kecerdasan buatan khususnya pengenalan wajah. melalui visi komputer (computer vision) dan pembelajaran mesin (machine learning), kairos dapat mengenal wajah dari video, foto maupun dunia nyata (realtime)[11].
Dengan nama yang sama produknya yaitu kairos adalah salah satu pustaka perangkat lunak yang dikhususkan untuk deteksi wajah, menggunakan metode featured-based. Kairos dapat membaca atau mengenali emosi, identitas serta demografi dari citra atau citra masukan hanya dengan beberapa baris kode[11].
2.6.1 Sistem Kerja Kairos
Kairos feature point detection menggunakan 49 titik unik pada wajah manusia untuk mengumpulkan data termasuk didalamnya emosi, ekspresi, umur dan jenis kelamin [11]. feature point detection kairos dapat dilihat pada gambar 2.10.
Gambar 2.10. Feature Point Detection[3]
Sistem kerja kairos hampir sama dengan pustaka perangkat lunak lainnya. Untuk lebih jelasnya dapat dilihat pada gambar 2.11.
Gambar 2.11. Sistem Kerja Kairos MENGAMBIL
CITRA
MENEMUKAN WAJAH
MENENTUKAN TITIK UNIK PADA
WAJAH
KLASIFIKASI
II-10
Setelah citra diambil oleh kamera, kairos akan mencari wajah dan menentukan feature point detection pada citra, kemudian kairos mengklasifikasikan fitur (deteksi wajah, pengenalan wajah, verifikasi wajah, dan lain-lain), setelah itu kairos memberikan hasil data berupa deteksi wajah atau pengenalan wajah tergantung fitur kairos mana yang digunakan[3].
2.6.2 Fitur Kairos
Selain deteksi wajah dan pengenalan wajah, pustaka perangkat lunak kairos memiliki beberapa fitur utama yaitu:
A. Deteksi wajah
Setelah citra diambil oleh kamera, kairos akan mencari wajah dan menentukan feature point detection pada citra. setelah dianalisa dengan fitur deteksi wajah kairos akan memberikan hasil berupa titik unik dari wajah, identitas serta demografi dari wajah.
B. Pengenalan wajah
Pengenalan wajah kairos terbagi menjadi dua yaitu pelatihan wajah dan pengenalan wajah kedua-duanya memiliki sistem kerja yang hampir sama dengan deteksi wajah. Hanya saja setelah hasil berupa titik unik dari wajah ditentukan. Pada pelatihan wajah, citra wajah tersebut disimpan ke database, sedangkan pada pengenalan wajah, citra wajah tersebut